本發(fā)明涉及放松治療領(lǐng)域，尤其涉及一種識別腦電放松度的方法及系統(tǒng)。

背景技術(shù)：

放松訓(xùn)練是行為療法中使用最廣的技術(shù)之一，是在心理學(xué)實驗的基礎(chǔ)上建立和發(fā)展起來的咨詢和治療方法，其在治療焦慮抑郁癥、神經(jīng)性頭痛、失眠、高血壓病，減輕更年期綜合征和轉(zhuǎn)變不良行為模式等方面取得了較好的療效。

現(xiàn)有的放松訓(xùn)練主要有錄音指導(dǎo)、口頭指導(dǎo)和生物反饋指導(dǎo)。其中，錄音指導(dǎo)方法僵化、沒有變化，無法根據(jù)受訓(xùn)者的狀態(tài)變化內(nèi)容；口頭指導(dǎo)則要求對口頭指導(dǎo)的對象要求很高，且受到時間、場地限制；生物反饋指導(dǎo)以腦電反饋為主，能夠結(jié)合前兩種方式的優(yōu)點，因而受到廣泛關(guān)注。

進行生物反饋指導(dǎo)需要識別用戶的放松度，而計算放松度首先需要從用戶的腦電信號中提取各個頻段的腦電波(包括Delta、Theta、Alpha、Beta、Gamma波)，腦電波能否準(zhǔn)確提取關(guān)系到最終腦電放松度識別的精確度。雖然每個腦電波都有自己的特征頻率，但由于各個腦電波的特征頻率比較接近，因此如何準(zhǔn)確的分離提取各個頻段腦電波就顯得至關(guān)重要。

現(xiàn)有方式一般直接采用單一的濾波方式進行腦電波的提取，但是這種提取方法提取效果不穩(wěn)定，容易受到外界因素干擾以及濾波器本身的性能或波動性的影響，進而影響到最終的腦電放松度的識別精度。

技術(shù)實現(xiàn)要素：

針對上述問題，本發(fā)明的目的在于提供一種識別腦電放松度的方法及系統(tǒng)，可準(zhǔn)確的分離提取出腦電信號中的各個腦電波。

本發(fā)明提供了一種識別腦電放松度的方法，包括如下步驟：

對接收的待處理腦電序列信號進行卡爾曼濾波，提取得到對應(yīng)于各個腦電波的第一信號；

基于構(gòu)建好的自回歸模型對接收的待處理腦電序列信號進行信號提取，得到對應(yīng)于各個腦電波的第二信號；

基于在卡爾曼濾波過程中生成的各個腦電波的第一信號的卡爾曼殘差，計算得到與各個腦電波的第一信號對應(yīng)的第一權(quán)重因子；

基于各個腦電波的第二信號的質(zhì)量指數(shù)，計算得到與各個腦電波的第二信號對應(yīng)的第二權(quán)重因子；

根據(jù)所述各個腦電波的第一信號、第一權(quán)重因子、第二信號及第二權(quán)重因子，計算得到對應(yīng)于各個腦電波的第三信號；

根據(jù)所述各個腦電波的第三信號進行特征提取，并根據(jù)提取得到的特征量進行分類識別，得到腦電放松度。

優(yōu)選地，在根據(jù)各個腦電波的頻率范圍，對接收的待處理腦電序列信號進行卡爾曼濾波，提取得到對應(yīng)于各個腦電波的第一信號之前，還包括：

以待處理腦電序列信號為原始信號，以與所述待處理腦電序列信號同步采集得到的偽跡序列信號為參考信號，采用經(jīng)函數(shù)鏈神經(jīng)網(wǎng)絡(luò)優(yōu)化的自適應(yīng)濾波器對所述原始腦電序列信號進行濾波，得到去除偽跡序列信號后的待處理腦電序列信號。

優(yōu)選地，所述基于構(gòu)建好的自回歸模型對接收的待處理腦電序列信號進行信號提取，得到對應(yīng)于各個腦電波的第一信號具體包括：

基于待處理腦電序列信號構(gòu)建得到自回歸模型；

估計與各個腦電波對應(yīng)的自回歸模型中的加權(quán)參數(shù)，計算與各個腦電波對應(yīng)的系數(shù)矩陣，得到對應(yīng)的各個腦電波的特征；

根據(jù)各個腦電波的特征，采用自相關(guān)分離算法，對待處理腦電序列信號進行抽取，提取得到對應(yīng)的腦電波的第一信號。

優(yōu)選地，所述自回歸模型經(jīng)滑動平均法優(yōu)化。

優(yōu)選地，所述根據(jù)所述各個腦電波的第一信號、第一權(quán)重因子、第二信號及第二權(quán)重因子，計算得到對應(yīng)于各個腦電波的第三信號具體包括：

當(dāng)判斷一個腦電波的第一權(quán)重因子大于預(yù)設(shè)的基準(zhǔn)值且該腦電波的第二權(quán)重因子小于所述基準(zhǔn)值時，將該腦電波的第三信號設(shè)置為該腦電波的第一信號；

當(dāng)判斷所述腦電波的第二權(quán)重因子小于預(yù)設(shè)的基準(zhǔn)值且所述腦電波的第二權(quán)重因子大于所述基準(zhǔn)值時，將該腦電波的第三信號設(shè)置為該腦電波的第二信號；

