本發明涉及放松治療領域，尤其涉及一種基于自回歸模型和小波變換的腦電放松度識別方法及系統。
背景技術：
：放松訓練是行為療法中使用最廣的技術之一，是在心理學實驗的基礎上建立和發展起來的咨詢和治療方法，其在治療焦慮抑郁癥、神經性頭痛、失眠、高血壓病，減輕更年期綜合征和轉變不良行為模式等方面取得了較好的療效。現有的放松訓練主要有錄音指導、口頭指導和生物反饋指導。其中，錄音指導方法僵化、沒有變化，無法根據受訓者的狀態變化內容；口頭指導則要求對口頭指導的對象要求很高，且受到時間、場地限制；生物反饋指導以腦電反饋為主，能夠結合前兩種方式的優點，因而受到廣泛關注。進行生物反饋指導需要識別用戶的放松度，而計算放松度首先需要從用戶的腦電信號中提取各個頻段的腦電波(包括Delta、Theta、Alpha、Beta、Gamma波)，腦電波能否準確提取關系到最終腦電放松度識別的精確度。雖然每個腦電波都有自己的特征頻率，但由于各個腦電波的特征頻率比較接近，因此如何準確的分離提取各個頻段腦電波就顯得至關重要。現有方式一般直接采用單一的濾波方式進行腦電波的提取，但是這種提取方法提取效果不穩定，容易受到外界因素干擾以及濾波器本身的性能或波動性的影響，進而影響到最終的腦電放松度的識別精度。技術實現要素：針對上述問題，本發明的目的在于提供一種基于自回歸模型和小波變換的腦電放松度識別方法及系統，可準確的分離提取出腦電信號中的各個腦電波。本發明提供了一種基于自回歸模型和小波變換的腦電放松度識別方法，包括如下步驟：基于構建好的自回歸模型對接收的待處理腦電序列信號進行信號提取，得到對應于各個腦電波的第一信號；根據各個腦電波的頻率范圍，對接收的待處理腦電序列信號進行小波變換，重構得到對應于各個腦電波的第二信號；基于對應于各個腦電波的第一信號及第二信號的質量指數，計算得到與各個腦電波的第一信號對應的第一權重因子及與各個腦電波的第二信號對應的第二權重因子；根據所述各個腦電波的第一信號、第一權重因子、第二信號及第二權重因子，計算得到對應于各個腦電波的第三信號；對所述各個腦電波的第三信號進行特征提取，并根據提取得到的特征量進行分類識別，得到腦電放松度。優選地，在基于構建好的自回歸模型對接收的待處理腦電序列信號進行信號提取，得到對應于各個腦電波的第一信號之前，還包括：以待處理腦電序列信號為原始信號，以與所述待處理腦電序列信號同步采集得到的偽跡序列信號為參考信號，采用經函數鏈神經網絡優化的自適應濾波器對所述原始腦電序列信號進行濾波，得到去除偽跡序列信號后的待處理腦電序列信號。優選地，所述基于構建好的自回歸模型對接收的待處理腦電序列信號進行信號提取，得到對應于各個腦電波的第一信號具體包括：基于待處理腦電序列信號構建得到自回歸模塊；估計與各個腦電波對應的自回歸模塊中的加權參數，計算與各個腦電波對應的系數矩陣，得到對應的各個腦電波的特征；根據各個腦電波的特征，采用自相關分離算法，對待處理腦電序列信號進行抽取，提取得到對應的腦電波的第一信號。優選地，所述自回歸模型經滑動平均法優化。優選地，所述根據各個腦電波的頻率范圍，對接收的待處理腦電序列信號進行小波變換，重構得到對應于各個腦電波的第二信號具體包括：根據香農-奈奎斯特采樣原理及所述待處理腦電序列信號的采樣頻率進行頻段分層，計算得到每層的頻率范圍；依據所述頻段分層中每層的頻率范圍及每個腦電波的頻率范圍，確定與每個腦電波對應的小波分解和重構所需的層數；根據與每個腦電波對應的所述小波分解所需的層數及預先選擇的母小波進行信號分解，得到與每個腦電波對應的按頻段劃分的多層波形；根據與所述小波重構所需的層數對應的系數及分解得到的與各個腦電波對應的所述多層波形，重構得到對應于各個腦電波的第二信號。