TWI788169B - 壓縮腦波生理訊號之傳輸方法 - Google Patents
壓縮腦波生理訊號之傳輸方法 Download PDFInfo
- Publication number
- TWI788169B TWI788169B TW110149344A TW110149344A TWI788169B TW I788169 B TWI788169 B TW I788169B TW 110149344 A TW110149344 A TW 110149344A TW 110149344 A TW110149344 A TW 110149344A TW I788169 B TWI788169 B TW I788169B
- Authority
- TW
- Taiwan
- Prior art keywords
- physiological signals
- brain wave
- time series
- sequence
- electroencephalogram
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 230000003068 static effect Effects 0.000 claims abstract description 43
- 238000006073 displacement reaction Methods 0.000 claims abstract description 36
- 239000003550 marker Substances 0.000 claims abstract description 9
- 210000004556 brain Anatomy 0.000 claims description 67
- 230000005540 biological transmission Effects 0.000 claims description 25
- 238000010586 diagram Methods 0.000 claims description 20
- 230000003542 behavioural effect Effects 0.000 claims description 10
- 230000003924 mental process Effects 0.000 claims description 8
- 238000000537 electroencephalography Methods 0.000 abstract description 22
- 238000005516 engineering process Methods 0.000 description 15
- 230000006835 compression Effects 0.000 description 10
- 238000007906 compression Methods 0.000 description 10
- 238000004458 analytical method Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 7
- 230000006399 behavior Effects 0.000 description 5
- 239000000090 biomarker Substances 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 230000001537 neural effect Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 230000003340 mental effect Effects 0.000 description 3
- 108090000623 proteins and genes Proteins 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 208000013738 Sleep Initiation and Maintenance disease Diseases 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004070 electrodeposition Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 206010022437 insomnia Diseases 0.000 description 2
- 230000006996 mental state Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 206010064571 Gene mutation Diseases 0.000 description 1
- 206010019233 Headaches Diseases 0.000 description 1
- 208000019695 Migraine disease Diseases 0.000 description 1
