CN112842356A - 数据处理方法、装置、设备及*** - Google Patents
数据处理方法、装置、设备及*** Download PDFInfo
- Publication number
- CN112842356A CN112842356A CN201911173528.8A CN201911173528A CN112842356A CN 112842356 A CN112842356 A CN 112842356A CN 201911173528 A CN201911173528 A CN 201911173528A CN 112842356 A CN112842356 A CN 112842356A
- Authority
- CN
- China
- Prior art keywords
- data
- feature
- classification model
- brain
- physiological data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 24
- 210000004556 brain Anatomy 0.000 claims abstract description 249
- 238000013145 classification model Methods 0.000 claims abstract description 161
- 238000000034 method Methods 0.000 claims abstract description 91
- 238000012545 processing Methods 0.000 claims description 76
- 230000007177 brain activity Effects 0.000 claims description 57
- 230000008451 emotion Effects 0.000 claims description 47
- 201000010099 disease Diseases 0.000 claims description 37
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 37
- 238000004458 analytical method Methods 0.000 claims description 32
- 238000001514 detection method Methods 0.000 claims description 25
- 238000012549 training Methods 0.000 claims description 21
- 230000006399 behavior Effects 0.000 claims description 16
- 238000000605 extraction Methods 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 10
- 238000007635 classification algorithm Methods 0.000 claims description 8
- 238000004070 electrodeposition Methods 0.000 claims description 7
- 238000010187 selection method Methods 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000000638 solvent extraction Methods 0.000 claims 1
- 230000000875 corresponding effect Effects 0.000 description 57
- 238000010586 diagram Methods 0.000 description 20
- 230000008569 process Effects 0.000 description 18
- 238000004590 computer program Methods 0.000 description 10
- 210000001061 forehead Anatomy 0.000 description 10
- 230000002123 temporal effect Effects 0.000 description 9
- 238000012935 Averaging Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000012512 characterization method Methods 0.000 description 5
- 210000003128 head Anatomy 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 210000004761 scalp Anatomy 0.000 description 4
- 230000002996 emotional effect Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000002269 spontaneous effect Effects 0.000 description 3
- 206010011878 Deafness Diseases 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000003727 cerebral blood flow Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000007917 intracranial administration Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000001936 parietal effect Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 208000024827 Alzheimer disease Diseases 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 210000004958 brain cell Anatomy 0.000 description 1
- 210000003169 central nervous system Anatomy 0.000 description 1
- 230000002490 cerebral effect Effects 0.000 description 1
- 210000001175 cerebrospinal fluid Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000000546 chi-square test Methods 0.000 description 1
- 208000010877 cognitive disease Diseases 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 210000005069 ears Anatomy 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 208000027061 mild cognitive impairment Diseases 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008035 nerve activity Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000003334 potential effect Effects 0.000 description 1
- 239000002243 precursor Substances 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000001020 rhythmical effect Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Veterinary Medicine (AREA)
- Heart & Thoracic Surgery (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Evolutionary Computation (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本申请实施例提供一种数据处理方法、装置、设备及***,该方法包括:获取受测者的脑部生理数据;从脑部生理数据中提取出至少两类的特征数据;将特征数据输入特征分类模型组件中,经特征分类模型组件分析得到特征数据与指定对象之间的关联关系。本申请实现了根据受测者的脑部生理数据自动分析脑部生理数据的特征数据与指定对象之间的关联关系,提高了智能性、降低了人力成本,有利于扩大脑部生理数据的应用范围,并且有利于提高准确性。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及一种数据处理方法、装置、设备及***。
背景技术
脑电信号是脑部神经活动产生且始终存在于中枢神经***的自发性电位活动,是一种重要的生物电信号。
通常,脑电信号是通过脑电图(Electroencephalogram,EEG)的形式进行记录的,其中,脑电图是通过精密的电子仪器,从头皮上将脑部的自发性生物电位加以放大记录而获得的图形,是通过电极记录下来的脑细胞群的自发性、节律性电活动,具体可以包括常规脑电图、动态脑电图监测、视频脑电图监测。在获得受测者的脑电图之后,需要具备读懂脑电图能力的分析人员对脑电图进行人工分析,得到分析结果,以根据分析结果进行进一步的处理。
但是,上述对脑电信号进行分析的方式,存在人力成本较高、且对人员的要求也较高,不便于脑电信号广泛应用的问题。
发明内容
本申请实施例提供一种数据处理方法、装置、设备及***,用以解决现有技术中对脑电信号进行分析的方式,存在人力成本较高、且对人员的要求也较高,不便于广泛应用的问题。
第一方面,本申请实施例提供一种数据处理方法,包括:
获取受测者的脑部生理数据;从所述脑部生理数据中提取出至少两类的特征数据;将所述特征数据输入特征分类模型组件中,经所述特征分类模型组件分析得到所述特征数据与指定对象之间的关联关系。
第二方面,本申请实施例提供一种数据处理装置,包括:
获取模块,用于获取受测者的脑部生理数据;
提取模块,用于从所述脑部生理数据中提取出至少两类的特征数据;
确定模块,用于将所述特征数据输入特征分类模型组件中,经所述特征分类模型组件分析得到所述特征数据与指定对象之间的关联关系。
第三方面,本申请实施例提供一种数据处理装置,包括:存储器、处理器;其中,所述存储器用于存储一条或多条计算机指令,其中,所述一条或多条计算机指令被所述处理器执行时实现如第一方面任一项所述的方法。
第四方面,本申请实施例提供一种信号处理***,包括:脑电波采集装置以及第三方面任一项所述的数据处理装置;
其中,脑电波采集装置用于采集受测者的脑部生理数据。
第五方面,本申请实施例提供一种数据处理设备,其特征在于,包括:数据采集装置以及第四方面任一项所述的数据处理装置;其中,脑电波采集装置用于采集受测者的脑部生理数据。
第六方面,本申请实施例提供一种数据处理设备,包括:数据采集装置、数据发送装置和数据接收装置;
所述数据发送装置,用于发送所述脑部生理数据至服务器,所述服务器被设置为:从所述脑部生理数据中提取出至少两类的特征数据;以及,将所述特征数据输入特征分类模型组件中,经所述特征分类模型组件分析得到所述特征数据与指定对象之间的关联关系;
所述数据接收装置,用于接收所述关联关系。
第七方面,本申请实施例提供一种检测帽,包括:数据采集装置和数据发送装置;
所述数据采集装置,用于采集受测者的脑部生理数据;
所述数据发送装置,用于发送所述脑部生理数据至服务器,所述服务器被设置为:从所述脑部生理数据中提取出至少两类的特征数据;以及,将所述特征数据输入特征分类模型组件中,经所述特征分类模型组件分析得到所述特征数据与指定对象之间的关联关系。
第八方面,本申请实施例提供一种非临时性计算机可读存储介质,其特征在于,当所述存储介质中的指令由处理器执行时,使得处理器能够执行第一方面任一项所述的方法。
本申请实施例还提供一种计算机程序,其特征在于,当所述计算机程序被计算机执行时,用于实现如第一方面任一项所述的方法。
本申请实施例提供的数据处理方法、装置、设备及***,通过从受测者的脑部生理数据中提取出至少两类的特征数据,并将所述特征数据输入特征分类模型组件中,经所述特征分类模型组件分析得到所述特征数据与指定对象之间的关联关系,实现了对脑部生理数据的自动分析,与需要具备读懂脑电图能力的分析人员对脑电图进行人工分析,得到分析结果相比,提高了智能性、减少了人力成本,有利于扩大脑部生理数据的应用范围。
另外,通过至少两类的特征数据,实现了根据受测者的脑部生理数据中的多个维度的特征数据确定特征数据与指定对象之间的关联关系,与根据单个维度的特征数据确定相比,扩大了特征数据的维度,考虑到了多个维度的特征数据对关联关系的联合反映,有利于提高准确性。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例的应用场景示意图一;
图2为本申请实施例提供的数据处理方法的示意图;
图3为本申请实施例的应用场景示意图二;
图4为本申请实施例的应用场景示意图三;
图5为本申请一实施例提供的数据处理方法的流程示意图;
图6为本申请一实施例提供的电极在人脑的安防顺序示意图;
图7为本申请一实施例提供的双极纵联法的示意图;
图8为本申请一实施例提供的双极横联法的示意图;
图9为本申请实施例提供的训练特征分类模型组件的示意图;
图10为本申请实施例提供的使用特征分类模型组件的示意图;
图11为本申请一实施例提供的数据处理装置的结构示意图;
图12为本申请另一实施例提供的数据处理装置的结构示意图;
图13为本申请一实施例提供的数据处理设备的结构示意图;
图14为本申请一实施例提供的检测帽的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
在本申请实施例中使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本申请。在本申请实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义,“多种”一般包含至少两种,但是不排除包含至少一种的情况。
应当理解,本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
取决于语境,如在此所使用的词语“如果”、“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地,取决于语境,短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的商品或者***不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种商品或者***所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的商品或者***中还存在另外的相同要素。
另外,下述各方法实施例中的步骤时序仅为一种举例,而非严格限定。
为了方便本领域技术人员理解本申请实施例提供的技术方案,下面先对技术方案实现的技术环境进行说明。
相关技术中比较常用的对脑电信号进行分析的方法主要包括人工分析脑电图的方式,一般由具备读懂脑电图能力的分析人员人工对脑电图进行分析,因此相关技术中亟需一种智能的用于对脑电信号进行处理的方式,以提高脑电信号的应用性。
基于类似于上文所述的实际技术需求,本申请提供的数据处理方法可以利用技术化的手段实现对脑部生理数据的自动分析,脑部生理数据可以包括:脑电信号、脑血流量、颅内压等等,其中,脑电信号是指在记录大脑活动时所获得的电信号;脑血流量是指单位时间内血液通过脑血管某横截面积的流量;颅内压是指颅腔内脑脊液的压力。
下面通过三个示例性的业务场景具体说明本申请各个实施例提供的数据处理方法。
场景一
在一个场景中,如图1所示,可以通过数据采集装置107采集受测者101的脑部生理数据,在采集过程中,可以将探测电极103a、探测电极103b、探测电极103c固定在受测者101的头部各个位置处。通过将数据采集装置107的接口105与探测电极103a、探测电极103b、探测电极103c连接之后,所述数据采集装置107可以采集到受测者101的脑部生理数据。当然,数据采集装置107仅是示例性的,还可以包括头盔、帽子、寝具、封装后的便携探测电极等其他多种装置,本申请在此不做限制。
如图1所示,所述数据采集装置107还可以与数据处理装置109相耦合,图1仅是示例性的耦合方式,所述数据采集装置107与所述数据处理装置109还可以集成于同一设备中,所述设备例如可以包括头盔、帽子、寝具、封装后的便携探测电极等等,本申请在此不做限制。所述数据处理装置109可以利用本申请以下任一实施例提供的数据处理方法对所述数据采集装置107采集的脑部生理数据进行处理。图2是所述数据处理装置109处理所述脑部生理数据的方法示意图。如图2所示,所述数据处理装置109在获取到所述脑部生理数据之后,可以从受测者的脑部生理数据中提取出至少两类的特征数据,所述特征数据具体可以为由多个特征值组成的特征向量,每个特征值即为一个特征的特征数据,之后将提取出的特征数据输入至特征分类模型组件中,经所述特征分类模型组件分析得到特征数据与指定对象之间的关联关系。
其中,指定对象可以泛指任何与脑电生理数据相关的对象,且根据应用场景的不同,指定对象可以有不同的定义和实现形式。在该场景中,指定对象是指能够根据脑电生理数据的特征进行对象控制的行为,可简称为对象控制行为。可选的,可被控制的对象可以是智能音响、智能报警器、智能机器人(如陪护机器人)等智能设备。
基于上述,在获得特征数据与对象控制行为之间的关联关系之后,数据处理装置109可以根据所述关联关系对与对象控制行为适配的智能设备进行控制。不同智能设备,对应的对象控制行为可以不同。如图1所示,在获得所述关联关系之后,当关联关系表征特征数据与对象控制行为的关联程度大于关联程度阈值时,可以根据所述关联关系对所述智能机器人进行相应控制处理。例如,在对象控制行为为播放音乐、讲笑话、跳舞蹈等情况下,若数据处理装置109确定特征数据与播放音乐、讲笑话、跳舞蹈等控制行为之间的关联程度大于关联程度阈值,则可以据此控制所述智能机器人执行与受测者特征数据相适应的动作,例如,可以控制智能机器人播放音乐、讲笑话、跳舞蹈等。当然,在其他实施例中,数据处理装置也可以根据关联关系对智能机器人采用其他控制方式,本申请对此不作限定。
例如,对聋哑人、丧失语言能力者或渐冻症患者,可以采用图1所示***,采集其至少两类的特征数据,并基于特征分类模型分析出至少两类的特征数据与陪护机器人所支持的控制行为之间的关联关系,之后,可以根据该关联关系自动向陪护机器人发出相应指令,控制陪护机器人执行相应动作,例如讲故事、拿东西或跳舞等,充分发挥陪护机器人的陪护功能,让陪护机器人来协助病患独自生活,甚至在意外发生的时候可以急救报警。
需要说明的是,图1中以智能机器人作为数据处理装置能够控制的智能设备为例,在不同应用场景下述,智能设备还可以是其他设备,例如智能音响、智能报警器等等。
场景二
在另一个场景中,如图3所示,在人们需要了解脑电生理数据的特征数据与指定对象的关联关系时,可以利用本申请实施例提供的数据处理方法获得。如图3所示,类似于图1可以通过数据采集装置107采集受测者101的脑部生理数据,所述数据采集装置107还可以与数据处理装置109相耦合,所述数据处理装置109可以利用本申请以下任一实施例提供的数据处理方法对所述数据采集装置107采集的脑部生理数据进行处理,得到特征数据与指定对象之间的关联关系。
在该场景中,指定对象是指能够根据脑电生理数据的特征进行的预测,示例性的,该指定对象可以为脑部活动集中性预测、负面情绪预测或疾病风险预测,疲倦、注意力分散等均会导致脑部活动的不集中。当然,在其他实施例中,指定对象还可以是其他形式的预测,本申请对此不作限定。
在获取到所述关联关系之后,如图3所示,可以通过输出装置111对所述关联关系进行输出,以使所述受测者可以获知所述关联关系。其中,输出装置111例如可以是显示器、扬声器等。
在获取到所述关联关系之后,可以根据关联关系确定进一步的信息。在所述指定对象为脑部活动集中性预测的情况下,可以根据所述关联关系确定所述受测者脑部活动的集中程度。在关联关系表征特征数据与脑部活动集中性预测的关联程度越大时,可以表示受测者脑部活动的集中程度越高;在关联关系表征特征数据与脑部活动集中性预测的关联程度越小时,可以表示受测者脑部活动的集中程度越低。例如,可以根据关联关系表征的关联程度以及不同关联程度范围与集中程度的对应关系,确定所述受测者脑部活动的集中程度。当然,在其他实施例中,数据处理装置也可以通过其他方式根据关联关系确定脑部活动的集中程度,本申请对此不作限定。