優選地，所述根據所述各個腦電波的第一信號、第一權重因子、第二信號及第二權重因子，計算得到對應于各個腦電波的第三信號具體包括：當判斷一個腦電波的第一權重因子大于預設的基準值且該腦電波的第二權重因子小于所述基準值時，將該腦電波的第三信號設置為該腦電波的第一信號；當判斷所述腦電波的第二權重因子小于預設的基準值且所述腦電波的第二權重因子大于所述基準值時，將該腦電波的第三信號設置為該腦電波的第二信號；當判斷所述腦電波的第一權重因子及所述第二權重因子均大于預設的基準值時，根據所述第一權重因子及所述第二權重因子對所述第一信號和第二信號進行加權求和，計算得到對應于各個腦電波的第三信號。優選地，所述基于所述各個腦電波進行特征提取，并根據提取得到的特征量進行分類識別，得到當前的腦電放松度，具體包括：根據對應于各個腦電波的第三信號，計算得到所述待處理腦電序列信號的特征量；基于預先訓練好的基于支持向量機對所述特征量進行分類，識別得到與所述待處理腦電序列信號對應的腦電放松度。優選地，所述根據對應于各個腦電波的第三信號，計算得到所述待處理腦電序列信號的特征量，具體包括：根據所述各個腦電波的第三信號及待處理腦電序列信號形成對應的二維圖表；用m*m的網格完整覆蓋在各個二維圖表上，并統計覆蓋有信號的格子數；其中，m為大于1的整數，且m的取值由信號的長度決定；根據覆蓋有信號的格子數與總格子數計算各個腦電波及待處理腦電序列信號的相空間分布密度，得到待處理腦電序列信號的特征量。本發明還提供了一種基于自回歸模型和小波變換的腦電放松度識別系統，包括：自回歸提取單元，用于基于構建好的自回歸模型對接收的待處理腦電序列信號進行信號提取，得到對應于各個腦電波的第一信號；小波變換單元，用于根據各個腦電波的頻率范圍，對接收的待處理腦電序列信號進行小波變換，重構得到對應于各個腦電波的第二信號；權重計算單元，用于基于對應于各個腦電波的第一信號及第二信號的質量指數，計算得到與各個腦電波的第一信號對應的第一權重因子及與各個腦電波的第二信號對應的第二權重因子；加權單元，用于根據所述各個腦電波的第一信號、第一權重因子、第二信號及第二權重因子，計算得到對應于各個腦電波的第三信號；放松度識別單元，用于對所述各個腦電波的第三信號進行特征提取，并根據提取得到的特征量進行分類識別，得到腦電放松度。本發明提供的基于自回歸模型和小波變換的腦電放松度識別方法及系統，通過利用自回歸技術與小波變換技術相結合的方式處理腦電信號，得到各個腦電波的第一信號及第二信號，并根據與所述第一信號對應的第一權重因子和與所述第二信號對應的第二權重因子得到最終用于特征提取的第三信號，如此，可避免由于單一方式提取時出現偏差過大而導致的提取分離的腦電波不夠準確，進而影響了最終腦電放松度識別的精確性的問題。即通過本發明提取的各個腦電波，其信號穩定性更高，從而保證了腦電放松度的準確識別，為準確的生物反饋指導提供了數據基礎和依據。附圖說明為了更清楚地說明本發明的技術方案，下面將對實施方式中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發明的一些實施方式，對于本領域普通技術人員來講，在不付出創造性勞動的前提下，還可以根據這些附圖獲得其他的附圖。圖1是本發明實施例提供的基于自回歸模型和小波變換的腦電放松度識別方法的流程示意圖。圖2是本發明實施例提供的Shannon小波熵與中心頻率-帶寬比的關系圖。圖3是通過切片得到待處理腦電序列信號的示意圖。圖4是本發明實施例提供的對對原始腦電序列信號進行加權移動平均計算的原理圖。圖5是自適應濾波器的工作原理圖。圖6是SVM的最優超平面分類的示意圖。圖7是SVM高維映射的示意圖。圖8是本發明實施例提供的基于自回歸模型和小波變換的腦電放松度識別系統的結構示意圖。具體實施方式下面將結合本發明實施例中的附圖，對本發明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發明一部分實施例，而不是全部的實施例。