CN117633442B - 一种脑机接口信号预处理方法及计算机设备 - Google Patents
一种脑机接口信号预处理方法及计算机设备 Download PDFInfo
- Publication number
- CN117633442B CN117633442B CN202410096942.8A CN202410096942A CN117633442B CN 117633442 B CN117633442 B CN 117633442B CN 202410096942 A CN202410096942 A CN 202410096942A CN 117633442 B CN117633442 B CN 117633442B
- Authority
- CN
- China
- Prior art keywords
- time
- signal
- frequency
- determining
- value
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000007781 pre-processing Methods 0.000 title claims abstract description 21
- 238000001228 spectrum Methods 0.000 claims abstract description 132
- 230000035772 mutation Effects 0.000 claims abstract description 71
- 238000012545 processing Methods 0.000 claims abstract description 44
- 230000014759 maintenance of location Effects 0.000 claims abstract description 14
- 238000010183 spectrum analysis Methods 0.000 claims abstract description 8
- 238000001914 filtration Methods 0.000 claims description 37
- 230000004044 response Effects 0.000 claims description 32
- 239000011159 matrix material Substances 0.000 claims description 22
- 230000008859 change Effects 0.000 claims description 20
- 238000009432 framing Methods 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 230000000875 corresponding effect Effects 0.000 description 58
- 230000000694 effects Effects 0.000 description 15
- 238000005070 sampling Methods 0.000 description 14
- 210000004556 brain Anatomy 0.000 description 13
- 230000003044 adaptive effect Effects 0.000 description 11
- 238000004422 calculation algorithm Methods 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 210000003128 head Anatomy 0.000 description 7
- 230000002829 reductive effect Effects 0.000 description 7
- 230000009286 beneficial effect Effects 0.000 description 6
- 238000010606 normalization Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 4
- 230000000737 periodic effect Effects 0.000 description 4
- 230000033764 rhythmic process Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- 230000003321 amplification Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 210000004761 scalp Anatomy 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 101100134058 Caenorhabditis elegans nth-1 gene Proteins 0.000 description 1
- 101000579490 Solanum lycopersicum Suberization-associated anionic peroxidase 1 Proteins 0.000 description 1
- 101001073211 Solanum lycopersicum Suberization-associated anionic peroxidase 2 Proteins 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000003925 brain function Effects 0.000 description 1
- 239000002775 capsule Substances 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000001010 compromised effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 210000005069 ears Anatomy 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 210000001061 forehead Anatomy 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000001020 rhythmical effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000002945 steepest descent method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本申请公开了一种脑机接口信号预处理方法及计算机设备,方法包括:获取输入信号及输出信号;确定第一时频突变点的总数量和子数量;得到时频保留值;对输入信号和输出信号分别进行梅尔频谱分析,得到输入信号对应的第一梅尔频谱和输出信号对应的第二梅尔频谱;根据第一梅尔频谱和第二梅尔频谱,确定畸变值;根据时频保留值和畸变值,确定输出信号的质量分值;根据质量分值,得到目标信号。本申请对输入信号和输出信号分别进行时域和频域处理,得到质量分值。根据质量分值,确定目标信号。本申请充分利用脑机接口的输入信号和输出信号的时频双信息,显著提高脑机接口***对输入信号的处理速度以及输出信号的准确率。
Description
技术领域
本申请涉及脑机接口技术领域,尤其涉及一种脑机接口信号预处理方法及计算机设备。
背景技术
脑机接口(Brain Computer Interface,BCI)技术通过解释和识别脑电活动,实现人脑意图的直接外部输出,是人机交互的前沿研究领域。但受限于脑电信号微弱、非确定性强和个体差异大等困难,脑机接口的速度和准确率仍然较低,大大制约了其实际应用。现有技术中,通过在脑电采集放大后、主要识别分类前,添加专门的信号预处理环节来提升BCI性能。该预处理通过算法滤波增强脑电特征,抑制非相关干扰,可有效提高后续识别的速度和准确率。脑电预处理方法可以分为时域滤波和时频域滤波。时域滤波如有限长单位冲激响应滤波器(Finite Impulse Response,FIR)滤波去除噪声,自适应滤波增强特定波形。时频域滤波则通过短时傅里叶变换,应用时频分析方法保留关键脉冲和节律。
