视觉眩晕脑电信号分类方法、装置、设备和介质与流程

1.本发明涉及脑电信号处理技术领域，尤其涉及一种视觉眩晕脑电信号分类方法、装置、设备和介质。


背景技术：

2.目前，在针对受试者产生视觉眩晕的情况下采集到的脑电信号，进行分析时，多是根据受试者主观上对晕眩程度的评价，作为视觉眩晕脑电信号分类结果的参照。由于不同受试者对眩晕程度的感受是不同的，同样的分析标准对于不同受试者分析结果准确度不高，不用在不同的受试者间进行应用受限。


技术实现要素：

3.本发明实施例提供了一种视觉眩晕脑电信号分类方法、装置、设备和介质，其要解决的一个技术问题是目前的视觉眩晕脑电信号分析方法，受数据采集对象的主观眩晕评价影响应用泛化性低，以实现视觉眩晕脑电信号分类分析中突破分析数据采集对象的主观评价对分析结果的局限性，可以广泛的应用于对任一对象的眩晕脑电信号分析。
4.第一方面，本发明实施例提供了一种视觉眩晕脑电信号分类方法，该方法包括：
5.获取目标对象的待分析脑电信号，并对所述待分析脑电信号进行预处理，得到目标待分析脑电信号；
6.按照预设时长对所述目标待分析脑电信号进行数据切片处理，得到多个数据切片；
7.在所述多个数据切片中分别提取至少一个目标数据特征；
8.对所述多个数据切片分别对应的至少一个目标数据特征进行特征校准，得到所述多个数据切片分别对应的至少一个目标校准数据特征；
9.依据所述多个数据切片分别对应的所述至少一个目标校准数据特征进行脑电信号分类识别，得到所述待分析脑电信号对应的晕眩程度分类结果。
10.第二方面，本发明实施例还提供了一种视觉眩晕脑电信号分类装置，该装置包括：
11.信号数据获取模块，用于获取目标对象的待分析脑电信号，并对所述待分析脑电信号进行预处理，得到目标待分析脑电信号；
12.数据切片模块，用于按照预设时长对所述目标待分析脑电信号进行数据切片处理，得到多个数据切片；
13.数据特征提取模块，用于在所述多个数据切片中分别提取至少一个目标数据特征；
14.数据特征校准模块，用于对所述多个数据切片分别对应的至少一个目标数据特征进行特征校准，得到所述多个数据切片分别对应的至少一个目标校准数据特征；
15.数据分类识别模块，用于依据所述多个数据切片分别对应的所述至少一个目标校准数据特征进行脑电信号分类识别，得到所述待分析脑电信号对应的晕眩程度分类结果。
16.第三方面，本发明实施例还提供了一种电子设备，该电子设备包括：
17.一个或多个处理器；
18.存储装置，用于存储一个或多个程序，
19.当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明任意实施例所提供的视觉眩晕脑电信号分类方法。
20.第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现本发明任意实施例所提供的视觉眩晕脑电信号分类方法。
21.第五方面，本发明实施例还提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现如本发明实施例中任一所述的视觉眩晕脑电信号分类方法。
22.本发明实施例的技术方案，通过在获取任一对象的待分析脑电信号之后，对待分析脑电信号进行预处理，得到目标待分析脑电信号；然后，按照预设时长，将所述目标待分析脑电信号进行数据切片处理，并从每一个数据切片中，提取出至少一个目标数据特征；并对多个数据切片分别对应的至少一个目标数据特征进行特征校准，得到多个数据切片分别对应的至少一个目标校准数据特征，最终，依据多个数据切片分别对应的所述至少一个目标校准数据特征进行脑电信号分类识别，得到所述待分析脑电信号对应的晕眩程度分类结果。其中，经过特征校准的步骤能够减少不同脑电信号采集对象间差异对特征的影响，提高该分析过程的泛化性。本发明实施例的技术方案解决了现有视觉眩晕脑电信号分析应用泛化性低的问题，实现跨数据源对象进行视觉眩晕脑电信号分析，提升分析结果的准确度，能够扩大检测脑电信号，分析视觉眩晕状态的应用范围。
23.下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
24.为了更加清楚地说明本发明示例性实施例的技术方案，下面对描述实施例中所需要用到的附图做一简单介绍。显然，所介绍的附图只是本发明所要描述的一部分实施例的附图，而不是全部的附图，对于本领域普通技术人员，在不付出创造性劳动的前提下，还可以根据这些附图得到其他的附图。其中：
25.图1为本发明实施例所提供的一种视觉眩晕脑电信号分类方法的流程图；
26.图2为本发明实施例所提供的一种视觉刺激信号图示意图；
27.图3为本发明实施例所提供的另一种视觉刺激信号图示意图；
28.图4为本发明实施例所提供的一种视觉眩晕脑电信号分类方法的流程图；
29.图5为本发明实施例所提供的一种脑电信号片段中伪迹片段示意图；
30.图6为本发明实施例所提供的又一种脑电信号片段中伪迹片段示意图；
31.图7为本发明实施例所提供的一种视觉眩晕脑电信号分类方法的流程图；
32.图8为本发明实施例所提供的一种对脑电数据片段进行经验模态分解结果示意图；
33.图9为本发明实施例所提供的一种多个imf的希尔伯特能量谱示意图；
34.图10为本发明实施例所提供的一种多个imf的希尔伯特能量谱叠加合成的能量谱
示意图；
35.图11为本发明实施例所提供的一种视觉眩晕脑电信号分类装置的结构示意图；
36.图12为本发明实施例所提供的一种电子设备的结构示意图。
具体实施方式
37.现在将参照附图来详细描述本发明的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。
38.同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
39.以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。
40.应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
41.图1为本发明实施例所提供的一种视觉眩晕脑电信号分类方法的流程示意图，本实施例可适用于对脑电信号进行处理与分析的场景，特别是基于脑电信号判断待分析脑电信号源对象的视觉眩晕状态的情况，该方法可以由视觉眩晕脑电信号分类装置来执行，该装置可以通过软件和/或硬件来实现，可配置于终端和/或服务器中来实现本发明实施例中的视觉眩晕脑电信号分类方法。