基于本發明中的實施例，本領域普通技術人員在沒有做出創造性勞動前提下所獲得的所有其他實施例，都屬于本發明保護的范圍。請參閱圖1，本發明實施例提供了一種基于自回歸模型和小波變換的腦電放松度識別方法，其可包括如下步驟：S101，基于構建好的自回歸模型對接收的待處理腦電序列信號進行信號提取，得到對應于各個腦電波的第一信號。在本發明實施例中，一般地，所述待處理腦電序列信號為6秒長度的國際通用切片。具體地，步驟S101可包括如下步驟：S1011，基于待處理腦電序列信號構建得到自回歸模塊。在本發明實施例中，首先需要構建與自回歸模型(AutoregressiveModel，ARM)。其中，自回歸模型是用自身做回歸變量的過程，即利用前期若干時刻的隨機變量的線性組合來描述以后某時刻隨機變量的線性回歸模型，它是時間序列中的一種常見形式。如公式(1)所示，對于一個自回歸模型，B為延遲算子，且滿足Byt＝yt-1；p為模型的階數，表示自回歸項數，yt為時間序列的當前值，yt-1為時間序列的上一個時刻的值，at為隨機干擾。φ(B)＝1-φ1B-...-φpBp，且滿足平穩性條件。在ARM中，當前時刻的觀測yt由過去p個歷史時刻的觀測值和一個當前時刻的隨機干擾來表示，即：φ(B)yt＝at(1)在本發明實施例中，為了更好的進行降噪，尤其是降低白噪聲，還可利用滑動平均法來優化自回歸模型，優化手段是使ARM的殘差最小。假設滑動平均法的階數為q，則θ(B)＝1-θ1-...-θqBq，滑動平均模型MA(q)如公式2所示，當前時刻的觀測yt由過去q個歷史時刻的觀測值和一個當前時刻的隨機干擾來表示，yt為時間序列的當前值；at為隨機干擾。利用該模型對自回歸模型進行優化，則可得到如公式3所示的自回歸-滑動平均模型ARMA(p，q)，其中，p、q為模型階數(p為自回歸項數，q為滑動平均項數)。yt＝θ(B)·at(2)φ(B)yt＝θ(B)·at(3)S1012，估計與各個腦電波對應的自回歸模塊中的加權參數，計算與各個腦電波對應的系數矩陣，得到對應的各個腦電波的特征。S1013，根據各個腦電波的特征，采用自相關分離算法，對待處理腦電序列信號進行抽取，提取得到對應的腦電波的第一信號。在本發明實施例中，構建好自回歸模型后，就可以進行腦電波提取了，其中，所述的各個腦電波包括頻率范圍Delta波、Theta波、Alpha波、Beta波、Gamma波。其中一般地，Delta波的頻率范圍為0.5～3Hz，Theta波的頻率范圍為3～7Hz、Alpha波的頻率范圍為8～13Hz、Beta波的頻率范圍為14～17Hz、Gamma波的頻率范圍為34～50Hz。具體地，以Delta波提取為例，通過估計與Delta波對應的加權參數，并計算待處理腦電序列信號的ARMA(p，q)模型的系數矩陣，作為Delta波的特征，然后，結合估計得到的Delta波的特征，采用自相關分離算法，對待處理腦電序列信號進行抽取，就可以提取得到Delta波了。在本發明實施例中，使用同樣的方法就可以提取到其他腦電波的第一信號，本發明在此不做贅述。S102，根據各個腦電波的頻率范圍，對接收的待處理腦電序列信號進行小波變換，重構得到對應于各個腦電波的第二信號。具體地，可包括如下步驟：S1021，根據香農-奈奎斯特采樣原理及所述待處理腦電序列信號的采樣頻率進行頻段分層，計算得到每層的頻率范圍。S1022，依據所述頻段分層中每層的頻率范圍及每個腦電波的頻率范圍，確定與每個腦電波對應的小波分解和重構所需的層數。根據香農-奈奎斯特采樣原理，設所述待處理腦電序列信號的采樣頻率為fs，目標頻段為f1-f2(Hz)，運用小波變換分解的層數為N，由奈奎斯特定律可知：f1＝(fs/2)/N1(4)f2＝(fs/2)/N2(5)N>N1(N1>N2)(6)即需要重構的小波的層數為N2～N1層。