但现有预处理算法存在如下问题:脑电时间特征和频率特征同样重要,现有方法未充分利用时频双信息,导致脑机接口***的速度和准确率仍然较低。因此,设计一种集时频特征提取和定量指标评价于一体的多级自适应滤波方法,对提升脑机接口***的速度和准确率具有重要意义。
发明内容
本申请实施例提供了一种脑机接口信号预处理方法及计算机设备,以解决脑机接口***的速度和准确率较低的问题。
第一方面,本申请实施例提供了一种脑机接口信号预处理方法,包括:
获取输入信号,对所述输入信号和冲激响应进行卷积运算,得到自适应滤波后的输出信号;
确定第一时频突变点的总数量和所述第一时频突变点的子数量,其中,所述第一时频突变点位于所述输入信号和所述输出信号中;
将所述子数量与所述总数量进行比值运算,得到时频保留值;
对所述输入信号和所述输出信号分别进行梅尔频谱分析,得到所述输入信号对应的第一梅尔频谱和所述输出信号对应的第二梅尔频谱;
根据所述第一梅尔频谱和所述第二梅尔频谱,确定所述输入信号和所述输出信号的畸变值;
根据所述时频保留值和所述畸变值,确定所述输出信号的质量分值;
根据每个通道的所述质量分值,确定每个所述通道的所述输出信号的权值系数;
根据所述权值系数对所述输出信号进行加权处理,得到目标信号。
在第一方面的一些实现方式中,获得所述输出信号后,包括:
获取目标信号;
确定所述输出信号与所述目标信号的第一误差值;
若所述第一误差值大于预设误差阈值,调节所述冲激响应,根据调节后的所述冲激响应和所述输入信号,更新所述输出信号,直至所述第一误差值小于或者等于所述预设误差阈值,得到更新后的所述输出信号。
在第一方面的一些实现方式中,所述获取目标信号,包括:
获取至少一个所述通道的输入信号;
对每个所述通道的所述输入信号进行信号处理,得到所述输入信号对应的所述目标信号。
在第一方面的一些实现方式中,所述对每个所述通道的所述输入信号进行信号处理,得到所述输入信号对应的所述目标信号,包括:
对所述输入信号进行低频噪声去除处理,得到所述输入信号对应的第一中间信号;
对所述第一中间信号进行时域增强处理,得到所述第一中间信号对应的第二中间信号;
对所述第二中间信号进行分帧处理,得到所述第二中间信号下的准周期模板库;
基于每个所述通道,提取所述准周期模板库中的对应所述通道的平均能量模式,将所述平均能量模式作为所述通道的所述目标信号。
在第一方面的一些实现方式中,对所述第二中间信号进行分帧处理,得到所述第二中间信号下的准周期模板库,包括:
对所述第二中间信号进行等长分帧处理,确定所述分帧处理后每个帧的短时能量;
根据相邻帧的所述短时能量的能量差值,确定第二时频突变点;
基于每对相邻的所述第二时频突变点的时间间隔,确定准周期区间;
确定每个所述准周期区间的区间编号,并在每个所述准周期区间内,提取每个所述短时能量对应的帧序号;
根据所述区间编号和所述帧序号,得到二维矩阵,并基于所述二维矩阵,确定所述准周期区间对应的平均能量模式;
基于至少一个所述平均能量模式和所述平均能量模式对应的所述准周期区间,得到所述第二中间信号下的所述准周期模板库。
在第一方面的一些实现方式中,所述根据相邻帧的所述短时能量的能量差值,确定第二时频突变点,包括:
依次将所述每个帧确定为当前帧,计算所述当前帧与相邻帧的所述短时能量的能量差值,若所述能量差值大于预设能量阈值,则将所述当前帧确定为第二时频突变点。
在第一方面的一些实现方式中,所述基于每对相邻的所述第二时频突变点的时间间隔,确定准周期区间,包括:
确定每对相邻的所述第二时频突变点的时间间隔,得到所述时间间隔的概率密度函数,根据所述概率密度函数的最高概率取值范围,确定所述准周期区间。
在第一方面的一些实现方式中,所述确定第一时频突变点的总数量和所述第一时频突变点的子数量,包括:
分别提取所述输入信号的第一时间段波形和所述输出信号的第二时间段波形,其中,所述第一时间段波形和所述第二时间段波形所对应的时间段相同;
在所述第一时间段波形内,统计所述第一时频突变点的所述总数量;
依次确定每个所述第一时频突变点在所述第一时间段波形中的第一位置以及在所述第二时间段波形中的第二位置;
根据每个所述第一位置和所述第二位置,确定所述第一位置与所述第二位置之间的位置偏移量;
若所述位置偏移量小于预设位置偏移量,将所述第一时频突变点标记为第三时频突变点;
获取所述第三时频突变点的统计数量,根据所述统计数量,确定所述第一时频突变点的所述子数量。
在第一方面的一些实现方式中,所述根据所述第一梅尔频谱和所述第二梅尔频谱,确定所述输入信号和所述输出信号的畸变值,包括:
依次提取所述第一梅尔频谱中的每个第一梅尔频谱值和所述第二梅尔频谱中的每个第二梅尔频谱值,其中所述第一梅尔频谱值在所述第一梅尔频谱中的位置和所述第二梅尔频谱值在所述第二梅尔频谱中的位置相同;
根据所述第一梅尔频谱值和所述第二梅尔频谱值,确定所述第一梅尔频谱值和所述第二梅尔频谱值的第二误差值;
根据畸变公式,确定所述第二误差值对应的畸变值。
第二方面,本申请还提供一种计算机设备,包括存储器和处理器,所述存储器用于存储计算机程序,所述处理器,用于执行所述计算机程序并在执行所述计算机程序时实现第一方面所述的脑机接口信号预处理方法。
与现有技术相比,本申请至少具备以下有益效果:
获取输入信号,对所述输入信号和冲激响应进行卷积运算,得到自适应滤波后的输出信号;确定第一时频突变点的总数量和所述第一时频突变点的子数量,其中,所述第一时频突变点位于所述输入信号和所述输出信号中;将所述子数量与所述总数量进行比值运算,得到时频保留值;对所述输入信号和所述输出信号分别进行梅尔频谱分析,得到所述输入信号对应的第一梅尔频谱和所述输出信号对应的第二梅尔频谱;根据所述第一梅尔频谱和所述第二梅尔频谱,确定所述输入信号和所述输出信号的畸变值;根据所述时频保留值和所述畸变值,确定所述输出信号的质量分值;根据每个通道的所述质量分值,确定每个所述通道的所述输出信号的权值系数;根据所述权值系数对所述输出信号进行加权处理,得到目标信号。本申请分别对输入信号以及输出信号进行时域处理
得到对应的时频保留值,以及对输入信号以及输出信号进行频域处理,结合时频保留值,得到质量分值。根据质量分值,确定最终的目标信号。本申请中充分利用脑机接口的输入信号和输出信号的时阈和频阈双信息,提出一种集时频特征提取和定量指标评价于一体的多级自适应滤波方法,以达到提升脑机接口***的信号处理速度和输出信号的准确率的目的。
附图说明
图1为本申请实施例示出的脑机接口信号预处理方法的流程示意图;
图2为本申请实施例示出的计算机设备的结构示意图。
具体实施方式
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,所描述的实施例仅仅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。
请参照图1,图1为本申请实施例提供的一种脑机接口信号预处理方法的流程示意图。本申请实施例的脑机接口信号预处理方法可应用于计算机设备,该计算机设备包括但不限于笔记本电脑、桌上型计算机、物理服务器和云服务器等设备。如图1所示,本实施例的脑机接口信号预处理方法包括步骤S101至步骤S108,详述如下:
步骤S101,获取输入信号,对所述输入信号和冲激响应进行卷积运算,得到自适应滤波后的输出信号。
在本步骤中,采用16或32多通道干电极采集头环对使用者进行脑电信号的采集。头环结构轻便,采用可调节的头带固定于头部,确保与头皮充分接触。头环内置PEG材质微针电极,电极大小10mm×1mm,按10-20***布置,间距为20mm。共有30个信号电极,1个参考电极置于左耳,另1个接地电极置于前额。头环输出的微弱生理电信号,先进入模拟滤波放大模块进行处理。该模块2000倍放大脑电信号幅值,匹配A/D转换量程。放大的模拟信号进入32通道同步A/D转换器,进行数字化采集。该A/D转换器采样频率为500Hz,转换精度达到16位。转换后的数据以每2毫秒1帧的形式传输至计算机进行存储。使用者佩戴头环在屏蔽室内保持身体静止进行5分钟闭眼静息状态脑电信号的采集。最终获取
输入信号。
在获取输入信号之后,对所述输入信号和冲激响应进行卷积运算,得到自适应滤波后的输出信号。具体地,冲激响应为模板匹配滤波器的冲激响应,将Xi(n)与模板匹配滤波器的冲激响应h(n)进行卷积运算,得到滤波器的输出信号Y(n),卷积计算公式为,其中L表示滤波器冲激响应h(n)的长度。/>表示对k从0到L-1进行累加求和,h(k)表示冲激响应中的第k个元素。Xi(n-k)是输入信号时间上偏移k后的值。两者卷积可采用快速FFT算法实现,提高信号处理的速度。
