基于卡尔曼滤波和小波变换的脑电放松度识别方法及装置制造方法及图纸

本发明专利技术公开了一种基于卡尔曼滤波和小波变换的脑电放松度识别方法，包括：对待处理脑电序列信号进行卡尔曼滤波，得到各个脑电波的第一信号；根据脑电波的频率范围，对接收的待处理脑电序列信号进行小波变换，得到各个脑电波的第二信号；基于第一信号的卡尔曼残差，得到与第一信号对应的第一权重因子；基于第二信号的质量指数，得到与第二信号对应的第二权重因子；根据第一信号、第一权重因子、第二信号及第二权重因子，计算得到第三信号；对各个脑电波的第三信号进行特征提取，并根据特征量进行分类识别，得到脑电放松度。本发明专利技术还提供了一种基于卡尔曼滤波和小波变换的脑电放松度识别装置，可准确提取脑电波，从而实现准确的脑电放松度识别。

【技术实现步骤摘要】
基于卡尔曼滤波和小波变换的脑电放松度识别方法及装置
本专利技术涉及放松治疗领域，尤其涉及一种基于卡尔曼滤波和小波变换的脑电放松度识别方法及装置。
技术介绍
放松训练是行为疗法中使用最广的技术之一，是在心理学实验的基础上建立和发展起来的咨询和治疗方法，其在治疗焦虑抑郁症、神经性头痛、失眠、高血压病，减轻更年期综合征和转变不良行为模式等方面取得了较好的疗效。现有的放松训练主要有录音指导、口头指导和生物反馈指导。其中，录音指导方法僵化、没有变化，无法根据受训者的状态变化内容；口头指导则要求对口头指导的对象要求很高，且受到时间、场地限制；生物反馈指导以脑电反馈为主，能够结合前两种方式的优点，因而受到广泛关注。进行生物反馈指导需要识别用户的放松度，而计算放松度首先需要从用户的脑电信号中提取各个频段的脑电波(包括Delta、Theta、Alpha、Beta、Gamma波)，脑电波能否准确提取关系到最终脑电放松度识别的精确度。虽然每个脑电波都有自己的特征频率，但由于各个脑电波的特征频率比较接近，因此如何准确的分离提取各个频段的脑电波就显得至关重要。现有方式一般直接采用单一的滤波方式进行脑电波的提取，但是这种提取方法提取效果不稳定，容易受到外界因素干扰以及滤波器本身的性能或波动性的影响，进而影响到最终的脑电放松度的识别精度。
技术实现思路
针对上述问题，本专利技术的目的在于提供一种基于卡尔曼滤波和小波变换的脑电放松度识别方法及装置，可准确的分离提取出脑电信号中的各个脑电波。本专利技术提供了一种基于卡尔曼滤波和小波变换的脑电放松度识别方法，包括如下步骤：对接收的待处理脑电序列信号进行卡尔曼滤波，提取得到对应于各个脑电波的第一信号；根据各个脑电波的频率范围，对接收的待处理脑电序列信号进行小波变换，重构得到对应于各个脑电波的第二信号；基于在卡尔曼滤波过程中生成的各个脑电波的第一信号的卡尔曼残差，计算得到与各个脑电波的第一信号对应的第一权重因子；基于重构得到的对应于各个脑电波的第二信号的质量指数，计算得到与各个脑电波的第二信号对应的第二权重因子；根据所述各个脑电波的第一信号、第一权重因子、第二信号及第二权重因子，计算得到对应于各个脑电波的第三信号；对所述各个脑电波的第三信号进行特征提取，并根据提取得到的特征量进行分类识别，得到脑电放松度。优选地，在根据各个脑电波的频率范围，对接收的待处理脑电序列信号进行卡尔曼滤波，提取得到对应于各个脑电波的第一信号之前，还包括：对接收的原始脑电序列信号进行降采样；基于加权移动平均算法对降采样后的原始脑电序列信号的各个时刻的脑电信号进行计算，得到去除低频直流信息后的待处理脑电序列信号。优选地，在根据各个脑电波的频率范围，对接收的待处理脑电序列信号进行卡尔曼滤波，提取得到对应于各个脑电波的第一信号之前，还包括：以待处理脑电序列信号为原始信号，以与所述待处理脑电序列信号同步采集得到的伪迹序列信号为参考信号，采用经函数链神经网络优化的自适应滤波器对所述原始脑电序列信号进行滤波，得到去除伪迹序列信号后的待处理脑电序列信号。