在确定受测者脑部活动的集中程度之后,如图3所示,数据处理装置109可以通过输出装置111对受测者脑部活动的集中程度进行输出,以使所述受测者和/或其他人员可以获知所述受测者脑部活动的集中程度。
在确定受测者脑部活动的集中程度之后,如图3所示,数据处理装置109可以根据所述受测者脑部活动的集中程度确定与所述集中程度对应的提示信息,并通过输出装置111对所述提示信息进行输出。如图3所示,在所述受测者脑部活动的集中程度低于集中程度阈值时,可以表示受测者的脑部活动不集中,进而可以输出与所述受测者脑部活动的集中程度对应的提示信息,例如,在受测者脑部活动的集中程度低于第一程度阈值时,可以控制输出装置采用较低音量进行声音提示,在受测者脑部活动的集中程度高于较第一程度阈值大的第二程度阈值时,可以控制输出装置采用较高音量进行声音提示。当然,在其他实施例中,数据处理装置也可以根据集中程度确定其他的提示信息,本申请对此不作限定。
例如,对机动车驾驶者、工作者、学习者,可以采用图3所示***,采集其至少两类的特征数据,并基于特征分类模型分析出至少两类的特征数据与脑部活动集中性预测之间的关联关系,之后,可以根据该关联关系确定受测者脑部活动的集中程度,并在受测者脑部活动的集中程度表征其脑部活动不集中时,通过输出装置输出提示信息,例如报警声音,以在机动车驾驶者、工作者以及学习者脑部活动的不集中时,对受测者进行相应提醒。对于机动车驾驶者,在其脑部活动的集中程度表征其脑部活动不集中时输出提示信息,使得机动车驾驶者能够及时停止行驶,从而避免由于脑部活动不集中导致驾驶事故的问题,有利于保护机动车驾驶者自身及他人的人身安全。对于工作者,在其脑部活动的集中程度表征其脑部活动不集中时输出提示信息,使得工作者能够及时停止工作,从而避免由于脑部活动不集中能够在工作过程中对自身造成伤害的问题,有利于保护工作者的安全。对于学习者,在其脑部活动的集中程度表征其脑部活动不集中时输出提示信息,使得学习者能够及时调整注意力,从而避免由于注意力分散导致学习效率低的问题,有利于提高学习者的学习效率。
在所述指定对象为负面情绪预测的情况下,可以根据所述关联关系确定所述受测者的负面情绪程度。在关联关系表征特征数据与疾病风险预测的关联程度越大时,可以表示受测者的负面情绪程度越高;在关联关系表征特征数据与疾病风险预测的关联程度越小时,可以表示受测者的负面情绪程度越低。例如,可以根据关联关系表征的关联程度以及不同关联程度与负面情绪程度的对应关系,确定所述受测者的负面情绪程度。当然,在其他实施例中,数据处理装置也可以通过其他方式根据关联关系确定负面情绪程度,本申请对此不作限定。
在确定受测者的负面情绪程度之后,如图3所示,数据处理装置109可以通过输出装置111对负面情绪程度进行输出,以使所述受测者和/或其他人员可以获知其负面情绪程度。
在确定受测者的负面情绪程度之后,如图3所示,数据处理装置109可以根据所述受测者的负面情绪程度确定与所述负面情绪程度对应的提示信息,并通过输出装置111对所述提示信息进行输出。如图3所示,在所述受测者的负面情绪程度高于情绪程度阈值时,可以表示受测者存在负面情绪,进而可以输出通过输出装置输出例如舒缓音乐、搞笑小品等,以减少受测者的负面情绪。当然,在其他实施例中,数据处理装置也可以根据集中程度确定其他的提示信息,本申请对此不作限定。
例如,对机动车驾驶者、工作者、学习者,可以采用图3所示***,采集其至少两类的特征数据,并基于特征分类模型分析出至少两类的特征数据负面情绪预测之间的关联关系,之后,可以根据该关联关系确定受测者的负面情绪程度,并在根据受测者的负面情绪程度确定其存在负面情绪时,通过输出装置输出提示信息,例如舒缓音乐,以在机动车驾驶者、工作者以及学习者存在负面情绪时,减少受测者的负面情绪。对于机动车驾驶者,能够避免由于负面情绪过高导致出现路怒行为的问题。对于工作者,能够避免在工作过程中由于负面情绪过高导致工作效率低的问题。对于学习者,能够避免在学习的过程中由于负面情绪过高,导致学习效率较低的问题。
在所述指定对象为疾病风险预测的情况下,数据处理装置109可以根据所述关联关系确定所述受测者的患病风险等级。在关联关系表征特征数据与疾病风险预测的关联程度越大时,可以表示受测者的患病风险等级越大;在关联关系表征特征数据与疾病风险预测的关联程度越小时,可以表示受测者的患病风险等级越小。例如,可以根据关联关系表征的关联程度以及不同关联程度范围与患病风险等级的对应关系,确定所述受测者的患病风险。当然,在其他实施例中,数据处理装置也可以通过其他方式根据关联关系确定患病风险,本申请对此不作限定。
在确定受测者的患病风险等级之后,如图3所示,数据处理装置109可以通过输出装置111对患病风险等级进行输出,以使所述受测者和/或其他人员可以获知其患病风险等级。
在确定受测者的患病风险等级之后,如图3所示,数据处理装置109可以根据所受测者的患病风险等级确定与所述患病风险等级对应的提示信息,并通过输出装置111输出对应的提示信息。如图3所示,在所述受测者的患病风险等级低于风险等级阈值时可以表示受测者未患有例如抑郁症、轻度认知障碍、阿尔茨海默症或帕金森检测等特定疾病,在所述受测者的患病风险等级高于风险等级阈值时,可以表示受测者可能患有特定疾病。在受测者未患有特定疾病时,数据处理装置109可以通过输出装置语音播放“本次检测无问题”,在受测者可能患有特定疾病时,数据处理装置109可以通过输出装置语音播放“有轻微帕金森前兆,请去医院检测”。当然,在其他实施例中,数据处理装置也可以根据患病风险等级确定其他的提示信息,本申请对此不作限定。
场景三
在又一个场景中,还可以将采集到的脑部生理数据上传至服务器端进行处理。本场景比较适用于便携式场景中,用户可以利用便携式的数据采集装置107在家里、办公室等任何场所即可采集脑部生理数据,图4中的便携式数据采集装置107仅是示例性的,还可以包括头盔、帽子、寝具、封装后的便携探测电极等其他多种装置。如图4所示,数据采集装置107与数据收发装置113相耦合,所述数据采集装置107与所述数据收发装置113还可以集成于同一设备中,通过集成例如可以实现为检测帽,数据采集装置107在采集到受测者101的脑部生理数据之后,所述数据收发装置113可以将所述脑部生理数据发送至服务器115中。所述服务器115可以包括云服务器、分布式服务器等任何形式的数据处理服务器。所述服务器115在接收到所述脑部生理数据之后,可以利用本申请各个实施例提供的数据处理方法对所述脑部生理数据进行处理,并得到受测者101的特征数据与指定对象之间的关联关系。
在获取到所述关联关系之后,如图4所示,所述服务器115可以将所述关联关系发送给数据收发装置113。所述数据收发装置113在接收到所述关联关系之后,可以通过输出装置对所述关联关系进行输出,输出装置例如可以是显示器,所述显示器例如用户的手机、电脑等客户端显示器。
在获取到所述关联关系之后,如图4所示,服务器115在获取到所述关联关系之后,可以根据所述关联关系确定进一步的信息。在所述指定对象为脑部活动集中性预测的情况下,服务器115可以根据所述关联关系确定所述受测者脑部活动的集中程度。在所述指定对象为负面情绪预测的情况下,服务器115可以根据所述关联关系,确定所述受测者的负面情绪程度;在所述指定对象为疾病风险预测的情况下,服务器115可以根据所述关联关系确定所述受测者的患病风险等级。
在确定受测者脑部活动的集中程度、受测者的负面情绪程度或患病风险等级之后,如图4所示,所述服务器115可以将其发送给数据收发装置113。所述数据收发装置113在接收到受测者脑部活动的集中程度、受测者的负面情绪程度或患病风险等级之后,可以通过输出装置对其进行输出。
在获取到所述关联关系之后,如图4所示,所述服务器115可以将所述关联关系发送给数据收发装置113之外的终端117,图4中的终端117仅是示例性的,还可以包括可穿戴设备、车载设备等,本申请在此不做限制。进一步的,可以由终端117对关联关系输出,或者,由终端117对根据所述关联关系确定所述受测者脑部活动的集中程度、受测者的负面情绪程度或患病风险等级并输出,或者,由终端117对根据所述受测者脑部活动的集中程度、受测者的负面情绪程度或患病风险等级确定对应的提示信息并输出。
需要说明的是,关于终端117根据关联关系确定脑部活动的集中程度、受测者的负面情绪程度或患病风险等级并输出的具体方式,以及,终端117根据所述受测者脑部活动的集中程度、受测者的负面情绪程度或患病风险等级确定对应的提示信息并输出的具体方式,可以参见前述场景二中数据处理装置109的相关描述,在此不再赘述。
例如,在机动车驾驶者驾驶车辆的过程中,数据采集装置117可以采集其脑部生理数据,在采集到脑部生理数据之后,数据收发装置113可以将所述脑部生理数据发送至服务器115,所述服务器115在接收到所述脑部生理数据之后,可以利用本申请各个实施例提供的数据处理方法对所述脑部生理数据进行处理,并得到机动车驾驶者的特征数据与脑部活动集中性预测或负面情绪预测之间的关联关系。之后,服务器115可以将关联关系发送至车辆中的车载终端117,终端117在接收到关联关系后可以根据关联关系确定机动车驾驶者脑部活动的集中程度或负面情绪程度,并提示与其脑部活动的集中程度或负面情绪程度对应的提示信息。当然,在其他实施例中,终端117也可以是其他形式的终端,本申请对此不作限定。
例如,在受测者日常生活过程中,数据采集装置117可以采集其脑部生理数据,在采集到脑部生理数据之后,数据收发装置113可以将所述脑部生理数据发送至服务器115,所述服务器115在接收到所述脑部生理数据之后,可以利用本申请各个实施例提供的数据处理方法对所述脑部生理数据进行处理,并得到工作者的特征数据与疾病风险预测之间的关联关系。之后,服务器115可以将关联关系发送至受测者的终端117,例如智能手机,终端117在接收到关联关系后可以根据关联关系确定受测者的患病风险等级,并提示与所述患病风险等级对应的提示信息。
需要说明的是,本场景中以上描述主要以数据采集装置117和终端117分别独立与服务器115通信为例,可替换的,数据采集装置117可以通过终端117与服务器115进行通信,即数据采集装置117可以将采集到的脑部生理数据通过数据转发装置113先发送至终端117,再由终端117将脑部生理数据转发至服务器115。
下面结合附图,对本申请的一些实施方式作详细说明。在不冲突的情况下,下述的实施例及实施例中的特征可以相互组合。
图5为本申请一实施例提供的数据处理方法的流程示意图,本实施例的执行主体可以为图1、图3中的数据处理装置或图4中的服务器。如图5所示,本实施例的方法可以包括:
步骤501,获取受测者的脑部生理数据。
步骤502,从所述脑部生理数据中提取出至少两类的特征数据。