在一些实施例中,所述步骤S101包括步骤S1011至步骤S1013,具体如下:
步骤S1011,获取目标信号。
对各通道的输入信号Xi(n),直接调用对应通道模板,取出其中的平均能量模式作为目标信号d(n),目标信号d(n)表示期望的滤波输出结果。
步骤S1012,确定所述输出信号与所述目标信号的第一误差值。
具体地,根据误差公式,确定输出信号与目标信号的第一误差值。其中,第一误差公式为:,第一误差值T表示输出信号与目标信号的匹配程度。
步骤S1013,若所述第一误差值大于预设误差阈值,调节所述冲激响应,根据调节后的所述冲激响应和所述输入信号,更新所述输出信号,直至所述第一误差值小于或者等于所述预设误差阈值,得到更新后的所述输出信号。
具体地,根据步骤S1012中的误差公式得到的第一误差值,若第一误差值大于预设误差阈值,调节所述冲激响应,根据调节后的所述冲激响应和所述输入信号,更新所述输出信号,直至所述第一误差值小于或者等于所述预设误差阈值,得到更新后的所述输出信号。
示例性的,若根据误差公式得到的某一通道的输出信号的第一误差值为0.7,预设误差阈值为0.5。此时的第一误差值0.7大于预设误差阈值0.5,则需要调节对应的冲激响应,根据调节后的冲激响应和输入信号,更新输出信号,再次比较更新输出信号后对应得到的第一误差值与预设误差阈值的大小,若此时第一误差值仍大于预设误差阈值0.5,继续调节对应的冲激响应,再迭代运算第一误差值逐步减小,直至更新得到的第一误差值小于或者等于所述预设误差阈值,得到更新后的所述输出信号。若根据误差公式首次得到的第一误差值为0.4,则第一误差值0.4小于预设误差阈值0.5,直接输出第一误差值0.4对应的输出信号。重复上述过程,最终获得全部通道的输出信号Yi(n)={Y'1(n),Y'2(n)...Y'n(n)}。需要说明的是,上述设置的第一误差值0.7和预设误差阈值0.5仅仅是用于示例性说明的数值,本申请对第一误差值和预设误差阈值的具体数值不作限制,第一误差值是根据输出信号与目标信号具体计算得到的,在实际应用中,预设误差阈值可根据实际应用场景的需要进行合理设置。
本申请实施例中,可以达到以下有益效果:
若所述第一误差值大于预设误差阈值,通过调节冲激响应,根据调节后的所述冲激响应和所述输入信号,更新所述输出信号,直至所述第一误差值小于或者等于所述预设误差阈值,停止更新输出信号,确定更新后的所述输出信号。得到更新后的所述输出信号,更新后的所述输出信号保留了对应脑电信号的准周期模式特征的同时,也提高了期望输入信号的匹配效果,减少了不相关信号成分的干扰,增强了后续识别的可靠性。
需要说明的,输入信号除了包含关注的周期模式以外,还存在其他各种成分,比如头皮肌电造成的干扰、心电囊带来的噪声等。这些与周期模式不相关的成分,在经过模板匹配滤波器后,其输出信号与模板的匹配度很低。也就是说,那些不相关的成分不能很好地匹配模板,所以会被自适应模板匹配滤波器抑制其强度,不需要通过带通滤波去除。而关注的周期模式与模板高度一致,通过滤波器会得到增强。所以模板匹配滤波实现了保留与目标模板相关信号,抑制不相关信号成分的效果。它增强了信息特征,也起到了去噪的作用,过滤掉了部分与目标模式不相关的背景噪声。所以对于实时的输入信号这里不需要再次进行带通滤波。
在一些实施例中,所述步骤S1011包括步骤S1011-1至步骤S1011-2,具体如下:
步骤S1011-1,获取至少一个所述通道的输入信号。
具体地,可通过带通滤波器,低通滤波器或者高铁滤波器等任意合适的滤波器,从根据步骤S101获取的全部的输入信号中提取至少一个通道的输入信号。
步骤S1011-2,对每个所述通道的所述输入信号进行信号处理,得到所述输入信号对应的所述目标信号。
可选地,对每个所述通道的所述输入信号U(n)依次进行噪声处理、时域增强处理、分帧处理以及得到对应所述通道的平均能量模式,将所述平均能量模式作为所述通道的所述目标信号。
在一些实施例中,所述步骤S1011-2包括步骤S1011-21至步骤S1011-24,具体如下:
步骤S1011-21,对所述输入信号进行低频噪声去除处理,得到所述输入信号对应的第一中间信号V(n)。
可选地,根据输入信号频率范围设计带通滤波器,对模拟放大后的输入信号进行低频噪声去除,得到所述输入信号对应的第一中间信号。
在一些实施例中,若经分析输入信号的典型频带在0.5-45Hz,因此本申请中设置的滤波器的通带范围也为0.5-45Hz。例如,滤波器可选择(Finite Impulse Response,FIR)滤波器、低通滤波器 、高通滤波器以及窄带滤波器等任意合适的滤波器。若考虑到输入信号较宽的频率范围,由于FIR滤波器能提供线性相位特性和有利于保留输入信号的时域波形的设计优点,可选择FIR滤波器实现该带通滤波。
需要注意的是,本申请不对滤波器的类型作任何限制,在实际的引用场景中,可根据实际的需要选择合适的滤波器。
示例性的,以FIR滤波器为例,详细阐述如何获得最终稳定可行的FIR滤波器频域特性。其中本申请可采用128阶、64阶或者256阶等任意合适阶数的FIR滤波器。以128阶的FIR滤波器为例,通过加窗方法设计,具体地,首先根据通带参数要求0.5-45赫兹、通带波动小于0.5分贝以及带外衰减大于50分贝,使用优化迭代算法计算出128点的滤波器系数。然后采用汉明加权窗口对该系数进行处理,以减小滤波器的频域冗余,获得最终稳定可行的FIR滤波器频域特性,需要说明的是,上述设采用128阶的FIR滤波器仅仅用于示例性说明,在实际的应用中,可根据具体应用场景的需要合理设置不同阶数的FIR滤波器。
具体地,所设计FIR滤波器采用零填充的方式转换为线性相位滤波器,即对输入信号进行滑动平均处理。对每路输入信号U(n),应用该FIR滤波器H(n)进行卷积计算,即。其中,h(k)表示长度为128的FIR滤波器系数,n为当前采样点。卷积运算可采用快速傅里叶变换(Fast Fourier Transform,FFT)算法、离散傅里叶变换(Discrete Fourier Transform,DFT)算法等实现。其中,为降低计算量,卷积运算可采用快速FFT算法进行频域实现。经带通FIR滤波后的第一中间信号V(n),可明显提升0.5-45赫兹频带的有效特征分量,同时大幅衰减低频外的噪声干扰。
步骤S1011-22,对所述第一中间信号V(n)进行时域增强处理,得到所述第一中间信号对应的第二中间信号Z(n)。
可选地,可采用自适应滤波增强算法,动态调整参数匹配不同输入信号特征,该算法的优化目标是使增强后的第二中间信号达到指定的幅度范围和信噪比。
在一些实施例中,首先分析滤波后的第一中间信号的幅值范围,确定增强后的第二中间信号的目标幅度区间,然后估计当前的第一中间信号的背景噪声功率,设置目标信噪比,基于上述目标幅度区间和目标信噪比,自适应滤波器动态调整增益系数k和滤波器带宽参数B。若第一中间信号的信号幅值小于目标幅度区间的最小值,增大增益,对第一中间信号进行放大以接近幅度目标区间;反之,若第一中间信号的信号幅值大于目标幅度区间的最大值,减少增益,避免第一中间信号失真。与此同时,滤波器持续检测第一中间信号的背景噪声变化,当第一中间信号的背景噪声增大时,适当降低滤波器的滤波带宽,以减弱噪声功率,从而提高第一中间信号的信噪比,使得第一中间信号的信噪比接近目标信噪比。需要注意的是,在整个自适应滤波的增强过程中会迭代参数调节,持续优化直至第一中间信号的信号幅值在目标幅度区间内,第一中间信号的信噪比收敛于目标信噪比,获得时域增强后的第二中间信号。
示例性的,以目标幅度区间为50μV-100μV,目标信噪比为30dB为例,基于上述目标幅度区间和目标信噪比,确定第二中间信号。若第一中间信号的信号幅值为45μV,第一中间信号的信号幅值45μV小于目标幅度区间的最小值50μV,则此时需要增大增益,对输入信号进行放大,以使得输入信号的信号幅值接近目标幅度区间。反之,若第一中间信号的信号幅值为110μV,第一中间信号的信号幅值110μV大于目标幅度区间的最大值50μV,则此时需要减少增益,避免输入信号失真,以使得输入信号的信号幅值接近目标幅度区间。若滤波器检测到的第一中间信号的背景噪声增大,则可通过降低滤波器的带宽以减弱噪声功率,进而提高第一中间信号的信噪比,达到第一中间信号的信噪比接近目标信噪比为30dB的目的;同理,若滤波器检测到的第一中间信号的背景噪声降低,则可通过增大滤波器的带宽以提高噪声功率,进而降低第一中间信号的信噪比,同样达到第一中间信号的信噪比接近目标信噪比为30dB的目的。根据将第一中间信号的信号幅值优化至目标幅度区间50μV-100μV内,将第一中间信号的信噪比收敛于目标信噪比30dB,获得时域增强后的第二中间信号。