优选地，所述根据各个脑电波的频率范围，对接收的待处理脑电序列信号进行小波变换，重构得到对应于各个脑电波的第二信号具体包括：根据香农-奈奎斯特采样原理及所述待处理脑电序列信号的采样频率进行频段分层，计算得到每层的频率范围；依据所述频段分层中每层的频率范围及每个脑电波的频率范围，确定与每个脑电波对应的小波分解和重构所需的层数；根据与每个脑电波对应的所述小波分解所需的层数及预先选择的母小波进行信号分解，得到与每个脑电波对应的按频段划分的多层波形；根据与所述小波重构所需的层数对应的系数及分解得到的与各个脑电波对应的所述多层波形，重构得到对应于各个脑电波的第二信号。优选地，所述母小波为coif3小波，且所述coif3小波的中心频率-带宽比经小波熵自适应优化。优选地，所述根据所述各个脑电波的第一信号、第一权重因子、第二信号及第二权重因子，计算得到对应于各个脑电波的第三信号具体包括：当判断一个脑电波的第一权重因子大于预设的基准值且该脑电波的第二权重因子小于所述基准值时，将该脑电波的第三信号设置为该脑电波的第一信号；当判断所述脑电波的第二权重因子小于预设的基准值且所述脑电波的第二权重因子大于所述基准值时，将该脑电波的第三信号设置为该脑电波的第二信号；当判断所述脑电波的第一权重因子及所述第二权重因子均大于预设的基准值时，根据所述第一权重因子及所述第二权重因子对所述第一信号和第二信号进行加权求和，计算得到对应于各个脑电波的第三信号。优选地，在根据所述各个脑电波的第一信号、第一权重因子、第二信号及第二权重因子，计算得到对应于各个脑电波的第三信号之前，还包括：对所述第一权重因子及所述第二权重因子进行归一化处理，使得归一化后的所述第一权重因子及所述第二权重因子的和为1。优选地，所述基于所述各个脑电波进行特征提取，并根据提取得到的特征量进行分类识别，得到当前的脑电放松度，具体包括：利用最小二乘法计算得到每个脑电波的能量函数的斜率参数；其中，所述脑电波的能量函数为p(t)＝at+b，a为斜率参数；根据计算得到的对应于每个脑电波的斜率参数得到每个脑电波的能量变化率；利用最小二乘法计算得到每个脑电波的能量密度函数的斜率参数c；其中，所述脑电波的能量密度函数为s(t)＝ct+d，c为斜率参数；根据计算得到的对应于每个脑电波的斜率参数得到每个脑电波的能量密度变化率；根据各个脑电波的能量变化率、能量密度变化率以及待处理脑电序列信号的幅度变化率，得到所述待处理脑电序列信号的特征量；基于预先训练好的分类器对所述特征量进行分类，识别得到与所述待处理脑电序列信号对应的脑电放松度。优选地，所述基于预先训练好的分类器对所述特征量进行分类，识别得到与所述待处理脑电序列信号对应的脑电放松度具体包括：基于由不同学习算法训练得到的至少两个神经网络模型对所述特征量进行分类，得到所述特征量在各个神经网络模型下的分类；将出现次数最多的分类设置为所述特征量的分类；根据所述分类与脑电放松度的对应关系，识别得到与所述待处理脑电序列信号对应的脑电放松度。本专利技术还提供了一种基于卡尔曼滤波和小波变换的脑电放松度识别装置，包括：卡尔曼滤波单元，用于对接收的待处理脑电序列信号进行卡尔曼滤波，提取得到对应于各个脑电波的第一信号；小波变换单元，用于根据各个脑电波的频率范围，对接收的待处理脑电序列信号进行小波变换，重构得到对应于各个脑电波的第二信号；第一权重因子计算单元，用于基于在卡尔曼滤波过程中生成的各个脑电波的第一信号的卡尔曼残差，计算得到与各个脑电波的第一信号对应的第一权重因子；第二权重因子计算单元，用于基于重构得到的对应于各个脑电波的第二信号的质量指数，计算得到与各个脑电波的第二信号对应的第二权重因子；加权单元，用于根据所述各个脑电波的第一信号、第一权重因子、第二信号及第二权重因子，计算得到对应于各个脑电波的第三信号；脑电放松度识别单元，用于对所述各个脑电波的第三信号进行特征提取，并根据提取得到的特征量进行分类识别，得到脑电放松度。本专利技术提供的基于卡尔曼滤波和小波变换的脑电放松度识别方法及装置，通过利用卡尔曼滤波技术与小波变换技术相结合的方式处理脑电信号，得到各个本文档来自技高网...

