自适应视觉过滤器稳定性的统计学控制
阅读：1011发布：2020-07-30
专利汇可以提供自适应视觉过滤器稳定性的统计学控制专利检索，专利查询，专利分析的服务。并且一种 脑电图 系统和方法，该系统和方法用于在视觉 传感器 信道内的高噪声尖峰期间控制自适应 过滤器 的 稳定性 。该方法包括接收来自至少一个传感器的 信号 ，并基于来自上述至少一个传感器的信号来确定何时自适应过滤器 算法 变得不稳定。当所述算法变得不稳定时，暂停自适应过滤器算法的运行。，下面是自适应视觉过滤器稳定性的统计学控制专利的具体信息内容。
1.一种用于控制目适应过滤器的稳定性的方法，所述方法包括：从至少一个传感器接收信号；基于来自所述至少一个传感器的信号确定何时自适应过滤器算法变得不稳定；以及当所述算法变得不稳定时，暂停所述自适应过滤器算法的运行。
2.根据权利要求1所述的方法，其特征在于，接收来自至少一个传感器的信号还包括：从至少一个视觉传感器和至少一个脑电图传感器接收信号。
3.根据权利要求1所述的方法，其特征在于，确定何时自适应过滤器算法变得不稳定包括：为来自所述至少一个传感器的信号中包含的各数据点计算稳定性因子；且将所述计算的稳定性因子数值与稳定性因子阈值进行比较。
4.根据权利要求3所述的方法，其特征在于，暂停自适应过滤器的运行还包括：当所述计算出的稳定性因子超过所述稳定性因子阈值时，暂停所述自适应过滤器算法的运行。
5.根据权利要求4所述的方法，其特征在于，计算稳定性因子还包括：计算z分值。
6.根据权利要求5所述的方法，其特征在于，计算z分值包括：基于来自所述至少一个传感器的信号中的各数据点计算平均值；且基于所计算的平均值和来自所述至少一个传感器的信号中的各数据点的数值计算所述各数据点的标准差。
7.根据权利要求6所述的方法，其特征在于，计算各数据点的平均值和标准差包括：计算滑动平均值和滑动标准差。
8.根据权利要求6所述的方法，其特征在于，计算各数据点的平均值和标准差包括：基于基线期来计算平均值和标准差，其中，在所述基线期内采集了一些代表性的数据点。
自适应视觉过滤器稳定性的统计学控制
技术领域
背景技术
脑电图提供了与脑的活动有关的有用数据，这些数据被用于各种目的，如医学研究和临床治疗。然而，EEG信号常常包含因眼睛运动而产生的视觉赝像。这些视觉赝像对所采集的与脑的活动有关的数据产生了不利的影响。因此，已开发基于最小均方算法的自适应过滤器算法来从EEG信号中滤除视觉赝像。
自适应过滤器算法使用来自视觉传感器的信号和所关心的EEG部位的信号来得到各个EEG部位处的因眼睛运动所造成的噪声的估计。一旦自适应过滤器算法稳定下来，则能从相关的EEG部位减去这些与特定部位有关的噪声估计，从而得到更为纯净的EEG信号。
当前的自适应过滤器算法的应用场合通常限于可控的实验室环境。然而，在运动的、非实验室控制的环境中，通常因非视觉源(如摩擦和传感器移动)的缘故产生了视觉传感器信道内的噪声尖峰。这些非视觉源可导致持续时间延长的高幅值尖峰，而这些高幅值尖峰使得自适应过滤器算法不能在适当的时间内收敛。当这种现象发生时，不稳定的过滤器算法便损坏了EEG信号，并使得上述算法和EEG信号实际上变得无用。
由于上述原因和其他原因(本领域技术人员在阅读和理解本说明书后很容易理解这些原因)，本领域中需要一种脑电图，当视觉传感器信道内存在持续时间延长的高幅值噪声尖峰时，这种脑电图不容易受到自适应过滤器算法的不稳定性的影响。
自适应过滤器算法使用来自视觉传感器的信号和所关心的EEG部位的信号来得到各个EEG部位处的因眼睛运动所造成的噪声的估计。一旦自适应过滤器算法稳定下来，则能从相关的EEG部位减去这些与特定部位有关的噪声估计，从而得到更为纯净的EEG信号。
当前的自适应过滤器算法的应用场合通常限于可控的实验室环境。然而，在运动的、非实验室控制的环境中，通常因非视觉源(如摩擦和传感器移动)的缘故产生了视觉传感器信道内的噪声尖峰。这些非视觉源可导致持续时间延长的高幅值尖峰，而这些高幅值尖峰使得自适应过滤器算法不能在适当的时间内收敛。当这种现象发生时，不稳定的过滤器算法便损坏了EEG信号，并使得上述算法和EEG信号实际上变得无用。
