一种脑电信号恐惧度分级方法、系统及介质与流程

1.本发明涉及脑电信号恐惧度分级技术领域，尤其涉及一种基于vr/ai系统的脑电信号恐惧度分级方法、系统及介质。


背景技术：

2.目前，通常是通过vr观看恐惧度分级视频，被试人员佩戴脑电采集设备采集脑电波数据，然后采用脑电波数据预处理，再通过小波变换、lzc复杂度分析等特征提取技术，找到脑电波的趋势、规律，然后判断恐惧等级。
3.lzc复杂度物理意义明确，计算速度更快，在脑电信号处理方面得到了广泛的应用，目前已经成为探索脑功能的又一大非线性动力学途径。文献【1】对复杂度进行了分析。lzc复杂度分析，不能描述脑电信号的精细结构，容易造成信息丢失,结果的可靠性受到质疑。直观意义而言，lzc复杂度表征了一个时间序列出现新模式的概率,lzc值越大表明出现新模式的概率越大,复杂度越大。
4.文献【2】针对现有的粗粒化过程容易丢失重要的信息,提出了c0复杂度,认为复杂运动是由规则运动和随机运动混合而成的,随机运动所占的分额就是c0复杂性描述的基础。然而,脑电信号本质上是确定信号(混沌信号也是确定信号,只是周期无穷大),反映了具体的认知过程和活动；随机的信号是噪声。其产生往往不是单一的神经元放电,而是多个神经元及其突触的共同作用形成的,因此,脑电信号可以理解为由多个产生函数的非线性组合而成,可见c0复杂度的前提假设值得商酌。


技术实现要素：

5.本发明的主要目的在于提供一种基于vr/ai系统的脑电信号恐惧度分级方法、系统及介质，旨在提升脑电信号恐惧度分级的准确率。
6.为了达到上述目的，本发明提出一种基于vr/ai系统的脑电信号恐惧度分级方法，所述方法包括以下步骤：
7.步骤s10，采集被试人员通过vr/ai系统观看恐惧度分级视频时的脑电信号；
8.步骤s20，对采集到的脑电信号进行预处理，得到预处理后的脑电信号；
9.步骤s30，将所述预处理后的脑电信号进行归一化处理，然后采用离散小波变换提取脑电图特征；
10.步骤s40，对提取到的脑电图特征划分频段，计算各频带的频带熵和频带能量，提取频域特征；
11.步骤s50，将所述频域特征输入预先训练好的神经网络模型，对脑电信号进行恐惧度分级。
12.本发明的进一步技术方案是，所述步骤s20，对所述脑电信号进行预处理的步骤包括：
13.步骤s201，采用带通滤波器去除所述采集到的脑电信号的噪声，采用ica去除眼电
和肌电的干扰。
14.本发明的进一步技术方案是，所述采用带通滤波器去除所述采集到的脑电信号的噪声的步骤中一阶带通滤波算法公式为：
15.y(n)＝ax(n)(1-a)y(n-1)，
16.其中，x(n)为本次滤波的输入值，y(n)为本次滤波输出值，y(n-1)为上次滤波输出值；a为滤波系数；
17.所述采用ica去除眼电和肌电的干扰的步骤包括：
18.改变采样频率为250hz，降低数据量，其中，ica具体的数学模型中，x(t)＝[x1(t),x2(t),
…
,xm(t)]
t
是m维观测信号,xm(t)表示第m维的信号输入值，s(t)＝[s1(t),s2(t),
…
sn(t)]
t
是产生观测信号的n个相互统计独立的源信号，且观测信号x(t)是源信号s(t)经过未知矩阵a线性混合而产生的，即x(t)＝as(t)；
[0019]
所述采用ica去除眼电和肌电的干扰的步骤中，在混合矩阵a和源信号s(t)未知的情况下，仅利用观测信号x(t)和源信号s(t)是统计独立这一假设，尽可能真实的分离出源信号，即s(t)＝w x(t)，其中w是分离矩阵，w＝a-1
。
[0020]
本发明的进一步技术方案是，所述步骤s30中将所述预处理后的脑电信号进行归一化处理的步骤包括：
[0021]
采用平均参考方法对所述预处理后的脑电信号进行进一步处理，然后对个体差异和通道差异进行定义，采用最小-最大归一化方法将每个人每个通道的脑电信号归一化为[0，1]；