在本發明實施例中，假設所述待處理腦電信號的采樣頻率為100Hz，即fs為100Hz，信號最高頻率為50Hz，根據公式(4)、(5)、(6)可知，每一層對應的頻段如下：頻段頻率范圍/Hz頻段頻率范圍/HzA10～25D125～50A21～12.5D212.5～25A30～6.25D36.25～12.5A40～3.125D43.125～6.25A50～1.625D51.625～3.125A60～0.8125D60.8125～1.625A70～0.40625D70.40625～0.8125A80～0.203125D80.203125～0.40625A90～0.10156D90.10156～0.203125以Delta波為例，其頻段范圍為0.5～3Hz。因此，選用第5、6、7層的近似系數(D5/D6/D7)來重構信號。若是Theta波(3～7Hz)，則選用第3、4層的近似系數(D3/D4)來重構信號、若是Alpha波(8～13Hz)，則選用第2、3層的近似系數(D2/D3)來重構信號，以此類推。S1023，根據與每個腦電波對應的所述小波分解所需的層數及預先選擇的母小波進行信號分解，得到與每個腦電波對應的按頻段劃分的多層波形。在本發明實施例中，經驗證，coifN小波和dmey小波的提取效果較佳，且優選地，以coif3小波基作為母小波時，具有最佳的提取效果。因而本發明實施例采用coif3小波基作為母小波進行小波分解。當然，可以理解的是，在本發明的其他實施例中，也可選取其他的母小波，如db小波等，本發明不做具體限定。需要說明的是，當以coif3小波作為母小波時，中心頻率和帶寬是影響coif3小波時頻分辨率關鍵因素。改變中心頻率-帶寬比就可以改變coif3小波變換的時頻分辨率。當中心頻率-帶寬比達到最優時，coif3小波變換的時頻分辨率最高。具體地，優化過程如下：首先，coif3小波的母小波表達式如公式(7)所示。其中，fc表示母波ψ(t)的特征頻率，也是中心頻率，σt為高斯窗的標準差，通常取值為1，σf為帶寬，通常σf＝1/2π·σt。分析coif3小波的母小波可知，小波波形振蕩衰減的快慢由帶寬σf決定，波形的振蕩頻率由中心頻率fc決定。根據公式(7)可以計算coif3小波的頻率分辨率(公式8)和時間分辨率(公式9)，其中，fs為采樣頻率，fc為中心頻率，σf為帶寬，fi為信號分析頻率。接著，利用Shannon熵優化coif3小波變換中心頻率-帶寬比的核心思想，就是用概率分布序列pi來表示小波系數，然后計算pi的值，表達式如公式10所示。其中，pi是一個概率分布序列，通過小波系數轉換得到，具有不確定性。其轉換公式如公式11所示，X(fi,t)為小波系數。中心頻率-帶寬比fc/σf和Shannon小波熵之間的曲線關系，如圖2所示。在本發明實施例中，當中心頻率-帶寬比fc/σf＝4.43時，基于Shannon小波熵概率最優理論，可知當Shannon小波熵達到最小值時，coif3小波中心頻率-帶寬比參數達到最優，對應的基小波就是與特征成分最匹配的小波。S1024，根據與所述小波重構所需的層數對應的系數及分解得到的與各個腦電波對應的所述多層波形，重構得到對應于各個腦電波的第二信號。由步驟S1022可知，Delta波進行小波重構所需的層數為第5、6、7層，此時，即可根據與所述小波重構所需的層數對應的小波系數及分解得到的所述多層波形進行信號重構，得到Delta波的第二信號。在本發明實施例中，只需要根據各個腦電波的頻率范圍選擇相應的層數即可用重構得到各個腦電波的第二信號，本發明在此不做贅述。S103，基于對應于各個腦電波的第一信號及第二信號的質量指數，計算得到與各個腦電波的第一信號對應的第一權重因子及與各個腦電波的第二信號對應的第二權重因子。在本發明實施例中，具體的，可通過對各個腦電波的第一信號及第二信號進行功率譜分析，分析其譜分布，得到與所述第一信號對應的第一權重因子及與所述第二信號對應的第二權重因子。