由于上述原因和其他原因(本领域技术人员在阅读和理解本说明书后很容易理解这些原因)，本领域中需要一种脑电图，当视觉传感器信道内存在持续时间延长的高幅值噪声尖峰时，这种脑电图不容易受到自适应过滤器算法的不稳定性的影响。
发明内容
本发明的各实施例解决了当视觉传感器信道内存在持续时间延长的高幅值噪声尖峰时脑电图对自适应过滤器算法的不稳定性的敏感性问题。
在一个实施例中，提供了用于控制自适应过滤器的稳定性的方法。该方法包括从至少一个传感器接收信号，基于来自上述至少一个传感器的信号来确定自适应滤波器算法何时变得不稳定，以及当上述算法变得不稳定时暂停该自适应过滤器算法的运行。
在另一个实施例中，提供了一种计算机可读介质，该可读介质具有一些计算机可执行指令，而这些指令用于执行控制自适应过滤器的稳定性的方法。上述方法包括为来自至少一个传感器的信号内所包含的数据点计算稳定性因子，将所计算的稳定性因子数值与稳定性因子阈值进行比较，以及，当稳定性因子数值超过稳定性因子阈值时，暂停自适应过滤器算法的运行。
在另一个实施例中，提供了一种脑电图(EEG)系统。该脑电图系统包括至少一个传感器和用于接收来自上述至少一个传感器的信号的处理单元，其中，上述处理单元确定自适应过滤器算法何时变得不稳定，并在上述算法不稳定期间暂停自适应过滤器算法的运行。
在另一个实施例中，提供了一种脑电图处理单元。该脑电图处理单元包括用于接收来自至少一个传感器的信号的装置，用于基于从上述至少一个传感器接收的数据确定何时自适应过滤器算法变得不稳定的装置，以及用于在确定自适应过滤器算法变得不稳定时暂停自适应过滤器算法运行的装置。
可通过以下的本发明实施例的详细描述来更好的理解本发明及其以上和其他优点，其中，在附图中示出了这些实施例。
在一个实施例中，提供了用于控制自适应过滤器的稳定性的方法。该方法包括从至少一个传感器接收信号，基于来自上述至少一个传感器的信号来确定自适应滤波器算法何时变得不稳定，以及当上述算法变得不稳定时暂停该自适应过滤器算法的运行。
在另一个实施例中，提供了一种计算机可读介质，该可读介质具有一些计算机可执行指令，而这些指令用于执行控制自适应过滤器的稳定性的方法。上述方法包括为来自至少一个传感器的信号内所包含的数据点计算稳定性因子，将所计算的稳定性因子数值与稳定性因子阈值进行比较，以及，当稳定性因子数值超过稳定性因子阈值时，暂停自适应过滤器算法的运行。
在另一个实施例中，提供了一种脑电图(EEG)系统。该脑电图系统包括至少一个传感器和用于接收来自上述至少一个传感器的信号的处理单元，其中，上述处理单元确定自适应过滤器算法何时变得不稳定，并在上述算法不稳定期间暂停自适应过滤器算法的运行。
在另一个实施例中，提供了一种脑电图处理单元。该脑电图处理单元包括用于接收来自至少一个传感器的信号的装置，用于基于从上述至少一个传感器接收的数据确定何时自适应过滤器算法变得不稳定的装置，以及用于在确定自适应过滤器算法变得不稳定时暂停自适应过滤器算法运行的装置。
可通过以下的本发明实施例的详细描述来更好的理解本发明及其以上和其他优点，其中，在附图中示出了这些实施例。
附图说明
图1的流程图示出了根据本发明的一个实施例来控制自适应过滤器算法的稳定性的方法。
图2的流程图示出了根据本发明的一个实施例来控制自适应过滤器算法的稳定性的方法。
图3是一种脑电图系统的框图，该系统实施了本发明的一个用于控制自适应过滤器算法的稳定性的实施例。
图4是一种脑电图系统的处理单元的框图，该单元实施了本发明的一个用于控制自适应过滤器算法的稳定性的实施例。
图5是一种脑电图系统的处理单元的框图，该单元实施了本发明的一个用于控制自适应过滤器算法的稳定性的实施例。
图2的流程图示出了根据本发明的一个实施例来控制自适应过滤器算法的稳定性的方法。
图3是一种脑电图系统的框图，该系统实施了本发明的一个用于控制自适应过滤器算法的稳定性的实施例。
