[发明专利]一种基于便携式EEG设备的脑部健康筛查方法

权利要求书

1.一种基于便携式EEG设备的脑部健康筛查方法，其特征在于：包括脑电信号采集判别步骤，所述脑电信号采集判别步骤为：

第一步：通过1-4导联的高灵敏度电极片进行信号感应，并进行原始脑电信号采集，原始信号通过阻抗测试模块进行信号稳定性测试；

第二步：当信号达到稳定后，将原始脑电信号传输至运算放大器，进行信号放大和信号强度调优；

第三部：对进行放大和优化后的信号通过蓝牙模块，传输到移动端，并通过加速度传感器判断当前物理状态；

第四步：移动端将接受的信号，传送至云端高性能计算服务器集群，进行信号解析与信号分析计算；

第五步：脑电信号模式识别算法，脑电机器学习算法，脑电深度学习算法对脑电状态和事件对应信号进行脑健康、脑功能等相关指标计算判别。

2.根据权利要求1所述的一种基于便携式EEG设备的脑部健康筛查方法，其特征在于：所述第一步中信号采集与处理流程为：

第一步：使用者佩戴脑电监测设备，进行联通测试后，开始进行原始脑电信号传输与存储；

第二步：对原始采集的信号进行数据预处理，通过傅里叶算法进行信号变换，转换成数字信号；

第三步：对转换成数字信号的脑电信号，通过滤波算法和主成分分析进行噪音取除和转换变化，主要通过回归法、自适应滤波法和独立分量分析法对眼动干扰、心电干扰、肌电干扰、工频干扰和高频噪声干扰等进行取除；

第四步：对经过噪音取除的原始脑电信号上传至存储服务器，同时同步传输至脑电算法计算服务器。

3.根据权利要求1所述的一种基于便携式EEG设备的脑部健康筛查方法，其特征在于：所述第四步中信号解析与信号分析计算流程为：

第一步：对原始脑电信号进行特征提取，以特征信号作为源信号，确定各种参数并以此为向量组成表征信号特征的特征向量变换；

第二步：对原始脑电信号向量特征进行时域信号参数提取和变换特征工程；

第三步：对原始脑电信号向量进行频域信号参数提取和变换特征工程；

第四步：利用的信号特征及电极位置关系，使用自回归、傅里叶变换、表面拉普拉斯变换和小波变换等进行特征归类。

4.根据权利要求1所述的一种基于便携式EEG设备的脑部健康筛查方法，其特征在于：所述第五步中脑电信号模式识别与结果判断流程：

第一步：初期通过对脑电信号采用时域与频域的分析，和特征提取，从信号初始采集的信号与噪音识别，到设置滤波算法，通过不同的参数适配，得到了基于脑陆脑电EEG设备采集的最有效信噪比信号；

第二步：原始有效脑电获取同时通过对原始信号进行信号变换，与归一化频谱与功率谱分析，及进行时序信号变化波动分析，进行对应的特征算法实现优化适配，进行不同事件和状态相关情况下的脑健康，脑功能，精神状态指标测量与判断。

5.根据权利要求1所述的一种基于便携式EEG设备的脑部健康筛查方法，其特征在于：所述第五步中脑电机器学习的模式识别与结果判断流程为：

第一步：实现了信号分析算法处理EEG数据建模特征提取，同时通过引入机器学习模型，决策树，朴素贝叶斯分类，最小二乘法，逻辑回归，集成方法，支持向量机，聚类算法主成分分析，奇异值分解，独立成分分析等算法模型；

第二步：通过第一步选用的机器学习模型，通过模型的有标签训练，分别对EEG信号特征进行不同脑健康和认知功能事件和状态相关下的指标分类和判别自动化识别。

6.根据权利要求1所述的一种基于便携式EEG设备的脑部健康筛查方法，其特征在于：所述第五步中脑电深度学习的模式识别与结果判断流程：

第一步：对于大规模的用户监测和识别，随着脑电信号识别算法的鲁棒性要求和自动化更新的需求，随着用户体量的增加和数据集规模的增长，传统的信号分析和机器学习算法在算法更新和自动化识别效率方面无法满足，开进行人工智能算法的EEG脑电信号处理模型设计；

第二步：通过引入深度学习神经网络，在GPU高性能服务器上，进行端到端的深度学习建模与运算，主要使用基于循环神经网络结构和卷积升级网络结构基于部分有标签的EEG脑电数据进行训练，形成分类器和判别器，对

第三步：同时不断进行数据集的扩充，不断进行神经网络模型算法的更新，不断提高脑健康，脑认知，神经状态的指标识别精度和准确率。