[0022]
所述步骤s30中采用离散小波变换提取脑电图特征的步骤包括：
[0023]
利用小波函数拉伸和移动脑电信号，得到一系列小波系数。
[0024]
本发明的进一步技术方案是，所述步骤s40中对提取到的脑电图特征划分频段的步骤包括：
[0025]
每个脑电通道使用4秒的窗口，每个窗口与前一个窗口重叠2秒，总共29个窗口，采用db4 dwt将每个窗口的数据分解4次，并将所有高频分量提取为4个频段，即γ，β，α和θ。
[0026]
本发明的进一步技术方案是，所述计算各频带的频带熵的步骤中，假定一段时间序列为x(1),x(2),x(3),...,x(n),频带熵算法的具体步骤为：
[0027]
1)、将序列按照时间顺序构成一组m维矢量：
[0028]
xm(i)＝[x(i),x(i+1),...,x(i+m-1)]，
[0029]
公式中(i＝1,2,...，n-m+1)；
[0030]
2)、定义矢量xm(i)与矢量xm(j)之间的距离为d[xx(i),xx(j)],则：
[0031]
d[xx(i),xx(j)]＝max(x(i+k)-x(j+k))，
[0032]
公式中i,j＝1,2,...,n-m+1；i！＝j；
[0033]
3)、给定阈值r(r》0)，对于每一个1￡i￡n-m+1，将d[xx(i),xx(j)]《r的数量c
im
(r)与矢量总数n-m+1的比值定义为d
im
(r),则：
[0034]dm
(r)＝cm(r)/(n-m+1)；
[0035]
4)dm(r)为d
im
(r)相对所有i的平均值：
[0036]
[0037]
5)将维数变为m+1,然后重复步骤1)至步骤4),求得d
m+1
(r)；
[0038]
6)得到序列频带熵的理论值:
[0039][0040]
对应的序列频带熵计算公式为:
[0041]
sampen(m，r，n)＝-ln[d
m+1
(r)/dm(r)]；
[0042]
所述计算各频带的频带熵和频带能量的步骤中，小波包分解后得到的系数的平方和近似等于源信号在时域上的能量：
[0043][0044]
其中，j表示相应频带,n表示原数据点数,ni表示小波包分解之后所得到的系数。
[0045]
本发明的进一步技术方案是，所述步骤s10，采集被试人员通过vr/ai系统观看恐惧度分级视频时的脑电信号的步骤之前包括：
[0046]
步骤s00，采用tensorflow深度学习框架，结合cnn、lstm两种神经网络进行模型训练，得到所述预先训练好的神经网络模型。
[0047]
本发明的进一步技术方案是，所述步骤s10，采集被试人员通过vr/ai系统观看恐惧度分级视频时的脑电信号的步骤之后还包括：
[0048]
对所述被试者进行问卷调查。
[0049]
为实现上述目的，本发明还提出一种基于vr/ai系统的脑电信号恐惧度分级系统，其特征在于，所述系统包括存储器、处理器以及存储在所述处理器上的基于vr/ai系统的脑电信号恐惧度分级程序，所述基于vr/ai系统的脑电信号恐惧度分级程序被所述处理器运行时执行如上所述的方法的步骤。
[0050]
为实现上述目的，本发明还提出一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有基于vr/ai系统的脑电信号恐惧度分级程序，所述基于vr/ai系统的脑电信号恐惧度分级程序被处理器运行时执行如上所述的方法的步骤。
[0051]
本发明基于vr/ai系统的脑电信号恐惧度分级方法、系统及介质的有益效果是：
[0052]
本发明通过上述技术方案，采集被试人员通过vr/ai系统观看恐惧度分级视频时的脑电信号；对采集到的脑电信号进行预处理，得到预处理后的脑电信号；将所述预处理后的脑电信号进行归一化处理，然后采用离散小波变换提取脑电图特征；对提取到的脑电图特征划分频段，计算各频带的频带熵和频带能量，提取频域特征；将所述频域特征输入预先训练好的神经网络模型，对脑电信号进行恐惧度分级，相对于现有技术，放弃使用lzc进行特征提取，使用归一化统一量纲，计算各频带的频带嫡和频带能量作为特征，采用神经网络模型做复杂的特征提取和恐惧等级分类，提升了恐惧度分类的准确率。