需要注意的是,上述目标幅度区间50μV-100μV,目标信噪比30dB仅仅用于示例性说明,实际应用中,可根据具体情况设置合适的目标幅度区间以及目标信噪比。
步骤S1011-23,对所述第二中间信号进行分帧处理,得到所述第二中间信号下的准周期模板库。
可选地,对所述第二中间信号依次进行等长分帧处理,计算等长分帧处理后每个帧的短时能量,根据相邻两帧的所述短时能量的能量差值,确定第二时频突变点;根据相邻的两个第二时频突变点的时间间隔,确定准周期区间;对每个准周期区间进行区间编号,并确定准周期区间内的短时能量对应的帧序号,根据区间编号和帧序号,得到二维矩阵。并在二维矩阵内确定准周期区间对应的平均能量模式,根据多个平均能量模式和准周期区间,得到第二中间信号下的准周期模板库。
在一些实施例中,所述步骤S1011-23包括步骤S1011-231至S1011-236,具体如下:
步骤S1011-231,对所述第二中间信号进行等长分帧处理,确定所述分帧处理后每个帧的短时能量。
可选地,将时域增强后的第二中间信号Z(n)进行等长分帧处理,并计算每个帧的短时能量,以提取短时特征。
具体地,可首先确定每个帧的长度,并确定相邻帧的间隔。例如,可确定每个帧长度为128个采样点,相邻帧间隔为32个采样点、每个帧长度为64个采样点,相邻帧间隔为16个采样点,或者每个帧长度为256个采样点,相邻帧间隔为64个采样点等,具体的每个帧的长度以及相邻帧的间隔可根据实际情况合理设置,本申请不作限制。
示例性的,以设置每个帧长度为128个采样点,相邻帧间隔为32个采样点为例,对第二中间信号进行等长分帧处理,并确定所述分帧处理后每个帧的短时能量。即每隔32点截取128点进行一次帧分析。对截取的第二中间信号中的每一帧信号z(n),其中,n表示当前帧内的采样点,从0到127。本申请中基于分帧信号计算每个帧的短时能量作为特征参数。短时能量计算公式为:这里E表示短时能量,z(n)表示该帧的信号采样点,对每帧128点平方后求和,得到该帧短时能量。重复计算过程,获得所有帧的短时能量特征。
步骤S1011-232,根据相邻帧的所述短时能量的能量差值,确定第二时频突变点。
可选地,若根据短时能量计算公式得到的第一帧信号的短时能量设为E1,第二帧设为E2,第n帧设为En,依次类推,获得n帧信号的短时能量。接着计算
相邻两帧的短时能量差值,例如第一帧和第二帧的差值为E2-E1,第二帧和第三帧的差值为E3-E2,以此类推,直到计算第n-1帧和第n帧的差值为En-E(n-1)。
依次将所述每个帧确定为当前帧,计算所述当前帧与相邻帧的所述短时能量的能量差值,若所述能量差值大于预设能量阈值,则将所述当前帧确定为第二时频突变点。
在一些实施例中,预设能量阈值可设置为处理时间段内短时能量均值的50%。即当两帧短时能量的差值ΔE大于0.5倍的短时能量均值Eavg时,将当前帧确定为第二时频突变点,其中,n帧短时能量的短时能量均值公式为Eavg=(E1+E2+E3+...+En)/n,例如,第5帧和地6帧的短时能量的差值ΔE为0.5,同一时间段内的n帧短时能量的短时能量均值为0.7,0.5倍的短时能量均值为0.35;则短时能量的差值ΔE=0.5是大于0.35的,即第5帧为第二时频突变点。
同理可获得其他帧的第二时频突变点,在此不再赘述。
在得到所有第二时频突变点后,对处理时间段内检测到的所有第二时频突变点进行汇总归类,具体的:按时间顺序整理汇总所有检测到的第二时频突变点,每个第二时频突变点包含其出现的时间点信息。根据实验获知的不同脑电信号模式对应的能量变化曲线,匹配归类突变点与各脑电信号模式。对无法匹配的未知突变点,单独进行未知类别的归类。最终形成包含所有第二时频关键突变点的汇总表,并标注出每个点所属的脑电信号模式分类。根据表中的第二时频突变点的时间点和分类,确定第二中间信号在时间轴上的变化,完成第二中间信号的精确定位与模式识别。
本申请实施例中,可以达到以下有益效果:
在本实施例中,通过计算相邻两帧的短时能量差值的方法,得到第二时频突变点。即检测到第二时频突变点的时刻也就是第二中间信号模式发生改变的关键时刻。由于第二中间信号在出现某一特定模式时会产生明显的能量变化,通过该差分法可有效检测对应的关键时刻,为后续识别及控制提供准确的时间参考。
示例性的,在智能家居控制场景中,当***播放500Hz的正弦音作为“开灯”的听觉刺激提示用户后,用户的脑电信号中会出现匹配的500Hz节律模式。通过检测到脑电能量曲线上有一个高度显著的500Hz尖峰波形,以及该模式的重复出现,可以有效识别出“开灯”的控制指令,并相应发送控制信号打开灯光。类似地,设置300Hz正弦音表示“关灯”,400Hz表示“提高温度”等。不同指令对应的脑电信号会出现独特的峰值模式。检测各指令波形的差异及其重复性,即可准确识别各种控制指令,完成对智能家居的精确语音控制。需要注意的是,在智能家居控制场景中的脑电信号也就是经处理后的第二中间信号。
步骤S1011-233,基于每对相邻的所述第二时频突变点的时间间隔,确定准周期区间。
具体地,依次计算每对相邻的第二时频突变点之间的时间间隔,根据时间间隔,确定准周期区间。
在一些实施例中,确定每对相邻的所述第二时频突变点的时间间隔,得到所述时间间隔的概率密度函数,根据所述概率密度函数的最高概率取值范围,确定所述准周期区间。
示例性的,例设第1个第二时频突变点与第2个第二时频突变点之间的时间间隔为T1,第2个第二时频突变点与第3个第二时频突变点的时间间隔为T2,第n个第二时频突变点与第n+1个第二时频突变点的时间间隔为Tn,以此类推直到第N-1个点,其中N为检测到的总关键突变点数量。这样可以获得N-1个第二时频突变点的时间间隔数据。然后对这组时间间隔数据T1到Tn-1进行统计分析,估计其概率密度函数分布。根据分布情况,确定时间间隔的最高概率取值范围,最高概率取值范围对应的时间间隔就是准周期区间。
又一示例性的,若根据计算n+1个第二时频突变点对应的n个时间间隔的概率密度集中分布在300-500毫秒的范围,那么在第二中间信号下的准周期区间为300-500毫秒,可以理解的是,准周期区间为300-500毫秒仅仅是示例性说明,准周期区间可以是400-600毫秒、500-800毫秒等其他合适的区间值,在实际的场景中,根据不同的时间间隔将得到不同的准周期区间。
步骤S1011-234,确定每个所述准周期区间的区间编号,并在每个所述准周期区间内,提取每个所述短时能量对应的帧序号。
具体地,在第二中间信号内,确定准周期区间的数量,并对每个准周期区间依次区间编号,进一步确定每个准周期区间内的短时能量的帧序号。
示例性的,依次将i个准周期区间编号为第一个准周期段、第二个准周期段、第三个准周期段、...、第i个准周期段;同时对第一个准周期段中的每帧短时能量依次标记为第一帧短时能量、第二帧短时能量、第三帧短时能量、...、第j帧短时能量。
步骤S1011-235,根据所述区间编号和所述帧序号,得到二维矩阵,并基于所述二维矩阵,确定所述准周期区间对应的平均能量模式。
具体地,若共有4个准周期区间,且每个准周期区间内有4帧短时能量。则4个准周期区间的区间编号分别为第一个准周期段、第二个准周期段、第三个准周期段、第四个准周期段;且每个准周期区间内的有4帧短时能量的帧序号依次为第一帧短时能量、第二帧短时能量、第三帧短时能量、第四帧短时能量。则根据区间编号和帧序号得到的4x4的二维矩阵。其中,4行4列的二维矩阵的矩阵元素(i,j)表示第i个准周期段,第j帧的短时能量,其中,矩阵元素(1,1)表示第1个准周期段,第1个准周期段内的第1帧的短时能量;矩阵元素(1,2)表示第1个准周期段,第1个准周期段内的第2帧的短时能量;矩阵元素(4,1)表示第4个准周期段,第4个准周期段内的第1帧的短时能量。同理可得到4行4列的二维矩阵中的其他矩阵元素,在此不再赘述。
进一步,对得到的二维矩阵中的每一列求均值,即对每个帧序号上的能量值,求取均值。也就是说,对第一帧取均值,第二帧取均值,第n帧取均值。将所有帧的短时能量均值连接起来,即获得这个准周期区间下第二中间信号的平均能量模式模板。对多个准周期区间重复上述过程,获取该准周期区间对应的平均能量模式。
