脑电信号转换音频的方法、装置、电子设备及存储介质

1.本发明涉及脑电信号数据处理技术领域，特别是涉及脑电信号转换音频的方法、装置、电子设备及存储介质。


背景技术：

2.脑电(electroencephalogram，eeg)是大脑神经细胞正常生理活动产生的一种生物电信号，与心电类似，在一定程度上脑电是大脑生理状态的反映，可被用于检测人的生理以及心理状态，可为癫痫、痴呆、肿瘤等脑部疾病或脑死亡提供诊断信息。脑电信号来源复杂且不规则，难以使用完全确定的系统对脑电信号进行分析。已有研究表明，大脑是一个非线性动力学系统。目前研究多通过估计信号的一些非线性动态参数估计信号稳定性，也有一些研究采用基于卡尔曼平滑算法的非平稳线性判别估计非平稳参数，获取常规方法无法得到的信息。脑电信号具有随机性、非平稳性、非线性等特点，还具有单一的特征提取方法无法从多个角度分析脑电信号等的特性，因此某些特征提取方法不能够多方面地表示脑电信号特征，从而在给不同意识状态下所产生的脑电信号的分类会具有一定的困难度，在脑电信号的采集与分类上仍然拥有不小的研究空间。
3.音乐是人类表达情绪以及交流情感的重要形式，它在心理学以及神经科技研究中也占有一席之地。近些年来，音乐和脑电之间千丝万缕的关系使得各界研究人员都对这个未知的领域充满了好奇。音乐是生活中处处可以听到的旋律，有轻快的、愉悦的、动感的、舒缓的、悲伤的、安静的，不同的音乐旋律也会对人们的心情有不同的影响。研究表明一段抒情的小提琴音乐可以使高血压患者的血压降低，轻缓幽静的钢琴曲可以缓解产妇的紧张情绪有助于生产。也有通过音乐治疗心理障碍患者的研究，以及音乐对情绪的影响方面的研究。当大脑受到音乐刺激时，各个脑区都会做出相应的生理反应，而不同频率的脑电波也会发生变化，不同的波段对人体的认知已经生理的影响也各不相同。例如额区的alpha波的功率值一般会受到情绪波动的影响，与情绪的强度相关，而beta波则与注意力相关联。音乐不仅对主干大脑区域也影响，也会对大脑的边缘系统以及脑干部分造成径直或者迂回的影响，这些中枢神经系统对人体的内脏功能和肢体语言都有一定的调度作用，音乐状态下大脑的双侧额颞区被广泛地激活，且音乐引发的不同效果存在性别差异。
4.但是，现时却缺少将富有情绪波动的脑电数据转换为音频形式的数据的研究，就如现时较为为人所知的将语音信号与脑电信号的转换的研究。现存在该研究领域方面的部分方法是通过深度神经网络建立语音信号与脑电信号间的映射关系。将从语音中提取的特征作为前馈神经网络的输入，将脑电信号的特征作为输出目标建立模型。该方法所得到的结果虽然表明脑电和语音之间确实有着一定的关联，但是还未能直接看到回归预测得到的语音信号。语音信号与脑电信号的转换的研究更趋向于明确表达出脑电信号中向他人表达的信息，虽然该技术可以达到的信息明确性高，但是相对的所产生的拘束性也更高。


技术实现要素：

5.基于此，本发明的目的在于，提供脑电信号转换音频的方法、装置、电子设备及存储介质，将脑电信号数据转换为音频信号，并生成音乐简谱合成音乐，由此，可以从音频信号反向推测大脑的活动状态。
6.第一方面，本发明提供脑电信号转换音频的方法，包括以下步骤：
7.获取待转换的脑电信号数据；
8.对所述脑电信号数据进行去噪处理；
9.对经过去噪处理的所述脑电信号数据进行脑电特征提取，得到所述脑电信号数据对应的脑电特征；
10.根据所述脑电特征与音乐要素的对应关系，将所述脑电信号数据转换为音频信号数据。
11.进一步地，所述脑电特征与音乐要素的对应关系包括：
12.将所述脑电特征中的不同波形的去趋势波动分析标度值与所述音乐要素中的音高相对应；
13.将所述脑电特征中的振幅高低与所述音乐要素中的声音强度相对应。
14.进一步地，所述脑电特征中的不同波形包括delta、theta、alpha、beta四种波形。
15.进一步地，将所述脑电特征中的去趋势波动分析标度值与所述音乐要素中的音高相对应，包括：
16.使用以下公式，得到不同波形对应的音高：
17.pitch＝αlgamp b