图4是一种脑电图系统的处理单元的框图，该单元实施了本发明的一个用于控制自适应过滤器算法的稳定性的实施例。
图5是一种脑电图系统的处理单元的框图，该单元实施了本发明的一个用于控制自适应过滤器算法的稳定性的实施例。
具体实施方式
在以下的详细描述中，参考了附图，这些附图构成了详细描述的一部分，并且，在这些图中示出了实施本发明的特定实施例。充分公开了这些实施例的细节，以便使本领域的技术人员能够实施本发明，应当理解，也可以使用其他实施例，并且，在不背离本发明的范围的情况下，可以对实施例进行逻辑、机械和电气上的修改。应当理解，所述的示范性方法可包括更多或更少的步骤，或者，可以在更大的处理方案中执行上述方法。而且，不能将附图或说明书中提出的方法解释为对各个步骤的执行次序的限制。因此，不应将以下的详细描述视为限制性的。
当前，具有自适应过滤器算法的EEG的应用场合仅限于可控的实验室环境。在这些可控的环境中，自适应过滤器算法工作得很好，并通过滤除因眼睛运动而产生的噪声使EEG得到了很大的改善。然而，在运动环境中，这些自适应过滤器算法的功能不但受到严重影响，而且还可能因功能过于受损的缘故而损坏整个EEG信号，从而使得算法和所接收的数据实际上不可用。如果希望在运动环境中获得自适应过滤器算法的优点，则必须在高幅值尖峰期间稳定上述算法。本发明的各实施例解决了上述算法在高幅值尖峰期间的稳定性问题，这样，便使得研究者能在运动环境中有效使用具有自适应过滤器算法的脑电图(EEG)，而这一做法是没有先例的。
图1的流程图示出了根据本发明的一个实施例来控制自适应过滤器的稳定性的方法100。在一些实施例中，通过软件程序、固件或计算机可读指令来实施用于执行各种方法、处理任务、计算和控制功能的指令。这些指令通常被存储在用于存储计算机可读指令的任何合适介质(如软盘、传统的硬盘、CD-ROM、闪存ROM、非易失性的ROM、RAM和其他类似介质)之中。在其他实施例中，通过硬件电路(如运算放大器、逻辑门)来执行各种方法、处理任务、计算和控制功能。
在102处，从至少一个传感器接收信号。在104处，基于所接收的信号来确定算法是否变得不稳定。如果确定算法未变得不稳定，则在106处允许自适应过滤器算法运行。如果确定算法变得不稳定，则对该点暂停自适应过滤器算法。在一些实施例中，通过计算稳定性因子来确定算法是否变得不稳定。在一个实施例中，所计算的稳定性因子是信号中各数据点的z分值(z-score)。
z分值具有两个主要优点。第一，z分值能表示给定数值出现的概率。例如，分布中68％的点位于平均值的标准差(1的z分值)以下，95％的点位于平均值的两个标准差以下(2的z分值)等等。因此，将z分值用作稳定性因子便提供了一种直观方法，该方法能确定是否应将给定的数值视为极端值而暂停上述算法。第二，z分值可以使数值标准化。在信号中，与EEG和视觉传感器相关的数据值(如电压范围)因人和时刻而异。而将这些数据值表示成z分值则提供了一种一致和标准化的方法，该方法可以在不考虑人和时间变化的情况下来表示和评估上述数据值。参考图2，将更详细地讨论把z分值作为稳定性因子的方法的示范性实施例。
图2的流程图示出了根据本发明的一个实施例来控制自适应过滤器算法的稳定性的方法。在202处，接收来自至少一个传感器的信号。在204处，基于上述信号中的各个数据点来计算平均值和标准差。在一些实施例中，平均值和标准差基于信号中的各个幅值。在一个实施例中，当接收更多数据点时，便连续地更新平均值和标准差。在这样的实施例中，将平均值和标准差称为滑动平均值和滑动标准差。在其他实施例中，平均值和标准差基于采集代表性数据点的基线期(baseline period)。换言之，在样本不包含任何极端值的时间段内采集样本。然后，使用该样本计算平均值和标准差，而不是连续地更新平均值和标准差。