示例性的,若根据4x4的二维矩阵,对4x4的二维矩阵中的每一列求均值时,4x4的二维矩阵中的第一列的矩阵元素分别为:4,4,5,3,则根据第一列的矩阵元素4,4,5,3,得到第一列的均值为4。同理可得到第二列、第三列、第四列的均值。依次将第一列、第二列、第三列、第四列的均值连接起来,即得到该准周期区间下第二中间信号的平均能量模式模板。对多个准周期区间重复上述过程,获取该准周期区间对应的平均能量模式。
步骤S1011-236,基于至少一个所述平均能量模式和所述平均能量模式对应的所述准周期区间,得到所述第二中间信号下的所述准周期模板库。
可选地,根据每个准周期区间和对应的平均能量模式,构建准周期模板库{TMP1,TMP2,...,TMPn}。其中,每个准周期模板TMPi包含准周期区间、帧数和每帧的均值等信息,其中i为1~n中的任意数值。
需要说明的是,第二中间信号中常包含一些固定频率范围内的准周期或准静息节律模式,这反映了大脑各区域之间的定时协调规律。这种周期性脑电节律模式往往和某些重要的脑功能高度相关,包含了很有价值的脑电特征信息。例如,在特定认知或运动任务时,脑电中会出现一种稳定的10Hz准周期模式,该模式携带了任务过程中的脑网络动态信息。或者在癫痫发作前期,会出现5Hz左右的节律性放电,可以作为发作的前兆特征。所以通过分析和提取第二中间信号中的准周期模式,可以获得一些功能意义非常重要的脑电生理特征。
步骤S1011-24,基于每个所述通道,提取所述准周期模板库中的对应所述通道的平均能量模式,将所述平均能量模式作为所述通道的所述目标信号。
可选地,对每个通道i,先取出该通道下对应的准周期模板库模板中的平均能量模式TMPi,作为该通道的目标信号d(n)。目标信号d(n)表示期望得到的滤波器的输出结果。
具体地,在得到通道i的目标信号d(n)之后,可通过初始化单位采样冲激响应,作为自适应匹配滤波器的初始冲激响应h(n)。接着,不断调整优化冲激响应h(n),使滤波器的输出信号与目标信号之间的均方误差最小。
示例性的,可初始化一个初始化一个长度为L的单位采样冲激响应,作为自适应匹配滤波器的初始冲激响应h(n),其中,长度L可以是128、256、64等任意合适的单位采样冲激响应的长度,本申请不做限制。
优选的,可采用最速下降法等算法进行优化。重复迭代运算直至误差收敛,最终获得一个优化后的冲激响应序列,记为Fi。这个优化的冲激响应Fi即为针对该通道匹配TMPi而设计的模板匹配滤波器。针对所有通道重复进行该模板匹配滤波器的设计过程,最终获得一组针对各通道TMPi设计的模板匹配滤波器{F1,F2,...Fn}。最终获得的模板匹配滤波器{F1,F2,...Fn}中的每个通道的对应的冲激响应h(n)可用于之后的卷积计算。
步骤S102,确定第一时频突变点的总数量和所述第一时频突变点的子数量,其中,所述第一时频突变点位于所述输入信号和所述输出信号中。
可选地,可通过观察输入信号或者输出信号的时域波形确定第一时频突变点的总数量和第一时频突变点的子数量。
在一些实施例中,分别提取所述输入信号的第一时间段波形和所述输出信号的第二时间段波形,其中,所述第一时间段波形和所述第二时间段波形所对应的时间段相同;在所述第一时间段波形内,统计所述第一时频突变点的所述总数量;依次确定每个所述第一时频突变点在所述第一时间段波形中的第一位置以及在所述第二时间段波形中的第二位置;根据每个所述第一位置和所述第二位置,确定所述第一位置与所述第二位置之间的位置偏移量;若所述位置偏移量小于预设位置偏移量,将所述第一时频突变点标记为第三时频突变点;获取所述第三时频突变点的统计数量,根据所述统计数量,确定所述第一时频突变点的所述子数量。
具体地,在提取所述输入信号的第一时间段波形和所述输出信号的第二时间段波形之后,可基于第一时间段波形和第二时间段波形建立坐标系,根据坐标系,确定第一时频突变点在所述第一时间段波形中的第一位置以及在所述第二时间段波形中的第二位置。例如,可将第一时间段波形和第二时间段波形的最左侧端点确定为原点,将沿着第一时间段波形和第二时间段波形的方向确定为正方向,根据原点和正方向得到的坐标系确定第一位置和第二位置。
需要注意的时候,上述通过建立坐标系的方式确定第一位置和第二位置仅仅用于示例性说明,实际应用中可以通过其他合理的方式建立合适的坐标系确定第一位置和第二位置,或者通过其他非坐标系的方式确定第一位置和第二位置,在此不做限制。
示例性的,可提取一个包含明显第一时频突变点的输入信号或者输出信号的时域波形片段,例如,若输入信号的时域波形片段在100-200ms的范围内具有明显第一时频突变点,则可提取输入信号在100-200ms内的时域波形片段,输入信号在100-200ms内的时域波形片段就是第一时间段波形,同时提取滤波后的输出信号在100-200ms内的时域波形片段,输出信号在100-200ms内的时域波形片段就是第二时间段波形。其中,第一时间段波形和所述第二时间段波形所对应的时间段相同,可以在第一时间段波形内统计得到第一时频突变点的总数量m;或者,还可以在第二时间段波形内,统计得到第一时频突变点的总数量,需要注意的是,这里在第一时间段波形内统计得到的第一时频突变点的总数量与在第二时间段波形内统计第一时频突变点的总数量是相同的。例如,在第一时间段波形内统计得到的第一时频突变点的总数量m=30。
接着,依次确定30个第一时频突变点在所述第一时间段波形中的第一位置以及在所述第二时间段波形中的第二位置。假设预设位置偏移量为0.5,若在30个第一时频突变点中,某个第一时频突变点的第一位置为11.3,第二位置为10.9,则该第一时频突变点的位置偏移量为0.4,该第一时频突变点的位置偏移量小于预设位置偏移量,则将该位置偏移量标记为第三时频突变点;若在30个第一时频突变点中,某个第一时频突变点的第一位置为16.5,第二位置为15.6,则该第一时频突变点的位置偏移量为0.9,该第一时频突变点的位置偏移量大于预设位置偏移量,则在滤波前后该第一时频突变点存在明显位置偏移。重复上述过程,直至30个第一时频突变点的位置偏移量与预设位置偏移量的大小关系全部判断完成。根据标记为第三时频突变点,获取上述第三时频突变点的统计数量,这里假设统计数量为20,根据统计数量,得到最终的第一时频突变点的子数量n=20。
需要说明的是,上述对子数量、总数量以及统计数量数值的具体数值均为仅仅用于示例性说明,实际的应用场景下,具体的子数量、总数量以及统计数量数值可根据实际计算确定,本申请在此不作限制。
步骤S103,将所述子数量与所述总数量进行比值运算,得到时频保留值。
可选地,基于子数量n与总数量m,将子数量除以总数量,得到时频保留值Ei。
示例性的,若子数量n=12与总数量m=20,则时频保留值Ei=0.6。
本实施例中的时频保留值Ei可量化为第一时频突变点的保留效果。其中,Ei范围为0到1,Ei越大表示时频保留效果越好。然后将Ei按一定比例映射到0-10量化分值,可作为时频保留效果的定量化评分。
步骤S104,对所述输入信号和所述输出信号分别进行梅尔频谱分析,得到所述输入信号对应的第一梅尔频谱和所述输出信号对应的第二梅尔频谱。
可选地,对输入信号应用一组梅尔滤波器,可得到输入信号的第一梅尔频谱MOi(m),其中m表示关键听觉频带索引,输入信号的第一梅尔频谱反映了滤波前输入信号在各关键听觉频带上的能量分布。
又一可选地,每个通道的输出信号Yi(n)先进行快速傅立叶变换,得到频谱分析结果Yi(k)。其中,k表示频谱的频率索引,与信号采样频率和FFT长度N相关。
具体地,将滤波输出信号Yi(n)的长度扩展到N点。其中N通常取2的整数次方,以提高运算效率。对扩展后的输出信号计算FFT,可得到长度为N的复数频谱结果Yi(k),k=0,1,...,N-1。频谱结果依次对应输出信号的DC分量、基本频率及其整数倍频成分。利用复数频谱结果可计算每个频率份上信号的幅值和相角。通过快速傅立叶变换,可有效获得信号在各个频率分量上的表征,并为后续的梅尔频谱分析提供频域特征输入。进一步地,对Yi(k)应用同样一组梅尔滤波器,获得第二梅尔频谱Mi(m)。
本申请实施例中,可以达到以下有益效果:
上述方法中得到的第一梅尔频谱和第二梅尔频谱反映了信号在人耳听觉认知的关键频带上的能量分布。通过梅尔频谱分析,能够直观显示输出信号在不同听觉频带上的特征,便于比较滤波前输入信号与滤波后输出信号特性的变化,评估自适应滤波的效果。