42.如图1所示，本实施例的视觉眩晕脑电信号分类方法具体可包括：
43.s110、获取目标对象的待分析脑电信号，并对所述待分析脑电信号进行预处理，得到目标待分析脑电信号。
44.其中，目标对象可以是任一需要进行视觉眩晕状态检测的对象，分析该对象是否处于眩晕的状态。待分析脑电信号则是通过目标对象佩戴的脑电采集装置，所采集到的大脑皮层的神经元活动产生的电位变化。脑电采集装置可以是多个信号采集通道的装置，如八电极、十六电极，也可以单个信号采集通道的装置。为了对目标对象进行脑电信号采集更加便捷，以及扩大脑电信号监测的应用场景，可以仅通过单个信号采集通道对目标对象的脑电信号进行监测，进而基于单通道的待分析脑电信号进行分析。在本实施例中，以单通道采集的待分析脑电信号为例进行说明。在采用多个信号采集通道进行脑电信号检测时，各个通道的脑电信号分析可参考单通道脑电分析的过程，对各通道的待分析脑电信号采用相同的分析方法。
45.在采集到的待分析脑电信号中会包含体动伪迹、眼电伪迹、肌电伪迹、工频噪声、电极通道间的信号串扰等噪声信号，需要对待分析脑电信号进行预处理，以去除各项噪声信号的干扰成分，并提取出能够反映脑电信号的主要特征的目标频段的脑电信号。经过预处理的待分析脑电信号可以在后续的信号分析中，使分析结果更加的接近脑电信号真实的状态。其中，目标频段可以进行自定义设置，设定能够提取到待分析脑电信号特征的信号频段。
46.s120、按照预设时长对所述目标待分析脑电信号进行数据切片处理，得到多个数
据切片。
47.在本实施例中以预设时长的数据片段为数据处理单位，对数据的分析更加细粒度。例如，可以以5秒、10秒或其他时间长度的时间窗进行无重叠滑窗，从而对待分析脑电信号进行切分，得到多个数据切片。若最后剩余的数据片段，时长小于对应时间窗的长度，则将剩余的数据片段舍弃。
48.s130、在所述多个数据切片中分别提取至少一个目标数据特征。
49.其中，目标数据特征可以是待分析脑电信号数据切片数据的时域特征、频域特征以及样本熵特征中的一种或多种特征，具体的特征项可以是预先设定的，与脑电信号分类结果关联度较高的，能够反映视觉眩晕对应的脑电信号特征的几个特征，也可以是能够提取到的时域特征、频域特征以及样本熵特征中的全部特征。
50.s140、对所述多个数据切片分别对应的至少一个目标数据特征进行特征校准，得到所述多个数据切片分别对应的至少一个目标校准数据特征。
51.因为每一个目标对象之间存在差异，即便在相同状态下“绝对特征”也存在高低。为了提高对不同目标对象的目标特征的识别准确度，本实施例中采取“特征校准”策略，以减少个体差异性对后续目标数据特征进行分析的影响。
52.具体为，在对目标对象的视觉眩晕状态进行监测与分析之前，会预先采集目标对象在非视觉眩晕状态的数据切片对应的各个目标数据特征的均值，作为各目标数据特征的特征基准值；使目标对象的待分析脑电信号的数据切片对应的时域特征、频域特征和样本复杂度特征分别减去对应特征基准值，完成特征校准处理。
53.实质上是计算每个目标对象的各个特征基准值(迁移矩阵)，然后，此目标对象每次采样数据提取的特征将会经过对应的迁移矩阵映射到一个“共同空间”(此空间中不同目标对象之间没有初始状态的差异)，然后，再将较正后的样本数据用于特征分析。
54.需要说明的是，特征校准方法要满足3个假设：第一，目标对象每次佩戴脑电信号采集设备时，采集的数据差异较小，通过预处理的标准化几乎可以消除佩戴差异。经实验发现若每次佩戴一致，每次阻抗值的差异较小。第二，以上几个样本特征与眩晕状态严重程度的关系为线性关系。经实验证明，眩晕程度于以上这些特征均为线性关系。第三，以上几个特征中，个体差异仅仅存在于初始点，而变化程度差异较小。经实验证明，此假设可以被满足。
55.s150、依据所述多个数据切片分别对应的所述至少一个目标校准数据特征进行脑电信号分类识别，得到所述待分析脑电信号对应的晕眩程度分类结果。
56.具体的，在对脑电信号进行分类识别的过程中，是依次对每个数据切片的目标校准数据特征进行识别，进而，根据各数据切片的识别结果，可以确定目标对象在进行脑电信号监测的过程，视觉眩晕状态的变化。
57.其中，在针对每一个数据切片的目标校准数据特征进行识别时，可以通过经过预先训练的脑电信号眩晕程度分类模型进行识别。
58.在一种可选的实施方式中，脑电信号眩晕程度分类模型是基于在产生不同标签类别的脑电信号的视觉眩晕刺激场景下，采集到的脑电信号数据，进行模型训练得到的模型。不同类别标签是指脑电信号采集对象的视觉眩晕程度，如无眩晕的静息状态、轻度眩晕、中度眩晕及重度眩晕等。
59.通常情况下，都是由脑电信号采集对象对自己的眩晕状态进行打分，根据打分结果确定采集得到的脑电信号数据的分类标签。但是，此种方式中，脑电信号采集对象的自我评估容易受到主观因素干扰，导致训练得到的模型在应用的过程中分析误差较大。
60.而在本实施例中，不再使用脑电信号采集对象的主观眩晕程度的评价结果作为脑电信号的数据标签，而是设置产生不同程度视觉眩晕刺激的脑电信号采集场景，在对应场景采集到的脑电信号数据的标签则是确定的标签。
61.例如，在采集脑电信号样本数据的过程中，脑电信号采集对象被要求佩戴播放眩晕视频的vr眼镜，同时保持身体静坐，并持续观看视频。首先，采集脑电信号采集对象无视觉刺激，睁开眼睛静息状态下的脑电信号，并为采集到的脑电信号添加标签，记为label-0。然后，给脑电信号采集对象播放能引起轻度视觉眩晕的视觉刺激图像或视频，采集该脑电信号采集对象在接受轻度视频刺激过程中的脑电信号，并为采集到的脑电信号添加标签，记为label-1。还可以给脑电信号采集对象播放能引起重度视觉眩晕的视觉刺激图像或视频，采集该脑电信号采集对象在接受重度视频刺激过程中的脑电信号，并为采集到的脑电信号添加标签，记为label-2。
62.示例性的，在采集标签为label-1的脑电信号样本数据时，可以播放由图2所示的图像形成的视频一，视频一中图2进行缓慢的旋转。在采集标签为label-2的脑电信号样本数据时，可以播放由图3所示的图像形成的视频二，视频二中图3进行快速的旋转。图3的复杂度高于图2的复杂度，且比图2旋转的速度快，能够引起更加严重的视觉眩晕。还可以使视频一与视频二无间隙播放。此外，为了确保采样数据的准确性，采样结束后会根据脑电数据采样对象的自我描述以及体态特征排除未眩晕人群。可以理解的是，还可以设置更多的客观上能够产生不同眩晕程度的视觉刺激视频，以采集更多类别标签的脑电信号样本数据。