在206处，基于204处所计算的平均值和标准差为每个数据点计算了z分值。在208处，将z分值与它的阈值进行比较。如果z分值超过其阈值，则在210处继续方法200，其中，对该数据点暂停自适应过滤器算法。然后，为从视觉传感器接收的信号中的下一个数据点重复方法200。如果z分值未超过其阈值，则在212处继续方法200，在其中，运行自适应过滤器算法，以便从EEG信号中去除视觉赝像。然后，在202处为从至少一个视觉传感器接收的信号中的下一个数据点重复方法200。
因此，只要z分值超过其阈值，该方法便暂停运行自适应过滤器算法，而只要z分值未超过其阈值，则允许运行该算法。在一些实施例中，z分值的阈值是预设的，且不可改变。在另一些实施例中，可根据环境条件和所接收的信号值来改变z分值的阈值。在其他一些实施例中，z分值可由用户进行调整。
图3是一种脑电图系统300的框图，该系统实施了本发明的一个用于控制自适应滤波器算法的稳定性的实施例。在一个实施例中，在处理单元306处接收了来自一个或多个视觉传感器302的基本为连续的信号。此外，在一个实施例中，处理单元306接收了来自一个或多个EEG传感器304的基本为连续的信号。在一些实施例中，通过处理器和计算机可读指令实施了处理单元306，以下，结合图4对其示范性实施例进行讨论。在这些实施例中，在软件程序、固件或计算机可读指令中实施了用于执行各种方法、处理任务、计算、控制功能和数据输出的指令。这些指令通常被存储在用于存储计算机可读指令的任何合适的介质(如软盘、传统的硬盘、CD-ROM、闪存ROM、非易失性ROM、RAM和其他类似介质)中。在另一些实施例中，通过专用集成电路(ASIC)实施了处理单元306。在这些实施例中，使用了一些电路，这些电路包括但不限于逻辑门、计数器、触发器、电阻器、电容器等装置。以下，参考图5对用ASIC实施的处理单元306的示范性实施例进行了更为详细的讨论。
在上述基本连续的视觉信号内的各个数据点的基础上，处理单元306计算了平均值和标准差。此外，基于该平均值和标准差，处理单元306将各个数据点转换成z分值。处理单元306将计算出的z分值与其阈值进行比较。如果来自视觉传感器302的给定数据点的z分值不处于其阈值范围内，则处理单元306对该数据点暂停运行自适应过滤器算法。如果给定数据点的z分值处于其阈值范围内，则处理单元306允许对该数据点运行自适应过滤器算法。
当允许运行时，上述算法得出因眼睛运动而产生的噪声的估计，并从EEG信号中减去该噪声，以产生更纯净的信号。在一个实施例中，自适应过滤器算法构成了处理单元306的一部分。在其他实施例中，处理单元306将信号输出到独立的处理单元，上述信号指明了该独立的处理单元应当执行自适应过滤器算法的指令还是应当暂停该算法。最后，处理单元306输出经过处理的数据。在一些实施例中，将该经过处理的数据输出到显示单元。在其他实施例中，将该经过处理的数据输出到打印机。在另外一些实施例中，将该经过处理的数据输出到存储设备，该设备存储这些数据，以供今后使用或显示。
图4是一种脑电图系统的处理单元的框图，该单元实施了本发明的一个用于控制自适应滤波器算法的稳定性的实施例。处理单元400包括输入/输出接口402，该接口用于接收来自外部传感器的信号并输出经过处理的数据。上述外部传感器包括但不限于如图3所示的视觉传感器和EEG传感器。此外，在一些实施例中，输入/输出接口402包括模拟-数字/数字-模拟转换器(ADC/DAC)。该ADC/DAC转换器将模拟输入转换成由处理单元400进行处理的数字信号。在一些实施例中，该ADC/DAC转换器也将经过数字处理的数据转换成模拟信号，以将它们输出到显示部件或打印机。处理单元400也包括数据总线410，该总线用于将数据传送给处理单元400的各个部件和从这些部件接收数据。在一些实施例中，将输入/输出接口402处所接收的数据直接传送给处理器404进行处理。在另一些实施例中，将所接收的数据首先传送到数据存储器406，该存储器用于存储数据，直到之后对该数据进行处理为止。在其他实施例中，所接收的数据同时传送给处理器404和数据存储器406。数据存储器406包括但不限于用于存储的任何合适介质，如软盘、传统的硬盘、CD-ROM、闪存ROM、非易失性ROM、RAM和其他类似介质。
