利用脑电波识别生物的方法及装置与流程

本发明涉及脑电波检测技术领域，尤其涉及一种利用脑电波识别生物的方法及装置。

背景技术：

随着脑电传感技术的不断发展，市面上出现了各种不同的脑电产品，如意念头箍等。上述的脑电产品大多是基于neurosky神念科技的脑电传感技术开发的，其利用干电极读取人的大脑信号，可以过滤掉周围的噪音和电器的干扰，并将检测到的大脑信号转成数字信号，神念的脑电传感器灵活度很高，且可以过滤掉周围的噪音，获取较佳的脑电波数据。由于脑电波是一种微弱的生物波，在实际的测试过程中，当上述设备没有带在大脑时，也会根据不同非生物的特质(周围环境)不同而收集到其他波值，如此，会造成两者数据的混淆，进而导致测试的数据出现偏差，不能准确甑别生物。

有鉴于此，有必要提出对目前的脑电识别技术进行进一步的改进。

技术实现要素：

为解决上述至少一技术问题，本发明的主要目的是提供一种利用脑电波识别生物的方法。

为实现上述目的，本发明采用的一个技术方案为：提供一种利用脑电波识别生物的方法，包括如下步骤：

获取利用脑电装置所采集的第一原始数据及第二原始数据，其中，所述第一原始数据由脑电装置佩戴于生物头部时所采集，所述第二原始数据由脑电装置检测周围环境时所采集；

对第一原始数据进行标记处理形成生物波数据集，及对第二原始数据进行标记处理形成非生物波数据集；

获取利用脑电装置在设定时间内所采集的多组脑电测试数据作为特征向量，多组特征向量形构成特征矩阵；

提取特征矩阵的统计数值作为脑电测试数据的特征值；以及

对脑电测试数据的特征值进行识别处理，如果脑电测试数据的特征值在生物波数据集内，将该脑电测试数据对应的测试对象识别为生物。

在一具体的实施例中，所述对脑电测试数据的特征值进行识别处理步骤中，还包括：

如果脑电测试数据的特征值在非生物波数据集内，将该脑电测试数据对应的测试对象识别为非生物。

在一具体的实施例中，所述对脑电测试数据的特征值进行识别处理的步骤之前，还包括：

利用随机森林算法对脑电测试数据的特征值进行分类，进而以脑电波数据识别生物与非生物。

在一具体的实施例中，所述对第一原始数据进行标记处理形成生物波数据集，及对第二原始数据进行标记处理形成非生物波数据集的步骤，具体包括：

分别对第一原始数据及第二原始数据进行存储处理；以及

分别对经存储处理的第一原始数据及第二原始数据进行标记处理，以得到生物波数据集的训练样本及非生物数据集的训练样本。

在一具体的实施例中，所述提取特征矩阵的统计数值作为脑电测试数据的特征值的步骤中，

对数值矩阵中的每行元素进行累加处理；以及

根据累加的结果计算出该行元素的平均值、标准差以及最大振幅后得到该数值矩阵的特征值。

为实现上述目的，本发明采用的另一个技术方案为：提供一种利用脑电波识别生物的装置，包括：

训练模块，用于获取利用脑电装置所采集的第一原始数据及第二原始数据，其中，所述第一原始数据由脑电装置佩戴于生物头部时所采集，所述第二原始数据由脑电装置检测周围环境时所采集；

标签模块，用于对第一原始数据进行标记处理形成生物波数据集，及对第二原始数据进行标记处理形成非生物波数据集；

获取模块，用于获取利用脑电装置在设定时间内所采集的多组脑电测试数据作为特征向量，多组特征向量形构成特征矩阵；

提取模块，用于提取特征矩阵的统计数值作为脑电测试数据的特征值；以及

识别模块，用于对脑电测试数据的特征值进行识别处理，如果脑电测试数据的特征值在生物波数据集内，将该脑电测试数据对应的测试对象识别为生物。

在一具体的实施例中，所述识别模块，还用于：

在脑电测试数据的特征值在非生物波数据集内时，将该脑电测试数据对应的测试对象识别为非生物。

在一具体的实施例中，所述识别模块，还用于：

利用随机森林算法对脑电测试数据的特征值进行分类，进而以脑电波识别生物与非生物。

在一具体的实施例中，所述标签模块，具体用于：

分别对第一原始数据及第二原始数据进行存储处理；以及

分别对经存储处理的第一原始数据及第二原始数据进行标记处理，以得到生物波数据集的训练样本及非生物数据集的训练样本。

在一具体的实施例中，所述提取模块，具体用于：

对数值矩阵中的每行元素进行累加处理；以及

根据累加的结果计算出该行元素的平均值、标准差以及最大振幅后得到该数值矩阵的特征值。

本发明的技术方案的主要如下步骤：获取利用脑电装置所采集的第一原始数据及第二原始数据，然后对第一原始数据进行标记处理形成生物波数据集，及对第二原始数据进行标记处理形成非生物波数据集；测试时，获取利用脑电装置在设定时间内所采集的多组脑电测试数据作为特征向量，多组特征向量形构成特征矩阵；提取特征矩阵的统计数值作为脑电测试数据的特征值；以及对脑电测试数据的特征值进行识别处理，进而识别出生物，能够提高测试的准确性，满足较高的测试要求。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图示出的结构获得其他的附图。