63.通过上述样本采集过程，保证了脑电信号样本数据的客观性，因此，基于本实施例采集到的脑电样本数据训练得到的脑电信号眩晕程度分类模型在不同人群的应用中，可以得到可信度更高的分类结果，使脑电信号眩晕程度分类模型跨数据源对象应用的范围更加广泛。
64.在本实施例中，提取到的预设数据特征直接输入至脑电信号眩晕程度分类模型中，便可以得到待分析脑电信号的可靠的分类结果，使脑电信号分析更加的便捷。
65.本实施例的技术方案，通过在获取任一对象的待分析脑电信号之后，对待分析脑电信号进行预处理，得到目标待分析脑电信号；然后，按照预设时长，将所述目标待分析脑电信号进行数据切片处理，并从每一个数据切片中，提取出至少一个目标数据特征，并对各目标数据特征进行校准，最终通过校准后的目标数据特征进行脑电信号的识别与分类，从而确定目标对象的视觉眩晕程度；其中，脑电信号眩晕程度分类模型是基于在产生不同标签类别的脑电信号的视觉眩晕刺激场景下，采集到的脑电信号数据，进行模型训练得到的模型，即脑电信号眩晕程度分类模型的训练样本数据中的标签是确定的数据标签，并不依赖于采样对象的主观判断，因此训练得到的模型可以跨对象使用，任一对象的脑电信号均可通过脑电信号眩晕程度分类模型得到对应的准确的分类结果。本发明实施例的技术方案解决了现有视觉眩晕脑电信号分析受数据源对象的主观眩晕评价影响，应用泛化性低的问题，实现跨数据源对象进行视觉眩晕脑电信号分析，提升分析结果的准确度，能够扩大检测脑电信号，分析视觉眩晕状态的应用范围。
66.图4为本发明实施例所提供的一种视觉眩晕脑电信号分类方法的流程图，该方法与上述实施例中所提供的视觉眩晕脑电信号分类方法中各个可选方案可以结合，进一步描述了脑电信号的预处理过程，通过本实施例的技术方案，可以提升去伪迹信号的预处理效果。该方法可以由视觉眩晕脑电信号分类装置来执行，该装置可以通过软件和/或硬件的形式实现，该装置可配置于电子设备中，例如配置于移动终端或服务器设备中。
67.如图4所示，本实施例的视觉眩晕脑电信号分类方法具体可包括：
68.s210、对所述待分析脑电信号进行滤波处理，得到预设频段内去除工频干扰的初步处理待分析脑电信号。
69.在本步骤中的待分析脑电信号预处理包括常规的信号处理操作。具体的，可以先利用带阻滤波器经滤波，以去除工频信号的干扰；然后，利用带通滤波器进行滤波，得到预设频段的待分析脑电信号，如0.5-45hz频率范围内的脑电信号。可以在该频段的待分析脑电信号中，提取与分析结果关联度较高的特征。当然，可以理解的是，预设频带的设定，同脑电信号眩晕程度分类模型训练过程中脑电信号样本数据的处理一致。
70.s220、对所述初步处理待分析脑电信号进行伪迹去除处理，得到去除伪迹的所述目标待分析脑电信号。
71.在该步骤中的数据预处理操作是为了去除待分析脑电数据中的伪迹片段，其中，伪迹片段可以是待分析脑电信号源对象(目标对象)身体抖动、眼睛转动、肌电等因素产生的信号。
72.其中，在初步处理待分析脑电信号中，噪声幅值最大的通常是体动伪迹噪声，采用matlab中常规的artifact subspace reconstruction(asr)算法可以有效删除多通道伪迹片段，并将剩余的片段直接拼接；但是，asr算法除了去除伪迹片段以外还会删除坏通道数据。因此，在对单通道采集的脑电信号进行预处理的过程中，常规的asr算法并不能很好的适用。
73.在本实施例中，对常规的asr算法进行优化，以提升针对单通道采集的脑电信号中体动伪迹片段的去除效果。具体的，当对初步处理待分析脑电信号进行体动伪迹去除的处理时，可以滑动预设长度时间窗在初步处理待分析脑电信号中选取当前窗口数据片段信号；然后，根据当前窗口数据片段信号的幅值的标准差数值与根据预设参考数据片段确定策略确定的参考数据片段的信号幅值的标准差数值，判断当前窗口数据片段信号内是否包括体动伪迹片段；若当前窗口数据片段信号内包括体动伪迹片段，则将当前窗口数据片段起始位置至动伪迹片段结束位置的数据片段进行删除，并以体动伪迹片段结束位置为新的滑窗起点，滑动预设长度时间窗更新当前窗口数据片段信号，直至去除初步处理待分析脑电信号中包括的全部体动伪迹片段。
74.其中，确定参考数据片段是依据当前窗口数据片段在初步处理待分析脑电信号中的位置。具体的，在当前窗口数据片段信号为初步处理待分析脑电信号的第一个窗口片段信号时，将初步处理待分析脑电信号整体确定为参考数据片段；或者，在当前窗口数据片段信号非所述初步处理待分析脑电信号的第一个片段信号时，将当前窗口数据片段信号的前一个窗口数据片段信号确定为参考数据片段。
75.进一步的，当根据当前窗口数据片段信号的幅值的标准差数值与根据预设参考数据片段确定策略确定的参考数据片段的信号幅值的标准差数值，判断当前窗口数据片段信
号内是否包括体动伪迹片段时，可以将当前窗口数据片段信号的幅值的标准差数值与参考数据片段信号的幅值的标准差数据进行比较；在当前窗口数据片段信号的幅值的标准差数值大于参考数据片段信号的幅值的标准差数值的预设倍数时，确定窗口数据片段信号内是否包括体动伪迹片段。其中，预设倍数可以是3倍、5倍等任意整数倍数。
76.示例性的，在一种可选的实施方式中，设置一个5秒钟时长的时间窗口，针对初步处理待分析脑电信号中的第一个5秒长的数据片段，当该数据片段的脑电信号幅值的标准差数值大于全部初步处理待分析脑电信号幅值的标准差数值的预设倍数(如3)时，删除该第一个5秒长的数据片段中伪迹信号数据片段，以及伪迹信号片段之前的数据片段。相当于，在第一个5秒长的数据片段的位置滑动一个小窗，滑动至伪迹信号结束的位置，然后删除小窗内所有的数据片段。进一步的，在伪迹信号片段之后，即小窗结束的位置，选取新的一个5秒长的数据片段，作为当前数据片段，重复当前数据片段内伪迹片段的识别与删除操作，直到所选取的数据片段内无伪迹片段。