- 208000002193 Pain Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000008713 feedback mechanism Effects 0.000 description 1
- 230000037433 frameshift Effects 0.000 description 1
- 231100000869 headache Toxicity 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 206010027599 migraine Diseases 0.000 description 1
- 238000003032 molecular docking Methods 0.000 description 1
- 238000003012 network analysis Methods 0.000 description 1
- 210000001152 parietal lobe Anatomy 0.000 description 1
- 230000035479 physiological effects, processes and functions Effects 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
- A61B5/0004—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by the type of physiological signal transmitted
- A61B5/0006—ECG or EEG signals
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
- A61B5/0015—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by features of the telemetry system
- A61B5/0022—Monitoring a patient using a global network, e.g. telephone networks, internet
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
- A61B5/165—Evaluating the state of mind, e.g. depression, anxiety
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
- A61B5/372—Analysis of electroencephalograms
- A61B5/374—Detecting the frequency distribution of signals, e.g. detecting delta, theta, alpha, beta or gamma waves
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7232—Signal processing specially adapted for physiological signals or for diagnostic purposes involving compression of the physiological signal, e.g. to extend the signal recording period
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Pathology (AREA)
- Public Health (AREA)
- Psychiatry (AREA)
- Physiology (AREA)
- Artificial Intelligence (AREA)
- Computer Networks & Wireless Communication (AREA)
- Psychology (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Hospice & Palliative Care (AREA)
- Social Psychology (AREA)
- Educational Technology (AREA)
- Developmental Disabilities (AREA)
- Child & Adolescent Psychology (AREA)