示例性的,通过构建M个梅尔滤波器,用于提取输出信号在关键听觉频带上的能量特征。其中,M值可以取24或者128等合适的数值,一般取值越大,可以获得更高分辨率的第二梅尔频谱。梅尔滤波器的中心频率按人耳对声音敏感度的频带特性来设计,以模拟人耳的听觉***。在低频部分,中心频率按线性间隔设置,例如100Hz、200Hz等;而在高频部分,中心频率按对数关系设置,如1000Hz、2000Hz等,以匹配人耳听觉的非线性分辨率规律。这些中心频率覆盖语音相关的300-8000Hz范围。采用基于人耳模型的梅尔滤波器,可以提取输出信号在关键听觉频带上的特征,评估信号在这些频带上的保留效果。
需要说明的是,对于每个梅尔滤波器,它将按照预设的带通频率范围,通過设计的线性相位FIR滤波器,对向线性相位FIR滤波器输入的输出信号Yi(k)进行滤波操作。该带通范围与该梅尔滤波器的中心频率和带宽对应,例如中心频率为1000Hz,带宽300Hz,则该滤波器的通带范围为800-1200Hz。滤波器的相位特性线性,因此不会造成时域波形的失真。每个滤波器输出即为输入的输出信号Yi(k)在该频带内的能量,代表了信号在该关键听觉频带上的强度分布特征。
进一步地,在对输出信号Yi(k)分别通过M个梅尔滤波器带通滤波后,每个滤波器都可以获得对应频带的能量输出,共M个通道。这M个通道的带通滤波能量,构成长度为M的第二梅尔频谱Mi(m)。其中,m表示梅尔滤波器的通道索引,从1到M编号,一般M取24或者128。该索引m对应着一个唯一的关键听觉频带中心频率,例如m=5对应的中心频率为1000Hz。因此Mi(m)表示输出信号Yi(n)在中心频率为m对应的那个关键听觉频带内的能量强度。最终,整个长度为M的第二梅尔频谱反映了滤波后输出信号在全部M个关键听觉频带上的能量分布情况。
步骤S105,根据所述第一梅尔频谱和所述第二梅尔频谱,确定所述输入信号和所述输出信号的畸变值。
可选地,对每一个通道内的第一梅尔频谱中的每个第一梅尔频谱值和所述第二梅尔频谱中的每个第二梅尔频谱值,基于第二误差公式,确定第一梅尔频谱和第二梅尔频谱的第二误差值。根据畸变公式,确定所述第二误差值对应的畸变值。
在一些实施例中,依次提取所述第一梅尔频谱中的每个第一梅尔频谱值和所述第二梅尔频谱中的每个第二梅尔频谱值,其中所述第一梅尔频谱值在所述第一梅尔频谱中的位置和所述第二梅尔频谱值在所述第二梅尔频谱中的位置相同;根据所述第一梅尔频谱值和所述第二梅尔频谱值,确定所述第一梅尔频谱值和所述第二梅尔频谱值的第二误差值;根据畸变公式,确定所述第二误差值对应的畸变值。
示例性的,第二误差公式可以是:,根据上述公式得到第二误差值。第二误差值反映了滤波前输入信号对应的第一梅尔频谱和滤波后输出信号对应的第二梅尔频谱之间的频谱差异,ΔM数值越小则说明频谱的畸变越小,滤波效果越好。反之,如果ΔM结果较大,说明在某些频带上存在较大的频谱损耗失真,自适应滤波器的匹配效果需要进一步优化。例如,第一梅尔频谱中的第一梅尔频谱值依次为2,4,5,3,6;第二梅尔频谱中的第二梅尔频谱值依次为3,7,1,2,7,其中,第一梅尔频谱中的第一梅尔频谱值2所在的位置与第二梅尔频谱中的第二梅尔频谱值3所在的位置相同,第一梅尔频谱中的第一梅尔频谱值4所在的位置与第二梅尔频谱中的第二个第二梅尔频谱值7所在的位置相同,...,即上述第一梅尔频谱中的5个第一梅尔频谱值与第二梅尔频谱中的5个第二梅尔频谱值一一对应,根据均方误差公式即可得到第二误差值为46。同理,若第一梅尔频谱中的第一梅尔频谱值依次为5,2,8,3,6;第二梅尔频谱中的第二梅尔频谱值依次为6,3,9,2,8,根据均方误差公式得到第二误差值为8。此时的第二误差值8是小于46的,则第二误差值为8对应的第一梅尔频谱和第二梅尔频谱之间的频谱差异更小,滤波效果越好,而对于第二误差值为46时对应的第一梅尔频谱和第二梅尔频谱差异较大,说明在某些频带上存在较大的频谱损耗失真,需要进一步优化自适应滤波器的匹配效果,通过比较第一梅尔频谱和第二梅尔频谱的第二误差值,根据第二误差值分析是否需要进一步优化自适应滤波器的匹配效果。
优选的,畸变公式可以是,其中,/>表示最大允许畸变值,可合理设置其具体数值。根据得到的第二误差值,确定第二误差值对应的畸变值。
进一步的,为对第一梅尔频谱和第二梅尔频谱的频谱畸变程度进行定量化描述,在本申请可设置ΔM的满分值为10分、100分或者其他合适的分数值,并可根据设置的ΔM的满分值确定最大允许畸变值的具体数值。例如,ΔM的满分值为10分,则对应的最大允许畸变值为10。那么/>的取值范围为0-10,/>越小,表示对应的第一梅尔频谱和第二梅尔频谱的频谱畸变程度越大;相反,/>越大,表示对应的第一梅尔频谱和第二梅尔频谱的频谱畸变程度越小。
本申请实施例中,可以达到以下有益效果:
通过依次提取第一梅尔频谱中的每个第一梅尔频谱值和所述第二梅尔频谱中的每个第二梅尔频谱值,并根据第一梅尔频谱值和第二梅尔频谱值得到第二误差值。根据第二误差值确定否需要进一步优化自适应滤波器的匹配效果,可提高滤波的准确率。进一步根据第二误差值得到畸变值,可定量化描述第二梅尔频谱的畸变程度。
步骤S106,根据所述时频保留值和所述畸变值,确定所述输出信号的质量分值。
可选地,将时频保留值和所述畸变值输入质量分值公式,根据质量分值公式,确定输出信号的质量分值。
示例性的,质量分值公式可以是,其中,Qi表示第i组参数下滤波输出的质量分;Ei代表该组参数下时频保真度量化分值,取值范围可设置为0-1;/>表示第组参数下频谱的畸变值/>,取值范围可设置为0-10。w和τ为可调参数,其具体数值可以合理设置,计算每组参数设置的Qi,比较每组参数下得到的所有Qi的大小,选择质量分值最大的那组参数下的滤波后的输出信号,作为该通道的最终优化的滤波后的输出信号。基于上述方法,依次获取每个通道的质量分值Q1,Q2,...,Qn。
本申请实施例中,可以达到以下有益效果:
上述实施例中的时频保留值Ei反映了输入信号和输出信号的时域特征的提取效果,是较为重要的评判指标,所以对Ei采用平方关系,可以放大它对评分的影响,对时频保真度较好的给予正向奖励。而对于畸变值,它主要评估输入信号和输出信号对应的频域信息的保留,相对影响识别的重要性略次于时频特征,所以对/>中的每一个通道i中的畸变值/>采用立方关系,在不严重影响第一梅尔频谱和第二梅尔频谱时给予稍小的正向鼓励,但当第二梅尔频谱严重受损时给予较大的负向惩罚,以筛选频谱保留较好的结果。
上述质量分值公式中的时频保留值Ei和畸变值是两个互补的评判指标,平方和立方关系的设计充分考虑了两者对识别质量的不同影响,采用不同的非线性映射方式进行平衡。Ei平方可以强化时域信息的重要性,ΔMS立方可以避免频谱指标过度影响结果,两者相互配合形成合理的评分机制,以获得在时域和频阈两方面都较优的最佳滤波模板,提高滤波的准确率。
步骤S107,根据每个通道的所述质量分值,确定每个所述通道的所述输出信号的权值系数。
可选地,根据得到的各个通道的质量分值,对每个通道的质量分值进行求和处理,确定各个通道的总质量分值。根据总质量分值,对各个通道的质量分值进行归一化处理,得到每个通道的输出信号的权值系数。
示例性的,若共有n个通道,各个通道的质量分值分别为Q1,Q2,...,Qn,
则根据求和公式,每个通道的质量分值得到的全部通道的总质量分值为/>。接着对每个通道的质量得分Qi进行归一化处理,得到每个通道的权值系数Wi。具体为每个通道的质量分值Qi除以总质量分值/>,公式表示为:/>。
需要说明的是,归一化处理后的权值系数的范围在0到1之间,并且所有通道的权值系数之和等于1。
步骤S108,根据所述权值系数对所述输出信号进行加权处理,得到目标信号。
可选地,根据归一化处理后得到的各通道的权值系数Wi对各通道的滤波后的输出信号Yi进行加权处理,对各通道的权值系数Wi和输出信号Yi进行叠加,确定加权叠加后的各通道的权值系数Wi和输出信号Yi的加权和,并根据加权和确定输出对应的目标信号。其中归一化处理的目的是让权值系数与质量分值相对应。
示例性的,可根据加权和计算公式,确定各通道的权值系数Wi和输出信号Yi的加权和。其中,Yi表示第i通道的滤波输出信号,Wi表示第i通道加权处理后的权值系数。
具体地,在加权处理后,输出信号的权值系数越大的通道,其通道内输出信号的质量得分也越高。根据各个通道的权值系数,确定输出信号对应的最终的目标信号。
图2为本申请一实施例提供的计算机设备的结构示意图。如图2所示,该实施例的计算机设备2包括:至少一个处理器20(图2中仅示出一个)、存储器21以及存储在所述存储器21中并可在所述至少一个处理器20上运行的计算机程序22,所述处理器20执行所述计算机程序22时实现上述任意方法实施例中的步骤。