处理器404根据存储在程序指令存储器408内的程序指令处理所接收的数据。程序指令存储器408包括但不限于用于存储的任何合适介质，如软盘、传统的硬盘、CD-ROM、闪存ROM、非易失性ROM、RAM和其他类似介质。在一个实施例中，程序指令存储器408和数据存储器406是物理意义上相同的存储器设备。在其他实施例中，程序指令存储器408和数据存储器406为物理意义上不同的存储器。存储在程序指令存储器408中的指令指引处理器404按照以上结合图1和图2所述的方法来处理数据，其中，所述方法用于在高噪声尖峰期间稳定自适应过滤器算法。此外，在一些实施例中，程序指令存储器408也包含一些指令，以指引处理器404对所接收的数据运行自适应过滤器算法。对本领域技术人员而言，这些指令和方法已公知。在另一些实施例中，将来自输入/输出接口402的数据输出给独立的处理单元，以运行自适应过滤器算法。
图5是一种脑电图系统的处理单元的框图，该单元实施了本发明的一个用于控制自适应过滤器算法的稳定性的实施例。用ASIC实施了处理单元500，其中，该ASIC使用各种电路来执行各种必要的功能。对本领域技术人员而言，每个功能模块中的用于执行必要功能的特定部件均为已知。例如，模块502计算了信号值的平均值。在一个实施例中，为计算平均值，模块502使用了求和回路。在一个实施例中，该求和回路由合适的电阻器与OR逻辑门构成。对本领域技术人员而言，组装和连接适当部件的技术已公知。因此，在本申请中不再详细讨论这些特定的部件。因而，这些模块代表了在ASIC中实施处理单元500必需的一般功能。
在模块502处接收了视觉信号，并在此计算出平均值。将该平均值从模块502输出到模块504。在模块504处也接收了视觉信号。基于视觉信号数据值和从模块502输出的平均值，在模块504内计算了视觉信号中的各数值的标准差。在模块506处，接收了上述视觉信号和来自模块502和504的输出。在模块506处，基于平均值、标准差和视觉信号数值来计算视觉信号中的各数值的z分值。然后，模块506将z分值输出给模块508。在模块508处，将z分值与其阈值进行比较。在比较结果的基础上，模块508将信号输出到模块510处的自适应过滤器。
如果z分值超过其阈值，则上述信号指明应该暂停自适应过滤器。如果z分值未超过该阈值，则该信号指明应该运行该自适应过滤器。在一些实施例中，将模块510集成到ASIC处理单元500之中。在另外一些实施例中，模块510独立于ASIC处理单元500。在模块510内，除来自模块508的信号输出之外，还接收了视觉信号和EEG信号。如果从模块508接收的信号指明z分值处于其阈值范围内，则模块510处的自适应过滤器算法基于所述视觉信号来过滤EEG信号，以产生更纯净的EEG信号，然后，将该信号作为经过处理的信号进行输出。如果从模块508接收的信号指明z分值超过该阈值，则自适应过滤器算法暂停运行，直到上述信号指明z分值处于其阈值范围内为止。
本发明的实施例在很大程度上改进了EEG。通过在高幅值的尖峰期间暂停自适应过滤器算法，该实施例便使得EEG也能应用于运动场合。通过这种方式，算法便不会变得不稳定，并能持续有效地产生更纯净的EEG信号。这样，便可在可控的实验室环境之外更有效地使用EEG，从而便为研究者提供了新的、更好的机会来研究脑的活动。同时，上述方法也使得一些基于EEG的新颖的实际应用成为了可能，比如，这些应用包括脑的计算机接口、基于认知性状态估计(cognitive state estimation)的自适应辅助(adaptive assitance)，等等。
尽管在本文中已示出和描述了一些特定的实施例，但是，本领域普通技术人员仍将懂得，任何设计成实现相同目的的配置均可替代所示的特定实施例。本申请希望包括本发明的任何修改和变化。因此，明确地说，本发明仅受到权利要求和其等价条款的限制。
