[发明专利]基于多空间信号特征的脑电放松度识别方法及装置

说明书

本发明公开了一种基于多空间信号特征的脑电放松度识别方法及装置，所述方法包括：从待处理脑电序列信号中提取信号波；获取信号波的采样点数及各秒中幅度小于幅度阈值且幅度绝对值最大的点，计算其幅度平均值，根据采样点数及幅度平均值计算幅度概率密度，获得在时域空间的特征量；计算信号波的相空间分布密度，获得在相空间的特征量；计算信号波的能量，并根据能量及各个脑电波的频率范围，计算各个信号波的中心频率，获得在频域空间的特征量；根据在时域空间的特征量、相空间的特征量及在频域空间的特征量进行分类识别，得到脑电放松度。本发明可全面提取各个脑电波的不同空间的特征，从而实现准确的脑电放松度识别。

技术领域

本发明涉及放松治疗领域，尤其涉及一种基于多空间信号特征的脑电放松度识别方法及装置。

背景技术

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)，再提取各个脑电波的特征，将这些特征输入到分类器进行分类识别。

现有的特征提取方法一般只能从单一角度提取脑电波的特征，评价方式单一，不能保证分类结果的准确性。而且现有的特征提取算法的计算和处理过程复杂，一方面，增加了对硬件的要求，另一方面，由于计算复杂，也无法及时得到分类结果，进而影响了放松治疗的效果。

发明内容

针对上述问题，本发明的目的在于提供一种基于多空间信号特征的脑电放松度识别方法及装置，可全面的提取出各个脑电波的特征。

本发明提供了一种基于多空间信号特征的脑电放松度识别方法，包括如下步骤：

从接收到的待处理脑电序列信号中提取出对应于各个脑电波的信号波；

获取每个信号波的采样点数及所述信号波的各秒中幅度小于幅度阈值且幅度绝对值最大的点，计算这些点的幅度平均值，并根据所述采样点数及所述幅度平均值计算各个信号波的幅度概率密度，获得所述脑电切片信号在时域空间的特征量；

计算对应于各个脑电波的信号波的相空间分布密度，获得所述待处理脑电序列信号在相空间的特征量；

计算与各个脑电波对应的信号波的能量，并根据各个信号波的能量及各个脑电波的频率范围，计算各个信号波的中心频率，获得所述待处理脑电序列信号在频域空间的特征量；

根据所述待处理脑电序列信号在时域空间的特征量、相空间的特征量及在频域空间的特征量进行分类识别，得到脑电放松度。

优选地，所述获取每个信号波的采样点数及所述信号波内各秒中幅度小于幅度阈值且幅度绝对值最大的点，计算这些点的幅度平均值，并根据所述采样点数及所述幅度平均值计算各个信号波的幅度概率密度，获得所述脑电切片信号在时域空间的特征量具体包括：

统计每个信号波的采样点数n；

查找所述信号波内各秒中幅度小于幅度阈值并且幅度绝对值最大的点，计算这些点的幅度平均值AmpMaxAverrage；

统计幅度值在(-AmpMaxAverrage×k，+AmpMaxAverrage×k)区间的点的数目Ampnum，其中k为经验值；