當(dāng)判斷所述腦電波的第一權(quán)重因子及所述第二權(quán)重因子均大于預(yù)設(shè)的基準(zhǔn)值時，根據(jù)所述第一權(quán)重因子及所述第二權(quán)重因子對所述第一信號和第二信號進行加權(quán)求和，計算得到對應(yīng)于各個腦電波的第三信號。

優(yōu)選地，所述基于所述各個腦電波進行特征提取，并根據(jù)提取得到的特征量進行分類識別，得到當(dāng)前的腦電放松度，具體包括：

根據(jù)對應(yīng)于各個腦電波的第三信號，計算得到所述待處理腦電序列信號的特征量；

利用預(yù)先訓(xùn)練好的分類器對所述特征量進行分類，根據(jù)分類結(jié)果得到當(dāng)前的腦電放松度。

優(yōu)選地，所述根據(jù)對應(yīng)于各個腦電波的第三信號，計算得到所述待處理腦電序列信號的特征量，具體為：

基于對應(yīng)于各個腦電波的第三信號，計算得到各個腦電波的能量函數(shù)；

根據(jù)各個腦電波的頻率范圍及能量函數(shù)，計算各個腦電波的中心頻率，得到所述待處理腦電序列信號的特征量。

優(yōu)選地，所述利用預(yù)先訓(xùn)練好的分類器對所述特征量進行分類，根據(jù)分類結(jié)果得到當(dāng)前的腦電放松度具體包括：

利用至少兩個訓(xùn)練好的支持向量機對所述特征量進行分類，得到所述特征量在各個支持向量機下的分類；其中，不同的支持向量機的誤差懲罰參數(shù)和核函數(shù)的寬度參數(shù)由不同的參數(shù)尋優(yōu)算法進行優(yōu)化得到；

將出現(xiàn)次數(shù)最多的分類設(shè)置為所述特征量的分類；

根據(jù)所述分類與腦電放松度的對應(yīng)關(guān)系，識別得到當(dāng)前的腦電放松度。

本發(fā)明還提供一種識別腦電放松度的系統(tǒng)，包括：

卡爾曼濾波單元，用于對接收的待處理腦電序列信號進行卡爾曼濾波，提取得到對應(yīng)于各個腦電波的第一信號；

自回歸提取單元，用于根據(jù)各個腦電波的頻率范圍，對接收的待處理腦電序列信號進行小波變換，重構(gòu)得到對應(yīng)于各個腦電波的第二信號；

第一權(quán)重因子計算單元，用于基于在卡爾曼濾波過程中生成的各個腦電波的第一信號的卡爾曼殘差，計算得到與各個腦電波的第一信號對應(yīng)的第一權(quán)重因子；

第二權(quán)重因子計算單元，用于基于各個腦電波的第二信號的質(zhì)量指數(shù)，計算得到與各個腦電波的第二信號對應(yīng)的第二權(quán)重因子；

加權(quán)單元，用于根據(jù)所述各個腦電波的第一信號、第一權(quán)重因子、第二信號及第二權(quán)重因子，計算得到對應(yīng)于各個腦電波的第三信號；

腦電放松度識別單元，用于對所述各個腦電波的第三信號進行特征提取，并根據(jù)提取得到的特征量進行分類識別，得到腦電放松度。

本發(fā)明提供的識別腦電放松度的方法及系統(tǒng)，通過利用卡爾曼濾波技術(shù)與自回歸技術(shù)相結(jié)合的方式處理腦電信號，得到各個腦電波的第一信號及第二信號，并根據(jù)與所述第一信號對應(yīng)的第一權(quán)重因子和與所述第二信號對應(yīng)的第二權(quán)重因子得到最終用于特征提取的第三信號，如此，可避免由于單一方式提取時出現(xiàn)偏差過大而導(dǎo)致的提取分離的腦電波不夠準(zhǔn)確，進而影響了最終腦電放松度識別的精確性的問題。即通過發(fā)明實施例提取的各個腦電波，其信號穩(wěn)定性更高，從而保證了腦電放松度的準(zhǔn)確識別，為準(zhǔn)確的生物反饋指導(dǎo)提供了數(shù)據(jù)基礎(chǔ)和依據(jù)。

附圖說明

為了更清楚地說明本發(fā)明的技術(shù)方案，下面將對實施方式中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實施方式，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)這些附圖獲得其他的附圖。

圖1是本發(fā)明實施例提供的識別腦電放松度的方法的流程示意圖。

圖2是本發(fā)明實施例提供的Shannon小波熵與中心頻率-帶寬比的關(guān)系圖。

圖3是通過切片得到待處理腦電序列信號的示意圖。

圖4是本發(fā)明實施例提供的對對原始腦電序列信號進行加權(quán)移動平均計算的原理圖。

圖5是自適應(yīng)濾波器的工作原理圖。

圖6是SVM的最優(yōu)超平面分類的示意圖。

圖7是SVM高維映射的示意圖。

圖8是本發(fā)明實施例提供的識別腦電放松度的系統(tǒng)的結(jié)構(gòu)示意圖。

具體實施方式

下面將結(jié)合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術(shù)方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部的實施例?；诒景l(fā)明中的實施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。