當然，也可通過分析所述第一信號及所述第二信號的峰值譜或其他譜的分布來計算得到相應的權重因子，本發明不做具體限定。S104，根據所述各個腦電波的第一信號、第一權重因子、第二信號及第二權重因子，計算得到對應于各個腦電波的第三信號。在本發明實施例中，可通過加權平均來計算得到當前時刻的各個腦電波的第三信號。即：R＝μ1*R1+μ2*R2(12)其中，R1為任一個腦電波的第一信號，μ1為該腦電波的第一權重因子，R2為該腦電波的第二信號，μ2為其第二權重因子。需要說明的是，在進行加權平均之前，需先對μ1和μ2進行歸一化處理，具體地，假設μ1+μ2＝a，則需要分別對μ1和μ2乘以歸一化系數1/a進行歸一化，保證歸一化后的μ1+μ2＝1。S106，對所述各個腦電波的第三信號進行特征提取，并根據提取得到的特征量進行分類識別，得到腦電放松度。本發明實施例提供的基于自回歸模型和小波變換的腦電放松度識別方法，通過利用自回歸技術與小波變換技術相結合的方式處理腦電信號，得到各個腦電波的第一信號及第二信號，并根據與所述第一信號對應的第一權重因子和與所述第二信號對應的第二權重因子得到最終用于特征提取的第三信號，如此，可避免由于單一方式提取時出現偏差過大而導致的提取分離的腦電波不夠準確，進而影響了最終腦電放松度識別的精確性的問題。即通過發明實施例提取的各個腦電波，其信號穩定性更高，從而保證了腦電放松度的準確識別，為準確的生物反饋指導提供了數據基礎和依據。優選地，在步驟S101之前，還包括：S01，對接收的原始腦電序列信號進行降采樣。S02，基于加權移動平均算法對降采樣后的原始腦電序列信號的各個時刻的腦電信號進行計算，得到去除低頻直流信息后的待處理腦電序列信號。在本優選實施例中，為了保證提取和濾波的效率和準確性，還可對腦電序列信號進行相應的預處理。在本優選實施例中，原始腦電序列信號可通過腦電電極采集獲得，其中，一般地，腦電電極采集的原始腦電信號的持續時間比較長(如數小時甚至更長)，因此進行需要對原始腦電信號進行切片，例如，如圖3所示，每個切片的片段為30秒，即每段所述原始腦電序列信號的長度為30秒。在本優選實施例中，一般地，所述原始腦電序列信號的采樣頻率為500HZ，為了減少后續的小波分解的計算量，需進行降采樣，如將采樣至100HZ。在本優選實施例中，為了去除原始腦電序列信號中的低頻直流信息，還可基于加權移動平均算法對降采樣后的原始腦電序列信號的各個時刻的腦電信號進行計算，得到所述待處理腦電序列信號。具體地：首先，基于當前的第j個時刻的腦電信號，獲取所述原始腦電序列信號中的位于第(j-(N-1)/2)個時刻至第(j+(N-1)/2)個時刻之間的N個腦電信號的能量；其中，N為預設的影響數，且N為奇數，j為大于(N+1)/2的整數。例如，假設當前要預測的腦電信號x(j)的時刻為第10個時刻(即j＝10)，影響數N為5，則對當前要預測的腦電信號有影響的腦電信號為第8個至第12個時刻的腦電信號，即x(8)～x(12)。此時，先獲取這5個時刻的腦電信號的能量。接著，根據預設的權值分布函數為獲取的N個腦電信號的能量分配權值；其中，N個腦電信號的能量的權值之和為1。在本優選實施例中，所述權值分布函數為正態分布函數，如可為：其中，w(i)為第i個時刻的腦電信號的權值，t(i)為第i個時刻的腦電信號的時間，τ表示需要放大的局部信息量。如圖4所示，采用這種權值分布，避免了將第j點附近所有點都看成是一樣的比重，而是按照距離(時間差)賦予其一個比重，實現局部信息量的放大，減弱了距離太遠的信息對當前點的影響。需要說明的是，在計算得到各個腦電信號的能量的權值后，還需要進行歸一化，保證N個腦電信號的能量的權值之和為1。然后，對所述N個腦電信號的能量根據分配的權值進行加權求和，得到新的第j個時刻的腦電信號的能量。