18.其中，pitch为不同波形对应的音高，b为音高最大值，α为标度值，amp是指所采集脑电数据的振幅，范围在-200至250μv之间。
19.进一步地，所述去趋势波动分析标度值的获取方式包括：
20.对于一个离散时间序列x(i)，i为采样时间点，共有采样点数n，使用以下公式，通过x(i)先减去该序列的均值，构造一个新的序列：
[0021][0022]
其中，x为该时间序列的均值，n∈[1，n]；
[0023]
使用长度为k的时间窗将y(n)分成多个子序列，每个时间窗内使用最小二乘法进行拟合，得到子序列yk(n)；
[0024]
使用如下公式，计算波动均方根f(k)：
[0025][0026]
其中，f(k)为波动均方根，n为采样点数，n∈[1，n]；
[0027]
根据以下公式，计算所述delta、theta、alpha、beta四种波形对应的标度值：
[0028]
α＝lnf(k)/lnk
[0029]
其中，α为标度值，f(k)为波动均方根，k为时间窗的长度。
[0030]
进一步地，对所述脑电信号数据进行去噪处理，包括：
[0031]
对所述脑电信号数据进行小波去噪处理；
[0032]
对所述脑电信号数据采用主成分分析方法进行去噪处理。
[0033]
第二方面，本发明还提供脑电信号转换音频的装置，包括：
[0034]
脑电信号数据获取模块，用于获取待转换的脑电信号数据；
[0035]
去噪模块，用于对所述脑电信号数据进行去噪处理；
[0036]
特征提取模块，用于对经过去噪处理的所述脑电信号数据进行脑电特征提取，得到所述脑电信号数据对应的脑电特征；
[0037]
音频转换模块，用于根据所述脑电特征与音乐要素的对应关系，将所述脑电信号数据转换为音频信号数据。
[0038]
第三方面，本发明还提供一种电子设备，包括：
[0039]
至少一个存储器以及至少一个处理器；
[0040]
所述存储器，用于存储一个或多个程序；
[0041]
当所述一个或多个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如本发明第一方面任一所述的脑电信号转换音频的方法的步骤。
[0042]
第四方面，本发明还提供一种计算机可读存储介质，
[0043]
所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如本发明第一方面任一所述的脑电信号转换音频的方法的步骤。
[0044]
本发明提供的脑电信号转换音频的方法、装置、电子设备及存储介质，将脑电信号数据转换为音频信号，并生成音乐简谱合成音乐。由于大脑在不同的精神状态下脑电特征是不相同的，因而生成的音乐会随之变化。由此，可以从音频信号反向推测大脑的活动状态。例如癫痫病患者鉴于自身的状况，根据其脑电信号转换的音乐会相对混乱与无序，突然变换音高的可能性大，而患有阿尔茨海默病的患者的脑电信号转换而成的音乐则会会出现更趋向于波动性弱，持续维持着低波动低变化的状态。通过根据不同个体脑电信号数据转换而成的音乐，甚至有早期筛查、辅助诊断的可能。现有的将脑电信号转换为其他形式的信号的研究仍未足够成熟，就如将语音信号与脑电信号的转换的研究。该方面的研究更趋向于明确表达出脑电信号中向他人表达的信息，信息明确性高，但相对的拘束性也更强。脑电信号到音频信号的转换目前更能与其他领域相适配与结合，对于被检测者的受众面更广阔，并且检测出脑电信号数据来源者更加潜在的问题的可能性更高。
[0045]
为了更好地理解和实施，下面结合附图详细说明本发明。
附图说明
[0046]
图1为本发明提供的脑电信号转换音频的方法的步骤示意图；
[0047]
图2为脑电信号特征波形及其对应频率示意图；
[0048]
图3为不同生理状态及其脑电信号对应频率示意图；
[0049]
图4为本发明提供的脑电信号转换音频的装置的结构示意图。
具体实施方式
[0050]
为使本技术的目的、技术方案和优点更加清楚，下面将结合附图对本技术实施例
方式作进一步地详细描述。
[0051]
应当明确，所描述的实施例仅仅是本技术实施例一部分实施例，而不是全部的实施例。基于本技术实施例中的实施例，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它实施例，都属于本技术实施例保护的范围。