附图说明
[0053]
图1是本发明基于vr/ai系统的脑电信号恐惧度分级方法较佳实施例的流程示意图；
[0054]
图2是恐惧分类图。
[0055]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对
本发明进行进一步详细说明。
具体实施方式
[0056]
应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
[0057]
本发明提出一种基于vr/ai系统的脑电信号恐惧度分级方法，本发明是基于vr或ai系统的脑电信号恐惧度分级特征研究。具体的指，利用vr技术或者ai技术观看一段恐惧视频诱发人的不同程度的恐惧，分析不同恐惧等级下脑电的变化趋势，本发明属于认知神经科学、信息技术和人工智能领域的结合，属于数字信号处理、人工智能技术领域。
[0058]
本发明基于vr/ai系统的脑电信号恐惧度分级方法所采用的技术方案主要是：通过在vr或ai观看恐惧度分级视频，被试人员佩戴脑电采集设备采集脑电波数据，然后对脑电波数据预处理，归一化后使用离散小波变换(dwt)来提取脑电图特征,经过划分频段后，根据各频带的频带熵和频带能量提取频域特征，最后使用神经网络技术进一步提取脑电图特征和进行恐惧分类。
[0059]
具体地，请参照图1，本发明基于vr/ai系统的脑电信号恐惧度分级方法较佳实施例包括以下步骤：
[0060]
步骤s10，采集被试人员通过vr/ai系统观看恐惧度分级视频时的脑电信号。
[0061]
本实施例中，被试人员通过vr设备或ai设备观看恐惧度分级视频，并通过佩戴脑电采集设备采集脑电数据。
[0062]
作为一种实施方案，被试人员的恐惧度可分为三级，并对应出现不同症状，如表1所示。
[0063]
表1恐惧等级表
[0064]
恐惧等级症状描述一级背后一凉，心跳加速二级被吓到，开始发憷,并且过几个小时才能恢复三级吓的把vr扔掉,且挥之不去
[0065]
步骤s20，对采集到的脑电信号进行预处理，得到预处理后的脑电信号。
[0066]
具体地，本实施例中，所述步骤s20包括步骤s201，采用带通滤波器去除所述采集到的脑电信号的噪声，采用ica去除眼电和肌电的干扰。
[0067]
步骤s30，将所述预处理后的脑电信号进行归一化处理，然后采用离散小波变换提取脑电图特征。
[0068]
具体地，本实施例将所述预处理后的脑电信号进行归一化处理的步骤中，使用平均参考(amr)方法来预处理脑电图数据。然后，对个体差异和通道差异进行定义，本发明使用最小-最大归一化方法将每个人每个通道的脑电信号归一化为[0，1]，从而降低了计算复杂性。
[0069]
本实施例采用离散小波变换(dwt)提取脑电图特征的步骤中，利用小波函数拉伸和移动脑电信号，得到一系列小波系数。
[0070]
步骤s40，对提取到的脑电图特征划分频段，计算各频带的频带熵和频带能量，提取频域特征。
[0071]
具体的，本实施例对提取到的脑电图特征划分频段的步骤中，每个脑电图通道使
用4秒的窗口，每个窗口与前一个窗口重叠2秒，总共29个窗口。在脑电领域，现有技术中，已经用大量实验将脑电信号分为5种波：脑电信号中的delta波，theta波，alpha波，beta波以及gamma波，然后，使用db4 dwt将每个窗口的数据分解4次，并将所有高频分量提取为4个频段，即γ，β，α和θ。
[0072]
其中，theta:4
–
8hz,dwt参数：4d4；
[0073]
alpha:8
–
16hz,dwt参数：8d3；
[0074]
beta:16
–