所述计算机设备2可以是笔记本电脑、台式计算机、云端服务器和终端服务器等计算机设备。该计算机设备可包括但不仅限于处理器20、存储器21。本领域技术人员可以理解,图2仅仅是计算机设备2的举例,并不构成对计算机设备2的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如还可以包括输入输出设备、网络接入设备等。
所称处理器20可以是中央处理单元(Central Processing Unit,CPU),该处理器20还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor,DSP)、专用集成电路 (Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器21在一些实施例中可以是所述计算机设备2的内部存储单元,例如计算机设备2的硬盘或内存。所述存储器21在另一些实施例中也可以是所述计算机设备2的外部存储设备,例如所述计算机设备2上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital, SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器21还可以既包括所述计算机设备2的内部存储单元也包括外部存储设备。所述存储器21用于存储操作***、应用程序、引导装载程序(BootLoader)、数据以及其他程序等,例如所述计算机程序的程序代码等。所述存储器21还可以用于暂时地存储已经输出或者将要输出的数据。
在本申请所提供的几个实施例中,可以理解的是,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意的是,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述的具体实施例,对本申请的目的、技术方案和有益效果进行了进一步的详细说明,应当理解,以上所述仅为本申请的具体实施例而已,并不用于限定本申请的保护范围。特别指出,对于本领域技术人员来说,凡在本申请的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (7)
1.一种脑机接口信号预处理方法,其特征在于,包括:
获取输入信号,对所述输入信号和冲激响应进行卷积运算,得到自适应滤波后的输出信号;
确定第一时频突变点的总数量和所述第一时频突变点的子数量,其中,所述第一时频突变点位于所述输入信号和所述输出信号中;
将所述子数量与所述总数量进行比值运算,得到时频保留值;
对所述输入信号和所述输出信号分别进行梅尔频谱分析,得到所述输入信号对应的第一梅尔频谱和所述输出信号对应的第二梅尔频谱;
根据所述第一梅尔频谱和所述第二梅尔频谱,确定所述输入信号和所述输出信号的畸变值;
根据所述时频保留值和所述畸变值,确定所述输出信号的质量分值;
根据每个通道的所述质量分值,确定每个所述通道的所述输出信号的权值系数;
根据所述权值系数对所述输出信号进行加权处理,得到目标信号;
获得所述输出信号后,所述方法还包括:
获取目标信号;
确定所述输出信号与所述目标信号的第一误差值;
若所述第一误差值大于预设误差阈值,调节所述冲激响应,根据调节后的所述冲激响应和所述输入信号,更新所述输出信号,直至所述第一误差值小于或者等于所述预设误差阈值,得到更新后的所述输出信号;
所述获取目标信号,包括:
获取至少一个所述通道的输入信号;
对每个所述通道的所述输入信号进行信号处理,得到所述输入信号对应的所述目标信号;
所述对每个所述通道的所述输入信号进行信号处理,得到所述输入信号对应的所述目标信号,包括:
对所述输入信号进行低频噪声去除处理,得到所述输入信号对应的第一中间信号;
对所述第一中间信号进行时域增强处理,得到所述第一中间信号对应的第二中间信号;
对所述第二中间信号进行分帧处理,得到所述第二中间信号下的准周期模板库;
基于每个所述通道,提取所述准周期模板库中的对应所述通道的平均能量模式,将所述平均能量模式作为所述通道的所述目标信号。
2.根据权利要求1所述的脑机接口信号预处理方法,其特征在于,对所述第二中间信号进行分帧处理,得到所述第二中间信号下的准周期模板库,包括:
对所述第二中间信号进行等长分帧处理,确定所述分帧处理后每个帧的短时能量;
根据相邻帧的所述短时能量的能量差值,确定第二时频突变点;
基于每对相邻的所述第二时频突变点的时间间隔,确定准周期区间;
确定每个所述准周期区间的区间编号,并在每个所述准周期区间内,提取每个所述短时能量对应的帧序号;
根据所述区间编号和所述帧序号,得到二维矩阵,并基于所述二维矩阵,确定所述准周期区间对应的平均能量模式;
基于至少一个所述平均能量模式和所述平均能量模式对应的所述准周期区间,得到所述第二中间信号下的所述准周期模板库。
3.根据权利要求2所述的脑机接口信号预处理方法,其特征在于,所述根据相邻帧的所述短时能量的能量差值,确定第二时频突变点,包括:
依次将所述每个帧确定为当前帧,计算所述当前帧与相邻帧的所述短时能量的能量差值,若所述能量差值大于预设能量阈值,则将所述当前帧确定为第二时频突变点。
4.根据权利要求2所述的脑机接口信号预处理方法,其特征在于,所述基于每对相邻的所述第二时频突变点的时间间隔,确定准周期区间,包括:
确定每对相邻的所述第二时频突变点的时间间隔,得到所述时间间隔的概率密度函数,根据所述概率密度函数的最高概率取值范围,确定所述准周期区间。
5.根据权利要求1所述的脑机接口信号预处理方法,其特征在于,所述确定第一时频突变点的总数量和所述第一时频突变点的子数量,包括:
分别提取所述输入信号的第一时间段波形和所述输出信号的第二时间段波形,其中,所述第一时间段波形和所述第二时间段波形所对应的时间段相同;
在所述第一时间段波形内,统计所述第一时频突变点的所述总数量;
依次确定每个所述第一时频突变点在所述第一时间段波形中的第一位置以及在所述第二时间段波形中的第二位置;
根据每个所述第一位置和所述第二位置,确定所述第一位置与所述第二位置之间的位置偏移量;
若所述位置偏移量小于预设位置偏移量,将所述第一时频突变点标记为第三时频突变点;
获取所述第三时频突变点的统计数量,根据所述统计数量,确定所述第一时频突变点的所述子数量。
6.根据权利要求1所述的脑机接口信号预处理方法,其特征在于,所述根据所述第一梅尔频谱和所述第二梅尔频谱,确定所述输入信号和所述输出信号的畸变值,包括:
依次提取所述第一梅尔频谱中的每个第一梅尔频谱值和所述第二梅尔频谱中的每个第二梅尔频谱值,其中所述第一梅尔频谱值在所述第一梅尔频谱中的位置和所述第二梅尔频谱值在所述第二梅尔频谱中的位置相同;
根据所述第一梅尔频谱值和所述第二梅尔频谱值,确定所述第一梅尔频谱值和所述第二梅尔频谱值的第二误差值;
根据畸变公式,确定所述第二误差值对应的畸变值。
7.一种计算机设备,其特征在于,所述计算机设备包括存储器和处理器;
所述存储器用于存储计算机程序;
所述处理器,用于执行所述计算机程序并在执行所述计算机程序时实现如权利要求1至6中任一项所述的脑机接口信号预处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410096942.8A CN117633442B (zh) | 2024-01-24 | 2024-01-24 | 一种脑机接口信号预处理方法及计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410096942.8A CN117633442B (zh) | 2024-01-24 | 2024-01-24 | 一种脑机接口信号预处理方法及计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117633442A CN117633442A (zh) | 2024-03-01 |
CN117633442B true CN117633442B (zh) | 2024-05-10 |
Family
ID=90036287
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410096942.8A Active CN117633442B (zh) | 2024-01-24 | 2024-01-24 | 一种脑机接口信号预处理方法及计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117633442B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114283795A (zh) * | 2021-12-24 | 2022-04-05 | 思必驰科技股份有限公司 | 语音增强模型的训练、识别方法、电子设备和存储介质 |
