[发明专利]一种动物脑电分类模型的构建方法及装置

权利要求书

1.一种动物脑电分类模型的构建方法，其特征在于，包括：

采集动物在不同心理状态下产生的多个原始脑电信号，所述不同心理状态是指动物在不同刺激源的刺激下产生的心理状态；

去除所述多个原始脑电信号中的噪声干扰得到对应的有效脑电信号；

提取各个有效脑电信号的特征值；

对所述特征值进行特征清理、特征选择和/或特征变换，以得到特征训练子集；

采用机器学习算法对所述特征训练子集进行训练，构建动物脑电分类模型。

2.如权利要求1所述的方法，其特征在于，所述去除所述多个原始脑电信号中的噪声干扰得到对应的有效脑电信号，包括：

对所述多个原始脑电信号去除眼电噪声处理，得到初滤脑电信号；

对所述初滤脑电信号进行小波去噪，得到修正脑电信号；

根据预设的限定幅值，对所述修正脑电信号进行挑选，去除修正脑电信号超出所限定幅值的数据段，得到基准数据段；

计算所述基准数据段的均值，用所述修正脑电信号减去所述均值；

对减去均值后的修正脑电信号进行去除基线漂移处理；

对去除基线漂移后的修正脑电信号进行滤波，得到有效脑电信号。

3.如权利要求2所述的方法，其特征在于，所述对所述多个原始脑电信号去除眼电噪声处理，包括：

截取一特定时长的所述原始脑电信号，作为原始基准信号；

对所述原始基准信号按照预设眼电噪声频率范围进行带通滤波以得到基准初滤脑电信号；

将所述基准初滤脑电信号各数据点幅值与预设眼电噪声幅度阈值进行比较，当某一数据点幅值由小于预设眼电噪声幅度阈值变为等于预设眼电噪声幅度阈值时，设定该数据点之前的一特定时长为第一测试眨眼时段，设定该数据点之后的一特定时长为第二测试眨眼时段，所述第一测试眨眼时段及所述第二测试眨眼时段构成第一测试眨眼周期；提取所述第一测试眨眼周期内的基准初滤脑电信号作为该第一测试眨眼周期内的第一眨眼信号；

将所述特定时长内的所有第一测试眨眼周期内的所述第一眨眼信号进行平均，得到第一眼电噪声平均波形；

将所述原始脑电信号与所述第一眼电噪声平均波形相叠加，以抵消所述第一测试眨眼周期内的噪声干扰，得到初滤脑电信号。

4.如权利要求1-3任一项所述的方法，其特征在于，所述提取各个有效脑电信号的特征值至少可通过以下方法实现，包括：

提取各个有效脑电信号的能量谱分布状态，将各个有效脑电信号的能量谱分布状态作为该有效脑电信号的特征值，或

提取各个有效脑电信号的信号幅值分布的变化状态，将各个有效脑电信号的信号幅值分布的变化状态作为该有效脑电信号的特征值，或

计算各个有效脑电信号的LzC复杂度，将各个有效脑电信号的LzC复杂度作为该有效脑电信号的特征值，或

获取各个有效脑电信号的对应的AR模型系数，将各个有效脑电信号的AR模型系数作为该有效脑电信号的特征值。

5.如权利要求1所述的方法，其特征在于，所述机器学习算法包括K最近邻分类算法、支持向量机、决策树、贝叶斯分类算法、人工神经网络、卷积神经网络、集成学习中的至少一个。

6.一种动物脑电分类模型的构建装置，其特征在于，包括：

脑电采集模块，用于采集动物在不同心理状态下产生的多个原始脑电信号，所述不同心理状态是指动物在不同刺激源的刺激下产生的心理状态；

预处理模块，用以去除所述多个原始脑电信号中的噪声干扰得到对应的有效脑电信号；

特征提取模块，用于提取各个有效脑电信号的特征值；

训练集生成模块，用于对所述特征值进行特征清理、特征选择和/或特征变换，以得到特征训练子集；

模型训练模块，用于采用机器学习算法对所述特征训练子集进行训练，构建动物脑电分类模型。