步骤503,将所述特征数据输入至特征分类模型组件中,经所述特征分类模型组件分析得到所述特征数据与指定对象之间的关联关系。
需要说明的是,为了便于说明,下面主要以脑电信号作为脑部生理数据为例进行说明。
本申请实施例中,可以利用数据采集装置采集受测者的脑部生理数据,所说数据采集装置可以包括能够采集脑电波(Electroencephalogram,EEG)的仪器装置,不同生产商所提供的数据采集装置的导联数量不同,例如可以包括8导、16导、32导、64导等多种数量规格的导联接口,本申请在此不做限制。
在一个示例中,脑电信号可以按照国际10-20***的电极放置法将多个电极连接头部的各个位置所采集得到的脑电信号。国际10-20***涉及到19个记录电极:Fp1、Fp2、F7、F3、Fz、F4、F8、T3、C3、Cz、C4、T4、T5、P3、Pz、P4、T6、01、02,以及两个参考电极A1和A2。如图6所示,该19个电极的安放顺序可以包括:
首先在头皮表面确定两条基线,一条为鼻根至枕外粗隆的前后连线为100%,另一条为双耳前凹之间的左右连线为100%。两条基线在头顶的交点为Cz电极的位置。鼻根向后10%处为FPz(额极中线),从FPz向后每20%为一个电极的位置,依次为Fz(额中线)、Cz(中央中线)、Pz(顶中线)及Oz(枕中线)。Oz与枕外粗隆的间距为10%。双耳前凹连线距左耳前凹10%处为T3(左中颞)电极位置,以后向右每20%放置一个电极,依次为C3(左中央)、Cz(中央中线)、C4(右中央)和T4(右中颞)。T4距右耳前凹间距为10%。从FPz通过T3至Oz的连线为左颞连线,从FPz向左10%为FP1(左额极),从FP1沿左外侧向后每20%放置一个电极,依次为F7(左前颞)、T3(左中颞)、T5(左后颞)及O1(左枕),其中T3为此线与双耳前凹连线的交点,O1距Oz为10%。FP2沿右外侧向后连线与此相对应,从前向后依次为FP2(右额极)、F8(右前颞)、T4(右中颞)、T6(右后颞)及O2(右枕)。从FP1至O1和从FP2至O2各作一连线,为左、右矢状旁连线,从FP1和FP2直线向后每20%为一个电极位点,左侧依次为F3(左额)、C3(左中央)、P3(左顶)和O1(左枕),右侧依次为F4(右额)、C4(右中央)、P4(右顶)和O2(右枕)。在10-20***中,FPz和Oz不包括在19个记录位点内。
本申请实施例中,脑电信号的采集位置不限于国际10-20***所规定的19个采集位置,还可以包括该19个采集位置中任何一个或者多个位置,或者人脑其他任何位置处的位置,本申请在此不做限制。例如,本申请实施例中脑电信号的采集位置可以包括FP1、FP2、F7、F3、F4、F8、T3、C3、C4、T4、T5、P3、P4、T6、01、02,共16个。
其中,脑电信号的导联与电极的具体关系可以如下:脑电信号记录的是不同电极之间的电位差,示例性的,将一个电极连接在数据采集装置放大器的第一栅极(G1),另一个连接在放大器的第二栅极(G2),两个电极之间的电位差通过数据采集装置的导程输出,对应一个导联。
在本申请实施例中,根据两个电极连接方式的不同,可以分为单极导联法和双极导联法。其中,单极导联法中与G1连接的是记录电极(也可称为作用电极),与G2连接的是参考电极,以反映电极与参考电极之间的电位差,得到的脑电信号即为单极导联脑电信号,参考电极一般选取同侧耳极,以反映左、右侧头皮各记录电极与同侧耳电极之间的电位差,此时得到的脑电信号即为耳极导联脑电信号。双极导联法中G1和G2连接的均是记录电极,以反映两个记录电极之间的电位差,得到的脑电信号即为双极导联脑电信号。当然,在其他实施例中,两个电极的连接方式还可以包括其他多种形式,本申请在此不做限制。
本申请实施例中,耳极导联脑电信号例如可以包括Fp1-A1、Fp2-A2、F7-A1、F3-A1、F4-A2、F8-A2、T3-A1、C3-A1、C4-A2、T4-A2、T5-A1、P3-A1、P4-A2、T6-A2、01-A1、02-A2。当然,在其他实施例中,对于耳极导联脑电信号的具体形式还可以包括其他多种形式,本申请在此不做限制。
本申请实施例中,双极导联脑电信号可以包括双极纵联脑电信号和双极横联脑电信号,具体是将各个头皮记录电极从前向后头接尾、尾接头分别作为G1和G2端。对于双极纵联脑电信号,可以按照图7所示的箭头顺序,从前向后头接尾、尾接头得到的双极纵联电信号可以包括Fp1-F7,F7-T3,T3-T5,T5-O1,Fp1-F3,F3-C3,C3-P3,P3-O1,Fp2-F4,F4-T4,T4-T6,T6-O2,Fp2-F4,F4-C4,C4-P4,P4-O2。对于双极横联脑电信号,可以按照图8所示的箭头顺序,从前向后头接尾、尾接头得到的双极纵联电信号可以包括F7-F3,F3-Fz,Fz-F4,F4-F8,T3-C3,C3-Cz,Cz-C4,C4-T4,T5-P3,P3-Pz,Pz-P4,P4-T6。当然,在其他实施例中,对于双极导联脑电信号的具体形式还可以包括其他多种形式,本申请在此不做限制。
本申请实施例中,为了确保结果的准确性,可以约定采集脑部生理数据时受测者是处于特定状态,该特定状态可以与用于对特征分类模型组件进行训练所使用的样本脑部生理数据对应的用户状态相同。示例性的,特定状态具体可以为下述中的一种或多种:清醒闭眼放松状态、先清醒睁眼放松状态再清醒闭眼放松状态或深度睡眠状态。当然,在其他实施例中,对于特定状态还可以包括其他多种状态,本申请在此不做限制。
本申请实施例中,由于对脑部生理数据进行自动分析时使用了至少两类的特征数据,一类可以理解为一个维度,因此实现了提取出受测者的脑部生理数据中的多个维度的特征数据。需要说明的是,一类中可以包括一个或多个特征。通过至少两类的特征数据,实现了根据受测者的脑部生理数据中的多个维度的特征数据确定特征数据与指定对象之间的关联关系,与根据单个维度的特征数据确定相比,扩大了特征数据的维度,考虑到了多个维度的特征数据的联合反映,有利于提高准确性。
示例性的,所述至少两类包括线性特征、非线性特征、连接特征或统计特征中的至少两类;其中,所述连接特征用于表征两个导联之间的连接强弱;所述统计特征是对线性特征、非线性特征、连接特征或统计特征中的至少一个进行统计所得到的特征。
本申请实施例中,所述至少两类中的线性特征具体可以包括基于功能密度谱(Power Spectral Density,PSD)提取的目标频段的特征。示例性的,目标频段可以包括δ频段、θ频段、α频段、β频段或γ频段中的一种或多种。其中,δ频段可以为0.5赫兹(Hz)~4Hz,θ频段可以为4Hz~7Hz,α频段可以为8Hz~12Hz,β频段可以为12Hz~30Hz,γ频段可以为30Hz~100Hz。示例性的,针对多导脑部生理数据中的各脑部生理数据,可以提取线性特征,以多导脑部生理数据的导联数量为16、目标频段的数量为5且线性特征为基于PSD提取的目标频段的特征为例,所提取的线性特征的数量最多可以为16×5,即80个,其中,16表示多导脑部生理数据的导联数量,5表示5个目标频段。当然,在其他实施例中,所述至少两类中的线性特征具体还可以包括其他多种特征,本申请在此不做限制。
本申请实施例中,所述至少两类中的非线性特征具体可以包括分形维数、信息熵、去趋势波动分析、LZ(Lempel-Ziv)复杂度或赫斯特(Hurst)指数中的一种或多种。示例性的,针对多导脑部生理数据中的各导脑部生理数据,可以提取非线性特征,以多导脑部生理数据的导联数量为16且非线性特征为分形维数、信息熵、去趋势波动分析、LZ复杂度和Hurst指数为例,所提取的非线性特征的数量最多可以为16×5,即80个,其中,16表示多导脑部生理数据的导联数量,5表示分形维数、信息熵、去趋势波动分析、LZ复杂度和Hurst指数共5个非线性特征。当然,在其他实施例中,所述至少两类中的非线性特征具体还可以包括其他多种特征,本申请在此不做限制。
本申请实施例中,所述至少两类中的连接特征具体可以包括全频部分定向相干(Full Frequency Partial Directed Coherence,ffPDC)和/或全频定向传递函数(FullFrequency Directed Transfer Function,ffDTF)。示例性的,针对多导脑部生理数据中的两导脑部生理数据,可以提取连接特征,以多导脑部生理数据的导联数量为16且连接特征为ffPDC和ffDTF为例,所提取的连接特征的数量最多可以为16×16×5×2,即2560个,其中,16表示多导脑部生理数据的导联数量,5表示5个目标频段,2表示ffPDC和ffDTF共2个连接特征。其中,例如可以通过调用开源库中提供的计算ffPDC特征或ffDTF的代码,实现对于ffPDC和ffDTF的提取。当然,在其他实施例中,所述至少两类中的连接特征具体还可以包括其他多种特征,本申请在此不做限制。
本申请实施例中,由于统计特征是根据通过进行统计所得到的特征,因此统计特征的特征数据能够体现至少两个特征的特征数据的统计特征,使得当至少两类包括统计特征时使得所提取的特征数据能够体现多个特征的统计特性,从而能够根据多个特征的统计特性对关联关系的反映确定特征数据与指定对象之间的关联关系,与只根据通过对脑部生理数据进行特征提取直接获得的特征数据确定关联关系相比,能够进一步提高准确性。
在本申请实施例中,一个统计特征可以对应采用同一种特征提取方法提取得到的所有特征,即一个所述统计特征可以通过对采用同一种特征提取方法提取的所有特征进行数学计算得到。或者,所述统计特征与基于预设划分方式划分得到的脑部区域对应,一个所述统计特征根据其对应脑部区域相关的至少两个特征得到,所述至少两个特征均采用同一种特征提取方法进行提取。从而,能够根据特征数据的统计特性确定特征数据与指定对象之间的关联关系,考虑到了统计特性对关联关系的反映,从而能够进一步提高准确性。
本申请实施例中,当导联法为单极导联法时,预设划分方式可以划分6个脑部区域,分别为左前额、右前额、左颞、右颞、左顶枕和右顶枕。以记录电极包括FP1、FP2、F7、F3、F4、F8、T3、C3、C4、T4、T5、P3、P4、T6、01、02为例,FP1和F3可以属于左前额,FP2和F4可以属于右前额,F7、T3和T5可以属于左颞,F8、T4和T6可以属于右颞,P3和O1可以属于左顶枕,P4和O2可以属于右顶枕。当然,在其他实施例中,对于所述单极导联法的脑部区域划分方式还可以包括其他多种方式,本申请在此不做限制。
本申请实施例中,当导联法为图7所示的双极导联法时,预设划分方式可以划分2个脑部区域,分别为左区和右区,示例性的,Fp1、F7、T3、T5、O1、F3、C3和P3可以属于左区,Fp2、F8、T4、T6、O2、F4、C4、P4可以属于右区。当导联法为图8所示的双极导联法时,预设划分方式可以划分3个脑部区域,分别为前区、中区和后区,示例性的,F7、F3、Fz、F4和F8可以属于前区,T3、C3、Cz、C4和T4可以属于中区,T5、P3、Pz、P4和T6可以属于后区。当然,在其他实施例中,对于所述双极导联法的脑部区域划分方式还可以包括其他多种方式,本申请在此不做限制。
