基于贝叶斯数据融合脑电ERS_ERD的分析方法与流程

技术特征：
1.一种基于贝叶斯数据融合脑电ers_erd的分析方法，其特征在于，所述方法包括以下步骤：s1，通过脑电实验流程被试操作的任务及任务的试验次数，招募被试完成实验任务，获取脑电波信号数据；s2，对获取到的脑电波信号数据通过脑电预处理的python工具库mne进行预处理；s3，通过在脑电波信号数据中选择出现ers_erd现象的脑波频段，并确定该频段对应的导联并对预处理的脑电波信号数据进行带通滤波；s4，对滤波后脑电波信号数据中的每个采样值取平方，获得对应的功率采样值；s5，通过贝叶斯的数据融合算法将各个导联在相同时间位置的功率采样值进行数据融合后得到带加权的功率采样值；s6，通过ewma指数加权移动平均算法，对获得的加权功率采样值序列进行数据平滑处理；s7，通过选择脑电ers_erd分析参考时间段，以该时间段为基准，计算功率值上升或下降的百分比。2.根据权利要求1所述的基于贝叶斯数据融合脑电ers_erd的分析方法，其特征在于，在所述步骤s1中，所述脑电波信号数据的采样率为λhz；所述脑电波信号数据包括m个trial，即m次试验；且在每次试验中，每个脑电导联都有n个采样值。3.根据权利要求2所述的基于贝叶斯数据融合脑电ers_erd的分析方法，其特征在于，在所述步骤s2中，所述预处理包括进行定位通道位置、设置通道类型、滤波与去伪迹。4.根据权利要求3所述的基于贝叶斯数据融合脑电ers_erd的分析方法，其特征在于，在所述步骤s3中，选择的所述脑波频段为hz～hz，且该频段对应的导联数目为p，所述为低通滤波的参数，所述为高通滤波的参数。5.根据权利要求4所述的基于贝叶斯数据融合脑电ers_erd的分析方法，其特征在于，在所述步骤s4中，滤波后脑电波信号数据中的采样值为：(1≤i≤m, 1≤j≤p, 1≤k≤n)，其中表示第i次试验中在第j个导联上的第k个功率采样值，表示经过滤波的第i次试验中在第j个导联上的第k个采样值，m为试验次数，p为导联个数，n为功率采样值个数。6.根据权利要求5所述的基于贝叶斯数据融合脑电ers_erd的分析方法，其特征在于，所述步骤s5包括以下子步骤，s51，将采样值汇总得到第j个导联上的第个功率采样值集合={| 1≤i≤m} (1≤j≤p)，其中表示全部m次试验中第j个导联上的第个功率采样值所组成的数集；s52，通过计算任意两个导联第个导联和第个导联，，之间采样数据的置信距离和，其中 (1≤≤n)； (1≤p≤p,1≤q≤p)
ꢀ
(1≤p≤p,1≤q≤p)式中，和是条件概率；其中，，；其中，，；s53，通过计算置信距离矩阵，其中(1≤≤n)；确定合适的临界值α，将置信距离矩阵转化为关系布尔矩阵(1≤≤n)；s54，筛选出个采样数值有效的导联，对它们的采样数值进行融合，计算，，最终的融合结果为：其中1≤≤n；s55，确定合适的阈值，对于一处导联的采样，当它被多于个导联的采样支持时认为该导联的采样数值有效，重复执行步骤s52~s54，总共n次，得到，，，
…
，，对应n个采样时刻的加权功率采样值，记加权功率采样集合为
。7.根据权利要求6所述的脑电ers_erd的分析方法，其特征在于，所述步骤s6包括以下子步骤，s61，通过ewma指数加权移动平均算法对集合进行数据平滑处理得到：，, 2≤k≤n其中为对第k次采样的平滑值，为第k次的加权功率采样值， (0<<1)是ewma对于加权功率采样值的权重系数，其初始值设为；s62，通过设定，并定义动态数据序列为：(3≤k≤n)并根据以下公式计算数据序列的平均平滑度：；s63，若<0.8，调整的值，重新计算，直至数据序列的平均平滑度≥0.8；若≥0.8，保留数据序列中的所有ewma预测值；s64，以为起始值，为步长更新动态数据序列，重复执行步骤s62~s63，直至获得调整后的n个ewma预测值，，
…
，，，获得最终的功率集合。8.根据权利要求7所述的基于贝叶斯数据融合脑电ers_erd的分析方法，其特征在于，所述步骤s7包括以子下步骤：s71，将所选参考时间段记为，计算参考时间段reference平均能量：。9.根据权利要求8所述的基于贝叶斯数据融合脑电ers_erd的分析方法，其特征在于，所述步骤s7包括以子下步骤：s72，计算功率值相对于参考时间段reference的上升/下降百分比：。

技术总结
本发明提供了一种基于贝叶斯数据融合脑电ERS_ERD的分析方法，S1，通过脑电实验流程被试操作的任务及任务的试验次数，招募被试完成实验任务，获取脑电波信号数据；


技术研发人员：张健
受保护的技术使用者：深圳联友科技有限公司
技术研发日：2022.10.31
技术公布日：2022/11/29