一种脑机接口系统数据优化处理方法与流程

本技术涉及脑信号数据优化处理，具体涉及一种脑机接口系统数据优化处理方法。

背景技术：

1、随着社会及经济发展，现在人对身体健康越来越重视，传统对人体健康脑信号检测大多通过监测设备，该方法过于复杂麻烦，并且对于监测设备不太可能随身携带。因此，目前多采用智能穿戴设备对人体状况进行检测，智能穿戴设备附带电极片可对测试者进行脑电信号的采集，进而实现对测试者的相关健康状况进行实时监测分析。

2、在研究人脑状态和活动水平时，脑机接口系统获取的α、β波脑电信号通常会受到环境、生物以及电极等方面的干扰噪声，这些噪声会降低脑电信号质量进而影响后续的信号分析与应用，小波变换具有多尺度分析和频率局部化的特征，能够将信号分解成不同尺度和频率的子带，从而更好地实现脑电信号的去噪处理。通过小波变换算法对脑机接口系统获得的脑电信号进行去噪处理时，小波阈值过大可能会导致信号失真；小波阈值过小可能会导致脑电信号去噪效果较差。

技术实现思路

1、为了解决上述技术问题，本发明提供一种脑机接口系统数据优化处理方法，以解决现有的问题。

2、本发明的一种脑机接口系统数据优化处理方法采用如下技术方案：

3、本发明一个实施例提供了一种脑机接口系统数据优化处理方法，该方法包括以下步骤：

4、通过智能穿戴设备电极片采集待检测者脑电信号组成连续脑电信号序列；

5、采用变分模态分解算法对连续脑电信号序列分解，将频率小的模态分量信号作为波信号序列，频率大的模态分量信号作为波信号序列；对于波信号序列，采用连续傅里叶变换以频域转换；获取波信号频域波形图各周期的关联振幅组；根据各周期内关联振幅组中振幅值以及时间关系构建各周期的振幅变化因子；根据各周期的振幅变化因子、各周期与其下一周期的信号过零次数差异及关联振幅组之间的关系获取各周期的噪声干扰因子；根据各周期的噪声干扰因子及周期内的极大振幅值得到各周期的信号活跃置信指数；采用k-means聚类算法对波信号各周期的信号活跃置信指数进行聚类；

6、根据聚类结果获取波信号序列的波信号稳定时序区间；将波信号稳定时序区间频域转换后的各周期记为各稳定周期；获取波信号稳定时序区间各稳定周期的波谷特征向量；根据各稳定周期频域的基频最大强度值、最小强度值构建各稳定周期的基频信号衰减率；根据稳定周期内各关联振幅组的分布及基频信号衰减率得到稳定周期的信号受扰因子；根据稳定周期的信号受扰因子、稳定周期个数以及稳定周期的波谷特征向量与其余稳定周期波谷特征向量之间的余弦相似度构建波阻断受扰指数；将每层小波分量的预设初始阈值与波阻断受扰指数的乘积作为每层小波分量调整后的小波阈值，结合小波变换算法对脑电信号序列进行去噪优化处理。

7、进一步地，所述获取波信号频域波形图各周期的关联振幅组，包括：

8、对于波信号频域波形图各周期，将周期内每一个极大振幅值与其右侧第一个极小振幅值均作为周期的一个关联振幅组。

9、进一步地，所述根据各周期内关联振幅组中振幅值以及时间关系构建各周期的振幅变化因子，包括：

10、将关联振幅组内极大振幅值与极小振幅值的差值为关联振幅差；周期内所有所述关联振幅差组成周期的关联振幅差序列；极大振幅值与极小振幅值之间的时刻数为关联时刻数；周期i的振幅变化因子表达式为：

11、

12、式中，为波信号内第i个周期的振幅变化因子；为波信号第i个周期中的极大振幅值总个数；、分别是波信号第i个周期中第j、j+1个关联振幅差；、分别为波信号第i个周期内第j、j+1个关联振幅组的关联时刻数。

13、进一步地，所述各周期的噪声干扰因子，包括：

14、统计波信号第i、i+1个周期中信号的过零次数，计算两个过零次数的差值绝对值，将所述差值绝对值作为自然常数为底数的指数函数的指数；计算波信号内第i、i+1个周期的关联振幅差序列之间的dtw距离；

15、计算所述指数函数的计算结果与所述dtw距离的乘积，将所述乘积与第i个周期的振幅变化因子的比值作为第i个周期的噪声干扰因子。

16、进一步地，所述根据各周期的噪声干扰因子及周期内的极大振幅值得到各周期的信号活跃置信指数，表达式为：

17、

18、式中，为波信号内第i个周期的信号活跃置信指数；exp()为以自然常数为底的指数函数；、分别为波信号内第i个周期中第j+1、j个极大振幅值。

19、进一步地，所述根据聚类结果获取波信号序列的波信号稳定时序区间，包括：

20、计算各聚类簇的信号活跃置信指数均值，将信号活跃置信指数均值最大的聚类簇内各周期作为待选周期，将待选周期所在的波信号时序区间作为波信号稳定时序区间。

21、进一步地，所述获取波信号稳定时序区间各稳定周期的波谷特征向量，包括：

22、对于波信号稳定时序区间各稳定周期，将稳定周期中所有的波谷振幅值组成波谷振幅数据序列，并计算波谷振幅数据序列的均值、方差及信息熵，将所述均值、方差及信息熵组成稳定周期的波谷特征向量。

23、进一步地，所述根据各稳定周期频域的基频最大强度值、最小强度值构建各稳定周期的基频信号衰减率，包括：

24、将各稳定周期在频域中的基频最大强度值减去最小强度值的结果的二倍与各稳定周期基频3db带宽的比值作为各稳定周期的基频信号衰减率。

25、进一步地，所述根据稳定周期内各关联振幅组的分布及基频信号衰减率得到稳定周期的信号受扰因子，包括：

26、计算稳定周期中各关联振幅组中极大振幅值与极小振幅值的均值，记为各关联振幅组的均值；计算稳定周期中所有信号振幅的均值，记为总均值；获取稳定周期中所有关联振幅组的均值与总均值的差值绝对值的和值；

27、将所述和值与稳定周期的基频信号衰减率的比值作为稳定周期的信号受扰因子。

28、进一步地，所述波阻断受扰指数，包括：

29、计算稳定周期的波谷特征向量与其余稳定周期波谷特征向量之间的余弦相似度的和值，获取稳定周期的信号受扰因子与所述和值的比值，将所述比值与稳定周期个数倒数的乘积的归一化结果作为波阻断受扰指数。

30、本发明至少具有如下有益效果：

31、本发明通过智能穿戴设备可实现对待检测者脑电信号进行实时采集，具有较高的实时性，可提高便捷性；同时智能穿戴设备的数据处理模块对脑电信号进行处理，根据波信号的相关特征构建每个信号周期的信号活跃置信指数，根据信号活跃置信指数筛选出所需的波信号周期，避免待分析信号周期中的波信号不活跃且易受到噪声干扰导致后续波信号的阻断现象不明显无法进一步分析噪声干扰程度，之后根据筛选出的信号周期内波的信号受扰状况以及波阻断现象构建波阻断受扰指数，能够基于采样区间内获得的波阻断受扰指数自适应的调整小波变换算法中的小波阈值，能够对智能穿戴设备所采集的脑电信号数据进行更好的去噪处理，进而获得更精确的脑电信号数据，方便辅助相关人员对脑电信号进行更准确的分析与应用，实现一种脑机接口系统数据优化处理方法。