[0052]
在本技术实施例使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本技术实施例。在本技术实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
[0053]
下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本技术相一致的所有实施方式。相反，它们仅是如所附权利要求书中所详述的、本技术的一些方面相一致的装置和方法的例子。在本技术的描述中，需要理解的是，术语“第一”、“第二”、“第三”等仅用于区别类似的对象，而不必用于描述特定的顺序或先后次序，也不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本技术中的具体含义。
[0054]
此外，在本技术的描述中，除非另有说明，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
[0055]
针对背景技术中的问题，本技术实施例提供脑电信号转换音频的方法，如图1和图2所示，该方法包括以下步骤：
[0056]
s01：获取待转换的脑电信号数据。
[0057]
在一个具体的实施例中，本专利脑电信号采集设备所采用的是美国脑机接口公司openbci研究开发的cyton biosensing board(8-channels)。开发人员通过应用相关程序与软件清晰地访问被采集者的脑电信号数据，并且将其以图像的形式显示出来。开发人员利用该套设备在计算机上读取被采集者的eeg(脑电图)和emg(肌电图)。开发人员通过在脑电波解析图中分析被采集者的大脑活跃情况，每一个个电极都对应相应的曲线，在收听不同类型的音乐或处于不同情绪状态时，开发人员可以观察到脑电图相应的变化，同时判断出在该任务状态下被采集者哪一个电极对应的大脑区域信号更加活跃。
[0058]
优选的，本专利所采用的实验数据集来源于记录10名参与者的脑电信号和周围生理信号。参与者每个人观看5段不同情绪的音乐片段，共代表悲伤、紧张、轻松、愉快、中性五种情绪，重复接受上述过程4遍形成一次脑电信号数据采集实验。该数据集质量可靠，因此利用该数据集作为模型的训练数据具有更高的可靠性以及良好的模型性能对比性。
[0059]
s02：对所述脑电信号数据进行去噪处理。
[0060]
由于在脑电信号采集的过程中，极易受到各种噪声的干扰，因此需要对采集的脑电信号进行去噪操作。本专利采用了小波去噪与脑电特征合成音乐主成分分析方法去除脑电信号数据中的噪声，以提高数据的质量以及后续实验的准确性。
[0061]
首先对脑电信号数据进行小波去噪的方法。首先对实际信号进行小波分解，选择合适的小波函数并确定分解层次，那么分解完的结果是一个低频和个高频，而噪声部分通常包含在高频中。然后对小波分解的高频系数进行闽值量化处理。最后根据小波分解的第层低频系数和经过量化后的一层高频系数进行小波重构，达到消除噪声的目的，从而在中
恢复了真实信号。在这三个步骤之中，最关键的就是如何选取闽值和如何进行闽值的量化，从某种程度上说，它直接关系到信号消噪的质量。阐值的选择分硬阐值和软闭值两种处理方式。软闽值处理即把信号的绝对值与阐值进行比较，当数据的绝对值小于或等于阐值时，令其为零，大于阐值的数据点则向零收缩，变为该点值与闽值之差对于硬闽值处理，是把信号的绝对值与闽值进行比较，小于或等于闽值的点变为零，大于阐值的点不变。
[0062]
然后是对于脑电信号数据采用主成分分析方法进行去噪，首先对数据进行了标准化处理，之后计算出相关系数来得出相关系数矩阵，最后对数据进一步分析，计算出相关的特征值和特征向量，接下来通过贡献率的大小，取出前90％的贡献率，并计算出其相应的载荷就完成了主成分分析。
[0063]