当前，具有自适应过滤器算法的EEG的应用场合仅限于可控的实验室环境。在这些可控的环境中，自适应过滤器算法工作得很好，并通过滤除因眼睛运动而产生的噪声使EEG得到了很大的改善。然而，在运动环境中，这些自适应过滤器算法的功能不但受到严重影响，而且还可能因功能过于受损的缘故而损坏整个EEG信号，从而使得算法和所接收的数据实际上不可用。如果希望在运动环境中获得自适应过滤器算法的优点，则必须在高幅值尖峰期间稳定上述算法。本发明的各实施例解决了上述算法在高幅值尖峰期间的稳定性问题，这样，便使得研究者能在运动环境中有效使用具有自适应过滤器算法的脑电图(EEG)，而这一做法是没有先例的。
图1的流程图示出了根据本发明的一个实施例来控制自适应过滤器的稳定性的方法100。在一些实施例中，通过软件程序、固件或计算机可读指令来实施用于执行各种方法、处理任务、计算和控制功能的指令。这些指令通常被存储在用于存储计算机可读指令的任何合适介质(如软盘、传统的硬盘、CD-ROM、闪存ROM、非易失性的ROM、RAM和其他类似介质)之中。在其他实施例中，通过硬件电路(如运算放大器、逻辑门)来执行各种方法、处理任务、计算和控制功能。
在102处，从至少一个传感器接收信号。在104处，基于所接收的信号来确定算法是否变得不稳定。如果确定算法未变得不稳定，则在106处允许自适应过滤器算法运行。如果确定算法变得不稳定，则对该点暂停自适应过滤器算法。在一些实施例中，通过计算稳定性因子来确定算法是否变得不稳定。在一个实施例中，所计算的稳定性因子是信号中各数据点的z分值(z-score)。
z分值具有两个主要优点。第一，z分值能表示给定数值出现的概率。例如，分布中68％的点位于平均值的标准差(1的z分值)以下，95％的点位于平均值的两个标准差以下(2的z分值)等等。因此，将z分值用作稳定性因子便提供了一种直观方法，该方法能确定是否应将给定的数值视为极端值而暂停上述算法。第二，z分值可以使数值标准化。在信号中，与EEG和视觉传感器相关的数据值(如电压范围)因人和时刻而异。而将这些数据值表示成z分值则提供了一种一致和标准化的方法，该方法可以在不考虑人和时间变化的情况下来表示和评估上述数据值。参考图2，将更详细地讨论把z分值作为稳定性因子的方法的示范性实施例。
图2的流程图示出了根据本发明的一个实施例来控制自适应过滤器算法的稳定性的方法。在202处，接收来自至少一个传感器的信号。在204处，基于上述信号中的各个数据点来计算平均值和标准差。在一些实施例中，平均值和标准差基于信号中的各个幅值。在一个实施例中，当接收更多数据点时，便连续地更新平均值和标准差。在这样的实施例中，将平均值和标准差称为滑动平均值和滑动标准差。在其他实施例中，平均值和标准差基于采集代表性数据点的基线期(baseline period)。换言之，在样本不包含任何极端值的时间段内采集样本。然后，使用该样本计算平均值和标准差，而不是连续地更新平均值和标准差。
在206处，基于204处所计算的平均值和标准差为每个数据点计算了z分值。在208处，将z分值与它的阈值进行比较。如果z分值超过其阈值，则在210处继续方法200，其中，对该数据点暂停自适应过滤器算法。然后，为从视觉传感器接收的信号中的下一个数据点重复方法200。如果z分值未超过其阈值，则在212处继续方法200，在其中，运行自适应过滤器算法，以便从EEG信号中去除视觉赝像。然后，在202处为从至少一个视觉传感器接收的信号中的下一个数据点重复方法200。
因此，只要z分值超过其阈值，该方法便暂停运行自适应过滤器算法，而只要z分值未超过其阈值，则允许运行该算法。在一些实施例中，z分值的阈值是预设的，且不可改变。在另一些实施例中，可根据环境条件和所接收的信号值来改变z分值的阈值。在其他一些实施例中，z分值可由用户进行调整。