32hz,dwt参数：16d2；
[0075]
gamma:32
–
64hz,dwt参数：32d1；
[0076]
对提取到的脑电图特征划分频段后，因为小于4hz的delta波对分类没有影响，所以忽略。
[0077]
步骤s50，将所述频域特征输入预先训练好的神经网络模型，对脑电信号进行恐惧度分级。
[0078]
本实施例中，恐惧分类图如图2所示。
[0079]
本实施例放弃使用lzc进行特征提取，使用归一化统一量纲，计算各频带的频带嫡和频带能量作为特征，采用神经网络模型做复杂的特征提取和恐惧等级分类，相对于现有技术，提升了恐惧度分类的准确率。
[0080]
进一步地，本实施例中，所述采用带通滤波器去除所述采集到的脑电信号的噪声的步骤中一阶带通滤波算法公式为：
[0081]
y(n)＝ax(n)(1-a)y(n-1)。
[0082]
其中，x(n)为本次滤波的输入值，y(n)为本次滤波输出值，y(n-1)为上次滤波输出值；a为滤波系数。
[0083]
其中，滤波系数a越小，滤波结果越平滑，但反应灵敏度越低；滤波系数a越大，则反应灵敏度越高，但滤波结果平滑性越差，越不稳定。所以，在选取滤波系数a时，应对平滑性和灵敏度进行考虑然后取舍，同时，应注意小数舍弃带来的误差。
[0084]
需要说明的是，因为脑电波有效频段是在4-50hz,所以本实施例利用带通滤波器，将低于4hz,高于或等于50hz的信号过滤掉，因为50hz有电源噪声。
[0085]
进一步地，本实施例中，所述采用ica去除眼电和肌电的干扰的步骤包括：
[0086]
改变采样频率为250hz，降低数据量，其中，ica具体的数学模型中，x(t)＝[x1(t),x2(t),
…
,xm(t)]
t
是m维观测信号,xm(t)表示第m维的信号输入值，s(t)＝[s1(t),s2(t),
…
sn(t)]
t
是产生观测信号的n个相互统计独立的源信号，且观测信号x(t)是源信号s(t)经过未知矩阵a线性混合而产生的，即x(t)＝as(t)。
[0087]
所述采用ica去除眼电和肌电的干扰的步骤中，ica的目的是：在混合矩阵a和源信号s(t)未知的情况下，仅利用观测信号x(t)和源信号s(t)是统计独立这一假设，尽可能真实的分离出源信号，即s(t)＝w x(t)，其中w是分离矩阵，w＝a-1
。
[0088]
进一步地，本实施例中，每个脑电图通道的每个频段都有2个特征，10个通道中有20个(2*10)个特征，14个、18个和32个脑电图通道中的功能数量分别为28、36和64个。
[0089]
样本熵(sample entropy,sampen)是由rich-man等在grassberger的研究基础之上提出的一种改进的时间序列复杂度测试方法,且大脑混乱程度越高,样本熵值越小。
[0090]
本实施例中，所述计算各频带的频带熵的步骤中，假定一段时间序列为x(1),x
(2),x(3),...,x(n),频带熵算法的具体步骤为：
[0091]
1)、将序列按照时间顺序构成一组m维矢量：
[0092]
xm(i)＝[x(i),x(i+1),...,x(i+m-1)]，
[0093]
公式中(i＝1,2,...，n-m+1)；
[0094]
2)、定义矢量xm(i)与矢量xm(j)之间的距离为d[xx(i),xx(j)],则：
[0095]
d[xx(i),xx(j)]＝max(x(i+k)-x(j+k))，
[0096]
公式中i,j＝1,2,...,n-m+1；i！＝j；
[0097]
3)、给定阈值r(r》0)，对于每一个1￡i￡n-m+1，将d[xx(i),xx(j)]《r的数量c
im
(r)与矢量总数n-m+1的比值定义为d
im
(r),则：
[0098]dm
(r)＝cm(r)/(n-m+1)；
[0099]
4)dm(r)为d
im
(r)相对所有i的平均值：