完成主成分分析后，比较两次不同情绪下贡献率的差异就可以完成对情感的判别。在本次研究中，采用的是第一主成分和第二主成分的贡献率的变化来进行分析。因为第一主成分能最大限度的反应样本之间的差异.而且只能用第一主成分来进行排序。而第二主成分可以用来验证第一主成分，所以本次研究采用的的第一主成分进行分析，用第二主成分加以验证的做法。
[0064]
s03：对经过去噪处理的所述脑电信号数据进行脑电特征提取，得到所述脑电信号数据对应的脑电特征。
[0065]
在一个优选的实施例中，本专利使用python开源库中的scipy.signal模块进行脑电信号特征提取，该模块专门用于信号处理。scipy.signal该模块的函数scipy.signal.resample()使用fft将信号重采样成n个点，然后从信号中利用scipy.signal.detred()去除线性趋势。对于非线性滤波，scipy.signal模块中提供了中值滤波scipy.signal.medfilt()，维纳滤波scipy.signal.wiener()，从而实现脑电信号数据的特征提取。
[0066]
s04：根据所述脑电特征与音乐要素的对应关系，将所述脑电信号数据转换为音频信号数据。
[0067]
其中，所述脑电特征与音乐要素的对应关系包括：
[0068]
将所述脑电特征中的不同波形的去趋势波动分析标度值与所述音乐要素中的音高相对应；
[0069]
将所述脑电特征中的振幅高低与所述音乐要素中的声音强度相对应。
[0070]
音乐由音高、音长、音强及音色等四个要素组成。在本专利中，我们着重关注音高与音强，而音长则由eeg的周期决定。
[0071]
首先基于脑电信号的一维信号信号特征，通过滤波处理得到特征波形，大致分为delta、theta、alpha、beta四种波形。如图2和图3所示，所获取的脑电型号特征波形可以根据不同频率判断测试者的生理状态。
[0072]
优选的，将所述脑电特征中的不同波形的去趋势波动分析标度值与所述音乐要素中的音高相对应，包括：
[0073]
使用以下公式，得到不同波形对应的音高：
[0074]
pitch＝αlgamp b
[0075]
其中，pitch为不同波形对应的音高，b为音高最大值，α为标度值，amp是指所采集脑电数据的振幅，范围在-200至250μv之间。
[0076]
α的计算包括以下子步骤：
[0077]
s041：对于一个离散时间序列x(i)，i为采样时间点，共有采样点数n，使用以下公式，通过x(i)先减去该序列的均值，构造一个新的序列：
[0078][0079]
其中，x为该时间序列的均值，n∈[1，n]；
[0080]
s042：使用长度为k的时间窗将y(n)分成多个子序列，每个时间窗内使用最小二乘法进行拟合，得到子序列yk(n)；
[0081]
s043：使用如下公式，计算波动均方根f(k)：
[0082][0083]
其中，f(k)为波动均方根，n为采样点数，n∈[1，n]；
[0084]
s044：根据以下公式，计算所述delta、theta、alpha、beta四种波形对应的标度值：
[0085]
α＝lnf(k)/lnk
[0086]
其中，α为标度值，f(k)为波动均方根，k为时间窗的长度。
[0087]
本实验中所采取的周期信号的频谱分析方法，分为周期信号的傅里叶级数与傅里叶变换，即将在(-∞， ∞)区间内，按一定时间间隔(周期t)不断重复的信号分解成一系列正弦信号或虚指数信号之和，这些分量的幅度和相位随频率变化的关系称为周期信号的频谱，可分为幅度谱和相位谱。
[0088]
在对于本实验中脑电信号的分析与处理中所采用的周期信号频谱分析，即先将对于功率信号运用傅里叶级数展开成一系列不同振幅、不同频率、不同初始相位的正弦信号的和。这样的脑电信号就可以有这些不同振幅、不同频率和不同初始相位的正弦信号完全确定。在频率域，这些频率等间隔分布着的振幅、相位信息就代表了周期信号的离散频域信息。在信号与系统理论中，满足狄里赫利条件的周期信号可以展开成傅立叶级数，周期信号的傅里叶级数，如下公式所示：
[0089][0090]
其中，f(t)为周期信号，其周期为t，角频率ω＝2π/t，fn为周期信号指数形式傅里叶级数的系数。
[0091]