- Computing Systems (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本發明提出一種壓縮腦波生理訊號之傳輸方法，包含：偵測一受測者的複數個腦波生理訊號，基於一時間序列將該等腦波生理訊號產生一腦波訊號圖；基於該時間序列，切割該腦波訊號圖形成複數個子圖形；使用一腦波資料庫所儲存的複數個靜態特徵標記與複數個動態位移標記，根據複數個子圖形依該時間序列標定出至少一靜態特徵標記及關聯的複數個動態位移標記；依該時間序列，產生至少一疊加集合標記，該疊加集合標記用以整合該標定的靜態特徵標記與關聯的動態位移標記；依該時間序列，傳輸該標定的靜態特徵標記、關聯的動態位移標記以及該疊加集合標記至一遠距雲端系統；依該時間序列，該遠距雲端系統根據該疊加集合標記整合該標定的靜態特徵標記與關聯的動態位移標記，以還原出複數個子圖形；以及依該時間序列，該遠距雲端系統組合還原的複數個子圖形，以獲得該腦波訊號圖。
Description
本發明係關於一種訊號傳輸方法，特別是用於壓縮腦波生理訊號的傳輸方法。
現有的生物回饋訓練主要是透過輸入端的無線裝置，像是透過一對電極貼片針對頂葉的三個區域比較訓練前後的腦波變化，以一對電極貼片偵測神經生理回饋對於感覺運動節律（sensorimotor rhythm, SMR）的影響，或是蒐集生理訊號，並將生理數據經由有線或無線傳輸模組上傳至雲端平台分析，使用個體需要打開APP或者相關應用程式，以回溯方式讀取睡眠時期的生理裝置。然而，現有技術通常讓使用者未能立即獲得腦波或心跳變異等生理相關的訊息，需要等待幾小時至幾天的判讀。
再者，腦波等生理訊號之波型，由許多點所組成之線段，因此原始腦波是由許多的點所繪製而成，不同的取樣頻率（sampling rate）則是每秒有幾點繪製成線，例如取樣頻率1000則代表每一秒有一千個點來繪製，若以X-Y軸來呈現，X軸則是腦波蒐集時間，Y軸則是腦波之電位差與振幅。原始腦波紀錄時間越長，則數據越大，也造成傳輸的困難，要達到即時與資料庫進行比對，則會更加耗費時間。
因此，需要提出改良的方法與系統，能夠將大量資料量的複數個腦波生理訊號即時傳輸給遠距雲端，並透過遠距雲端的視覺或聽覺回饋，讓使用者可以調節自身生理訊號回復到常態。
為達到有效解決上述問題之目的，本發明提出一種壓縮腦波生理訊號之傳輸方法，包含：偵測一受測者的複數個腦波生理訊號，基於一時間序列將該等腦波生理訊號產生一腦波訊號圖；基於該時間序列，切割該腦波訊號圖形成複數個子圖形；使用一腦波資料庫所儲存的複數個靜態特徵標記與複數個動態位移標記，根據複數個子圖形依該時間序列標定出至少一靜態特徵標記及關聯的複數個動態位移標記；依該時間序列，產生至少一疊加集合標記，該疊加集合標記用以整合該標定的靜態特徵標記與關聯的動態位移標記；依該時間序列，傳輸該標定的靜態特徵標記、關聯的動態位移標記以及該疊加集合標記至一遠距雲端系統；依該時間序列，該遠距雲端系統根據該疊加集合標記整合該標定的靜態特徵標記與關聯的動態位移標記，以還原出複數個子圖形；以及依該時間序列，該遠距雲端系統組合還原的複數個子圖形，以獲得該腦波訊號圖。
本發明之又一目的，係提供一種壓縮腦波生理訊號之傳輸方法，包含：偵測一受測者的複數個腦波生理訊號，基於一時間序列根據該等腦波生理訊號產生複數個腦波圖；使用一腦波資料庫所儲存的複數個特徵標記(Tag)與複數個指標模式，根據複數個腦波圖依該時間序列標定出一序列的特徵標記；根據該標定序列的特徵標記依該時間序列，產生一生物特徵序列，該生物特徵序列由複數個指標模式所組成，且該生物特徵序列的指標模式是根據該標定序列的特徵標記所標定出來；依該時間序列，傳輸該生物特徵序列的複數個指標模式至一遠距雲端系統；以及依該時間序列，該遠距雲端系統根據接收的複數個指標模式，分析該生物特徵序列所對應的行為表現或心智歷程。
根據本發明的一實施例，該壓縮腦波生理訊號之傳輸方法使用一形狀壓縮技術，通過在不同頻道的波形之間的差異的畫面靜態基礎值與畫面位移來壓縮該等腦波生理訊號。
根據本發明的一實施例，複數個形狀標記包含：靜態特徵標記Background-frame(簡稱B-Frame)、關聯的動態位移標記Movement-frame(簡稱M-Frame)與疊加集合標記Grouping-frame(簡稱G-Frame)，靜態特徵標記是關於腦波生理訊號的靜態基礎值，關聯的動態位移標記是下一畫面的訊號值位移，而疊加集合標記則是處理靜態特徵標記與關聯的動態位移標記的訊息。
根據本發明一實施例，複數個腦波生理訊號是以一腦波帽所蒐集的電位（power）、頻率（frequency）、電流（current）、電流源密度（current source density）、對稱性（asymmetry）、連結性（coherence）或相位差（phase lag）。
根據本發明一實施例，複數個指標模式是利用類神經網路使用複數張腦電圖所訓練產生，並以特徵標記的組合表示每一指標模式。
通過將本發明的比對回饋方法運用在生理訊號遠距雙向傳訊處理系統中，能提高評估效率，在生物回饋訓練系統達到遠端即時回饋，讓使用者能夠立即了解自身狀況，並透過回饋讓使用者可以調節自身生理訊號回復到常態。
請參照圖1與圖2，圖1係顯示由A地到B地的壓縮腦波生理訊號傳輸的比對回饋系統的架構圖，本發明的壓縮比對方法係為一種腦電圖影像壓縮模式。圖2顯示本發明壓縮腦波生理訊號傳輸方法的二種傳輸處理的示意圖。本發明透過影像壓縮模式的比對，將原始由點所組成的腦波訊號轉換成二種圖片影像，進行動態比對。