CN115964655A (zh) * | 2023-01-13 | 2023-04-14 | 哈尔滨工业大学 | 一种基于互信息量的脑机接口中错误相关电位的监测方法 |
CN116312635A (zh) * | 2023-03-16 | 2023-06-23 | 北京理工大学 | 一种融合机器识别和听觉脑机接口的声音目标探测方法 |
CN116671932A (zh) * | 2023-06-06 | 2023-09-01 | 哈尔滨理工大学 | 一种基于小波及自适应滤波的抑郁症脑电信号提取方法 |
CN117349598A (zh) * | 2023-12-04 | 2024-01-05 | 小舟科技有限公司 | 脑电信号处理方法及装置、设备、存储介质 |
-
2024
- 2024-01-24 CN CN202410096942.8A patent/CN117633442B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114283795A (zh) * | 2021-12-24 | 2022-04-05 | 思必驰科技股份有限公司 | 语音增强模型的训练、识别方法、电子设备和存储介质 |
CN115964655A (zh) * | 2023-01-13 | 2023-04-14 | 哈尔滨工业大学 | 一种基于互信息量的脑机接口中错误相关电位的监测方法 |
CN116312635A (zh) * | 2023-03-16 | 2023-06-23 | 北京理工大学 | 一种融合机器识别和听觉脑机接口的声音目标探测方法 |
CN116671932A (zh) * | 2023-06-06 | 2023-09-01 | 哈尔滨理工大学 | 一种基于小波及自适应滤波的抑郁症脑电信号提取方法 |
CN117349598A (zh) * | 2023-12-04 | 2024-01-05 | 小舟科技有限公司 | 脑电信号处理方法及装置、设备、存储介质 |
Non-Patent Citations (3)
Title |
---|
Development of an Online Home Appliance Control System Using Augmented Reality and an SSVEP-Based Brain-Computer Interface;Seonghun Park等;《2020 8th International Winter Conference on Brain-Computer Interface (BCI)》;20200409;第1-2页 * |
EEG Channel Selection Methods for Motor Imagery in Brain Computer Interface;Wei Mu等;《2022 10th International Winter Conference on Brain-Computer Interface (BCI)》;20220317;第1-6页 * |
基于心率变异性的情绪识别研究;邓光华;《中国优秀硕士学位论文全文数据库信息科技辑》;20220115(第01期);第I136-274页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117633442A (zh) | 2024-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110338786B (zh) | 一种癫痫样放电的识别与分类方法、***、装置和介质 | |
Kates et al. | The hearing-aid speech perception index (HASPI) | |
Gradolewski et al. | Wavelet-based denoising method for real phonocardiography signal recorded by mobile devices in noisy environment | |
CN111671399B (zh) | 噪声感知强度的测量方法、装置和电子设备 | |
WO2019023879A1 (zh) | 咳嗽声音识别方法、设备和存储介质 | |
CN110111769B (zh) | 一种电子耳蜗控制方法、装置、可读存储介质及电子耳蜗 | |
Bar-Yosef et al. | The effects of background noise on the neural responses to natural sounds in cat primary auditory cortex | |
CN109124620B (zh) | 一种房颤检测方法、装置及设备 | |
CN110085246A (zh) | 语音增强方法、装置、设备和存储介质 | |
JP2015097355A (ja) | 収音装置及びその制御方法、プログラム | |
CN107174238B (zh) | 生理数据的处理方法及装置 | |
US8699637B2 (en) | Time delay estimation | |
CN117633442B (zh) | 一种脑机接口信号预处理方法及计算机设备 | |
CN111012340A (zh) | 一种基于多层感知机的情绪分类方法 | |
Azami et al. | Automatic signal segmentation based on singular spectrum analysis and imperialist competitive algorithm | |
CN111317467A (zh) | 脑电信号分析方法、装置、终端设备及存储介质 | |
WO2016007947A1 (en) | Fast computation of excitation pattern, auditory pattern and loudness | |
Richards et al. | Level dominance for the detection of changes in level distribution in sound streams | |
Bagheri et al. | Classifier cascade to aid in detection of epileptiform transients in interictal EEG | |
Sharma et al. | A Comparative Study of Different EMG Features for Acoustics-to-EMG Mapping. | |
Pretorius et al. | Feature extraction from ECG for classification by artificial neural networks | |
Cruz et al. | An incremental algorithm based on multichannel non-negative matrix partial co-factorization for ambient denoising in auscultation | |
Dai et al. | An improved model of masking effects for robust speech recognition system | |
Rao et al. | A measure for predicting audibility discrimination thresholds for spectral envelope distortions in vowel sounds | |
Schädler et al. | Normalization of spectro-temporal gabor filter bank features for improved robust automatic speech recognition systems |
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 |