77.当第一个5秒长的数据片段的脑电信号幅值的标准差数值小于或等于全部所述初步处理待分析脑电信号幅值的标准差数值的预设倍数时，则认为该片段内无伪迹片段，可以在5秒长的数据片段之后，选取第二个5秒长的数据片段；那么，第二个5秒长的数据片段即为当前数据片段，第一个5秒长的数据片段即为参考片段。可以进一步采用相同的伪迹片段判断策略，比较当前片段与参考片段的信号幅值的标准差，以确定在当前数据片段中是否存在伪迹片段。重复上述过程，更新当前数据片段和参考数据片段，直到遍历待分析脑电信号中的全部数据，删除所有的伪迹数据片段。可参考图5和图6所示的数据片段，其中，灰度值较高的为不合格为的伪迹片段，需要进行删除，灰度值较小的为合格的数据，保留不做处理。基于优化后的asr算法，还考虑到的数据片段的长度，在一个时间窗内，数据是无拼接的，可以更好的适配通过单通道采集到的待分析脑电信号。
78.进一步的，在去掉待分析脑电信号中的全部伪迹片段之后，便可以进行数据的标准化。在本实施例中，优选采用零-均值(z-score)标准化方法，该方法适用于信号幅值的最大值和最小值未知的情况，或有超出取值范围的离群数据的情况。经过标准化的数据可以提升模型的精度。
79.s230、按照预设时长，对所述目标待分析脑电信号进行数据切片处理，并从每一个数据切片中，提取出至少一个目标数据特征。
80.可以理解的是，当采用神经网络模型进行最终的特征识别时，数据切分后的数据切片的长度，与脑电信号眩晕程度分类模型在模型训练阶段中，对应的样本数据切分处理的数据切片的长度是一致的。
81.s240、将所述目标数据特征输入至脑电信号眩晕程度分类模型中，得到所述待分析脑电信号的分类结果。
82.其中，所述脑电信号眩晕程度分类模型是基于在产生不同标签类别的脑电信号的视觉眩晕刺激场景下，采集到的脑电信号数据，进行模型训练得到的模型。
83.本实施例的技术方案，通过在获取任一对象的待分析脑电信号之后，先对待分析脑电信号进行常规预处理操作，然后利用优化后的asr算法删除初步处理的待分析脑电信号中的伪迹片段，并进行数据标准化，得到目标待分析脑电信号；进而，按照预设时长，将目标待分析脑电信号进行数据切片处理，并从每一个数据切片中，提取出至少一个预设数据
特征；将提取到的预设数据特征输入至脑电信号眩晕程度分类模型中，得到待分析脑电信号的分类结果；其中，脑电信号眩晕程度分类模型是基于在产生不同标签类别的脑电信号的视觉眩晕刺激场景下，采集到的脑电信号数据，进行模型训练得到的模型，即脑电信号眩晕程度分类模型的训练样本数据中的标签是确定的数据标签，并不依赖于采样对象的主观判断，因此训练得到的模型可以跨对象使用，任意一个对象的脑电信号均可通过脑电信号眩晕程度分类模型得到对应的准确的分类结果。本发明实施例的技术方案解决了现有视觉眩晕脑电信号分析受数据源对象的主观眩晕评价影响，应用泛化性低的问题，实现跨数据源对象进行视觉眩晕脑电信号分析，提升分析结果的准确度，能够扩大检测脑电信号，分析视觉眩晕状态的应用范围。
84.图7为本发明实施例所提供的一种视觉眩晕脑电信号分类方法的流程图，该方法与上述实施例中所提供的视觉眩晕脑电信号分类方法中各个可选方案可以结合，进一步描述了脑电信号眩晕程度分类模型的训练过程，通过该技术方案，可以跨受试者应用的脑电信号分析模型。该方法可以由视觉眩晕脑电信号分类装置来执行，该装置可以通过软件和/或硬件的形式实现，该装置可配置于电子设备中，例如配置于移动终端或服务器设备中。
85.如图7所示，视觉眩晕脑电信号分类方法具体可包括：
86.s310、获取在产生不同标签类别的脑电信号的视觉眩晕刺激场景下，分别采集到的多个受试者的多个标签类别对应的脑电信号样本数据，并对所述脑电信号样本数据进行预处理，得到目标脑电信号样本数据。
87.其中，产生不同标签类别的脑电信号的视觉眩晕刺激场景，是客观的能够产生不同标签类别数据的场景。具体的脑电信号样本数据采集过程，可参考上述实施例中描述的相关内容。
88.进一步的，针对脑电信号样本数据的预处理过程，同在应用过程中待分析脑电数据的预处理过程是一致的，首先，对脑电信号样本数据进行滤波处理，得到去除工频干扰的、预设频段的初步处理脑电信号样本数据；然后，根据初步处理脑电信号样本数据的幅值的标准差数据，删除初步处理待分析脑电信号中的伪迹信号数据片段，得到去伪迹脑电信号样本数据，具体的去伪迹片段的过程可以参考上述实施例中的相关描述。
89.特别的，在模型训练样本数据的处理过程中，还包括一个脑电信号样本数据的筛选过程。在这个过程中，视觉眩晕脑电信号分类装置可以响应于用户的数据筛选指令，将去伪迹脑电信号样本数据中与数据筛选指令关联的受试者的脑电信号样本数据删除。这一过程是通过人工筛选的方式，排除掉信号采集不合格的受试者的脑电信号样本数据。其中，不合格可以包括信号采集设备佩戴不准确的情况。由于脑电信号为随机信号，在此种情况下采集到的部分脑电样本信号与噪声难以区分，很难用自动检测的方式检测出来，但采用人工识别的方式，根据经验比较容易判断。因此，增加一个人工筛选的过程，得到更优质的模型训练样本数据。
90.进一步的，在数据筛选之后，便可以对剩余的脑电信号样本数据进行标准化，得到目标脑电信号样本数据。
91.s320、按照所述预设时长，将所述目标脑电信号样本数据进行数据切片处理，并从每一个数据切片中，提取多个预设数据特征。
92.其中，多个预设数据特征包括：时域特征、频域特征和样本复杂度特征。频域特征
包括绝对功率谱密度特征、相对功率谱密度特征以及希尔伯特能量密度特征，时域特征包括hjorth参数特征，样本复杂度特征包括样本熵特征。
93.在现有的通过脑电信号对视觉眩晕状态研究分析的方案中，通常只采用频域的数据特征进行数据分析。在本实施例中，不仅对频域数据特征进行分析，还对时域的数据特征以及样本复杂度特征进行分析，对脑电信号样本数据的特征挖掘与分析更加的全面，从而在后续的模型训练过程中，可以是被训练模型学习到更多的不同视觉眩晕状态的脑电信号特征。
94.具体的，针对时域特征的提取是从每一个数据切片中，提取hjorth参数，其中，hjorth参数包括活动性(activity)、移动性(mobility)和复杂度(complexity)三个维度特征。活动性是脑电信号的平均功率的方差；移动性是脑电信号斜率均方根与振幅均方根的比率，是估算军属频率的一种参数；复杂度是一种斜率变化与理想的曲线比率的均方根的测算方法，常用与估算信号的带宽。
