[发明专利]一种基于支持向量机的脑电放松度识别方法及装置

权利要求书

1.一种基于支持向量机的脑电放松度识别方法，其特征在于，包括如下步骤：

获取当前的脑电切片信号，并从所述脑电切片信号中提取出对应于各个脑电波的信号波；

对所述信号波进行特征提取，获取每个所述信号波的特征量；

基于预先训练好的至少两个支持向量机对所述信号波的特征量进行分类，得到所述脑电切片信号在各个支持向量机下的分类值；其中，不同的支持向量机的误差惩罚参数和核函数的宽度参数由不同的参数寻优算法进行优化得到；

对所述脑电切片信号在各个支持向量机下的分类值进行统计，并将出现频率最高的分类值设定为最终分类值；

根据所述最终分类值识别得到当前的脑电放松度。

2.根据权利要求1所述的基于支持向量机的脑电放松度识别方法，其特征在于，所述参数寻优算法包括：结合留一法与网格搜索算法、结合交叉验证法与遗传算法、结合交叉验证法与粒子群算法；且所述支持向量机进行训练时使用的训练样本对由计算得到的所述特征量和标准设备同步采集得到的脑电放松度构成。

3.根据权利要求1所述的基于支持向量机的脑电放松度识别方法，其特征在于，所述获取当前的脑电切片信号，并从所述脑电切片信号中提取出对应于各个脑电波的信号波具体为：

获取当前的脑电切片信号，并利用小波变换从所述脑电切片信号中提取出对应于各个脑电波的信号波；或

获取当前的脑电切片信号，并利用卡尔曼滤波从所述脑电切片信号中提取出对应于各个脑电波的信号波；或

获取当前的脑电切片信号，并利用自回归模型从所述脑电切片信号中提取出对应于各个脑电波的信号波。

4.根据权利要求1所述的基于支持向量机的脑电放松度识别方法，其特征在于，所述对应于各个脑电波的信号波的特征量至少包括以下其中之一：对应于各个脑电波的信号波在时域空间的特征量、对应于各个脑电波的信号波在相空间的特征量、对应于各个脑电波的信号波在频域空间的特征量。

5.根据权利要求1所述的基于支持向量机的脑电放松度识别方法，其特征在于，在所述计算对应于各个脑电波的信号波的特征量之后，在所述将计算得到的所述特征量输入到至少两个训练好的支持向量机中，得到所述脑电切片信号在各个支持向量机下的分类值之前，还包括：

结合方差分析和F检验计算每个特征量的显著性指标，并选取显著性指标大于预设阈值的特征量。

6.根据权利要求5所述的基于支持向量机的脑电放松度识别方法，其特征在于，所述结合方差分析和F检验计算每个特征量的显著性指标，并选取显著性指标大于预设阈值的特征量具体包括：

根据所述特征量、由标准设备同步采集得到的脑电放松度及预先拟合的与每个特征量对应的线性拟合曲线进行方差分析，计算得到每个特征量的拟合值与期望的平方和及原值与拟合值的平方和；

根据拟合值与期望的平方和、原值与拟合值的平方和及自由度，计算得到每个特征量的显著性指标；

根据每个特征量的显著性指标，选取出显著性指标大于预设阈值的特征量。

7.一种基于支持向量机的脑电放松度识别装置，其特征在于，包括：

信号提取单元，用于获取当前的脑电切片信号，并从所述脑电切片信号中提取出对应于各个脑电波的信号波；

特征量提取单元，用于对所述信号波进行特征提取，获取每个所述信号波的特征量；

分类单元，用于基于预先训练好的至少两个支持向量机对所述信号波的特征量进行分类，得到所述脑电切片信号在各个支持向量机下的分类值；其中，不同的支持向量机的误差惩罚参数和核函数的宽度参数由不同的参数寻优算法进行优化得到；

分类值确定单元，用于对所述脑电切片信号在各个支持向量机下的分类值进行统计，并将出现频率最高的分类值设定为最终分类值；

脑电放松度识别单元，用于根据所述最终分类值识别得到当前的脑电放松度。

8.根据权利要求7所述的基于支持向量机的脑电放松度识别装置，其特征在于，所述参数寻优算法包括：结合留一法与网格搜索算法、结合交叉验证法与遗传算法、结合交叉验证法与粒子群算法；且所述支持向量机进行训练时使用的训练样本对由计算得到的所述特征量和标准设备同步采集得到的脑电放松度构成。