請參閱圖1，本發(fā)明實施例提供了一種識別腦電放松度的方法，其可包括如下步驟：

S101，根據(jù)各個腦電波的頻率范圍，對接收的待處理腦電序列信號進行卡爾曼濾波，提取得到對應(yīng)于各個腦電波的第一信號。

在本發(fā)明實施例中，一般地，所述待處理腦電序列信號為6秒長度的國際通用切片。

在本發(fā)明實施例中，可通過將所述待處理腦電序列信號輸入到卡爾曼濾波器中，對所述待處理腦電序列信號進行卡爾曼濾波，所述卡爾曼濾波器的工作過程大致為：

預(yù)估過程，利用時間更新方程建立對當(dāng)前狀態(tài)的先驗估計，及時向前推算當(dāng)前狀態(tài)變量和誤差協(xié)方差估計的值，為下一個時間狀態(tài)構(gòu)造先驗估計值。

校正過程，利用狀態(tài)更新方程在預(yù)估過程的先驗估計值及當(dāng)前測量變量的基礎(chǔ)上建立起對當(dāng)前狀態(tài)的改進的后驗估計。

所述卡爾曼濾波器的時間更新方程為：

P_k-＝AP_k-1A^T+Q (2)

所述卡爾曼濾波器狀態(tài)更新方程為：

K_k＝P_k-H^T(HP_k-H^T+R)^-2 (3)

P_k＝(1-K_kH)P_k- (5)

其中，為第k步之前的狀態(tài)已知的情況下第k步的先驗狀態(tài)估計值(－代表先驗，^代表估計)；

A為作用在X_k-1上的n×n狀態(tài)變換矩陣；

B為作用在控制向量U_k-1上的n×1輸入控制矩陣；

H為m×n觀測模型矩陣，它把真實狀態(tài)空間映射成觀測空間；

P_k-為n×n先驗估計誤差協(xié)方差矩陣；

P_k為n×n后驗估計誤差協(xié)方差矩陣；

R為n×n過程噪聲協(xié)方差矩陣；

I為n×n階單位矩陣；

是指卡爾曼殘差；

K_k為n×m階矩陣，稱為卡爾曼增益或混合因數(shù)，是卡爾曼殘差的增益系數(shù)，其作用是使后驗估計誤差協(xié)方差最小。

在本發(fā)明實施例中，根據(jù)各個腦電波的頻率范圍進行卡爾曼濾波后，就可以提取得到對應(yīng)于各個腦電波的第一信號。

在本發(fā)明實施例中，所述的各個腦電波包括頻率范圍Delta波、Theta波、Alpha波、Beta波、Gamma波。其中一般地，Delta波的頻率范圍為0.5～3Hz，Theta波的頻率范圍為3～7Hz、Alpha波的頻率范圍為8～13Hz、Beta波的頻率范圍為14～17Hz、Gamma波的頻率范圍為34～50Hz。

其中，Delta波：深度睡眠腦波狀態(tài)：

當(dāng)人們的大腦頻率處于Delta波時，為深度睡眠、無意識狀態(tài)。人的睡眠品質(zhì)好壞與Delta波有非常直接的關(guān)系。Delta波睡眠是一種很深沉的睡眠狀態(tài)，如果在輾轉(zhuǎn)難眠時自己召喚出近似Delta波狀態(tài)，就能很快地擺脫失眠而進入深沉睡眠。

Theta波：深度放松、無壓力的潛意識狀態(tài)

當(dāng)人們的大腦頻率處于Theta波時，人的意識中斷，身體深沉放松，對于外界的信息呈現(xiàn)高度的受暗示狀態(tài)，即被催眠狀態(tài)。Theta波對于觸發(fā)深沉記憶、強化長期記憶等幫助極大，所以Theta波被稱為"通往記憶與學(xué)習(xí)的閘門"。

Alpha波：學(xué)習(xí)與思考的最佳腦波狀態(tài)

當(dāng)人們的大腦頻率處于Alpha波時，人的意識清醒，但身體卻是放松的，它提供意識與潛意識的“橋梁”。在這種狀態(tài)下，身心能量耗費最少，相對的腦部獲得的能量較高，運作就會更加快速、順暢、敏銳。Alpha波被認(rèn)為是人們學(xué)習(xí)與思考的最佳腦波狀態(tài)。

Beta波：緊張、壓力、腦疲勞時的腦波狀態(tài)

人們清醒時，大部分時間大腦頻率處于Beta波狀態(tài)。隨著Beta波的增加，身體逐漸呈緊張狀態(tài)，因而削減了體內(nèi)免疫系統(tǒng)能力，此時人的能量消耗加劇，容易疲倦，若不充分休息，容易堆積壓力。適當(dāng)?shù)腂eta波對注意力提升以及認(rèn)知行為的發(fā)展有積極作用。

S102，基于構(gòu)建好的自回歸模型對接收的待處理腦電序列信號進行信號提取，得到對應(yīng)于各個腦電波的第二信號。

具體地，步驟S102可包括如下步驟：

S1021，基于待處理腦電序列信號構(gòu)建得到自回歸模型。

在本發(fā)明實施例中，首先需要構(gòu)建與自回歸模型(Autoregressive Model，ARM)。其中，自回歸模型是用自身做回歸變量的過程，即利用前期若干時刻的隨機變量的線性組合來描述以后某時刻隨機變量的線性回歸模型，它是時間序列中的一種常見形式。