【技术保护点】
一种基于卡尔曼滤波和小波变换的脑电放松度识别方法，其特征在于，包括如下步骤：对接收的待处理脑电序列信号进行卡尔曼滤波，提取得到对应于各个脑电波的第一信号；根据各个脑电波的频率范围，对接收的待处理脑电序列信号进行小波变换，重构得到对应于各个脑电波的第二信号；基于在卡尔曼滤波过程中生成的各个脑电波的第一信号的卡尔曼残差，计算得到与各个脑电波的第一信号对应的第一权重因子；基于重构得到的对应于各个脑电波的第二信号的质量指数，计算得到与各个脑电波的第二信号对应的第二权重因子；根据所述各个脑电波的第一信号、第一权重因子、第二信号及第二权重因子，计算得到对应于各个脑电波的第三信号；对所述各个脑电波的第三信号进行特征提取，并根据提取得到的特征量进行分类识别，得到脑电放松度。

【技术特征摘要】
1.一种基于卡尔曼滤波和小波变换的脑电放松度识别方法，其特征在于，包括如下步骤：对接收的待处理脑电序列信号进行卡尔曼滤波，提取得到对应于各个脑电波的第一信号；根据各个脑电波的频率范围，对接收的待处理脑电序列信号进行小波变换，重构得到对应于各个脑电波的第二信号；基于在卡尔曼滤波过程中生成的各个脑电波的第一信号的卡尔曼残差，计算得到与各个脑电波的第一信号对应的第一权重因子；基于重构得到的对应于各个脑电波的第二信号的质量指数，计算得到与各个脑电波的第二信号对应的第二权重因子；根据所述各个脑电波的第一信号、第一权重因子、第二信号及第二权重因子，计算得到对应于各个脑电波的第三信号；对所述各个脑电波的第三信号进行特征提取，并根据提取得到的特征量进行分类识别，得到脑电放松度。2.根据权利要求1所述的基于卡尔曼滤波和小波变换的脑电放松度识别方法，其特征在于，在根据各个脑电波的频率范围，对接收的待处理脑电序列信号进行卡尔曼滤波，提取得到对应于各个脑电波的第一信号之前，还包括：以待处理脑电序列信号为原始信号，以与所述待处理脑电序列信号同步采集得到的伪迹序列信号为参考信号，采用经函数链神经网络优化的自适应滤波器对所述原始脑电序列信号进行滤波，得到去除伪迹序列信号后的待处理脑电序列信号。3.根据权利要求1所述的基于卡尔曼滤波和小波变换的脑电放松度识别方法，其特征在于，所述根据各个脑电波的频率范围，对接收的待处理脑电序列信号进行小波变换，重构得到对应于各个脑电波的第二信号具体包括：根据香农-奈奎斯特采样原理及所述待处理脑电序列信号的采样频率进行频段分层，计算得到每层的频率范围；依据所述频段分层中每层的频率范围及每个脑电波的频率范围，确定与每个脑电波对应的小波分解和重构所需的层数；根据与每个脑电波对应的所述小波分解所需的层数及预先选择的母小波进行信号分解，得到与每个脑电波对应的按频段划分的多层波形；根据与所述小波重构所需的层数对应的系数及分解得到的与各个脑电波对应的所述多层波形，重构得到对应于各个脑电波的第二信号。4.根据权利要求3所述的基于卡尔曼滤波和小波变换的脑电放松度识别方法，其特征在于，所述母小波为coif3小波，且所述coif3小波的中心频率-带宽比经小波熵自适应优化。5.根据权利要求1所述的基于卡尔曼滤波和小波变换的脑电放松度识别方法，其特征在于，所述根据所述各个脑电波的第一信号、第一权重因子、第二信号及第二权重因子，计算得到对应于各个脑电波的第三信号具体包括：根据所述第一权重因子及所述第二权重因子对所述第一信号和第二信号进行加权求和，计算得到对应于各个脑电波的第三信号。6.根据权利要求1所述的基于卡尔曼滤波和小波变换的脑电放松度识别方法，其特征在于，所述根据所述各个脑电波的第一信号、第一权重因子、第二信号及第二权重因子，计算得到对应于各个脑电波的第三信号具体包括：当判断一个脑电波的第一权重因子大于预设的基准值且该脑电波的第二权重因子小于所述基准值时，将该脑电波的第三信号设置为该脑电波的第一信号；当判断所述脑电波的第二权重因子小于预设的基准值且所...

【专利技术属性】
技术研发人员：胡静，赵巍，韩志，
申请(专利权)人：广州视源电子科技股份有限公司，
类型：发明
国别省市：广东,44