一种复杂环境下的脑机信号快速响应方法与流程

本发明涉及脑机信号响应的，尤其涉及一种复杂环境下的脑机信号快速响应方法。

背景技术：

1、脑机信号常用于采集人体脑电信号驱动体外神经设备进行活动，然而，在奈奎斯特-香农定理指导下的采样过程逐渐成为脑机信号快速响应的限制因素。依据奈奎斯特采样定理，采样频率需高于模拟信号最高频率两倍，长时间采样带来的高采样率和大数据量给监护设备的续航、数据存储、传输和处理带来极大的挑战。尤其是复杂环境下，采样数据量激增，加剧了脑机信号数据处理负载。针对该问题，本发明提出一种复杂环境下的脑机信号快速响应方法，实现脑机信号快速响应。

技术实现思路

1、有鉴于此，本发明提供一种复杂环境下的脑机信号快速响应方法，目的在于：1)通过基于滤波处理前后信号的结构变化情况确定线性滤波器的权重系数，进而在保证信号稳定性的基础上对信号噪音进行过滤，基于不同分解尺度，对滤波处理后的脑机信号进行多尺度分解，实现复杂环境下有效脑机信号、生理动作信号以及其他信号的尺度分解，并对尺度分解结果进行快速傅里叶变换处理，得到不同尺度分解结果的功率谱；2)对不同尺度的分解结果进行基于功率谱的概率密度以及小波熵计算，根据计算结果判断分解结果是否捕捉到微弱信号，将捕捉到微弱信号的分解结果构成集合，并对每个分解结果的快速傅里叶变换处理向量进行样本熵计算，选取样本熵之和最高的快速傅里叶变换处理向量作为足够表征该分解结果的向量，且所选取向量经多次变换处理，对应的功率较小，能够表示较为微弱的有效脑机信号，并据此进行信号重构，重构得到有效脑机信号进行响应。

2、实现上述目的，本发明提供的一种复杂环境下的脑机信号快速响应方法，包括以下步骤：

3、s1：获取复杂环境下的脑机信号，利用线性滤波器对所获取脑机信号进行滤波处理；

4、s2：对滤波处理后的脑机信号进行多尺度分解处理；

5、s3：利用结合多尺度分解结果概率密度以及小波熵的方法从多尺度分解结果中提取有效脑机信号的多尺度分解结果；

6、s4：将有效脑机信号的多尺度分解结果重构为有效脑机信号，并进行响应处理。

7、作为本发明的进一步改进方法：

8、可选地，所述s1步骤中获取复杂环境下的脑机信号，包括：

9、获取复杂环境下的脑机信号，其中复杂环境表示脑机信号采样设备的高频率采样环境以及在受测者的脑机信号采集过程中会对受测者进行干扰的环境，所采集脑机信号包括受测者的脑电信号、受测者受到干扰后产生的生理动作信号以及脑机信号采样设备内部产生的设备噪音信号，将受测者的脑电信号作为有效脑机信号，所述复杂环境下脑机信号的获取流程为：

10、将脑机信号采样设备的电极片放置于受测者的头部区域，得到复杂环境下所采集的脑机信号，所述复杂环境下所采集脑机信号的表示为：

11、x(t)＝(x(t1)，x(t2)，...，x(tn)，...，x(tn))

12、其中：

13、x(t)表示复杂环境下所采集的脑机信号，t表示时序信息，t∈[t1，tn]，t1表示脑机信号x(t)采集的初始时刻，tn表示脑机信号x(t)采集的截止时刻；

14、x(tn)表示脑机信号x(t)在信号采集时刻tn的信号值。

15、可选地，所述s1步骤中利用线性滤波器对所获取脑机信号进行滤波处理，包括：

16、利用线性滤波器对所获取脑机信号进行滤波处理，其中基于线性滤波器的脑机信号滤波处理流程为：

17、s11：初始化线性滤波器的权重系数ω0：

18、ω0＝(ω0(1)，ω0(2)，...，ω0(n)，...，ω0(n))

19、其中：

20、ω0(n)表示权重系数ω0的第n个权重值，线性滤波器的权重系数长度为n；

21、s12：设置线性滤波器的权重系数当前迭代次数为v，则权重系数的第v次迭代结果为ωv，v的初始值为0；

22、s13：若小于预设的阈值，则将ωv作为线性滤波器的最终权重系数，并计算得到脑机信号x(t)的滤波处理结果：y(t)＝(x(t1)ωv(1)，x(t2)ωv(2)，...，x(tn)ωv(n))，否则转向步骤s14，其中||·||2表示l2范数，y(t)表示脑机信号x(t)的滤波处理结果；