95.针对频域特征的提取时，首先，对每一个数据切片进行快速傅里叶变换，然后，根据快速傅里叶变换后的数据的幅值确定预设频带的能量值，作为数据片段的绝对功率谱密度特征(absolute power spectrum density，abs psd)。如提取频带为delta[1-4]hz，theta[4-8]hz，alpha1[8-12]hz，alpha2[12-14]hz，beta1[14-20]hz，beta2[20-32]hz及gamma[32-44]hz的能量值，相应的，绝对功率谱密度特征维度为7。
[0096]
进一步的，在绝对功率谱密度特征的基础上提取相对功率谱密度特征，分别将各预设频带的能量值以对应的全频带能量值，作为数据片段的相对功率谱密度特征(relative power spectrum density，rel psd)。如分别使delta[1-4]hz，theta[4-8]hz，alpha1[8-12]hz，alpha2[12-14]hz，beta1[14-20]hz，beta2[20-32]hz及gamma[32-44]hz的能量值除以全频带[1-44]hz的能量值，得到相对功率谱密度特征，对应的相对功率谱密度特征维度为7。
[0097]
特别的，在对频域特征进行提取的过程中，结合了经验模态分解(empirical mode decomposition，emd)以及希尔伯特能量谱的数据处理过程，以挖掘相应的频域特征。具体的，针对每一个数据切片先进行经验模态分解，得到多个本征模态分量(intrinsic mode function，imf)，示例性的，经验模态分解的结果可参考图8所示的imfs示意图。在图8中，最上面一条数据为脑电信号样本数据片段，其余的经过分解后的多个imf，图中示出了imf1-imf6共计6个分量。然后，从每一个分解得到的本征模态分量中提取希尔伯特能量谱，并将各希尔伯特能量谱进行合成。图9示出了各个imf的希尔伯特能量谱示意图，图10中则为将各个imf的希尔伯特能量谱叠加合成的能量谱(combined imfs)。合成的能量谱维度为时间*频率*能量(time*frequency*power)，需要将合成得到的能量谱在时间维度进行平均处理，使维度变为frequency*power，最终，并在平均处理的结果中提取预设频带中的能量作为频域特征，即提取对应delta[1-4]hz，theta[4-8]hz，alpha1[8-12]hz，alpha2[12-14]hz，beta1[14-20]hz，beta2[20-32]hz及gamma[32-44]hz的能量值，相应的特征维度为7。
[0098]
此外，样本复杂度特征即为样本熵(entropy)，可以采取任意样本熵计算算法得到相应的特征值。
[0099]
s330、对所述多个预设数据特征进行特征校准处理，并在特征校准处理后的各数据特征中进行特征筛选，得到目标模型训练样本特征。
[0100]
通过s320采集到的绝对功率谱密度，hjorth参数，样本熵，希尔伯特-黄特征均为“绝对特征”(特征适配所有受试者)。而因为受试者之间存在差异，即便在相同状态下“绝对特征”也存在高低。为减少受试者差异给绝对特征的影响，本实施例中采取“特征校准”策略。具体为，计算每个受试者的标签类别为非视觉眩晕状态的数据切片对应的时域特征、频域特征和样本复杂度特征的均值，作为各特征的特征基准值；使每个受试者的各个标签类别的数据切片对应的时域特征、频域特征和样本复杂度特征分别减去对应特征基准值，完成特征校准处理。
[0101]
实质上是计算每个受试者的各个特征基准值(迁移矩阵)，然后此受试者每次采数据提取的特征将会经过对应的迁移矩阵映射到一个“共同空间”(此空间中受试者之间没有初始状态的差异)，然后，再将较正后的样本数据用于模型的训练。
[0102]
需要说明的是，特征校准方法要满足3个假设：第一，受试者每次佩戴脑电信号采集设备时，采集的数据差异较小，通过预处理的标准化几乎可以消除佩戴差异。经实验发现若每次佩戴一致，每次阻抗值的差异较小。第二，以上几个样本特征与眩晕状态严重程度的关系为线性关系。经实验证明，眩晕程度于以上这些特征均为线性关系。第三，以上几个特征中，个体差异仅仅存在于初始点，而变化程度差异较小。经实验证明，此假设可以被满足。
[0103]
进一步的，本实施例中，为了提升训练得到的模型的准确度，还在特征校准处理后的各特征中进行特征筛选，最终得到目标模型训练样本特征。特征筛选过程，可以是通过预设特征筛选算法，如基于相关性的特征筛选算法(correlation based feature selection)，分别计算时域特征、频域特征和样本复杂度特征与多个所述标签类别的相关性；将所述相关性的数值大于预设相关性阈值的特征作为目标模型训练特征，将相关性低的特征丢弃。
[0104]
示例性的，在特征相关性计算中，得到的相关性结果如下表1所示：
[0105]
表1特征与标签相关性计算结果表
[0106]
[0107][0108]
若筛选条件为相关度》70％，则特征rel psd beta2和特征hjorth activity将会被淘汰，不再保留，其余特征则保留下来作为目标模型训练样本特征。可以理解的是，目标模型训练样本特征包括在上述实施例中所描述的至少一个目标数据特征。
[0109]
s340、基于所述目标模型训练样本特征以及对应的样本标签进行模型训练，得到所述脑电信号眩晕程度分类模型。
[0110]
具体的，基于特征筛选过程得到的目标模型训练样本特征以及对应的标签类别，可以采用交叉验证法对预设回归模型进行训练，得到脑电信号眩晕程度分类模型。其中，预设回归模型可以是随机森林、线性回归或是线性判别分析模型，可以根据各个模型测试结果的均方差和平均相关性，确定一个最优的模型。
[0111]
根据实验结果，优选线性回归模型，作为目标视觉眩晕脑电信号分类模型。
[0112]
s350、获取待分析脑电信号，并对所述待分析脑电信号进行预处理，得到目标待分析脑电信号。
[0113]
s360、按照预设时长，对所述目标待分析脑电信号进行数据切片处理，并从每一个数据切片中，提取出与所述目标模型训练样本特征对应的待分析数据特征。
[0114]
s370、将所述待分析数据特征输入至所述目标视觉眩晕脑电信号分类模型中，得到所述待分析脑电信号的分类结果。
[0115]
在得到目标视觉眩晕脑电信号分类模型之后，便可以应用到通过脑电信号对目标对象进行视觉眩晕监测的场景中。若获取到待分析脑电信号，便可以按照目标视觉眩晕脑电信号分类模型训练过程中的数据处理过程，对数据经预处理，逐步得到目标视觉眩晕脑电信号分类模型输入项，并输入到目标视觉眩晕脑电信号分类模型中，得到相应的脑电信号分析结果，即待分析脑电信号的信号源对象是否处于视觉眩晕状态，或者对应的眩晕程度。