图1为本发明一实施例的用脑电波识别生物的方法的流程图；

图2为本发明一实施例的用脑电波识别生物的装置的模块方框图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

需要说明，本发明中涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。

目前，市面上的脑电装置，如意念头箍(brainlink)等，可以检测出脑电波数据，并且通过对脑电波数据的处理可以开发出减压、娱乐等应用。在实际的使用中，脑电波是一种微弱的生物波，当脑电装置佩戴于生物头部时可以通过脑电传感技术输出脑电数据，当脑电装置佩戴于非生物时也可以得到脑电数据，两者的数据存在可识别的差异，为此，本方案采用下述方案来识别生物与非生物，具体方法请参照下述的实施例。

实施例一

请参照图1，在本发明实施例中，该利用脑电波识别生物的方法，包括如下步骤：

步骤s10、获取利用脑电装置所采集的第一原始数据及第二原始数据，其中，所述第一原始数据由脑电装置佩戴于生物头部时所采集，所述第二原始数据由脑电装置检测周围环境时所采集；

步骤s20、对第一原始数据进行标记处理形成生物波数据集，及对第二原始数据进行标记处理形成非生物波数据集；

步骤s30、获取利用脑电装置在设定时间内所采集的多组脑电测试数据作为特征向量，多组特征向量形构成特征矩阵；

步骤s40、提取特征矩阵的统计数值作为脑电测试数据的特征值；以及

步骤s50、对脑电测试数据的特征值进行识别处理，如果脑电测试数据的特征值在生物波数据集内，将该脑电测试数据对应的测试对象识别为生物。

本实施例中，脑电装置具体为意念头箍(brainlink)，利用意念头箍获取其佩戴于生物头部时所采集第一原始数据，并且还可以利用意念头箍获取其检测周围环境(如佩戴于非生物上等)所采集第二原始数据；然后可以通过文件夹对第一原始数据及第二原始数据进行存储及标记，该第一原始数据可以形成生物波数据集，第二原始数据可以形成非生物波数据集，如此，完成了对样本脑电数据的训练，测试时，通过意念头箍获取脑电测试数据，由于脑电数据信息大，需要对脑电测试数据进行处理，得到多组特征向量，进而构成特征矩阵，通过提取特征矩阵的统计数值，并进一步将特征值与训练样本进行比较识别出生物。上述的特征向量为每秒内提取的脑电测试数据个数可以作为矩阵的行，设定时间长可以作为矩阵的列。

本发明的技术方案的主要如下步骤：获取利用脑电装置所采集的第一原始数据及第二原始数据，然后对第一原始数据进行标记处理形成生物波数据集，及对第二原始数据进行标记处理形成非生物波数据集；测试时，获取利用脑电装置在设定时间内所采集的多组脑电测试数据作为特征向量，多组特征向量形构成特征矩阵；提取特征矩阵的统计数值作为脑电测试数据的特征值；以及对脑电测试数据的特征值进行识别处理，进而识别出生物，能够提高测试的准确性，满足较高的测试要求。

请参照图1，在一具体的实施例中，所述对脑电测试数据的特征值进行识别处理步骤中，还包括：

如果脑电测试数据的特征值在非生物波数据集内，将该脑电测试数据对应的测试对象识别为非生物。

本实施例中，根据训练的生物波集，本方案还可以判断脑电装置未佩戴于生物上，此种情况以区分于脑电装置的正常工作与异常工作。在脑电装置有数据输出时，可以通过训练的结果进而识别出生物，进而可以对脑电测试数据进行区分，以提高脑电测试数据的准确性，方便下一步的脑电数据开发。

在一具体的实施例中，所述对脑电测试数据的特征值进行识别处理的步骤之前，还包括：

利用随机森林算法对脑电测试数据的特征值进行分类，进而以脑电波数据识别生物与非生物。

本实施例中，可以采用随机森林算法对脑电测试数据的特征值进行分类，随机森林算法为已知的匹配算法，更方便于脑电测试数据的特征值与训练样本进行匹配。

在一具体的实施例中，所述对第一原始数据进行标记处理形成生物波数据集，及对第二原始数据进行标记处理形成非生物波数据集的步骤，具体包括：

分别对第一原始数据及第二原始数据进行存储处理；以及

分别对经存储处理的第一原始数据及第二原始数据进行标记处理，以得到生物波数据集的训练样本及非生物数据集的训练样本。

本实施例中，需要对第一原始数据及第二原始数据分别进行存储处理，以形成原始数据点集，然后对原始数据点集进行标记形成训练样本，例如，可以通过文件列表或文本进行存储，然后对文件列表或文本进行标记或命名处理，可以得到若干组训练样本。