如公式(6)所示，對于一個自回歸模型，B為延遲算子，且滿足By_t＝y(tǒng)_t-1；p為模型的階數(shù)，表示自回歸項數(shù)，y_t為時間序列的當(dāng)前值，y_t-1為時間序列的上一個時刻的值，a_t為隨機干擾。φ(B)＝1-φ₁B-...-φ_pB^p，且滿足平穩(wěn)性條件。在ARM中，當(dāng)前時刻的觀測y_t由過去p個歷史時刻的觀測值和一個當(dāng)前時刻的隨機干擾來表示，即：

φ(B)y_t＝a_t (6)

在本發(fā)明實施例中，為了更好的進行降噪，尤其是降低白噪聲，還可利用滑動平均法來優(yōu)化自回歸模型，優(yōu)化手段是使ARM的殘差最小。假設(shè)滑動平均法的階數(shù)為q，則θ(B)＝1-θ₁-...-θ_qB^q，滑動平均模型MA(q)如公式7所示，當(dāng)前時刻的觀測y_t由過去q個歷史時刻的觀測值和一個當(dāng)前時刻的隨機干擾來表示，y_t為時間序列的當(dāng)前值；a_t為隨機干擾。利用該模型對自回歸模型進行優(yōu)化，則可得到如公式3所示的自回歸-滑動平均模型ARMA(p，q)，其中，p、q為模型階數(shù)(p為自回歸項數(shù)，q為滑動平均項數(shù))。

y_t＝θ(B)·a_t (7)

φ(B)y_t＝θ(B)·a_t (8)

S1022，估計與各個腦電波對應(yīng)的自回歸模型中的加權(quán)參數(shù)，計算與各個腦電波對應(yīng)的系數(shù)矩陣，得到對應(yīng)的各個腦電波的特征。

S1023，根據(jù)各個腦電波的特征，采用自相關(guān)分離算法，對待處理腦電序列信號進行抽取，提取得到對應(yīng)的腦電波的第二信號。

在本發(fā)明實施例中，構(gòu)建好自回歸模型后，就可以進行腦電波提取了，以Delta波提取為例，通過估計與Delta波對應(yīng)的加權(quán)參數(shù)，并計算待處理腦電序列信號的ARMA(p，q)模型的系數(shù)矩陣，作為Delta波的特征，然后，結(jié)合估計得到的Delta波的特征，采用自相關(guān)分離算法，對待處理腦電序列信號進行抽取，就可以提取得到Delta波。

在本發(fā)明實施例中，使用同樣的方法就可以提取到其他腦電波的第一信號，本發(fā)明在此不做贅述。

S103，基于在卡爾曼濾波過程中生成的各個腦電波的第一信號的卡爾曼殘差，計算得到與各個腦電波的第一信號對應(yīng)的第一權(quán)重因子。

在本發(fā)明實施例中，可通過對進行歸一化獲得與各個腦電波的第一信號對應(yīng)的第一權(quán)重因子，其中，為所述卡爾曼殘差，K_k為所述卡爾曼殘差的增益系數(shù)，這兩個系數(shù)會在卡爾曼濾波過程中生成。

S104，基于各個腦電波的第二信號的質(zhì)量指數(shù)，計算得到與各個腦電波的第二信號對應(yīng)的第二權(quán)重因子

在本發(fā)明實施例中，具體的，可通過對各個腦電波的第二信號進行功率譜分析，分析所述第二信號的譜分布，得到與所述第二信號對應(yīng)的第二權(quán)重因子。

當(dāng)然，也可通過分析所述第二信號的峰值譜或其他譜的分布來計算得到所述第二權(quán)重因子，本發(fā)明不做具體限定。

S105，根據(jù)所述各個腦電波的第一信號、第一權(quán)重因子、第二信號及第二權(quán)重因子，計算得到對應(yīng)于各個腦電波的第三信號。

在本發(fā)明實施例中，可通過加權(quán)平均來計算得到當(dāng)前時刻的各個腦電波的第三信號。

即：

R＝μ1*R1+μ2*R2 (9)

其中，R1為任一個腦電波的第一信號，μ1為該腦電波的第一權(quán)重因子，R2為該腦電波的第二信號，μ2為其第二權(quán)重因子。

需要說明的是，在進行加權(quán)平均之前，需先對μ1和μ2進行歸一化處理，具體地，假設(shè)μ1+μ2＝a，則需要分別對μ1和μ2乘以歸一化系數(shù)1/a進行歸一化，保證歸一化后的μ1+μ2＝1。

S106，對所述各個腦電波的第三信號進行特征提取，并根據(jù)提取得到的特征量進行分類識別，得到腦電放松度。

本發(fā)明實施例提供的識別腦電放松度的方法，通過利用卡爾曼濾波技術(shù)與自回歸模型相結(jié)合的方式處理腦電信號，得到各個腦電波的第一信號及第二信號，并根據(jù)與所述第一信號對應(yīng)的第一權(quán)重因子和與所述第二信號對應(yīng)的第二權(quán)重因子得到最終用于特征提取的第三信號，如此，可避免由于單一方式提取時出現(xiàn)偏差過大而導(dǎo)致的提取分離的腦電波不夠準(zhǔn)確，進而影響了最終腦電放松度識別的精確性的問題。即通過發(fā)明實施例提取的各個腦電波，其信號穩(wěn)定性更高，從而保證了腦電放松度的準(zhǔn)確識別，為準(zhǔn)確的生物反饋指導(dǎo)提供了數(shù)據(jù)基礎(chǔ)和依據(jù)。