23、s14：对线性滤波器的权重系数进行迭代更新，其中迭代更新公式为：

24、

25、其中：

26、||·||表示l1范数；

27、σx(t)表示脑机信号x(t)的标准差；

28、σv表示信号(x(t1)ωv(1)，x(t2)ωv(2)，...，x(tn)ωu(n))的标准差；

29、令v＝v+1，返回步骤s13。

30、可选地，所述s2步骤中对脑机信号的滤波处理结果进行多尺度分解处理，包括：

31、对脑机信号的滤波处理结果y(t)进行多尺度分解处理，其中多尺度分解处理流程为：

32、s21：设置尺度因子a，利用小波函数γ(t)对y(t)进行多尺度小波分解处理，得到y(t)在不同尺度因子下的小波系数：

33、

34、其中：

35、d(a，y(t))表示y(t)在尺度a下的小波系数，a∈[1，a]，a表示最大分解尺度；

36、s22：对y(t)在尺度a下的小波系数d(a，y(t))进行la点的快速傅里叶变换处理：

37、

38、

39、其中：

40、la表示小波系数d(a，y(t))的长度，d(a，y(t)，l)表示小波系数d(a，y(t))中第l个点的值；

41、j表示虚数单位，j2＝-1；

42、exp(·)表示以自然常数为底的指数函数；

43、表示小波系数d(a，y(t))在la点的快速傅里叶变换处理结果；

44、d1(a，y(t))表示小波系数d(a，y(t))的快速傅里叶变换向量；

45、s23：对d1(a，y(t))进行q-1次la点的快速傅里叶变换迭代处理，得到q-1组快速傅里叶变换向量：

46、(d2(a，y(t))，...，dq+1(a，y(t))，...，dq(a，y(t)))

47、其中第q组快速傅里叶变换的迭代公式为：

48、dq+1(a，y(t))＝fft(dq(a，y(t))，la)

49、其中：

50、fft(dq(a，y(t))，la)表示对dq(a，y(t))进行la点的快速傅里叶变换处理；

51、dq+1(a，y(t))表示第q组快速傅里叶变换向量，其中q∈[1，q]；

52、s24：构成y(t)的多尺度分解结果：

53、{(d(a，y(t))，(d1(a，y(t))，...，dq+1(a，y(t))，...，dq(a，y(t))))|a∈[1，a]}

54、其中：

55、(d(a，y(t))，(d1(a，y(t))，...，dq+1(a，y(t))，...，dq(a，y(t))))表示y(t)在尺度a下的分解结果。

56、可选地，所述s3步骤中计算多尺度分解结果概率密度以及小波熵，包括：

57、计算多尺度分解结果的概率密度以及小波熵，所述计算流程为：

58、计算尺度a下小波系数d(a，y(t))的能量ea：

59、

60、

61、其中：

62、ea(q′)表示尺度a下小波系数的第q′组快速傅里叶变换向量的能量；

63、表示第q′-1组快速傅里叶变换向量dq′-1(a，y(t))在l点的快速傅里叶变换处理结果；

64、计算尺度a下小波系数d(a，y(t))的小波熵：

65、

66、其中：

67、ha表示尺度a下小波系数d(a，y(t))的小波熵；

68、计算尺度a下小波系数d(a，y(t))与尺度b下小波系数d(b，y(t))的概率密度：

69、

70、

71、其中：

72、表示尺度a下小波系数d(a，y(t))与尺度b下小波系数d(b，y(t))的概率密度，b＞a；

73、f(d(a，y(t)))表示尺度a下小波系数d(a，y(t))能量的概率分布。

74、可选地，所述s3步骤中从多尺度分解结果中提取有效脑机信号的多尺度分解结果，包括：

75、从多尺度分解结果中提取有效脑机信号的多尺度分解结果，其中有效脑机信号的多尺度分解结果选择方法为：

76、s31：对于任意尺度a下小波系数d(a，y(t))的q组快速傅里叶变换向量，遍历得到每组快速傅里叶变换向量在la个点上快速傅里叶变换处理结果的能量，将所遍历得到的最大能量作为每组快速傅里叶变换向量的最大能量其中为第q′组快速傅里叶变换向量的最大能量；