本申请实施例中,在统计特征是根据线性特征或非线性特征统计得到的情况下,一个脑部区域对应至少一个统计特征,一个脑部区域对应的一个统计特征根据对应电极位置属于该脑部区域的至少两个特征得到。示例性的,一个脑部区域对应的一个统计特征可以通过对对应电极位置属于所述脑部区域的至少两个特征进行数学运算得到。对于数学运算的类型可以根据需求灵活实现,示例性的,数学运算可以为平均运算,即,一个脑部区域对应的一个统计特征是对应电极位置属于该脑部区域的至少两个特征的平均。例如,对于左前额(FP1,F3),对FP1对应的脑部生理数据进行特征提取所得到的θ频段的特征a以及F3对应的脑部生理数据进行特征提取所得到的θ频段的特征b进行平均,可以得到左前额的θ频段的特征的统计特征,其中,特征a和特征b即为用于得到该统计特征的特征,且特征a和特征b均是基于提取θ频段特征的特征提取算法进行提取。
本申请实施例中,在统计特征是根据连接特征统计得到的情况下,两个脑部区域对应至少一个统计特征,两个脑部区域对应的一个统计特征根据对应电极位置分属于该两个脑部区域的至少两个特征得到。示例性的,两个脑部区域对应的一个统计特征可以通过对对应电极位置分属于该两个脑部区域的至少两个特征进行数学运算得到。对于数学运算的类型可以根据需求灵活实现,示例性的,数学运算可以为平均运算,即,两个脑部区域对应的一个统计特征是对应电极位置分属于该两个脑部区域的至少两个特征的平均。例如,当需要统计右前额(FP2,F4)和右颞(F8,T4,T6)这两个脑部区域的统计特征的特征数据时,可以采用如下过程:(1)分别计算FP2到F8,FP2到T4以及FP2到T6的ffPDC的特征数据,取平均,得到A1;(2)计算F4到F8,F4到T4以及F4到T6的ffPD的特征数据C,取平均,得到A2;(3)分别计算F8到FP2以及F8到F4的ffPDC的特征数据,取平均,得到B1;(4)分别计算T4到FP2以及T4到F4的ffPDC的特征数据,取平均,得到B2;(5)分别计算T6到FP2以及T6到F4的ffPDC的特征数据,取平均,得到B3;(6),对A1、A2、B1、B2和B3进行平均,得到右前额和右颞两个脑部区域之间的ffPDC的统计特征的特征数据。
以预设划分方式划分得到的脑部区域的数量为R,目标频段的数量为B,特定线性特征为基于PSD提取的目标频段的特征,特定非线性特征为分形维数、信息熵、去趋势波动分析、LZ复杂度和Hurst指数,特定连接特征为ffPDC和ffDTF为例,所提取的统计特征的数量最多可以为R×B+R×5+R×R×B×2,其中,5表示分形维数、信息熵、去趋势波动分析、LZ复杂度和Hurst指数共5个非线性特征,2表示ffPDC和ffDTF共2个连接特征,当R等于6、B等于5时总共为420个。
本申请实施例中,在得到所述脑部生理数据的特征数据之后,可以将所述特征数据输入至特征分类模型组件中,经所述特征分类模型组件分析得到所述特征数据与指定对象之间的关联关系。
本申请实施例中,所述特征分类模型组件利用多个样本脑部生理数据以及各所述样本脑部生理数据的样本标签训练得到。其中,一个样本脑部生理数据的样本标签用于表征该样本脑部生理数据的样本特征数据是与指定对象关联,还是与指定对象不关联。需要说明的是,对于获得样本脑部生理数据的具体方式,本申请实施例不做限定。
本申请实施例中,如图9所示,在获得多个样本脑部生理数据之后,可以对多个样本脑部生理数据进行数据预处理,示例性的,所述数据预处理的方式可以包括下述中的至少一种:去除基线漂移、去除工频干扰、去除非脑部生理数据。其中,在所述去除基线漂移中,基线漂移属于低频的非平稳随机信号,本申请实施例中可以利用基于小波变换的多分辨率性质采用小波分解重构的方法去除基线漂移。在去除工频干扰的过程中,由于工频干扰强度较大,而且是在非屏蔽环境内无处不在,因此,在本申请实施例中,可以通过专用的陷波器滤除工频干扰,例如,可以采用陷波频率为50Hz、4阶IIR陷波器进行滤波处理。在实际应用中,脑部生理数据的频段范围是特定的,因此对于所述脑部生理数据中特定频段范围之外的成分,需要滤除。例如,可以通过带通滤波器去除非脑部生理数据。当然,在其他实施例中,对于所述多导样本脑部生理数据的数据预处理方式还可以包括其他多种方式,本申请在此不做限制。
在本申请实施例中,对样本脑部生理数据进行数据预处理之后,可以根据预设特征集合,从所述多个样本脑部生理数据中提取出多个样本特征数据。在本申请一个实施例中,获得所述多个样本特征数据之后,可以构建特征分类模型组件,所述特征分类模型组件中设置有训练参数。然后,可以将所述多个样本特征数据分别输入至所述特征分类模型组件中,生成预测结果。在一个实施例中,所述预测结果可以包括输入的样本特征数据与指定对象的关联关系。最后,可以基于所述预测结果与所述样本特征数据的样本标签对应的期望结果之间的差异,对所述训练参数进行迭代调整,直至所述差异满足预设要求。基于此,前述至少两类可以为所述预设特征集合中的全部特征。
在本申请另一个实施例中,得到多个样本特征数据之后,可以从多个样本特征数据中选择部分,得到多个目标样本特征数据。在得到多个目标样本特征数据之后,可以构建特征分类模型组件,所述特征分类模型组件中设置有训练参数。然后,可以将所述多个目标样本特征数据分别输入至所述特征分类模型组件中,生成预测结果。在一个实施例中,所述预测结果可以包括输入的目标样本特征数据与指定对象的关联关系。最后,可以基于所述预测结果与所述目标样本特征数据的样本标签对应的期望结果之间的差异,对所述训练参数进行迭代调整,直至所述差异满足预设要求。基于此,前述至少两类可以为所述预设特征集合中的所述目标样本特征数据对应的部分特征。通过所述至少两类是所述预设特征集合中的部分特征,能够在确保准确性的基础上,减少特征数据的数量,从而有利于节省计算资源。
本申请实施例中,如图9所示,可以通过特征选择方法从预设特征集合中选择部分特征。其中,特征选择方法例如可以为递归式特征消除(Recursive Feature Elimination,RFE)的方法、卡方检验方法等。示例性的,可以根据所述多个样本特征数据以及特征分类模型组件对应的分类算法,通过特征选择方法选择出所述多个样本特征数据中能够使得分类算法的准确性最高的目标样本特征数据,并将所述预设特征集合中所述目标样本特征数据对应的特征子集作为所述至少两类。其中,特征分类模型组件的分类算法例如可以为支持向量机算法(Support Vector Machine,SVM)、随机森林算法、线性判别分析(Linear Discriminant Analysis,LDA)算法等,当然,在其他实施例中,分类算法还可以包括其他算法,本申请在此不做限制。
如图9所示,在获得所述目标样本特征数据之后,可以根据目标样本特征数据以及目标样本特征数据的样本标签对构建的特征分类模型进行训练。对应于图9,对受测者的脑部生理数据进行处理的示意图可以如图10所示,示例性的,对于获得的受测者的脑部生理数据,可以先进行数据预处理获得预处理后的脑部生理数据,之后可以根据预设特征集合中所选择的部分特征进行特征提取处理,以提取出预设特征集合所选择的部分特征的特征数据,即特征数据,最后,将特征数据输入图9训练好的特征分类模型组件,得到所述特征数据与指定对象之间的关联关系。
由于不同导联法得到的脑电信号中记录的信息存在差异,因此为了提高所得到的关联关系的准确性,所述特征分类模型组件可以包括单极导联分类模型子组件和/或双极导联分类模型子组件,其中,所述单极导联分类模型子组件用于确定单极导联脑电信号的特征数据与指定对象之间的关联关系,所述双极导联分类模型子组件用于确定双极导联脑电信号的特征数据与指定对象之间的关联关系。所述单极导联分类模型子组件和所述双极导联分类模型子组件的训练方式可以参考上述特征分类模型组件的训练方式,在此不再赘述。
基于此,在使用特征分类模型组件的过程中,当受测者的脑部生理数据是采用单极导联法得到的单极导联脑电信号时,可以利用单极导联分类模型子组件确定特征数据与指定对象之间的关联关系,当受测者的脑部生理数据是采用双极导联法得到的单极导联脑电信号时,可以利用双极导联分类模型子组件确定特征数据与指定对象之间的关联关系。示例性的,在一个实施例中,在提取出所述脑部生理数据的特征数据之后,在所述脑部生理数据是单极导联脑电信号的情况下,将所述特征数据输入至单极导联分类模型子组件,经单极导联分类模型子分析得到所述特征数据与指定对象之间的关联关系;在所述脑部生理数据是双极导联脑电信号的情况下,将所述特征数据输入至双极导联分类模型子组件,经双极导联分类模型子分析得到所述特征数据与指定对象之间的关联关系。
进一步的,由于不同单极导联法得到的脑电信号中记录的信息存在差异,该单极导联法例如可以为耳极导联法或平均参考导联法,因此为了进一步提高所得到的关联关系的准确性,所述单极导联分类模型子组件可以包括耳极导联分类模型子组件和/或平均参考导联分类模型子组件,其中,所述耳极导联分类模型子组件用于确定耳极导联脑电信号的特征数据确定与指定对象之间的关联关系,所述平均参考导联分类模型子组件用于确定平均参考导联脑电信号的特征数据确定与指定对象之间的关联关系。所述耳极导联分类模型子组件和所述平均参考导联分类模型子组件的训练方式可以参考上述特征分类模型组件的训练方式,在此不再赘述。
基于此,在使用特征分类模型组件的过程中,当受测者的脑部生理数据是采用耳极导联法得到的单极导联脑电信号时,可以利用耳极导联分类模型子组件确定关联关系,当受测者的脑部生理数据是采用平均参考导联法得到的单极导联脑电信号时,可以利用平均参考导联分类模型子组件确定关联关系,当受测者的脑部生理数据是采用双极导联法得到的单极导联脑电信号时,可以利用双极导联分类模型子组件确定关联关系。示例性的,在一个实施例中,在提取出所述脑部生理数据的特征数据之后,在所述脑部生理数据是耳极导联脑电信号的情况下,将所述特征数据输入至耳极导联分类模型子组件,经耳极导联分类模型子分析得到所述特征数据与指定对象之间的关联关系;在所述脑部生理数据是平均参考导联脑电信号的情况下,将所述特征数据输入至平均参考导联分类模型子组件,经平均参考导联分类模型子分析得到所述特征数据与指定对象之间的关联关系;在所述脑部生理数据是双极导联脑电信号的情况下,将所述特征数据输入至双极导联分类模型子组件,经双极导联分类模型子分析得到关联关系。
本申请实施例中,为了确保所确定的关联关系的准确性,可以约定采集受测者的双极导联脑电信号时的双极导联方式,与对双极导联分类模型子组件进行训练时所使用的双极导联样本脑电信号对应的双极导联方式一致,例如均采用图7所示的双极纵联法,或者,均采用图8所示的双极横联法。