優(yōu)選地，在步驟S101之前，還包括：

S01，基于加權(quán)移動平均算法對降采樣后的原始腦電序列信號的各個時刻的腦電信號進行計算，得到去除低頻直流信息后的待處理腦電序列信號。

在本優(yōu)選實施例中，為了保證提取和濾波的效率和準(zhǔn)確性，還可對腦電序列信號進行相應(yīng)的預(yù)處理。

在本優(yōu)選實施例中，原始腦電序列信號可通過腦電電極采集獲得，其中，一般地，腦電電極采集的原始腦電信號的持續(xù)時間比較長(如數(shù)小時甚至更長)，因此進行需要對原始腦電信號進行切片，例如，如圖3所示，每個切片的片段為30秒，即每段所述原始腦電序列信號的長度為30秒。

在本優(yōu)選實施例中，為了去除原始腦電序列信號中的低頻直流信息，還可基于加權(quán)移動平均算法對降采樣后的原始腦電序列信號的各個時刻的腦電信號進行計算，得到所述待處理腦電序列信號。具體地：

首先，基于當(dāng)前的第j個時刻的腦電信號，獲取所述原始腦電序列信號中的位于第(j-(N-1)/2)個時刻至第(j+(N-1)/2)個時刻之間的N個腦電信號的能量；其中，N為預(yù)設(shè)的影響數(shù)，且N為奇數(shù)，j為大于(N+1)/2的整數(shù)。

例如，假設(shè)當(dāng)前要預(yù)測的腦電信號x(j)的時刻為第10個時刻(即j＝10)，影響數(shù)N為5，則對當(dāng)前要預(yù)測的腦電信號有影響的腦電信號為第8個至第12個時刻的腦電信號，即x(8)～x(12)。此時，先獲取這5個時刻的腦電信號的能量。

接著，根據(jù)預(yù)設(shè)的權(quán)值分布函數(shù)為獲取的N個腦電信號的能量分配權(quán)值；其中，N個腦電信號的能量的權(quán)值之和為1。

在本優(yōu)選實施例中，所述權(quán)值分布函數(shù)為正態(tài)分布函數(shù)，如可為：其中，w(i)為第i個時刻的腦電信號的權(quán)值，t(i)為第i個時刻的腦電信號的時間，τ表示需要放大的局部信息量。如圖4所示，采用這種權(quán)值分布，避免了將第j點附近所有點都看成是一樣的比重，而是按照距離(時間差)賦予其一個比重，實現(xiàn)局部信息量的放大，減弱了距離太遠(yuǎn)的信息對當(dāng)前點的影響。

需要說明的是，在計算得到各個腦電信號的能量的權(quán)值后，還需要進行歸一化，保證N個腦電信號的能量的權(quán)值之和為1。

然后，對所述N個腦電信號的能量根據(jù)分配的權(quán)值進行加權(quán)求和，得到新的第j個時刻的腦電信號的能量。

即：

最后，依次對所述原始腦電序列信號的各個時刻的腦電信號的能量進行加權(quán)求和后，根據(jù)所有時刻的新的腦電信號的能量，生成待處理腦電序列信號。

在本發(fā)明實施例中，一般地，還需要對30秒的待處理腦電序列信號進行再次切片，如切成6秒的切片。

本優(yōu)選實施例中，一方面，通過降采樣減少了小波變換所需的時間，加快了變換的速度，并減輕了數(shù)據(jù)處理量；另一方面，對腦電信號進行去低頻直流信息，避免了這些低頻直流信息與腦電波的頻率發(fā)生重疊而影響提取的效果。

優(yōu)選地，在步驟S101之前，還包括：

S02，以待處理腦電序列信號為原始信號，以與所述待處理腦電序列信號同步采集得到的偽跡序列信號為參考信號，采用經(jīng)函數(shù)鏈神經(jīng)網(wǎng)絡(luò)優(yōu)化的自適應(yīng)濾波器對所述原始腦電序列信號進行濾波，得到去除偽跡序列信號后的待處理腦電序列信號。

在本優(yōu)選實施例中，考慮到待處理腦電序列信號中還包含有各種偽跡序列信號，如舌電偽跡，出汗偽跡，眼電偽跡，脈搏偽跡以及肌電偽跡等干擾。其中，以眼電偽跡和肌電偽跡難以去除的問題，這主要是由于其偽跡信號的幅值較高，是腦電信號的幾倍甚至幾十倍，而且與腦電信號在頻域有混疊。

本優(yōu)選實施例提出一種經(jīng)函數(shù)鏈神經(jīng)網(wǎng)絡(luò)優(yōu)化的自適應(yīng)濾波器，可有效的濾除待處理腦電信號中的各種偽跡信號。

具體地，首先，構(gòu)造自適應(yīng)濾波器，其中自適應(yīng)濾波器的原理框圖如圖5所示，其由原始信號(即所述待處理腦電序列信號)和參考信號(與所述待處理腦電序列信號同步采集得到的偽跡序列信號，如舌電偽跡，出汗偽跡，眼電偽跡，脈搏偽跡以及肌電偽跡中的任意一種)兩個輸入組成。濾波時，參考信號經(jīng)自適應(yīng)濾波后，與原始信號進行比較，得到所需腦電序列信號的預(yù)估信號(較為純凈的腦電序列信號)，其中，濾波器不斷地自我重新調(diào)整其權(quán)值，從而使目標(biāo)誤差達(dá)到最小。