77、s32：选取最大能量高于阈值的快速傅里叶变换向量，将所选取快速傅里叶变换向量的最大能量除以对应组数，得到所选取快速傅里叶变换向量的单位能量，若存在单位能量高于ea/q且低于预设的单位能量阈值，则表示该组小波系数提取到微弱信号；

78、s33：选取提取到微弱信号的小波系数构成存在有效脑机信号的候选集合中；

79、s34：计算候选集合中小波系数与其他a-1个不同尺度小波系数所构成集合中任意一个小波系数之间的概率密度，若概率密度低于0.1，则将所选取的非候选集合中的小波系数添加到候选集合中；

80、s35：对候选集合中的小波系数进行去重，并构成存在有效脑机信号的小波系数以及对应q组快速傅里叶变换向量的有效集合。

81、可选地，所述s4步骤中将有效脑机信号的多尺度分解结果重构为有效脑机信号，包括：

82、将有效脑机信号的多尺度分解结果重构为有效脑机信号，其中结合多尺度分解结果的有效脑机信号重构流程为：

83、s41：计算有效集合中任意小波系数中q组快速傅里叶变换向量的两两向量之间的样本熵，其中样本熵的计算流程为：

84、

85、

86、其中：

87、表示第q′-1组快速傅里叶变换向量dq′-1(a*，y(t))在l点的快速傅里叶变换处理结果，a*表示有效集合中的小波系数对应的分解尺度，表示有效集合中分解尺度为a*的小波系数的长度；

88、表示两组快速傅里叶变换向量在l点快速傅里叶变换处理结果的距离；

89、表示两组序列中对应元素的最大差值的绝对值；

90、表示尺度为a*的小波系数的第q′组快速傅里叶变换向量与第q″组快速傅里叶变换向量的样本熵；

91、s42：计算有效集合中任意小波系数的一组快速傅里叶变换向量与其余q-1组快速傅里叶变换向量的样本熵之和，并将样本熵之和作为该组快速傅里叶变换向量的评价值；

92、s43：选取评价值最高的快速傅里叶变换向量，对所选取快速傅里叶变换向量进行傅里叶逆变换，重构得到小波系数；

93、s44：将重构得到的所有小波系数进行加和，得到有效脑机信号，并进行响应处理。在本发明实施例中，响应处理为对有效脑机信号的存储处理。

94、为了解决上述问题，本发明提供一种电子设备，所述电子设备包括：

95、存储器，存储至少一个指令；

96、通信接口，实现电子设备通信；及

97、处理器，执行所述存储器中存储的指令以实现上述所述的复杂环境下的脑机信号快速响应方法。

98、为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现上述所述的复杂环境下的脑机信号快速响应方法。

99、相对于现有技术，本发明提出一种复杂环境下的脑机信号快速响应方法，该技术具有以下优势：

100、首先，本方案提出一种信号分解处理方法，利用线性滤波器对所获取脑机信号进行滤波处理，其中基于线性滤波器的脑机信号滤波处理流程为：初始化线性滤波器的权重系数ω0：

101、ω0＝(ω0(1)，ω0(2)，...，ω0(n)，...，ω0(n))

102、其中：ω0(n)表示权重系数ω0的第n个权重值，线性滤波器的权重系数长度为n；设置线性滤波器的权重系数当前迭代次数为v，则权重系数的第v次迭代结果为ωv，v的初始值为0；若小于预设的阈值，则将ωv作为线性滤波器的最终权重系数，并计算得到脑机信号x(t)的滤波处理结果：y(t)＝(x(t1)ωv(1)，x(t2)ωv(2)，...，x(tn)ωv(n))，，其中||·||2表示l2范数，y(t)表示脑机信号x(t)的滤波处理结果；对线性滤波器的权重系数进行迭代更新，其中迭代更新公式为：

103、

104、其中：||·||表示l1范数；σx(t)表示脑机信号x(t)的标准差；σv表示信号(x(t1)ωv(1)，x(t2)ωv(2)，...，x(tn)ωu(n))的标准差；对脑机信号的滤波处理结果y(t)进行多尺度分解处理，其中多尺度分解处理流程为：设置尺度因子a，利用小波函数γ(t)对y(t)进行多尺度小波分解处理，得到y(t)在不同尺度因子下的小波系数：

105、

106、其中：d(a，y(t))表示y(t)在尺度a下的小波系数，a∈[1，a]，a表示最大分解尺度；对y(t)在尺度a下的小波系数d(a，y(t))进行la点的快速傅里叶变换处理：