在实际的应用中,获取的脑部生理数据往往是持续很久的信号,若单次将所有的脑部生理数据输入至所述特征分类模型组件中进行处理,可能导致所述特征分类模型组件的数据处理量太大,相应地模型规模也要比较大。基于此,可以对所述脑部生理数据进行截取,获得多段脑部生理数据,其中,同段脑部生理数据的时间区间相同。进一步的,从各段脑部生理数据中提取出各段的至少两类的特征数据,并将各脑部生理数据的特征数据分别输入所述特征分类模型组件中,经所述特征分类模型组件分析得到各段脑部生理数据的特征数据与指定对象之间的关联关系。进一步的,在获得各段脑部生理数据的特征数据与指定对象之间的关联关系之后,可以对获得的多个关联关系进行数学计算,得到最终的关联关系,例如可以进行平均计算。
示例性的,可以通过用户手动截取、数据处理装置自动截取的方式对脑部生理数据进行截取。在本申请的一个实施例中,参考图2可以利用具有预设长度(W)的滑动窗口按照预设步长在所述脑部生理数据上滑动,并将每次滑动时滑动窗口内的脑部生理数据输入至特征分类模型组件中,经所述特征分类模型组件分析得到所述滑动窗口内的脑部生理数据中与指定对象之间的关联关系。当然,还可以通过其他方式对脑部生理数据进行截取,本申请在此不做限制。
在本申请实施例中,在获得所述关联关系的情况下,可以根据所述关联关系进行以下任一操作:在所述指定对象为对象控制行为的情况下,根据所述关联关系,对与所述对象控制行为适配的智能设备进行控制;在所述指定对象为脑部活动集中性预测的情况下,根据所述关联关系,确定所述受测者脑部活动的集中程度;在所述指定对象为负面情绪预测的情况下,根据所述关联关系,确定所述受测者的负面情绪程度;在所述指定对象为疾病风险预测的情况下,根据所述关联关系,确定所述受测者的患病风险等级。关于如何根据关联关系,对智能设备进行控制、确定受测者脑部活动的集中程度、负面情绪程度以及患病风险等级的具体说明,可以参见前述相关描述,在此不再赘述。进一步的,在确定所述受测者脑部活动的集中程度、负面情绪程度或患病风险等级之后可以通过输出装置输出对应的提示信息,以使所述受测者能够获得相应提示。
本申请实施例中,在获得所述关联关系的情况下,可以通过输出装置输出所述关联关系,以使所述受测者和/或其他人员能够获知所述关联关系。
本申请实施例中,在获得所述受测者脑部活动的集中程度、负面情绪程度或患病风险等级的情况下,可以通过输出装置对其进行输出,以使所述受测者和/或其他人员能够获知所述受测者脑部活动的集中程度、负面情绪程度或患病风险等级。
通过本申请提供的数据处理方法,能够从受测者的脑部生理数据中提取出至少两类的特征数据,并将所述特征数据输入特征分类模型组件中,经所述特征分类模型组件分析得到所述特征数据与指定对象之间的关联关系,实现了根据受测者的脑部生理数据自动分析脑部生理数据的特征数据与指定对象之间的关联关系,与需要具备读懂脑电图能力的分析人员对脑电图进行人工分析,得到分析结果相比,提高了智能性、减少了人力成本,有利于扩大脑部生理数据的应用范围。
另外,通过至少两类的特征数据,实现了根据受测者的脑部生理数据中的多个维度的特征数据确定特征数据与指定对象之间的关联关系,与根据单个维度的特征数据确定相比,扩大了特征数据的维度,考虑到了多个维度的特征数据对关联关系的联合反映,有利于提高准确性。
图11为本申请一实施例提供的数据处理装置的结构示意图,该装置可以执行上述的数据处理方法;参考附图11所示,该装置可以包括:
获取模块111,用于获取受测者的脑部生理数据;
提取模块112,用于从所述脑部生理数据中提取出至少两类的特征数据;
确定模块113,用于将所述特征数据输入特征分类模型组件中,经所述特征分类模型组件分析得到所述特征数据与指定对象之间的关联关系。
可选的,所述特征分类模型是按照下述方式训练得到:
从多个样本脑部生理数据中分别提取出预设特征集合中各特征的特征数据,得到多个样本特征数据;
构建特征分类模型组件,所述特征分类模型组件中设置有训练参数;
将所述多个样本特征数据分别输入至所述特征分类模型组件中,生成预测结果;
基于所述预测结果与所述样本特征数据的样本标签对应的期望结果之间的差异,对所述训练参数进行迭代调整,直至所述差异满足预设要求。
可选的,所述至少两类为所述预设特征集合中的全部特征。
可选的,所述特征分类模型是按照下述方式训练得到:
从多个样本脑部生理数据中分别提取出预设特征集合中各特征的特征数据,得到多个样本特征数据;
根据所述多个样本特征数据以及待构建的特征分类模型组件的分类算法,采用特征选择方法从所述多个样本特征数据中选择出能够使得所述分类算法的准确性最高的多个目标样本特征数据;
构建所述特征分类模型组件,所述特征分类模型组件中设置有训练参数;
将所述多个目标样本特征数据分别输入至所述特征分类模型组件中,生成预测结果;
基于所述预测结果与所述目标样本特征数据的样本标签对应的期望结果之间的差异,对所述训练参数进行迭代调整,直至所述差异满足预设要求。
可选的,所述至少两类为所述预设特征集合中所述目标样本特征数据对应的部分特征。
可选的,所述至少两类包括线性特征、非线性特征、连接特征或统计特征中的至少两类;
其中,所述连接特征用于表征两个导联之间的连接强弱;所述统计特征是根据线性特征、非线性特征或连接特征中的一种或多个统计得到。
可选的,所述统计特征与基于预设划分方式划分得到的脑部区域对应,一个所述统计特征根据其对应脑部区域相关的至少两个特征得到,所述至少两个特征均采用同一种特征提取方法进行提取。
可选的,在统计特征是根据线性特征或非线性特征统计得到的情况下,一个脑部区域对应至少一个统计特征,一个脑部区域对应的一个统计特征根据对应电极位置属于该脑部区域的至少两个特征得到。
可选的,一个脑部区域对应的一个统计特征是对应电极位置属于该脑部区域的至少两个特征的平均。
可选的,在统计特征是根据连接特征统计得到的情况下,两个脑部区域对应至少一个统计特征,两个脑部区域对应的一个统计特征根据对应电极位置分属于该两个脑部区域的至少两个特征得到。
可选的,两个脑部区域对应的一个统计特征是对应电极位置分属于该两个脑部区域的至少两个特征的平均。
可选的,所述特征分类模型组件包括:单极导联分类模型子组件和/或双极导联分类模型子组件;其中,所述单极导联分类模型子组件用于确定单极导联脑电信号的特征数据与指定对象之间的关联关系,所述双极导联分类模型子组件用于确定双极导联脑电信号的特征数据与指定对象之间的关联关系。
可选的,所述确定模块113具体用于:
在所述脑部生理数据是单极导联脑电信号的情况下,将所述特征数据输入至所述单极导联分类模型子组件,经所述单极导联分类模型子分析得到所述特征数据与指定对象之间的关联关系;
在所述脑部生理数据是双极导联脑电信号的情况下,将所述特征数据输入至所述双极导联分类模型子组件,经所述双极导联分类模型子分析得到所述特征数据与指定对象之间的关联关系。
可选的,所述单极导联分类模型子组件包括:耳极导联分类模型子组件和/或平均参考导联分类模型子组件;其中,所述耳极导联分类模型子组件用于确定耳极导联脑电信号的特征数据与指定对象之间的关联关系,所述平均参考导联分类模型子组件用于确定平均参考导联脑电信号的特征数据与指定对象之间的关联关系。
可选的,所述确定模块113,具体用于:
在所述脑部生理数据是耳极导联脑电信号的情况下,将所述特征数据输入至所述耳极导联分类模型子组件,经所述耳极导联分类模型子分析得到所述特征数据与指定对象之间的关联关系;
在所述脑部生理数据是平均参考导联脑电信号的情况下,将所述特征数据输入至所述平均参考导联分类模型子组件,经所述平均参考导联分类模型子分析得到所述特征数据与指定对象之间的关联关系;
在所述脑部生理数据是双极导联脑电信号的情况下,将所述特征数据输入至双极导联分类模型子组件,经双极导联分类模型子分析得到所述特征数据与指定对象之间的关联关系。
可选的,所述装置还包括截取模块,用于对所述脑部生理数据进行截取,获得多段脑部生理数据,同段脑部生理数据的时间区间相同;
所述提起模块112具体用于:从各段脑部生理数据中提取出各段的至少两类的特征数据;
所述确定模块113具体用于:将各段脑部生理数据的特征数据分别输入所述特征分类模型组件中,经所述特征分类模型组件分析得到各段脑部生理数据的特征数据与指定对象之间的关联关系。
可选的,所述装置还包括预处理模块,用于对所述脑部生理数据进行数据预处理,所述数据预处理包括下述中的一种或多种:去除基线干扰、去除工频干扰、去除非脑部生理数据。
可选的,所述装置还包括:后处理模块用于:在所述指定对象为对象控制行为的情况下,根据所述关联关系,对与所述对象控制行为适配的智能设备进行控制;或者,在所述指定对象为脑部活动集中性预测的情况下,根据所述关联关系,确定所述受测者脑部活动的集中程度;在所述指定对象为负面情绪预测的情况下,根据所述关联关系,确定所述受测者的负面情绪程度;或者,在所述指定对象为疾病风险预测的情况下,根据所述关联关系,确定所述受测者的患病风险等级。
可选的,所述装置还包括:输出模块,用于输出所述关联关系。
图11所示装置可以执行上述方法实施例的方法,本实施例未详细描述的部分,可参考对上述方法实施例的相关说明。该技术方案的执行过程和技术效果参见上述方法实施例中的描述,在此不再赘述。
在一个可能的实现中,图11所示的数据处理装置的实体结构可以如图12所示。参考图12,数据处理装置可以包括:处理器121和存储器122。其中,存储器122用于存储支持装置执行上述方法实施例中提供的数据处理方法的程序,处理器121被配置为用于执行存储器122中存储的程序。
程序包括一条或多条计算机指令,其中,一条或多条计算机指令被处理器111执行时能够实现如下步骤:
获取受测者的脑部生理数据;
从所述脑部生理数据中提取出至少两类的特征数据;
将所述特征数据输入特征分类模型组件中,经所述特征分类模型组件分析得到所述特征数据与指定对象之间的关联关系。
可选的,处理器121还用于执行前述方法实施例中的全部或部分步骤。
其中,该装置的结构中还可以包括通信接口123,用于装置与其他设备或通信网络通信。
另外,本申请实施例还提供了一种信号处理***,包括:脑电采集模块以及图12所示的数据处理装置;其中,脑电采集模块用于采集受测者的脑部生理数据。
本申请实施例还提供一种数据处理设备,包括:脑电采集模块以及图12所示的数据处理装置;其中,脑电采集模块用于采集受测者的脑部生理数据。所述数据处理设备可以包括智能头盔、智能寝具、智能帽子等多种形式产品,本申请在此不做限制。
如图13所示,本申请实施例还提供一种数据处理设备130,包括:数据采集装置131、数据发送装置132、数据接收装置133;
所述数据采集装置131,用于采集人体的所述脑部生理数据;
所述数据发送装置132,用于发送所述脑部生理数据至服务器,所述服务器被设置为:所述服务器被设置为:从所述脑部生理数据中提取出至少两类的特征数据;以及,将所述特征数据输入特征分类模型组件中,经所述特征分类模型组件分析得到所述特征数据与指定对象之间的关联关系;
所述数据接收装置133,用于接收所述关联关系。