图3是一种脑电图系统300的框图，该系统实施了本发明的一个用于控制自适应滤波器算法的稳定性的实施例。在一个实施例中，在处理单元306处接收了来自一个或多个视觉传感器302的基本为连续的信号。此外，在一个实施例中，处理单元306接收了来自一个或多个EEG传感器304的基本为连续的信号。在一些实施例中，通过处理器和计算机可读指令实施了处理单元306，以下，结合图4对其示范性实施例进行讨论。在这些实施例中，在软件程序、固件或计算机可读指令中实施了用于执行各种方法、处理任务、计算、控制功能和数据输出的指令。这些指令通常被存储在用于存储计算机可读指令的任何合适的介质(如软盘、传统的硬盘、CD-ROM、闪存ROM、非易失性ROM、RAM和其他类似介质)中。在另一些实施例中，通过专用集成电路(ASIC)实施了处理单元306。在这些实施例中，使用了一些电路，这些电路包括但不限于逻辑门、计数器、触发器、电阻器、电容器等装置。以下，参考图5对用ASIC实施的处理单元306的示范性实施例进行了更为详细的讨论。
在上述基本连续的视觉信号内的各个数据点的基础上，处理单元306计算了平均值和标准差。此外，基于该平均值和标准差，处理单元306将各个数据点转换成z分值。处理单元306将计算出的z分值与其阈值进行比较。如果来自视觉传感器302的给定数据点的z分值不处于其阈值范围内，则处理单元306对该数据点暂停运行自适应过滤器算法。如果给定数据点的z分值处于其阈值范围内，则处理单元306允许对该数据点运行自适应过滤器算法。
当允许运行时，上述算法得出因眼睛运动而产生的噪声的估计，并从EEG信号中减去该噪声，以产生更纯净的信号。在一个实施例中，自适应过滤器算法构成了处理单元306的一部分。在其他实施例中，处理单元306将信号输出到独立的处理单元，上述信号指明了该独立的处理单元应当执行自适应过滤器算法的指令还是应当暂停该算法。最后，处理单元306输出经过处理的数据。在一些实施例中，将该经过处理的数据输出到显示单元。在其他实施例中，将该经过处理的数据输出到打印机。在另外一些实施例中，将该经过处理的数据输出到存储设备，该设备存储这些数据，以供今后使用或显示。
图4是一种脑电图系统的处理单元的框图，该单元实施了本发明的一个用于控制自适应滤波器算法的稳定性的实施例。处理单元400包括输入/输出接口402，该接口用于接收来自外部传感器的信号并输出经过处理的数据。上述外部传感器包括但不限于如图3所示的视觉传感器和EEG传感器。此外，在一些实施例中，输入/输出接口402包括模拟-数字/数字-模拟转换器(ADC/DAC)。该ADC/DAC转换器将模拟输入转换成由处理单元400进行处理的数字信号。在一些实施例中，该ADC/DAC转换器也将经过数字处理的数据转换成模拟信号，以将它们输出到显示部件或打印机。处理单元400也包括数据总线410，该总线用于将数据传送给处理单元400的各个部件和从这些部件接收数据。在一些实施例中，将输入/输出接口402处所接收的数据直接传送给处理器404进行处理。在另一些实施例中，将所接收的数据首先传送到数据存储器406，该存储器用于存储数据，直到之后对该数据进行处理为止。在其他实施例中，所接收的数据同时传送给处理器404和数据存储器406。数据存储器406包括但不限于用于存储的任何合适介质，如软盘、传统的硬盘、CD-ROM、闪存ROM、非易失性ROM、RAM和其他类似介质。
处理器404根据存储在程序指令存储器408内的程序指令处理所接收的数据。程序指令存储器408包括但不限于用于存储的任何合适介质，如软盘、传统的硬盘、CD-ROM、闪存ROM、非易失性ROM、RAM和其他类似介质。在一个实施例中，程序指令存储器408和数据存储器406是物理意义上相同的存储器设备。在其他实施例中，程序指令存储器408和数据存储器406为物理意义上不同的存储器。存储在程序指令存储器408中的指令指引处理器404按照以上结合图1和图2所述的方法来处理数据，其中，所述方法用于在高噪声尖峰期间稳定自适应过滤器算法。此外，在一些实施例中，程序指令存储器408也包含一些指令，以指引处理器404对所接收的数据运行自适应过滤器算法。对本领域技术人员而言，这些指令和方法已公知。在另一些实施例中，将来自输入/输出接口402的数据输出给独立的处理单元，以运行自适应过滤器算法。