其次，將函數(shù)鏈神經(jīng)網(wǎng)絡(luò)(Function Link Neural Network，F(xiàn)LNN)應(yīng)用到自適應(yīng)濾波器，利用一組正交基函數(shù)將原輸入矢量進行維數(shù)擴展，將線性參數(shù)擴展為非線性，來增強自適應(yīng)濾波器的非線性處理能力。FLNN由函數(shù)擴展和單層感知器兩部分組成，函數(shù)鏈神經(jīng)網(wǎng)絡(luò)的正交基采用切比雪夫正交多項式，如公式10所示。FLNN的基函數(shù)T如公式11所示，網(wǎng)絡(luò)輸出如公式12所示，通過FLNN實現(xiàn)了對輸入的非線性擴展，更有助于描述腦電信號的非線性特性。

優(yōu)選地，步驟S105具體包括：

S1051，當(dāng)判斷一個腦電波的第一權(quán)重因子大于預(yù)設(shè)的基準(zhǔn)值且該腦電波的第二權(quán)重因子小于所述基準(zhǔn)值時，將該腦電波的第三信號設(shè)置為該腦電波的第一信號；

S1052，當(dāng)判斷所述腦電波的第二權(quán)重因子小于預(yù)設(shè)的基準(zhǔn)值且所述腦電波的第二權(quán)重因子大于所述基準(zhǔn)值時，將該腦電波的第三信號設(shè)置為該腦電波的第二信號；

S1053，當(dāng)判斷所述腦電波的第一權(quán)重因子及所述第二權(quán)重因子均大于預(yù)設(shè)的基準(zhǔn)值時，根據(jù)所述第一權(quán)重因子及所述第二權(quán)重因子對所述第一信號和第二信號進行加權(quán)求和，計算得到對應(yīng)于各個腦電波的第三信號。

本優(yōu)選實施例中，如果某個權(quán)重因子歸一化后小于預(yù)設(shè)的基準(zhǔn)值，則說明這個權(quán)重因子對應(yīng)的信號可能信號質(zhì)量比較差，為了避免影響最終的放松度識別結(jié)果，直接去掉這個權(quán)重因子對應(yīng)的信號，而采用另一個信號作為最終輸出的信號，這樣，可以保證提取分離的腦電波具有較高的準(zhǔn)確度，保證最終放松度的準(zhǔn)確識別。

優(yōu)選地，所述步驟S106具體包括：

S1061，根據(jù)對應(yīng)于各個腦電波的第三信號，計算得到所述待處理腦電序列信號的特征量。

具體地：

首先，基于對應(yīng)于各個腦電波的第三信號，計算得到各個腦電波的能量函數(shù)。

然后，根據(jù)各個腦電波的頻率范圍及能量函數(shù)，計算各個腦電波的中心頻率及頻率均方根，得到所述待處理腦電序列信號的特征量。

首先，根據(jù)各個腦電波的第三信號A_T(ω)計算得到其能量P。

ω＝2πf (14)

接著：計算Delta、Theta、Alpha、Beta、Gamma波的中心頻率，如公式15所示。

其中，計算得到的中心頻率就是所需的特征量。

S1062，利用預(yù)先訓(xùn)練好的分類器對所述特征量進行分類，根據(jù)分類結(jié)果得到當(dāng)前的腦電放松度。

具體地：

首先，利用至少兩個訓(xùn)練好的支持向量機對所述特征量進行分類，得到所述特征量在各個支持向量機下的分類；其中，不同的支持向量機的誤差懲罰參數(shù)和核函數(shù)的寬度參數(shù)由不同的參數(shù)尋優(yōu)算法進行優(yōu)化得到。

然后，將出現(xiàn)次數(shù)最多的分類設(shè)置為所述特征量的分類。

最后，根據(jù)所述分類與腦電放松度的對應(yīng)關(guān)系，識別得到與所述待處理腦電序列信號對應(yīng)的腦電放松度。

在本發(fā)明實施例中，在得到待處理腦電序列信號的特征量后，將其輸入到基于支持向量機(Support Vector Machine，SVM)，即可對所述特征量進行分類，識別得到與所述待處理腦電序列信號對應(yīng)的腦電放松度。

具體地，支持向量機的基本思想是在樣本空間或特征空間中構(gòu)造出最優(yōu)超平面，使得超平面與不同類樣本集之間的距離最大，從而達(dá)到最大的泛化能力，如圖6所示。

下面將介紹SVM的原理。

首先，針對給定二分類樣本對{(x_i，y_i)，x_i∈RN，y_i＝±1}(以此類推五分類樣本對為{(x_i，y_i)，x_i∈RN，y_i＝1,2,3,4,5})，x_i為訓(xùn)練樣本，x為待判決樣本。訓(xùn)練樣本集為線性不可分時，需引入非負(fù)松馳變量α_i，i＝1,2，......，l；分類超平面的優(yōu)化問題轉(zhuǎn)化為公式16所示。其中，2/||w||表示分類間隔，使分類間隔最大等價于使||w||²最小。使||w||²最小的分類就成為最優(yōu)分類面。C為誤差懲罰參數(shù)，是SVM中最重要的可調(diào)參數(shù)之一。