[0116]
本实施例的技术方案，通过对采集到的客观上具有准确数据标签的脑电信号样本数据进行处理，并提取样本数据中时域、频域以及样本复杂度特这，并进行特征校准和筛选得到目标样本数据特征，训练得到目标视觉眩晕脑电信号分类模型，然后可以目标视觉眩晕脑电信号分类模型的应用过程中，在获取任一对象的待分析脑电信号之后，对待分析脑电信号进行预处理，得到目标待分析脑电信号；然后，按照预设时长，将所述目标待分析脑电信号进行数据切片处理，并从每一个数据切片中，提取出至少一个预设数据特征；将所述预设数据特征输入至脑电信号眩晕程度分类模型中，得到待分析脑电信号的分类结果；其
中，脑电信号眩晕程度分类模型是基于在产生不同标签类别的脑电信号的视觉眩晕刺激场景下，采集到的脑电信号数据，进行模型训练得到的模型，即脑电信号眩晕程度分类模型的训练样本数据中的标签是确定的数据标签，并不依赖于采样对象的主观判断，因此训练得到的模型可以跨对象使用，任一对象的脑电信号均可通过脑电信号眩晕程度分类模型得到对应的准确的分类结果。本发明实施例的技术方案解决了现有视觉眩晕脑电信号分析受数据源对象的主观眩晕评价影响，应用泛化性低的问题，实现跨数据源对象进行视觉眩晕脑电信号分析，提升分析结果的准确度，能够扩大检测脑电信号，分析视觉眩晕状态的应用范围。
[0117]
图11为本发明实施例所提供的一种视觉眩晕脑电信号分类装置结构示意图。本实施例提供的视觉眩晕脑电信号分类装置适用于对采集到的脑电信号进行处理与分析，确定脑电信号是否为产生视觉眩晕情况下的脑电信号的场景。该装置可以通过软件和/或硬件的形式实现，该装置可配置于电子设备中，例如配置于移动终端或服务器设备中。
[0118]
如图11所示，视觉眩晕脑电信号分类装置包括：信号数据获取模块410、数据切片模块420、数据特征提取模块430、数据特征校准模块440和数据分类识别模块450。
[0119]
信号数据获取模块410，用于获取目标对象的待分析脑电信号，并对所述待分析脑电信号进行预处理，得到目标待分析脑电信号；数据切片模块420，用于按照预设时长对所述目标待分析脑电信号进行数据切片处理，得到多个数据切片；数据特征提取模块430，用于在所述多个数据切片中分别提取至少一个目标数据特征；数据特征校准模块440，用于对所述多个数据切片分别对应的至少一个目标数据特征进行特征校准，得到所述多个数据切片分别对应的至少一个目标校准数据特征；数据分类识别模块450，用于依据所述多个数据切片分别对应的所述至少一个目标校准数据特征进行脑电信号分类识别，得到所述待分析脑电信号对应的晕眩程度分类结果。
[0120]
本发明实施例的技术方案，通过在获取任一对象的待分析脑电信号之后，对待分析脑电信号进行预处理，得到目标待分析脑电信号；然后，按照预设时长，将所述目标待分析脑电信号进行数据切片处理，并从每一个数据切片中，提取出至少一个预设数据特征；将所述预设数据特征输入至脑电信号眩晕程度分类模型中，得到待分析脑电信号的分类结果；其中，脑电信号眩晕程度分类模型是基于在产生不同标签类别的脑电信号的视觉眩晕刺激场景下，采集到的脑电信号数据，进行模型训练得到的模型，即脑电信号眩晕程度分类模型的训练样本数据中的标签是确定的数据标签，并不依赖于采样对象的主观判断，因此训练得到的模型可以跨对象使用，任一对象的脑电信号均可通过脑电信号眩晕程度分类模型得到对应的准确的分类结果。本发明实施例的技术方案解决了现有视觉眩晕脑电信号分析受数据源对象的主观眩晕评价影响，应用泛化性低的问题，实现跨数据源对象进行视觉眩晕脑电信号分析，提升分析结果的准确度，能够扩大检测脑电信号，分析视觉眩晕状态的应用范围。
[0121]
在一种可选的实施方式中，所述信号数据获取模块410具体用于：
[0122]
对所述待分析脑电信号进行滤波处理，得到预定频段内去除工频干扰的初步处理待分析脑电信号；
[0123]
对所述初步处理待分析脑电信号进行伪迹去除处理，得到去除伪迹的所述目标待分析脑电信号。
[0124]
在一种可选的实施方式中，所述信号数据获取模块410进一步用于：
[0125]
当对所述初步处理待分析脑电信号进行体动伪迹去除的处理时，滑动预设长度时间窗在所述初步处理待分析脑电信号中选取当前窗口数据片段信号；
[0126]
根据所述当前窗口数据片段信号的幅值的标准差数值与根据预设参考数据片段确定策略确定的参考数据片段的信号幅值的标准差数值，判断所述当前窗口数据片段信号内是否包括体动伪迹片段；
[0127]
若所述当前窗口数据片段信号内包括体动伪迹片段，则将所述当前窗口数据片段起始位置至所述动伪迹片段结束位置的数据片段进行删除，并以所述体动伪迹片段结束位置为新的滑窗起点，滑动所述预设长度时间窗更新当前窗口数据片段信号，直至去除所述初步处理待分析脑电信号中包括的全部体动伪迹片段。
[0128]
在一种可选的实施方式中，所述信号数据获取模块410还可用于：
[0129]
当所述当前窗口数据片段信号为所述初步处理待分析脑电信号的第一个窗口片段信号时，将所述初步处理待分析脑电信号整体确定为参考数据片段；
[0130]
或者，当所述当前窗口数据片段信号非所述初步处理待分析脑电信号的第一个片段信号时，将所述当前窗口数据片段信号的前一个窗口数据片段信号确定为参考数据片段。
[0131]
在一种可选的实施方式中，所述信号数据获取模块410还可用于：
[0132]
将所述当前窗口数据片段信号的幅值的标准差数值与所述参考数据片段信号的幅值的标准差数据进行比较；
[0133]
当所述当前窗口数据片段信号的幅值的标准差数值大于所述参考数据片段信号的幅值的标准差数值的预设倍数时，确定所述窗口数据片段信号内是否包括体动伪迹片段。
[0134]
在一种可选的实施方式中，所述数据特征校准模块440具体用于：
[0135]
获取所述目标对象的所述至少一个目标数据特征在非眩晕状态下的特征基准值；
[0136]
将所述多个数据切片的所述至少一个目标数据特征分别减去对应的特征基准值，得到所述多个数据切片分别对应的至少一个目标校准数据特征。
[0137]
在一种可选的实施方式中，所述数据分类识别模块450具体用于：
[0138]