在一具体的实施例中，所述提取特征矩阵的统计数值作为脑电测试数据的特征值的步骤中，

对数值矩阵中的每行元素进行累加处理；以及

根据累加的结果计算出该行元素的平均值、标准差以及最大振幅后得到该数值矩阵的特征值。

本实施例中，平均值μ的计算公式为：

振幅x的计算公式为：

x＝xmax-xmin；

标准差σ的计算公式为：

其中，xi表示第i个元素，n、n均表示元素有n、n个，其中，n、n均为大于或等于1的正整数；i大于或等于1且小于或等于n、n的正整数。

通过对数值矩阵的平均值、振幅、标准差进行计算，可以得到数据矩阵的统计数值。当然，上述的平均值、振幅、标准差仅为数据矩阵的三个参数，为了提高准确率，还可以增加其他的参数，以满足不同精度的测试要求。

实施例二

请参照图2，本发明的实施例中，该利用脑电波识别生物的装置，包括：

训练模块10，用于获取利用脑电装置所采集的第一原始数据及第二原始数据，其中，所述第一原始数据由脑电装置佩戴于生物头部时所采集，所述第二原始数据由脑电装置检测周围环境时所采集；

标签模块20，用于对第一原始数据进行标记处理形成生物波数据集，及对第二原始数据进行标记处理形成非生物波数据集；

获取模块30，用于获取利用脑电装置在设定时间内所采集的多组脑电测试数据作为特征向量，多组特征向量形构成特征矩阵；

提取模块40，用于提取特征矩阵的统计数值作为脑电测试数据的特征值；以及

识别模块50，用于对脑电测试数据的特征值进行识别处理，如果脑电测试数据的特征值在生物波数据集内，将该脑电测试数据对应的测试对象识别为生物。

本实施例中，脑电装置具体为意念头箍，利用意念头箍获取其佩戴于生物头部时所采集第一原始数据，并且还可以利用意念头箍获取其检测周围环境(如佩戴于非生物上等)所采集第二原始数据；然后可以通过文件夹对第一原始数据及第二原始数据进行存储及标记，该第一原始数据可以形成生物波数据集，第二原始数据可以形成非生物波数据集，如此，完成了对样本脑电数据的训练，测试时，通过意念头箍获取脑电测试数据，由于脑电数据信息大，需要对脑电测试数据进行处理，得到多组特征向量，进而构成特征矩阵，通过提取特征矩阵的统计数值，并进一步将特征值与训练样本进行比较识别出生物。

请继续参照图2，在一具体的实施例中，所述识别模块50，还用于：

在脑电测试数据的特征值在非生物波数据集内时，将该脑电测试数据对应的测试对象识别为非生物。

本实施例中，该识别模块50，还可以根据训练的生物波集判断脑电装置未佩戴于生物上，此种情况可以区分于脑电装置的正常工作与异常工作。在脑电装置有数据输出时，可以通过训练的结果进而识别出生物，进而可以对脑电测试数据进行区分，以提高脑电测试数据的准确性，方便下一步的脑电数据开发。

请继续参照图2，在一具体的实施例中，所述识别模块50，还用于：

利用随机森林算法对脑电测试数据的特征值进行分类，进而以脑电波识别生物与非生物。

本实施例中，该识别模块50可以采用随机森立算法对脑电测试数据的特征值进行分类，随机森林算法为已知的匹配算法，更方便于脑电测试数据的特征值与训练样本进行匹配。

请继续参照图2，在一具体的实施例中，所述标签模块20，具体用于：

分别对第一原始数据及第二原始数据进行存储处理；以及

分别对经存储处理的第一原始数据及第二原始数据进行标记处理，以得到生物波数据集的训练样本及非生物数据集的训练样本。

本实施例中，通过标签模块20，可以对第一原始数据及第二原始数据分别进行暂存，以形成原始数据点集，然后对原始数据点集进行标记形成训练样本，例如，可以通过文件列表或文本进行存储，然后对文件列表或文本进行标记或命名处理，可以得到若干组训练样本。

请继续参照图2，在一具体的实施例中，所述提取模块40，具体用于：

对数值矩阵中的每行元素进行累加处理；以及

根据累加的结果计算出该行元素的平均值、标准差以及最大振幅后得到该数值矩阵的特征值。

本实施例中，平均值μ的计算公式为：

振幅x的计算公式为：

x＝xmax-xmin；

标准差σ的计算公式为：

其中，xi表示第i个元素，n、n均表示元素有n、n个，其中，n、n均为大于或等于1的正整数；i大于或等于1且小于或等于n、n的正整数。

该提取模块40主要对数值矩阵的平均值、振幅、标准差进行提取计算，可以得到数据矩阵的统计数值。当然，上述的平均值、振幅、标准差仅为数据矩阵的三个参数，为了提高测试准确率，还可以增加其他的参数，以满足不同精度的测试要求。

以上所述仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是在本发明的发明构思下，利用本发明说明书及附图内容所作的等效结构变换，或直接/间接运用在其他相关的技术领域均包括在本发明的专利保护范围内。