其次，選取徑向基(Radial Basis Function RBF)核函數(shù)，如公式17所示。其中γ為RBF核函數(shù)的寬度，是SVM中另一個重要的可調(diào)參數(shù)。

Kx,x_i＝exp(-γ*||x-xi||²) (17)

最后，應(yīng)用核函數(shù)技術(shù)，將輸入空間中的非線性問題，通過函數(shù)映射到高維特征空間中，在高維空間中構(gòu)造線性判別函數(shù)，求解最優(yōu)超平面，使得超平面與不同類樣本集之間的距離最大，從而達(dá)到最大的泛化能力，如圖7所示。

在本發(fā)明實施例中，構(gòu)造好SVM后，就可以進行訓(xùn)練了，具體地，將提取得到的特征量作為訓(xùn)練SVM的輸入樣本X，將神念設(shè)備同步采集得到的“放松度”作為金標(biāo)準(zhǔn)，也就是SVM的輸出Y。(X，Y)共同組成SVM的訓(xùn)練樣本對，進行SVM訓(xùn)練。

在訓(xùn)練好SVM后，就可以利用該SVM進行分類，從而實現(xiàn)放松度的分類識別。

需要說明的是，SVM的分類性能受到諸多因素影響，其中誤差懲罰參數(shù)C和RBF核函數(shù)的寬度γ兩個因素最為關(guān)鍵。C為誤差懲罰參數(shù)，是SVM中最重要的可調(diào)參數(shù)之一，表示對錯分樣本比例和算法復(fù)雜度折衷，即在確定的特征子空間中調(diào)節(jié)學(xué)習(xí)機器置信范圍和經(jīng)驗風(fēng)險比例，使學(xué)習(xí)機器的推廣能力最好。核函數(shù)及參數(shù)的選擇也直接影響到SVM分類好壞。

在本發(fā)明實施例中，為了保證所述SVM分類的效果，在進行分類識別時，同時將所述特征量輸入到多個SVM中，其中，不同的支持向量機的誤差懲罰參數(shù)和核函數(shù)的寬度參數(shù)由不同的參數(shù)尋優(yōu)算法進行優(yōu)化得到，如此，每個支持向量機都將識別得到一個分類的結(jié)果，在確定最終分類時，將出現(xiàn)次數(shù)最多的分類設(shè)置為所述特征量的分類，根據(jù)所述分類與腦電放松度的對應(yīng)關(guān)系，識別得到當(dāng)前的腦電放松度。

其中，優(yōu)選地，所述參數(shù)尋優(yōu)算法包括：結(jié)合交叉驗證法與網(wǎng)格搜索算法、結(jié)合留一法與遺傳算法、結(jié)合交叉驗證法與遺傳算法、結(jié)合交叉驗證法與粒子群算法。

本優(yōu)選實施例中，通過多個支持向量機進行特征量的識別分類，并將出現(xiàn)最多的分類作為最終的分類，可避免單一支持向量機不穩(wěn)定或出現(xiàn)偏差而導(dǎo)致的放松度識別結(jié)果不準(zhǔn)確，進而影響放松治療的效果。

請參閱圖6，本發(fā)明還提供一種識別腦電放松度的系統(tǒng)100，包括：

卡爾曼濾波單元10，用于根據(jù)各個腦電波的頻率范圍，對接收的待處理腦電序列信號進行卡爾曼濾波，提取得到對應(yīng)于各個腦電波的第一信號。

自回歸提取單元20，用于根據(jù)各個腦電波的頻率范圍，對接收的待處理腦電序列信號進行小波變換，重構(gòu)得到對應(yīng)于各個腦電波的第二信號；

第一權(quán)重因子計算單元30，用于基于在卡爾曼濾波過程中生成的各個腦電波的第一信號的卡爾曼殘差，計算得到與各個腦電波的第一信號對應(yīng)的第一權(quán)重因子；

第二權(quán)重因子計算單元40，用于基于各個腦電波的第二信號的質(zhì)量指數(shù)，計算得到與各個腦電波的第二信號對應(yīng)的第二權(quán)重因子；

加權(quán)單元50，用于根據(jù)所述各個腦電波的第一信號、第一權(quán)重因子、第二信號及第二權(quán)重因子，計算得到對應(yīng)于各個腦電波的第三信號；

腦電放松度識別單元60，用于對所述各個腦電波的第三信號進行特征提取，并根據(jù)提取得到的特征量進行分類識別，得到腦電放松度。

優(yōu)選地，還包括：

加權(quán)移動平均計算單元，用于基于加權(quán)移動平均算法對降采樣后的原始腦電序列信號的各個時刻的腦電信號進行計算，得到去除低頻直流信息后的待處理腦電序列信號。

本優(yōu)選實施例中，通過加權(quán)移動平均計算單元對腦電信號進行去低流信息，避免了這些低頻直流信息與腦電波的頻率發(fā)生重疊而影響提取的效果。

優(yōu)選地，還包括：

自適應(yīng)濾波單元，用于以待處理腦電序列信號為原始信號，以與所述待處理腦電序列信號同步采集得到的偽跡序列信號為參考信號，采用經(jīng)函數(shù)鏈神經(jīng)網(wǎng)絡(luò)優(yōu)化的自適應(yīng)濾波器對所述原始腦電序列信號進行濾波，得到去除偽跡序列信號后的待處理腦電序列信號。