而按照经典数学函数的定义，功率(周期)信号的傅里叶变换是不存在的，但如果引入了广义函数，则可以求得功率(周期)信号的傅里叶变换。周期信号的傅立叶变换在频域是由一串冲激所组成，各冲激的面积正比于傅立叶级数。周期信号的傅里叶变换，如下公式所示：
[0092]
[0093]
其中，f(f)为(周期)信号的傅里叶变换，fn为周期信号指数形式傅里叶级数的系数。
[0094]
自相关函数即存活概率振幅，本专利通过周期信号的自相关函数可描述脑电信号初始态在随时间演化过程中的存活概率振幅，振幅的模平方即存活概率。并且可利用周期信号的自相关函数中的绝对值变电对于脑电信号进行一定的去噪处理。本专利的周期信号的自相关函数如下所示：
[0095][0096]
其中，r(τ)是自相关函数，τ是相对时间位移，t是信号的周期，由采集的数据根据自相关函数的定义估计出自相关函数r(τ)。
[0097]
脑电信号具有显著的周期性特征，可以根据其波动周期中判断出该信号异常与否。因此本专利在对于脑电信号的功率谱特征提取中，以脑电信号周期为分析对象，获取每个实验过程中脑电信号的细节特征。而功率谱密度能够联合时频域等特征，较好的描述脑电信号的时频分布等特征，故本专利通过功率谱密度分析对于脑电特征进行量化。过程如下，首先将功率(周期)信号的自相关函数与其功率谱密度互为傅里叶变换，如下公式所示：
[0098][0099]
其中，r(τ)是自相关函数，τ是相对时间位移，p(f)为功率谱密度。
[0100]
由此得出周期信号的功率谱密度，如下公式所示：
[0101][0102]
对周期信号的自相关函数进行傅立叶变换，就可得到周期信号的功率谱密度，其中，p(f)为功率谱密度，τ是相对时间位移。
[0103]
通过上述功率谱密度公式，我们可以计算出脑电周期信号每个频段的功率谱，以及计算出功率谱的平均值。在此计算基础上获取周期信号每个波段的最大平均的值，即max(avage(delta，beta，alpha，beta，gamma))。
[0104]
在最后的脑电信号音频合成过程中，基于base音乐弹奏e、a、d、g四音的四基础线，本专利将上述实时获取的功率谱最大值与4个基础音高相对应。然后通过脑电信号的振幅高低与本专利所注重的不同声音的声音强度相对应，并进行转换。最后将转换而成的音频信号利用tone.js将midi的乐谱显示出简谱。通过tone.js创造实例对象，然后通过调用一
些api，对于音频信号达到播放具体频率调合成器、振荡器等效果，比如duo、ri、mi等，然后将其以简谱的形式将midi乐谱显示出来。最终使用音乐播放器，实时根据脑电特征合成音频，就完成了脑电信号到音频信号的转换过程。
[0105]
本技术实施例还提供脑电信号转换音频的装置，如图4所示，该脑电信号转换音频装置400包括：
[0106]
脑电信号数据获取模块401，用于获取待转换的脑电信号数据；
[0107]
去噪模块402，用于对所述脑电信号数据进行去噪处理；
[0108]
特征提取模块403，用于对经过去噪处理的所述脑电信号数据进行脑电特征提取，得到所述脑电信号数据对应的脑电特征；
[0109]
音频转换模块404，用于根据所述脑电特征与音乐要素的对应关系，将所述脑电信号数据转换为音频信号数据；
[0110]
其中，所述脑电特征与音乐要素的对应关系包括：
[0111]
将所述脑电特征中的不同波形的去趋势波动分析标度值与所述音乐要素中的音高相对应；
[0112]
将所述脑电特征中的振幅高低与所述音乐要素中的声音强度相对应。
[0113]
优选的，所述脑电特征中的不同波形包括delta、theta、alpha、beta四种波形。
[0114]
优选的，音频转换模块包括：
[0115]
音高转换单元，用于使用以下公式，得到不同波形对应的音高：
[0116]
pitch＝αlgamp b
[0117]
其中，pitch为不同波形对应的音高，b为音高最大值，α为标度值，amp是指所采集脑电数据的振幅，范围在-200至250μv之间。
[0118]
优选的，所述去趋势波动分析标度值的获取方式包括：
[0119]