[0100][0101]
5)将维数变为m+1,然后重复步骤1)至步骤4),求得d
m+1
(r)；
[0102]
6)得到序列频带熵的理论值:
[0103][0104]
在实际的工程应用中，序列n的取值是有限的，不可能趋向于无穷。
[0105]
对应的序列频带熵计算公式为:
[0106]
sampen(m，r，n)＝-ln[d
m+1
(r)/dm(r)]；
[0107]
由于小波包将能量不重叠的正交分解到相邻频带上，因此是遵循能量守恒定律的。也就是说，小波包分解后得到的系数的平方和可近似等于原信号在时域上的能量。
[0108]
本实施例中，所述计算各频带的频带熵和频带能量的步骤中，小波包分解后得到的系数的平方和近似等于源信号在时域上的能量：
[0109][0110]
其中，j表示相应频带,n表示原数据点数,ni表示小波包分解之后所得到的系数。根据上式，很容易求得相应波对应的频带能量。
[0111]
进一步地，本实施例中，所述步骤s10，采集被试人员通过vr/ai系统观看恐惧度分级视频时的脑电信号的步骤之前包括：
[0112]
步骤s00，采用tensorflow深度学习框架，结合cnn、lstm两种神经网络进行模型训练，得到所述预先训练好的神经网络模型。
[0113]
卷积神经网络cnn和长短时记忆lstm中，cnn处理频率和空间信息，lstm处理从cnn输出中提取时间相关性，并将两种模型进行融合。在本发明的数据集中都取得了很高的准确率，都达到了94％左右的准确率。
[0114]
提取脑电的这三种特征(频域特征、空间域特征和时域特征)，本发明将不同通道的差分熵特征转换为4维结构来训练深层模型。
[0115]
然后，卷积神经网络(cnn)和长短时记忆(lstm)单元的递归神经网络相结合的crnn模型。cnn用于从4d输入的每个时间片中学习频率和空间信息，lstm用于从cnn输出中
提取时间相关性。lstm最后一个节点的输出执行分类。
[0116]
该神经网络模型在受试者内部划分的实验数据集上都达到了最先进的性能。实验结果表明，结合脑电频域特征、时域特征和空间域特征(频率、空间和时间信息)进行脑电恐惧等(见表1)级识别是有效的。
[0117]
进一步地，本实施例中，所述步骤s10，采集被试人员通过vr/ai系统观看恐惧度分级视频时的脑电信号的步骤之后还包括：
[0118]
对所述被试者进行问卷调查。
[0119]
本发明基于vr/ai系统的脑电信号恐惧度分级方法的有益效果是：
[0120]
本发明通过上述技术方案，采集被试人员通过vr/ai系统观看恐惧度分级视频时的脑电信号；对采集到的脑电信号进行预处理，得到预处理后的脑电信号；将所述预处理后的脑电信号进行归一化处理，然后采用离散小波变换提取脑电图特征；对提取到的脑电图特征划分频段，计算各频带的频带熵和频带能量，提取频域特征；将所述频域特征输入预先训练好的神经网络模型，对脑电信号进行恐惧度分级，相对于现有技术，放弃使用lzc进行特征提取，使用归一化统一量纲，计算各频带的频带嫡和频带能量作为特征，采用神经网络模型做复杂的特征提取和恐惧等级分类，提升了恐惧度分类的准确率。
[0121]
为实现上述目的，本发明还提出一种基于vr/ai系统的脑电信号恐惧度分级系统，其特征在于，所述系统包括存储器、处理器以及存储在所述处理器上的基于vr/ai系统的脑电信号恐惧度分级程序，所述基于vr/ai系统的脑电信号恐惧度分级程序被所述处理器运行时执行如上所述的方法的步骤，这里不再赘述。
[0122]
为实现上述目的，本发明还提出一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有基于vr/ai系统的脑电信号恐惧度分级程序，所述基于vr/ai系统的脑电信号恐惧度分级程序被处理器运行时执行如上所述的方法的步骤，这里不再赘述。
[0123]
文献【1】：尧德中.