图5是一种脑电图系统的处理单元的框图，该单元实施了本发明的一个用于控制自适应过滤器算法的稳定性的实施例。用ASIC实施了处理单元500，其中，该ASIC使用各种电路来执行各种必要的功能。对本领域技术人员而言，每个功能模块中的用于执行必要功能的特定部件均为已知。例如，模块502计算了信号值的平均值。在一个实施例中，为计算平均值，模块502使用了求和回路。在一个实施例中，该求和回路由合适的电阻器与OR逻辑门构成。对本领域技术人员而言，组装和连接适当部件的技术已公知。因此，在本申请中不再详细讨论这些特定的部件。因而，这些模块代表了在ASIC中实施处理单元500必需的一般功能。
在模块502处接收了视觉信号，并在此计算出平均值。将该平均值从模块502输出到模块504。在模块504处也接收了视觉信号。基于视觉信号数据值和从模块502输出的平均值，在模块504内计算了视觉信号中的各数值的标准差。在模块506处，接收了上述视觉信号和来自模块502和504的输出。在模块506处，基于平均值、标准差和视觉信号数值来计算视觉信号中的各数值的z分值。然后，模块506将z分值输出给模块508。在模块508处，将z分值与其阈值进行比较。在比较结果的基础上，模块508将信号输出到模块510处的自适应过滤器。
如果z分值超过其阈值，则上述信号指明应该暂停自适应过滤器。如果z分值未超过该阈值，则该信号指明应该运行该自适应过滤器。在一些实施例中，将模块510集成到ASIC处理单元500之中。在另外一些实施例中，模块510独立于ASIC处理单元500。在模块510内，除来自模块508的信号输出之外，还接收了视觉信号和EEG信号。如果从模块508接收的信号指明z分值处于其阈值范围内，则模块510处的自适应过滤器算法基于所述视觉信号来过滤EEG信号，以产生更纯净的EEG信号，然后，将该信号作为经过处理的信号进行输出。如果从模块508接收的信号指明z分值超过该阈值，则自适应过滤器算法暂停运行，直到上述信号指明z分值处于其阈值范围内为止。
本发明的实施例在很大程度上改进了EEG。通过在高幅值的尖峰期间暂停自适应过滤器算法，该实施例便使得EEG也能应用于运动场合。通过这种方式，算法便不会变得不稳定，并能持续有效地产生更纯净的EEG信号。这样，便可在可控的实验室环境之外更有效地使用EEG，从而便为研究者提供了新的、更好的机会来研究脑的活动。同时，上述方法也使得一些基于EEG的新颖的实际应用成为了可能，比如，这些应用包括脑的计算机接口、基于认知性状态估计(cognitive state estimation)的自适应辅助(adaptive assitance)，等等。
尽管在本文中已示出和描述了一些特定的实施例，但是，本领域普通技术人员仍将懂得，任何设计成实现相同目的的配置均可替代所示的特定实施例。本申请希望包括本发明的任何修改和变化。因此，明确地说，本发明仅受到权利要求和其等价条款的限制。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 脑电图激发装置 | 2020-05-16 | 221 |
| 脑电图仪电极帽 | 2020-05-16 | 269 |
| 脑电图帽 | 2020-05-18 | 274 |
| 新型脑电图检查座椅 | 2020-05-13 | 548 |
| 一次性脑电图用袋状导电橡胶套 | 2020-05-17 | 700 |
| 脑电图检查椅 | 2020-05-11 | 343 |
| 智能动态脑电图监测仪 | 2020-05-14 | 99 |
| 脑电图专用检查椅 | 2020-05-14 | 390 |
| 脑电图电极帽 | 2020-05-12 | 84 |
| 脑电图电极辅助安放器 | 2020-05-15 | 742 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
分析报告
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
QQ群二维码
意见反馈
意见反馈