107、

108、

109、其中：la表示小波系数d(a，y(t))的长度，d(a，y(t)，l)表示小波系数d(a，y(t))中第l个点的值；j表示虚数单位，j2＝-1；exp(·)表示以自然常数为底的指数函数；表示小波系数d(a，y(t))在la点的快速傅里叶变换处理结果；d1(a，y(t))表示小波系数d(a，y(t))的快速傅里叶变换向量；对d1(a，y(t))进行q-1次la点的快速傅里叶变换迭代处理，得到q-1组快速傅里叶变换向量：

110、(d2(a，y(t))，...，dq+1(a，y(t))，...，dq(a，y(t)))

111、其中第q组快速傅里叶变换的迭代公式为：

112、dq+1(a，y(t))＝fft(dq(a，y(t))，la)

113、其中：fft(dq(a，y(t))，la)表示对dq(a，y(t))进行la点的快速傅里叶变换处理；dq+1(a，y(t))表示第q组快速傅里叶变换向量，其中q∈[1，q]。本方案通过基于滤波处理前后信号的结构变化情况确定线性滤波器的权重系数，进而在保证信号稳定性的基础上对信号噪音进行过滤，基于不同分解尺度，对滤波处理后的脑机信号进行多尺度分解，实现复杂环境下有效脑机信号、生理动作信号以及其他信号的尺度分解，并对尺度分解结果进行快速傅里叶变换处理，得到不同尺度分解结果的功率谱。

114、同时，本方案提出一种有效脑机信号提取方法，从多尺度分解结果中提取有效脑机信号的多尺度分解结果，其中有效脑机信号的多尺度分解结果选择方法为：对于任意尺度a下小波系数d(a，y(t))的q组快速傅里叶变换向量，遍历得到每组快速傅里叶变换向量在la个点上快速傅里叶变换处理结果的能量，将所遍历得到的最大能量作为每组快速傅里叶变换向量的最大能量其中为第q′组快速傅里叶变换向量的最大能量；选取最大能量高于阈值的快速傅里叶变换向量，将所选取快速傅里叶变换向量的最大能量除以对应组数，得到所选取快速傅里叶变换向量的单位能量，若存在单位能量高于ea/q且低于预设的单位能量阈值，则表示该组小波系数提取到微弱信号；选取提取到微弱信号的小波系数构成存在有效脑机信号的候选集合中；计算候选集合中小波系数与其他a-1个不同尺度小波系数所构成集合中任意一个小波系数之间的概率密度，若概率密度低于0.1，则将所选取的非候选集合中的小波系数添加到候选集合中；对候选集合中的小波系数进行去重，并构成存在有效脑机信号的小波系数以及对应q组快速傅里叶变换向量的有效集合。计算有效集合中任意小波系数中q组快速傅里叶变换向量的两两向量之间的样本熵，其中样本熵的计算流程为：

115、

116、

117、其中：表示第q′-1组快速傅里叶变换向量dq′-1(a*，y(t))在l点的快速傅里叶变换处理结果，a*表示有效集合中的小波系数对应的分解尺度，表示有效集合中分解尺度为a*的小波系数的长度；表示两组快速傅里叶变换向量在l点快速傅里叶变换处理结果的距离；表示两组序列中对应元素的最大差值的绝对值；表示尺度为a*的小波系数的第q′组快速傅里叶变换向量与第q″组快速傅里叶变换向量的样本熵；计算有效集合中任意小波系数的一组快速傅里叶变换向量与其余q-1组快速傅里叶变换向量的样本熵之和，并将样本熵之和作为该组快速傅里叶变换向量的评价值；选取评价值最高的快速傅里叶变换向量，对所选取快速傅里叶变换向量进行傅里叶逆变换，重构得到小波系数；将重构得到的所有小波系数进行加和，得到有效脑机信号，并进行响应处理。本方案对不同尺度的分解结果进行基于功率谱的概率密度以及小波熵计算，根据计算结果判断分解结果是否捕捉到微弱信号，将捕捉到微弱信号的分解结果构成集合，并对每个分解结果的快速傅里叶变换处理向量进行样本熵计算，选取样本熵之和最高的快速傅里叶变换处理向量作为足够表征该分解结果的向量，且所选取向量经多次变换处理，对应的功率较小，能够表示较为微弱的有效脑机信号，并据此进行信号重构，重构得到有效脑机信号进行响应。