·
脑功能探测的电学理论与方法[m].北京:科学出版社,2003；yao de-zhong.electric method and theory of brain；function detecting[m].beijing:science press,2003。
[0124]
文献【2】：xu j,liu z,liu r,et al.information transmission in；human cerbral cortex[j].physica d,1997(106):363-374。
[0125]
以上所述仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或流程变换，或直接或间接运用在其它相关的技术领域，均同理包括在本发明的专利保护范围内。

技术特征：
1.一种基于vr/ai系统的脑电信号恐惧度分级方法，其特征在于，所述方法包括以下步骤：步骤s10，采集被试人员通过vr/ai系统观看恐惧度分级视频时的脑电信号；步骤s20，对采集到的脑电信号进行预处理，得到预处理后的脑电信号；步骤s30，将所述预处理后的脑电信号进行归一化处理，然后采用离散小波变换提取脑电图特征；步骤s40，对提取到的脑电图特征划分频段，计算各频带的频带熵和频带能量，提取频域特征；步骤s50，将所述频域特征输入预先训练好的神经网络模型，对脑电信号进行恐惧度分级。2.根据权利要求1所述的基于vr/ai系统的脑电信号恐惧度分级方法，其特征在于，所述步骤s20，对所述脑电信号进行预处理的步骤包括：步骤s201，采用带通滤波器去除所述采集到的脑电信号的噪声，采用ica去除眼电和肌电的干扰。3.根据权利要求2所述的基于vr/ai系统的脑电信号恐惧度分级方法，其特征在于，所述采用带通滤波器去除所述采集到的脑电信号的噪声的步骤中一阶带通滤波算法公式为：y(n)＝ax(n)(1-a)y(n-1)，其中，x(n)为本次滤波的输入值，y(n)为本次滤波输出值，y(n-1)为上次滤波输出值；a为滤波系数；所述采用ica去除眼电和肌电的干扰的步骤包括：改变采样频率为250hz，降低数据量，其中，ica具体的数学模型中，x(t)＝[x1(t),x2(t),
…
,x
m
(t)]
t
是m维观测信号，x
m
(t)表示第m维的信号输入值，s(t)＝[s1(t),s2(t),
…
s
n
(t)]
t
是产生观测信号的n个相互统计独立的源信号，且观测信号x(t)是源信号s(t)经过未知矩阵a线性混合而产生的，即x(t)＝as(t)；所述采用ica去除眼电和肌电的干扰的步骤中，在混合矩阵a和源信号s(t)未知的情况下，仅利用观测信号x(t)和源信号s(t)是统计独立这一假设，尽可能真实的分离出源信号，即s(t)＝w x(t)，其中w是分离矩阵，w＝a-1
。4.根据权利要求1所述的基于vr/ai系统的脑电信号恐惧度分级方法，其特征在于，所述步骤s30中将所述预处理后的脑电信号进行归一化处理的步骤包括：采用平均参考方法对所述预处理后的脑电信号进行进一步处理，然后对个体差异和通道差异进行定义，采用最小-最大归一化方法将每个人每个通道的脑电信号归一化为[0，1]；所述步骤s30中采用离散小波变换提取脑电图特征的步骤包括：利用小波函数拉伸和移动脑电信号，得到一系列小波系数。5.根据权利要求1所述的基于vr/ai系统的脑电信号恐惧度分级方法，其特征在于，所述步骤s40中对提取到的脑电图特征划分频段的步骤包括：每个脑电通道使用4秒的窗口，每个窗口与前一个窗口重叠2秒，总共29个窗口，采用db4 dwt将每个窗口的数据分解4次，并将所有高频分量提取为4个频段，即γ，β，α和θ。6.根据权利要求5所述的基于vr/ai系统的脑电信号恐惧度分级方法，其特征在于，所