针对所述多个数据切片中的每一个数据切片，将各数据切片对应的至少一个目标校准数据特征输入至经过预先训练的脑电信号眩晕程度分类模型，得到各数据切片的片段信号分类结果；
[0139]
根据所述各数据切片的片段信号分类结果确定所述目标对象在所述待分析脑电信号对应时间段的晕眩程度分类结果。
[0140]
在一种可选的实施方式中，所述视觉眩晕脑电信号分类装置还包括模型训练模块，具体用于：
[0141]
获取在产生不同类别标签的脑电信号的视觉眩晕刺激场景下，分别采集到的多个受试者的多个标签类别对应的脑电信号样本数据，并对所述脑电信号样本数据进行预处理，得到目标脑电信号样本数据；
[0142]
按照所述预设时长，将所述目标脑电信号样本数据进行数据切片处理，并从每一个数据切片中，提取多个预设数据特征；
[0143]
对所述多个预设数据特征进行特征校准处理，并在特征校准处理后的各数据特征中进行特征筛选，得到目标模型训练样本特征，其中，所述目标模型训练样本特征包括所述至少一个目标数据特征；
[0144]
基于所述目标模型训练样本特征以及对应的样本标签进行模型训练，得到所述脑电信号眩晕程度分类模型。
[0145]
在一种可选的实施方式中，所述多个预设数据特征包括：时域特征、频域特征和样本复杂度特征；
[0146]
其中，所述频域特征包括绝对功率谱密度特征、相对功率谱密度特征以及希尔伯特能量密度特征，所述时域特征包括hjorth参数特征，所述样本复杂度特征包括样本熵特征。
[0147]
在一种可选的实施方式中，所述模型训练模块，还可用于：
[0148]
对每一个数据切片进行经验模态分解，得到多个本征模态分量；
[0149]
从每一个所述本征模态分量中提取希尔伯特能量谱，并将各希尔伯特能量谱进行合成；
[0150]
将合成得到的能量谱在时间维度进行平均处理，并在平均处理的结果中提取预设频带中的能量，得到希尔伯特-黄能量密度频域特征。
[0151]
在一种可选的实施方式中，所述模型训练模块，还可用于：
[0152]
通过预设特征筛选算法，分别计算所述特征校准处理后的各特征与多个样本标签的相关性；
[0153]
将所述相关性的数值大于预设相关性阈值的特征，作为目标模型训练特征。
[0154]
在一种可选的实施方式中，所述模型训练模块，还可用于：
[0155]
基于所述目标模型训练样本特征以及对应的样本标签，采用交叉验证法对预设回归模型进行训练，得到所述脑电信号眩晕程度分类模型。
[0156]
在一种可选的实施方式中，所述模型训练模块，还可用于：
[0157]
对所述脑电信号样本数据进行滤波处理，得到预设频段的去除工频干扰的初步处理脑电信号样本数据；
[0158]
采用预设伪迹去除策略，去除所述初步处理脑电信号样本数据中的伪迹信号数据片段，得到去伪迹脑电信号样本数据；
[0159]
响应于用户的数据筛选指令，将所述去伪迹脑电信号样本数据中与所述数据筛选指令关联的受试者的脑电信号样本数据删除，并对剩余的脑电信号样本数据进行标准化，得到目标脑电信号样本数据。
[0160]
本发明实施例所提供的视觉眩晕脑电信号分类装置可执行本发明任意实施例所提供的视觉眩晕脑电信号分类方法，具备执行方法相应的功能模块和有益效果。
[0161]
图12为本发明实施例提供的一种电子设备的结构示意图。图12示出了适于用来实现本发明实施方式的示例性电子设备12的框图。图12显示的电子设备12仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。电子设备12可以任意具有计算能力的终端设备，如个人计算机系统、服务器计算机系统、瘦客户机、厚客户机、手持或膝上设备、基于微处理器的系统、机顶盒、可编程消费电子产品、网络个人电脑、小型计算机系统﹑大型计算机系统和包括上述任何系统的分布式云计算技术环境，等等。
[0162]
如图12所示，电子设备12以通用计算设备的形式表现。电子设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
[0163]
总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(isa)总线，微通道体系结构(mac)总线，增强型isa总线、视频电子标准协会(vesa)局域总线以及外围组件互连(pci)总线。
[0164]
电子设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
[0165]
系统存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(ram)40和/或高速缓存存储器42。电子设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统44可以用于读写不可移动的、非易失性磁介质(图12未显示，通常称为“硬盘驱动器”)。尽管图12中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如cd-rom,dvd-rom或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。系统存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
[0166]
具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如系统存储器28中，这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
[0167]
电子设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该电子设备12交互的设备通信，和/或与使得该电子设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口22进行。并且，电子设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。如图所示，网络适配器20通过总线18与电子设备12的其它模块通信。应当明白，尽管图12中未示出，可以结合电子设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。
[0168]