即：最后，依次對所述原始腦電序列信號的各個時刻的腦電信號的能量進行加權求和后，根據所有時刻的新的腦電信號的能量，生成待處理腦電序列信號。在本發明實施例中，一般地，還需要對30秒的待處理腦電序列信號進行再次切片，如切成6秒的待處理腦電序列信號切片。本優選實施例中，一方面，通過降采樣減少了小波變換所需的時間，加快了變換的速度，并減輕了數據處理量；另一方面，對腦電信號進行去低頻直流信息，避免了這些低頻直流信息與腦電波的頻率發生重疊而影響提取的效果。優選地，在步驟S101之前，還包括：S03，以待處理腦電序列信號為原始信號，以與所述待處理腦電序列信號同步采集得到的偽跡序列信號為參考信號，采用經函數鏈神經網絡優化的自適應濾波器對所述原始腦電序列信號進行濾波，得到去除偽跡序列信號后的待處理腦電序列信號。在本優選實施例中，考慮到待處理腦電序列信號中還包含有各種偽跡序列信號，如舌電偽跡，出汗偽跡，眼電偽跡，脈搏偽跡以及肌電偽跡等干擾。其中，以眼電偽跡和肌電偽跡難以去除的問題，這主要是由于其偽跡信號的幅值較高，是腦電信號的幾倍甚至幾十倍，而且與腦電信號在頻域有混疊。本優選實施例提出一種經函數鏈神經網絡優化的自適應濾波器，濾除待處理腦電信號中的各種偽跡信號。具體地，首先，構造自適應濾波器，其中自適應濾波器的原理框圖如圖5所示，其由原始信號(即所述待處理腦電序列信號)和參考信號(與所述待處理腦電序列信號同步采集得到的偽跡序列信號，如舌電偽跡，出汗偽跡，眼電偽跡，脈搏偽跡以及肌電偽跡中的任意一種)兩個輸入組成。濾波時，參考信號經自適應濾波后，與原始信號進行比較，得到所需腦電序列信號的預估信號(較為純凈的腦電序列信號)，其中，濾波器不斷地自我重新調整其權值，從而使目標誤差達到最小。其次，將函數鏈神經網絡(FLNN)應用到自適應濾波器，利用一組正交基函數將原輸入矢量進行維數擴展，將線性參數擴展為非線性，來增強自適應濾波器的非線性處理能力。FLNN由函數擴展和單層感知器兩部分組成，函數鏈神經網絡的正交基采用切比雪夫正交多項式，如公式13所示。FLNN的基函數T如公式14所示，網絡輸出如公式15所示，通過FLNN實現了對輸入的非線性擴展，更有助于描述腦電信號的非線性特性。優選地，步驟S105具體包括：S1051，當判斷一個腦電波的第一權重因子大于預設的基準值且該腦電波的第二權重因子小于所述基準值時，將該腦電波的第三信號設置為該腦電波的第一信號；S1052，當判斷所述腦電波的第二權重因子小于預設的基準值且所述腦電波的第二權重因子大于所述基準值時，將該腦電波的第三信號設置為該腦電波的第二信號；S1053，當判斷所述腦電波的第一權重因子及所述第二權重因子均大于預設的基準值時，根據所述第一權重因子及所述第二權重因子對所述第一信號和第二信號進行加權求和，計算得到對應于各個腦電波的第三信號。本優選實施例中，如果某個權重因子歸一化后小于預設的基準值，則說明這個權重因子對應的信號可能信號質量比較差，為了避免影響最終的放松度識別結果，直接去掉這個權重因子對應的信號，而采用另一個信號作為最終輸出的信號，這樣，可以保證提取分離的腦電波具有較高的準確度，保證最終放松度的準確識別。優選地，所述步驟S106具體包括：S1061，根據對應于各個腦電波的第三信號，計算得到所述待處理腦電序列信號的特征量。具體地：首先，根據所述各個腦電波的第三信號及待處理腦電序列信號形成對應的二維圖表。其次，用m*m的網格完整覆蓋在各個二維圖表上，并統計覆蓋有信號的格子數；其中，m為大于1的整數，且m的取值由信號的長度決定。最后，根據覆蓋有信號的格子數與總格子數計算各個腦電波及待處理腦電序列信號的相空間分布密度，得到待處理腦電序列信號的特征量。S1062，基于預先訓練好的支持向量機對所述特征量進行分類，識別得到與所述待處理腦電序列信號對應的腦電放松度。