優(yōu)選地，優(yōu)選地，所述自回歸提取單元20具體包括：

自回歸模型構(gòu)建模塊，用于基于待處理腦電序列信號構(gòu)建得到自回歸模型；

特征計算模塊，用于估計與各個腦電波對應(yīng)的自回歸模型中的加權(quán)參數(shù)，計算與各個腦電波對應(yīng)的系數(shù)矩陣，得到對應(yīng)的各個腦電波的特征；

自相關(guān)分離模塊，用于根據(jù)各個腦電波的特征，采用自相關(guān)分離算法，對待處理腦電序列信號進行抽取，提取得到對應(yīng)的腦電波的第二信號。

優(yōu)選地，所述加權(quán)單元50具體包括：

第一判斷模塊，用于當(dāng)判斷一個腦電波的第一權(quán)重因子大于預(yù)設(shè)的基準(zhǔn)值且該腦電波的第二權(quán)重因子小于所述基準(zhǔn)值時，將該腦電波的第三信號設(shè)置為該腦電波的第一信號；

第二判斷模塊，用于當(dāng)判斷所述腦電波的第二權(quán)重因子小于預(yù)設(shè)的基準(zhǔn)值且所述腦電波的第二權(quán)重因子大于所述基準(zhǔn)值時，將該腦電波的第三信號設(shè)置為該腦電波的第二信號；

第三判斷模塊，用于當(dāng)判斷所述腦電波的第一權(quán)重因子及所述第二權(quán)重因子均大于預(yù)設(shè)的基準(zhǔn)值時，根據(jù)所述第一權(quán)重因子及所述第二權(quán)重因子對所述第一信號和第二信號進行加權(quán)求和，計算得到對應(yīng)于各個腦電波的第三信號。

本優(yōu)選實施例中，如果某個權(quán)重因子歸一化后小于預(yù)設(shè)的基準(zhǔn)值，則說明這個權(quán)重因子對應(yīng)的信號可能信號質(zhì)量比較差，為了避免影響最終的放松度識別結(jié)果，直接去掉這個權(quán)重因子對應(yīng)的信號，而采用另一個信號作為最終輸出的信號，這樣，可以保證提取分離的腦電波具有較高的準(zhǔn)確度，保證最終放松度的準(zhǔn)確識別。

優(yōu)選地，所述腦電放松度識別單元60具體包括：

特征量提取模塊，用于基于對應(yīng)于各個腦電波的第三信號，計算得到所述待處理腦電序列信號的特征量；

放松度識別模塊，用于利用預(yù)先訓(xùn)練好的分類器對所述特征量進行分類，根據(jù)分類結(jié)果得到當(dāng)前的腦電放松度。

優(yōu)選地，所述特征量提取模塊包括：

能量函數(shù)計算模塊，用于基于對應(yīng)于各個腦電波的第三信號，計算得到各個腦電波的能量函數(shù)；

中心頻率計算模塊，用于根據(jù)各個腦電波的頻率范圍及能量函數(shù)，計算各個腦電波的中心頻率，得到所述待處理腦電序列信號的特征量。

優(yōu)選地，所述放松度識別模塊具體包括：

分類子模塊，用于用至少兩個訓(xùn)練好的支持向量機對所述特征量進行分類，得到所述特征量在各個支持向量機下的分類；其中，不同的支持向量機的誤差懲罰參數(shù)和核函數(shù)的寬度參數(shù)由不同的參數(shù)尋優(yōu)算法進行優(yōu)化得到；

統(tǒng)計子模塊，用于將出現(xiàn)次數(shù)最多的分類設(shè)置為所述特征量的分類；

放松度識別子模塊，用于根據(jù)所述分類與腦電放松度的對應(yīng)關(guān)系，識別得到與所述待處理腦電序列信號對應(yīng)的腦電放松度。

本優(yōu)選實施例中，通過多個支持向量機進行特征量的識別分類，并將出現(xiàn)最多的分類作為最終的分類，可避免單一支持向量機不穩(wěn)定或出現(xiàn)偏差而導(dǎo)致的放松度識別結(jié)果不準(zhǔn)確，進而影響放松治療的效果。

以上所揭露的僅為本發(fā)明一種較佳實施例而已，當(dāng)然不能以此來限定本發(fā)明之權(quán)利范圍，本領(lǐng)域普通技術(shù)人員可以理解實現(xiàn)上述實施例的全部或部分流程，并依本發(fā)明權(quán)利要求所作的等同變化，仍屬于發(fā)明所涵蓋的范圍。

本領(lǐng)域普通技術(shù)人員可以理解實現(xiàn)上述實施例方法中的全部或部分流程，是可以通過計算機程序來指令相關(guān)的硬件來完成，所述的程序可存儲于一計算機可讀取存儲介質(zhì)中，該程序在執(zhí)行時，可包括如上述各方法的實施例的流程。其中，所述的存儲介質(zhì)可為磁碟、光盤、只讀存儲記憶體(Read-Only Memory，ROM)或隨機存儲記憶體(Random Access Memory，RAM)等。