对于一个离散时间序列x(i)，i为采样时间点，共有采样点数n，使用以下公式，通过x(i)先减去该序列的均值，构造一个新的序列：
[0120][0121]
其中，x为该时间序列的均值，n∈[1，n]；
[0122]
使用长度为k的时间窗将y(n)分成多个子序列，每个时间窗内使用最小二乘法进行拟合，得到子序列yk(n)；
[0123]
使用如下公式，计算波动均方根f(k)：
[0124][0125]
其中，f(k)为波动均方根，n为采样点数，n∈[1，n]；
[0126]
根据以下公式，计算所述delta、theta、alpha、beta四种波形对应的标度值：
[0127]
α＝lnf(k)/lnk
[0128]
其中，α为标度值，f(k)为波动均方根，k为时间窗的长度。
[0129]
优选的，去噪模块包括：
[0130]
小波去噪单元，用于对所述脑电信号数据进行小波去噪处理；
[0131]
主成分分析单元，用于对所述脑电信号数据采用主成分分析方法进行去噪处理。
[0132]
对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元。所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0133]
本技术实施例还提供一种电子设备，包括：
[0134]
至少一个存储器以及至少一个处理器；
[0135]
所述存储器，用于存储一个或多个程序；
[0136]
当所述一个或多个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如前所述的脑电信号转换音频的方法的步骤。
[0137]
对于设备实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的设备实施例仅仅是示意性的，其中所述作为分离部件说明的组件可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本公开方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
[0138]
本技术实施例还提供一种计算机可读存储介质，
[0139]
所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如前所述的脑电信号转换音频的方法的步骤。
[0140]
计算机可用存储介质包括永久性和非永久性、可移动和非可移动媒体，可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括但不限于：相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(r a m)、只读存储器(r o m)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。
[0141]
本发明提供的脑电信号转换音频的方法、装置、电子设备及存储介质，将脑电信号数据转换为音频信号，并生成音乐简谱合成音乐。由于大脑在不同的精神状态下脑电特征是不相同的，因而生成的音乐会随之变化。由此，可以从音频信号反向推测大脑的活动状态。例如癫痫病患者鉴于自身的状况，根据其脑电信号转换的音乐会相对混乱与无序，突然变换音高的可能性大，而患有阿尔茨海默病的患者的脑电信号转换而成的音乐则会会出现更趋向于波动性弱，持续维持着低波动低变化的状态。通过根据不同个体脑电信号数据转换而成的音乐，甚至有早期筛查、辅助诊断的可能。现有的将脑电信号转换为其他形式的信号的研究仍未足够成熟，就如将语音信号与脑电信号的转换的研究。该方面的研究更趋向于明确表达出脑电信号中向他人表达的信息，信息明确性高，但相对的拘束性也更强。脑电信号到音频信号的转换目前更能与其他领域相适配与结合，对于被检测者的受众面更广
阔，并且检测出脑电信号数据来源者更加潜在的问题的可能性更高。
[0142]
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。