可选的,在本申请的一个实施例中,所述数据处理设备130还可以包括:输出装置134,用于输出所述关联关系。
通过本申请的实施例,所述数据处理设备130可以将采集到的受测者的脑部生理数据发送至服务器端进行处理。服务器端在根据本申请各个实施例通过的数据处理方法对所述脑部生理数据进行处理之后,得到特征数据与指定对象之间的关联关系,并将所述关联关系返回至用户端。
如图14所示,本申请还提供一种检测帽140,包括:数据采集装置141和数据发送装置142:
所述数据采集装置141,用于采集受测者的脑部生理数据;
所述数据发送装置142,用于发送所述脑部生理数据至服务器,所述服务器被设置为:从所述脑部生理数据中提取出至少两类的特征数据;以及,将所述特征数据输入特征分类模型组件中,经所述特征分类模型组件分析得到所述特征数据与指定对象之间的关联关系。
可选的,在本申请的一个实施例中,所述检测帽还包括:数据接收装置和输出装置;所述数据接收装置,用于接收所述关联关系。所述输出装置,用于确定与所述关联关系对应的提示信息,并输出所述提示信息。
可选的,在本申请的一个实施例中,所述服务器还被配置为根据确定与所述关联关系对应的提示信息;所述检测帽还包括:数据接收装置和输出装置;所述数据接收装置,用于接收所述提示信息;所述输出装置,用于输出所述提示信息。
通过本申请的实施例,所述检测帽可以将采集到的受测者的脑部生理数据发送至服务器端进行处理。服务器端在根据本申请各个实施例通过的数据处理方法对所述脑部生理数据进行处理之后,得到特征数据与指定对象之间的关联关系。服务器可以将关联关系返回至用户端,该用户端可以为检测帽或者为检测帽之外的其他用户端,由用户端根据关联关系生成并输出能够的提示信息;或者,服务器可以根据关联关系生成对应的提示信息,并将提示信息返回至用户端,由用户端输出该提示信息。从而使得受测者在获得检测帽后,可以在家里、驾驶过程中等场景自我检测监护。
此外,本发明实施例提供了一种计算机可读存储介质,用于储存数据处理装置所用的计算机软件指令,其包含用于执行上述方法实施例所涉及的程序。
本申请实施例还提供一种计算机程序,其特征在于,当所述计算机程序被计算机执行时,用于实现上述方法实施例所述的方法。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助加必需的通用硬件平台的方式来实现,当然也可以通过硬件和软件结合的方式来实现。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以计算机产品的形式体现出来,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程设备的处理器以产生一个机器,使得通过计算机或其他可编程设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
最后应说明的是:以上各实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述各实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。
Claims (30)
1.一种数据处理方法,其特征在于,包括:
获取受测者的脑部生理数据;
从所述脑部生理数据中提取出至少两类的特征数据;
将所述特征数据输入特征分类模型组件中,经所述特征分类模型组件分析得到所述特征数据与指定对象之间的关联关系。
2.根据权利要求1所述的方法,其特征在于,所述特征分类模型组件是按照下述方式训练得到:
根据预设特征集合,从多个样本脑部生理数据中提取出多个样本特征数据;
构建特征分类模型组件,所述特征分类模型组件中设置有训练参数;
将所述多个样本特征数据分别输入至所述特征分类模型组件中,生成预测结果;
基于所述预测结果与所述样本特征数据的样本标签对应的期望结果之间的差异,对所述训练参数进行迭代调整,直至所述差异满足预设要求。
3.根据权利要求2所述的方法,其特征在于,所述至少两类为所述预设特征集合中的全部特征。
4.根据权利要求1所述的方法,其特征在于,所述特征分类模型组件是按照下述方式训练得到:
根据预设特征集合,从多个样本脑部生理数据中提取出多个样本特征数据;
根据所述多个样本特征数据以及待构建的特征分类模型组件的分类算法,采用特征选择方法从所述多个样本特征数据中选择出能够使得所述分类算法的准确性最高的多个目标样本特征数据;
构建所述特征分类模型组件,所述特征分类模型组件中设置有训练参数;
将所述多个目标样本特征数据分别输入至所述特征分类模型组件中,生成预测结果;
基于所述预测结果与所述目标样本特征数据的样本标签对应的期望结果之间的差异,对所述训练参数进行迭代调整,直至所述差异满足预设要求。
5.根据权利要求4所述的方法,其特征在于,所述至少两类为所述预设特征集合中所述目标样本特征数据对应的部分特征。
6.根据权利要求1所述的方法,其特征在于,所述至少两类包括线性特征、非线性特征、连接特征或统计特征中的至少两类;其中,所述连接特征用于表征两个导联之间的连接强弱;所述统计特征是根据线性特征、非线性特征、连接特征中的至少一个统计得到。
7.根据权利要求6所述的方法,其特征在于,所述统计特征与基于预设划分方式划分得到的脑部区域对应,一个所述统计特征根据其对应脑部区域相关的至少两个特征得到,所述至少两个特征均采用同一种特征提取方法进行提取。
8.根据权利要求7所述的方法,其特征在于,在统计特征是根据线性特征或非线性特征统计得到的情况下,一个脑部区域对应至少一个统计特征,一个脑部区域对应的一个统计特征根据对应电极位置属于该脑部区域的至少两个特征得到。
9.根据权利要求8所述的方法,其特征在于,一个脑部区域对应的一个统计特征是对应电极位置属于该脑部区域的至少两个特征的平均。
10.根据权利要求7所述的方法,其特征在于,在统计特征是根据连接特征统计得到的情况下,两个脑部区域对应至少一个统计特征,两个脑部区域对应的一个统计特征根据对应电极位置分属于该两个脑部区域的至少两个特征得到。
11.根据权利要求10所述的方法,其特征在于,两个脑部区域对应的一个统计特征是对应电极位置分属于该两个脑部区域的至少两个特征的平均。
12.根据权利要求1所述的方法,其特征在于,所述特征分类模型组件包括:单极导联分类模型子组件和/或双极导联分类模型子组件;其中,所述单极导联分类模型子组件用于确定单极导联脑电信号的特征数据与指定对象之间的关联关系,所述双极导联分类模型子组件用于确定双极导联脑电信号的特征数据与指定对象之间的关联关系。
13.根据权利要求12所述的方法,其特征在于,所述将所述特征数据输入特征分类模型组件中,经所述特征分类模型组件分析得到所述特征数据与指定对象之间的关联关系,包括:
在所述脑部生理数据是单极导联脑电信号的情况下,将所述特征数据输入至所述单极导联分类模型子组件,经所述单极导联分类模型子分析得到所述特征数据与指定对象之间的关联关系;
在所述脑部生理数据是双极导联脑电信号的情况下,将所述特征数据输入至所述双极导联分类模型子组件,经所述双极导联分类模型子分析得到所述特征数据与指定对象之间的关联关系。
14.根据权利要求13所述的方法,其特征在于,所述单极导联分类模型子组件包括:耳极导联分类模型子组件和/或平均参考导联分类模型子组件;其中,所述耳极导联分类模型子组件用于确定耳极导联脑电信号的特征数据与指定对象之间的关联关系,所述平均参考导联分类模型子组件用于确定平均参考导联脑电信号的特征数据与指定对象之间的关联关系。
15.根据权利要求14所述的方法,其特征在于,所述将所述特征数据输入特征分类模型组件中,经所述特征分类模型组件分析得到所述特征数据与指定对象之间的关联关系,包括:
在所述脑部生理数据是耳极导联脑电信号的情况下,将所述特征数据输入至所述耳极导联分类模型子组件,经所述耳极导联分类模型子分析得到所述特征数据与指定对象之间的关联关系;
在所述脑部生理数据是平均参考导联脑电信号的情况下,将所述特征数据输入至所述平均参考导联分类模型子组件,经所述平均参考导联分类模型子分析得到所述特征数据与指定对象之间的关联关系;
在所述脑部生理数据是双极导联脑电信号的情况下,将所述特征数据输入至双极导联分类模型子组件,经双极导联分类模型子分析得到所述特征数据与指定对象之间的关联关系。
16.根据权利要求1所述的方法,其特征在于,所述方法还包括:对所述脑部生理数据进行截取,获得多段脑部生理数据,同段脑部生理数据的时间区间相同;
所述从所述脑部生理数据中提取出至少两类的特征数据,包括:从各段脑部生理数据中提取出各段的至少两类的特征数据;
所述将所述特征数据输入特征分类模型组件中,经所述特征分类模型组件分析得到所述特征数据与指定对象之间的关联关系,包括:将各段脑部生理数据的特征数据分别输入所述特征分类模型组件中,经所述特征分类模型组件分析得到各段脑部生理数据的特征数据与指定对象之间的关联关系。
17.根据权利要求1所述的方法,其特征在于,所述从所述脑部生理数据中提取出至少两类的特征数据之前,还包括:
对所述脑部生理数据进行数据预处理,所述数据预处理包括下述中的一种或多种:去除基线干扰、去除工频干扰、去除非脑部生理数据。
18.根据权利要求1所述的方法,其特征在于,所述将所述特征数据输入特征分类模型组件中,经所述特征分类模型分析得到所述特征数据与指定对象之间的关联关系之后,还包括以下任一操作:
在所述指定对象为对象控制行为的情况下,根据所述关联关系,对与所述对象控制行为适配的智能设备进行控制;
在所述指定对象为脑部活动集中性预测的情况下,根据所述关联关系,确定所述受测者脑部活动的集中程度;
在所述指定对象为负面情绪预测的情况下,根据所述关联关系,确定所述受测者的负面情绪程度;
在所述指定对象为疾病风险预测的情况下,根据所述关联关系,确定所述受测者的患病风险等级。
19.根据权利要求1所述的方法,其特征在于,所述将所述特征数据输入特征分类模型组件中,经所述特征分类模型组件分析得到所述特征数据与指定对象之间的关联关系之后,还包括:
输出所述关联关系。
20.一种数据处理装置,其特征在于,包括:
获取模块,用于获取受测者的脑部生理数据;
提取模块,用于从所述脑部生理数据中提取出至少两类的特征数据;
确定模块,用于将所述特征数据输入特征分类模型组件中,经所述特征分类模型组件分析得到所述特征数据与指定对象之间的关联关系。
21.一种数据处理装置,其特征在于,包括:存储器、处理器;其中,所述存储器用于存储一条或多条计算机指令,其中,所述一条或多条计算机指令被所述处理器执行时实现如权利要求1至20中任一项所述的方法。
22.一种信号处理***,其特征在于,包括:数据采集装置以及权利要求21所述的数据处理装置;
其中,脑电波采集装置用于采集受测者的脑部生理数据。
23.一种数据处理设备,其特征在于,包括:数据采集装置以及权利要求22所述的数据处理装置;其中,脑电波采集装置用于采集受测者的脑部生理数据。