在本發明實施例中，在得到待處理腦電序列信號的特征量后，將其輸入到基于支持向量機(SupportVectorMachine，SVM)，對所述特征量進行分類，識別得到與所述待處理腦電序列信號對應的腦電放松度。具體地，支持向量機的基本思想是在樣本空間或特征空間中構造出最優超平面，使得超平面與不同類樣本集之間的距離最大，從而達到最大的泛化能力，如圖6所示。下面將介紹SVM的原理。首先，針對給定二分類樣本對{(xi，yi)，xi∈RN，yi＝±1}(以此類推五分類樣本對為{(xi，yi)，xi∈RN，yi＝1,2,3,4,5})，xi為訓練樣本，x為待判決樣本。訓練樣本集為線性不可分時，需引入非負松馳變量αi，i＝1,2，......，l；分類超平面的優化問題轉化為公式16所示。其中，2/||w||表示分類間隔，使分類間隔最大等價于使||w||2最小。使||w||2最小的分類就成為最優分類面。C為誤差懲罰參數，是SVM中最重要的可調參數之一。其次，選取徑向基(RadialBasisFunctionRBF)核函數，如公式17所示。其中γ為RBF核函數的寬度，是SVM中另一個重要的可調參數。Kx,xi＝exp(-γ*||x-xi||2)(17)最后，應用核函數技術，將輸入空間中的非線性問題，通過函數映射到高維特征空間中，在高維空間中構造線性判別函數，求解最優超平面，使得超平面與不同類樣本集之間的距離最大，從而達到最大的泛化能力，如圖7所示。在本發明實施例中，構造好SVM后，就可以進行訓練了，具體地，將提取得到的特征量作為訓練SVM的輸入樣本X，將神念設備同步采集得到的“放松度”作為金標準，也就是SVM的輸出Y。(X，Y)共同組成SVM的訓練樣本對，進行SVM訓練。在訓練好SVM后，就可以利用該SVM進行分類，從而實現放松度的分類識別。需要說明的是，SVM的分類性能受到諸多因素影響，其中誤差懲罰參數C和RBF核函數的寬度γ兩個因素最為關鍵。C為誤差懲罰參數，是SVM中最重要的可調參數之一，表示對錯分樣本比例和算法復雜度折衷，即在確定的特征子空間中調節學習機器置信范圍和經驗風險比例，使學習機器的推廣能力最好。核函數及參數的選擇也直接影響到SVM分類好壞。在具體使用時，可對這兩個參數進行參數尋優，如通過結合交叉驗證法與網格搜索算法、結合留一法與遺傳算法、結合交叉驗證法與遺傳算法、結合交叉驗證法與粒子群算法進行參數尋優，這些技術方案均在本發明的保護范圍之內，本發明在此不做贅述。請參閱圖6，本發明還提供一種基于自回歸模型和小波變換的腦電放松度識別系統100，包括：自回歸提取單元10，用于基于構建好的自回歸模型對接收的待處理腦電序列信號進行信號提取，得到對應于各個腦電波的第一信號；小波變換單元20，用于根據各個腦電波的頻率范圍，對接收的待處理腦電序列信號進行小波變換，重構得到對應于各個腦電波的第二信號；權重計算單元30，用于基于對應于各個腦電波的第一信號及第二信號的質量指數，計算得到與各個腦電波的第一信號對應的第一權重因子及與各個腦電波的第二信號對應的第二權重因子；加權單元40，用于根據所述各個腦電波的第一信號、第一權重因子、第二信號及第二權重因子，計算得到對應于各個腦電波的第三信號；放松度識別單元50，用于對所述各個腦電波的第三信號進行特征提取，并根據提取得到的特征量進行分類識別，得到腦電放松度。優選地，還包括：降采樣單元，用于對接收的原始腦電序列信號進行降采樣；加權移動平均計算單元，用于基于加權移動平均算法對降采樣后的原始腦電序列信號的各個時刻的腦電信號進行計算，得到去除低頻直流信息后的待處理腦電序列信號。本優選實施例中，一方面，通過降采樣單元進行降采樣減少了小波變換所需的時間，加快了變換的速度，并減輕了數據處理量；另一方面，通過加權移動平均計算單元對腦電信號進行去低頻直流信息，避免了這些低頻直流信息與腦電波的頻率發生重疊而影響提取的效果。優選地，還包括：自適應濾波單元，用于以待處理腦電序列信號為原始信號，以與所述待處理腦電序列信號同步采集得到的偽跡序列信號為參考信號，采用經函數鏈神經網絡優化的自適應濾波器對所述原始腦電序列信號進行濾波，得到去除偽跡序列信號后的待處理腦電序列信號。優選地，所述自回歸提取單元10具體包括：自回歸模型構建模塊，用于基于待處理腦電序列信號構建得到自回歸模塊；特征計算模塊，用于估計與各個腦電波對應的自回歸模塊中的加權參數，計算與各個腦電波對應的系數矩陣，得到對應的各個腦電波的特征；自相關分離模塊，用于根據各個腦電波的特征，采用自相關分離算法，對待處理腦電序列信號進行抽取，提取得到對應的腦電波的第一信號。優選地，所述小波變換單元20具體包括：頻段分層模塊，用于根據香農-奈奎斯特采樣原理及所述待處理腦電序列信號的采樣頻率進行頻段分層，計算得到每層的頻率范圍。層數確定模塊，用于依據所述頻段分層中每層的頻率范圍及每個腦電波的頻率范圍，確定與每個腦電波對應的小波分解和重構所需的層數。信號分解模塊，用于根據與每個腦電波對應的所述小波分解所需的層數及預先選擇的母小波進行信號分解，得到與每個腦電波對應的按頻段劃分的多層波形；重構模塊，用于根據與所述小波重構所需的層數對應的系數及分解得到的與各個腦電波對應的所述多層波形，重構得到對應于各個腦電波的第二信號。優選的，所述母小波為coif3小波，且所述coif3小波的中心頻率-帶寬比經小波熵自適應優化。優選地，所述加權單元40具體包括：第一判斷模塊，用于當判斷一個腦電波的第一權重因子大于預設的基準值且該腦電波的第二權重因子小于所述基準值時，將該腦電波的第三信號設置為該腦電波的第一信號；第二判斷模塊，用于當判斷所述腦電波的第二權重因子小于預設的基準值且所述腦電波的第二權重因子大于所述基準值時，將該腦電波的第三信號設置為該腦電波的第二信號；第三判斷模塊，用于當判斷所述腦電波的第一權重因子及所述第二權重因子均大于預設的基準值時，根據所述第一權重因子及所述第二權重因子對所述第一信號和第二信號進行加權求和，計算得到對應于各個腦電波的第三信號。本優選實施例中，如果某個權重因子歸一化后小于預設的基準值，則說明這個權重因子對應的信號可能信號質量比較差，為了避免影響最終的放松度識別結果，直接去掉這個權重因子對應的信號，而采用另一個信號作為最終輸出的信號，這樣，可以保證提取分離的腦電波具有較高的準確度，保證最終放松度的準確識別。優選地，所述放松度識別單元50具體包括：特征量計算模塊，用于根據對應于各個腦電波的第三信號，計算得到所述待處理腦電序列信號的特征量；分類模塊，用于基于預先訓練好的基于支持向量機對所述特征量進行分類，識別得到與所述待處理腦電序列信號對應的腦電放松度。優選地，所述特征量計算模塊具體包括：二維圖表生成子模塊，用于根據所述各個腦電波的第三信號及待處理腦電序列信號形成對應的二維圖表；格子數統計子模塊，用于用m*m的網格完整覆蓋在各個二維圖表上，并統計覆蓋有信號的格子數；其中，m為大于1的整數，且m的取值由信號的長度決定；特征量生成子模塊，用于根據覆蓋有信號的格子數與總格子數計算各個腦電波及待處理腦電序列信號的相空間分布密度，得到待處理腦電序列信號的特征量。以上所揭露的僅為本發明一種較佳實施例而已，當然不能以此來限定本發明之權利范圍，本領域普通技術人員可以理解實現上述實施例的全部或部分流程，并依本發明權利要求所作的等同變化，仍屬于發明所涵蓋的范圍。本領域普通技術人員可以理解實現上述實施例方法中的全部或部分流程，是可以通過計算機程序來指令相關的硬件來完成，所述的程序可存儲于一計算機可讀取存儲介質中，該程序在執行時，可包括如上述各方法的實施例的流程。其中，所述的存儲介質可為磁碟、光盤、只讀存儲記憶體(Read-OnlyMemory，ROM)或隨機存儲記憶體(RandomAccessMemory，RAM)等。當前第1頁1 2 3