[发明专利]一种基于神经网络模型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神经网络模型的脑电放松度识别方法，包括如下步骤：从接收到的脑电切片信号中提取出对应于各个脑电波的信号波；计算对应于各个脑电波的信号波的特征量；将计算得到的所述特征量输入到至少两个由不同学习算法训练得到的神经网络模型，得到所述脑电切片信号在各个神经网络模型下的分类值；根据所述脑电切片信号在各个神经网络模型下的分类值获得所述脑电切片信号的最终分类值；根据所述最终分类值识别得到所述脑电切片信号的脑电放松度。本发明还提供了一种基于神经网络模型的脑电放松度识别装置，可提高对脑电放松度识别的稳定性和准确性。

技术领域

本发明涉及放松治疗领域，尤其涉及一种基于神经网络模型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。

现有的分类识别方法中，多采用单一的分类器对特征进行简单的二分类，这导致脑电放松度的识别稳定性不高，例如，容易受到外界环境的干扰或用户的生理波动的影响；而且，二分类无法实现放松度的更细致的分类，进而不能提供最有效的生物反馈指导。

发明内容

针对上述问题，本发明的目的在于提供一种基于神经网络模型的脑电放松度识别方法及装置，可提高对脑电放松度识别的稳定性和准确率。

本发明提供了一种基于神经网络模型的脑电放松度识别方法，包括如下步骤：

从接收到的脑电切片信号中提取出对应于各个脑电波的信号波；

计算对应于各个脑电波的信号波的特征量；

将计算得到的所述特征量输入到至少两个由不同学习算法训练得到的神经网络模型，得到所述脑电切片信号在各个神经网络模型下的分类值；

根据所述脑电切片信号在各个神经网络模型下的分类值获得所述脑电切片信号的最终分类值；

根据所述最终分类值识别得到所述脑电切片信号的脑电放松度。

优选地，所述学习算法包括：Levenberg-Marquart算法、标准BP算法、增加动量项的BP算法、改进的GA-BP算法；且神经网络进行学习时使用的训练样本对由计算得到的所述特征量和标准设备同步采集得到的脑电放松度构成。

优选地，所述对应于各个脑电波的信号波的特征量至少包括以下其中之一：对应于各个脑电波的信号波在时域空间的特征量、对应于各个脑电波的信号波在相空间的特征量、对应于各个脑电波的信号波在频域空间的特征量。

优选地，在所述计算对应于各个脑电波的信号波的特征量之后，在所述将计算得到的所述特征量输入到至少两个由不同学习算法训练得到的神经网络模型，得到所述脑电切片信号在各个神经网络模型下的分类值之前，还包括：

基于主成分分析法对所述特征量进行降维处理。

优选地，所述基于主成分分析法对所述特征量进行降维处理具体包括：

将所述特征量设置为输入样本空间中的特征量，并对所述输入样本空间进行数据标准化处理；