述计算各频带的频带熵的步骤中，假定一段时间序列为x(1),x(2),x(3),...,x(n),频带熵算法的具体步骤为：1)、将序列按照时间顺序构成一组m维矢量：xm(i)＝[x(i),x(i+1),...,x(i+m-1)]，公式中(i＝1,2,...，n-m+1)；2)、定义矢量xm(i)与矢量xm(j)之间的距离为d[xx(i),xx(j)],则：d[xx(i),xx(j)]＝max(x(i+k)-x(j+k))，公式中i,j＝1,2,...,n-m+1；i！＝j；3)、给定阈值r(r>0)，对于每一个1￡i￡n-m+1，将d[xx(i),xx(j)]<r的数量c
im
(r)与矢量总数n-m+1的比值定义为d
im
(r),则：d
m
(r)＝c
m
(r)/(n-m+1)；4)d
m
(r)为d
im
(r)相对所有i的平均值：5)将维数变为m+1,然后重复步骤1)至步骤4),求得d
m+1
(r)；6)得到序列频带熵的理论值:对应的序列频带熵计算公式为:sampen(m，r，n)＝-ln[d
m+1
(r)/d
m
(r)]；所述计算各频带的频带熵和频带能量的步骤中，小波包分解后得到的系数的平方和近似等于源信号在时域上的能量：其中，j表示相应频带,n表示原数据点数,n
i
表示小波包分解之后所得到的系数。7.根据权利要求1至6任意一项所述的基于vr/ai系统的脑电信号恐惧度分级方法，其特征在于，所述步骤s10，采集被试人员通过vr/ai系统观看恐惧度分级视频时的脑电信号的步骤之前包括：步骤s00，采用tensorflow深度学习框架，结合cnn、lstm两种神经网络进行模型训练，得到所述预先训练好的神经网络模型。8.根据权利要求1至6任意一项所述的基于vr/ai系统的脑电信号恐惧度分级方法，其特征在于，所述步骤s10，采集被试人员通过vr/ai系统观看恐惧度分级视频时的脑电信号的步骤之后还包括：对所述被试者进行问卷调查。9.一种基于vr/ai系统的脑电信号恐惧度分级系统，其特征在于，所述系统包括存储器、处理器以及存储在所述处理器上的基于vr/ai系统的脑电信号恐惧度分级程序，所述基于vr/ai系统的脑电信号恐惧度分级程序被所述处理器运行时执行如权利要求1至8任意一项所述的方法的步骤。10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有基于vr/
ai系统的脑电信号恐惧度分级程序，所述基于vr/ai系统的脑电信号恐惧度分级程序被处理器运行时执行如权利要求1至8任意一项所述的方法的步骤。

技术总结
本发明提供了一种基于VR/AI系统的脑电信号恐惧度分级方法、系统及介质，该方法包括：采集被试人员通过VR/AI系统观看恐惧度分级视频时的脑电信号；对采集到的脑电信号进行预处理，得到预处理后的脑电信号；将预处理后的脑电信号进行归一化处理，然后采用离散小波变换提取脑电图特征；对提取到的脑电图特征划分频段，计算各频带的频带熵和频带能量，提取频域特征；将频域特征输入预先训练好的神经网络模型，对脑电信号进行恐惧度分级。相对于现有技术，本发明放弃使用LZC进行特征提取，使用归一化统一量纲，计算各频带的频带嫡和频带能量作为特征，采用神经网络模型做复杂的特征提取和恐惧等级分类，提升了恐惧度分类的准确率。提升了恐惧度分类的准确率。提升了恐惧度分类的准确率。


技术研发人员：胡茂伟
受保护的技术使用者：广州脑联网脑科学技术有限责任公司
技术研发日：2023.05.19
技术公布日：2023/8/9