24.一种数据处理设备,其特征在于,包括:数据采集装置、数据发送装置和数据接收装置;
所述数据采集装置,用于采集受测者的脑部生理数据;
所述数据发送装置,用于发送所述脑部生理数据至服务器,所述服务器被设置为:从所述脑部生理数据中提取出至少两类的特征数据;以及,将所述特征数据输入特征分类模型组件中,经所述特征分类模型组件分析得到所述特征数据与指定对象之间的关联关系;
所述数据接收装置,用于接收所述关联关系。
25.根据权利要求24所述的设备,其特征在于,所述设备还包括:
输出装置,用于输出所述关联关系。
26.一种检测帽,其特征在于,包括:数据采集装置和数据发送装置:
所述数据采集装置,用于采集受测者的脑部生理数据;
所述数据发送装置,用于发送所述脑部生理数据至服务器,所述服务器被设置为:从所述脑部生理数据中提取出至少两类的特征数据;以及,将所述特征数据输入特征分类模型组件中,经所述特征分类模型组件分析得到所述特征数据与指定对象之间的关联关系。
27.根据权利要求26所述的检测帽,其特征在于,还包括:数据接收装置和输出装置;
所述数据接收装置,用于接收所述关联关系。
所述输出装置,用于确定与所述关联关系对应的提示信息,并输出所述提示信息。
28.根据权利要求26所述的检测帽,其特征在于,所述服务器还被配置为确定与所述关联关系对应的提示信息;所述检测帽还包括:数据接收装置和输出装置;
所述数据接收装置,用于接收所述提示信息;
所述输出装置,用于输出所述提示信息。
29.根据权利要求28所述的检测帽,其特征在于,所述数据发送模块,与移动终端通信连接,具体用于通过所述移动终端将所述脑部生理数据发送至所述服务器。
30.一种非临时性计算机可读存储介质,其特征在于,当所述存储介质中的指令由处理器执行时,使得处理器能够执行权利要求1-19任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911173528.8A CN112842356B (zh) | 2019-11-26 | 2019-11-26 | 数据处理方法、装置、设备及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911173528.8A CN112842356B (zh) | 2019-11-26 | 2019-11-26 | 数据处理方法、装置、设备及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112842356A true CN112842356A (zh) | 2021-05-28 |
CN112842356B CN112842356B (zh) | 2024-03-26 |
Family
ID=75985692
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911173528.8A Active CN112842356B (zh) | 2019-11-26 | 2019-11-26 | 数据处理方法、装置、设备及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112842356B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103767702A (zh) * | 2014-01-16 | 2014-05-07 | 天津大学 | 一种脑电非线性双测度特征提取与融合处理方法 |
KR20150029969A (ko) * | 2013-09-11 | 2015-03-19 | 세종대학교산학협력단 | 뇌파 측정을 이용한 감성상태 분류 방법 |
CN109567830A (zh) * | 2018-10-30 | 2019-04-05 | 清华大学 | 一种基于神经响应的人格测量方法及*** |
CN109893126A (zh) * | 2019-03-21 | 2019-06-18 | 杭州电子科技大学 | 基于脑功能网络特征的癫痫发作预测方法 |
CN110338786A (zh) * | 2019-06-28 | 2019-10-18 | 北京师范大学 | 一种癫痫样放电的识别与分类方法、***、装置和介质 |
-
2019
- 2019-11-26 CN CN201911173528.8A patent/CN112842356B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20150029969A (ko) * | 2013-09-11 | 2015-03-19 | 세종대학교산학협력단 | 뇌파 측정을 이용한 감성상태 분류 방법 |
CN103767702A (zh) * | 2014-01-16 | 2014-05-07 | 天津大学 | 一种脑电非线性双测度特征提取与融合处理方法 |
CN109567830A (zh) * | 2018-10-30 | 2019-04-05 | 清华大学 | 一种基于神经响应的人格测量方法及*** |
CN109893126A (zh) * | 2019-03-21 | 2019-06-18 | 杭州电子科技大学 | 基于脑功能网络特征的癫痫发作预测方法 |
CN110338786A (zh) * | 2019-06-28 | 2019-10-18 | 北京师范大学 | 一种癫痫样放电的识别与分类方法、***、装置和介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112842356B (zh) | 2024-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | EEG databases for emotion recognition | |
Pal et al. | EEG-based subject-and session-independent drowsiness detection: an unsupervised approach | |
Park et al. | Epileptic seizure detection for multi-channel EEG with deep convolutional neural network | |
CN110840455B (zh) | 用于脑活动解析的***与方法 | |
Casson et al. | Electroencephalogram | |
KR102449869B1 (ko) | 뇌파 센서 유닛 및 이를 이용한 뇌파 측정 장치 | |
Bashar et al. | Human identification from brain EEG signals using advanced machine learning method EEG-based biometrics | |
Hosseini et al. | Emotional stress recognition system for affective computing based on bio-signals | |
US20160106331A1 (en) | Fractal index analysis of human electroencephalogram signals | |
KR101768332B1 (ko) | 우울 정도를 실시간으로 분석하는 방법 및 그 시스템 | |
Zarjam et al. | Characterization of memory load in an arithmetic task using non-linear analysis of EEG signals | |
US11311220B1 (en) | Deep learning model-based identification of stress resilience using electroencephalograph (EEG) | |
CN113288175B (zh) | 脑电信号的质量检测方法、装置、电子设备及存储介质 | |
US20220031242A1 (en) | Method and system for collecting and processing bioelectrical signals | |
CN114222601A (zh) | 用于耳后感测和刺激的可穿戴*** | |
Zeng et al. | Classifying driving fatigue by using EEG signals | |
Foong et al. | Correlation of reaction time and EEG log bandpower from dry frontal electrodes in a passive fatigue driving simulation experiment | |
KR101527273B1 (ko) | 전두엽 부착형 뇌파신호 검출 및 뇌파기반 집중력 분석 방법 및 장치 | |
CN117918863A (zh) | 一种脑电信号实时伪迹处理与特征提取的方法和*** | |
Saidatul et al. | Automated system for stress evaluation based on EEG signal: A prospective review | |
Vettivel et al. | System for detecting student attention pertaining and alerting | |
US10799139B2 (en) | Method and system for EEG signal processing | |
CN112842356B (zh) | 数据处理方法、装置、设备及*** | |
Kumar et al. | Measurement of efficiency of auditory vs visual communication in HMI: A cognitive load approach | |
Aldea et al. | Detecting sensorimotor rhythms from the EEG signals using the independent component analysis and the coefficient of determination |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |