[发明专利]一种裸眼3D显示视觉诱导晕动症检测方法

摘要

本发明公开了一种基于EEG的裸眼3D显示视觉诱导晕动症检测方法。首先对EEG数据进行预处理；然后对预处理后的数据进行特征提取，并通过特征选择得到与VIMS级别(VIMS Level,VIMSL)数据相关性高的特征子集；最后，通过构造分类器对VIMS的状态进行分类，判断是否有视觉诱导晕动症症状产生，从而实现对视觉诱导晕动症(VIMS)的检测，判断是否有视觉诱导晕动症症状产生，从而实现对视觉诱导晕动症(VIMS)的检测，从而为裸眼3D显示技术的改进提供支持判断机制。

主权项

1.一种裸眼3D显示视觉诱导晕动症检测方法，其特征在于，包括以下步骤：S1：预处理模块：S101：数据去重：我们发现在采集的原始EEG数据中，有极少量的重复数据(相邻的记录中4个通道的浮点数完全相同视为重复)。平均每个受试者40万条记录中约有500条记录是重复的。这部分数据可能是由于Muse的量化位数较少以及采样频率较低导致的，其中Muse设备用是来采集EEG数据，完成基本的生理数据的采集。重复数据并不能准确表征即时的脑部状态，因此要予以去除。S102：归一化：由于原始EEG数据的数值波动较大，如果使用原始的数值进行分析，就会夸大数值较高的数据的作用。此外，在机器学习中有部分模型在各个维度进行不均匀伸缩后，最优解与原来不等价，例如SVM、ANN等。为了使得不同的数值具有可比性，并且不改变原始数据的分布，我们需要对原始EEG数据进行归一化处理。。S103：数据滤波：科学研究表明，正常人的有效脑电信号频率涵盖0.5Hz到50Hz，而在脑电信号采集的过程中又不可避免的受到高功率的工频信号的影响。本文的实验数据在美国哈佛医学院采集得到，考虑到美国标准电压频率为60Hz，故本文设计选取上限为50Hz的低通滤波器来去除脑电信号中的工频干扰。同时，考虑到既要保持带通区(50Hz以下)EEG信号的良好特性，又希望能在带阻区(50Hz以上)尽可能的衰减工频干扰，因此选择了带通区最平坦，阻带下降慢，但是最终能衰减至0的巴特沃斯滤波器。最终，本算法实验选择使用上限为50Hz的Butterworth低通滤波器来去除EEG信号中的工频干扰。S2：特征提取与选择模块：S201：特征提取：在本发明的特征提取阶段，我们使用了两种不同方法从原始EEG信号中提取特征，包括基于EEG的小波特性得到的小波熵、各小波子带系数均值和统计特性计算出的最大值、最小值、均值和标准差。然后再对所有得到的44个候选特征与VIMSL列作相关性分析，选取有显著性差异的22个特征作为最终的检测特征。本阶段主要是提取候选特征，是特征提取和选择的第一步。S202：特征选择：在本发明中，我们采用的是计算每一个特征与响应变量的相关性的方法来进行特征选择。在步骤S201的特征提取过程中，算法综合了小波特征和统计特征共44个属性作为候选特征，但这些候选特征中有一些特征与实验的响应变量做相关性分析发现没有显著性差异产生，如果保留这些候选特征则会对训练结果有不好影响，因此应该把这些没有显著性差异的特征予以去除，提升算法精确度。S3：VIMS状态分类模块：本发明中使用模式识别(模式分类)的算法模型来进行晕动特征检测。模式识别(Pattern Recognition,PR)，就是使用电脑把数学技术方法用于研究特征模式的自动处理和判读。而模式分类是使用分类函数或分类模型将特征集映射到某个或多个已知的类别，它是模式识别的重要组成部分，直接影响到其识别的效果，目前模式分类已经被运用到科学研究的各个方面。