处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本发实施例所提供的视觉眩晕脑电信号分类方法，该方法包括：
[0169]
获取目标对象的待分析脑电信号，并对所述待分析脑电信号进行预处理，得到目标待分析脑电信号；
[0170]
按照预设时长对所述目标待分析脑电信号进行数据切片处理，得到多个数据切片；
[0171]
在所述多个数据切片中分别提取至少一个目标数据特征；
[0172]
对所述多个数据切片分别对应的至少一个目标数据特征进行特征校准，得到所述
多个数据切片分别对应的至少一个目标校准数据特征；
[0173]
依据所述多个数据切片分别对应的所述至少一个目标校准数据特征进行脑电信号分类识别，得到所述待分析脑电信号对应的晕眩程度分类结果。
[0174]
本发明实施例还提供了一种计算机存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述实施例所提供的视觉眩晕脑电信号分类方法。
[0175]
需要说明的是，本发明上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(erasable programmable read-only memory，eprom)或闪存(flash)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、rf(射频)等等，或者上述的任意合适的组合。
[0176]
在一些实施方式中，客户端、服务器可以利用诸如http(hyper text transfer protocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“lan”)，广域网(“wan”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
[0177]
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
[0178]
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：
[0179]
获取目标对象的待分析脑电信号，并对所述待分析脑电信号进行预处理，得到目标待分析脑电信号；
[0180]
按照预设时长对所述目标待分析脑电信号进行数据切片处理，得到多个数据切片；
[0181]
在所述多个数据切片中分别提取至少一个目标数据特征；
[0182]
对所述多个数据切片分别对应的至少一个目标数据特征进行特征校准，得到所述多个数据切片分别对应的至少一个目标校准数据特征；
[0183]
依据所述多个数据切片分别对应的所述至少一个目标校准数据特征进行脑电信号分类识别，得到所述待分析脑电信号对应的晕眩程度分类结果。
[0184]
可以以一种或多种程序设计语言或其组合来编写用于执行本发明的操作的计算
机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如java、smalltalk、c ，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
[0185]
附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0186]
描述于本发明实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元、模块的名称在某种情况下并不构成对该单元、模块本身的限定，例如，数据生成模块还可以被描述为“视频数据生成模块”。
[0187]
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(field programmable gate array，fpga)、专用集成电路(application specific integrated circuit，asic)、专用标准产品(application specific standard parts，assp)、片上系统(system on chip，soc)、复杂可编程逻辑设备(cpld)等等。
[0188]
在本发明的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
[0189]
进一步需要说明的是，本说明书中各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似的部分相互参见即可。对于装置实施例而言，由于其与方法实施例基本对应，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
[0190]
可能以许多方式来实现本发明的方法和装置。例如，可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本发明的方法和装置。用于所述方法的步骤的上述顺序仅是为了进行说明，本发明的方法的步骤不限于以上具体描述的顺序，除非以其它方式特
别说明。此外，在一些实施例中，还可将本发明实施为记录在记录介质中的程序，这些程序包括用于实现根据本发明的方法的机器可读指令。因而，本发明还覆盖存储用于执行根据本发明的方法的程序的记录介质。
[0191]
本发明实施例还提供了一种计算机程序产品，包括计算机程序，该计算机程序在被处理器执行时实现如本技术任一实施例所提供的视觉眩晕脑电信号分类方法。
[0192]
计算机程序产品在实现的过程中，可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，程序设计语言包括面向对象的程序设计语言，诸如java、smalltalk、c ，还包括常规的过程式程序设计语言，诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
[0193]
本发明的描述是为了示例和描述起见而给出的，而并不是无遗漏的或者将本发明限于所公开的形式。很多修改和变化对于本领域的普通技术人员而言是显然的。选择和描述实施例是为了更好说明本发明的原理和实际应用，并且使本领域的普通技术人员能够理解本发明从而设计适于特定用途的带有各种修改的各种实施例。