本發明之二種圖片影像處理分別為：(1)腦電圖影像壓縮-1技術：透過將複數腦波生理訊號轉換成一腦波訊號圖檔，並且基於一時間序列切割該腦波訊號圖形成複數個子圖形，再為複數個子圖形標定出為靜態特徵標記（B-Frame）, 關聯的動態位移標記（M-Frame）與疊加集合標記（G-Frame）等形狀標記，複數個腦波生理訊號透過腦電圖影像壓縮-1技術處理進行傳輸，請參照圖3至圖5。(2) 腦電圖影像壓縮-2技術：從不同頻道蒐集之原始腦波訊號，可以透過演算法分析不同點位之間腦波的關聯性，該關聯性的分析像是連結性（coherence）、相位差（phase lag）、電位（power）、對稱性（asymmetry）…等，依時間序列以產生複數腦波圖，再為複數腦波圖標定出特徵標記，產生一生物特徵序列，該生物特徵序列由複數個指標模式所組成，且該生物特徵序列的指標模式是根據該標定序列的特徵標記所標定，請參照圖6至圖12。
在本發明第一實施例中，請參照圖3與圖4，不同頻道Channel-A~Channel-X的腦波生理訊號是使用一居家腦波蒐集裝置，如腦波帽裝置，偵測一受測者所獲得。本發明所使用的壓縮傳輸方法是使用(1)腦電圖影像壓縮-1技術，通過該等腦波生理訊號在不同頻道Channel-A~Channel-X的波形之間的差異的畫面靜態基礎值與畫面位移來壓縮訊號。在此是將蒐集到的該等腦波生理訊號產生一腦波訊號圖，以固定時段切割成圖3中的多個畫面（子圖形）Figure1~FigureN的組合，並且給予每個畫面（子圖形）標記。請參照圖4，將複數腦波生理訊號轉換成一腦波訊號圖檔後，基於一時間序列切割該腦波訊號圖為多個子圖形，並分別標定出背景的靜態特徵標記（B-Frame）、動態位移標記（M-Frame）與疊加集合標記（G-Frame）等形狀標記。靜態特徵標記（B-Frame）為背景基礎影像架構，動態位移標記（M-Frame）為標記時間序列下圖片的差異值，疊加集合標記（G-Frame）則為把背景和差異值疊加在一起。
舉例來說，一段腦波圖會有共同的靜態特徵標記（B-Frame），而時間推移背景值固定，但隨時間推移，其中變化為關聯的動態位移標記（M-Frame），而疊加集合標記（G-Frame）則是影像處理靜態特徵標記與動態位移標記，使不同的動態位移標記（M1-Frame, M2-Frame, M3-Frame）與靜態特徵標記（B-Frame）整合在一起。這樣的概念類似動畫是由不同靜止窗格組成，因窗格快速播放而產生動態效果，上述三個標記方式則是捕捉共同的靜態窗格，隨時間變化的動態位移資訊，以及提供整合靜態與動態整合的標記。舉例來說，一位籃球選手運球帶球灌籃的影片，籃框和場地都是固定的畫面（靜態特徵（B-Frame）），籃球選手運球到灌籃的畫面可以切割為不同的畫面（動態位移（M-Frame））。若以原始訊號傳輸，則是所有的靜態特徵（B-Frame）和動態位移（M-Frame）都如實傳輸，容易造成訊號量過大，此模式下則是若靜態特徵（B-Frame）為共同特徵值，那麼只要傳輸動態位移（M-Frame）的動態差異值，以及給予整合疊加集合（G-Frame）的特徵指令，即可藉此縮小傳輸的資訊量，並能達到資料即時封包處理，無須送大量的原始訊號。
本發明方法使用的這些標記方式，則是使用一腦波資料庫進行標記，將不同的行為表現與心智歷程的特徵，透過數據分析演算，找出由靜態特徵（B-Frame）、動態位移（M-Frame）與疊加集合（G-Frame）的組成儲存於腦波資料庫。
本發明使用腦電圖影像壓縮-1技術的具體流程圖請參照圖5，在地點A(如使用者居家環境)，首先偵測一受測者的複數個腦波生理訊號，基於一時間序列將該等腦波生理訊號產生一腦波訊號圖；基於該時間序列，切割該腦波訊號圖形成複數個子圖形；使用一腦波資料庫所儲存的複數個靜態特徵標記B與複數個動態位移標記M，根據複數個子圖形依該時間序列標定出至少一靜態特徵標記B及關聯的複數個動態位移標記M；依該時間序列，產生至少一疊加集合標記G，該疊加集合標記用以整合該標定的靜態特徵標記B與關聯的動態位移標記M；依該時間序列，傳輸該標定的靜態特徵標記B、關聯的動態標記M以及該疊加集合標記G。在地點B(如一遠距雲端系統)，依該時間序列，根據該疊加集合標記G整合該標定的靜態特徵標記B與關聯的動態位移標記M，以還原出複數個子圖形；依該時間序列，組合還原的複數個子圖形，以獲得該腦波訊號圖。
在本發明第二實施例，請參照圖6與圖7的腦電圖影像壓縮-2技術中，從腦波帽的不同頻道所蒐集到腦波之電位（power）、頻率（frequency）、電流（current）、電流源密度（current source density）、對稱性（asymmetry）、連結性（coherence）或相位差（phase lag）等為示例，可以透過演算法分析不同點位之間腦波的關聯性，該關聯性的分析像是相干性（Coherence）、相位滯後（Phase lag）、功率譜（Power spectrum）、不對稱性（Asymmetry）等。
上述演算法分析包括但不限於使用傅立葉轉換（Fourier transform），也可進一步加入波束成形（Beamforming）的演算技術，也包括其他可以形成結果的演算法。若以傅立葉轉換的分析說明相干性（Coherence）分析為例，腦波訊號關聯圖來自於EEG的功率譜密度（power spectral density, PSD），其同調性分析是X和Y的電極位置，在某個功率頻譜的密度Pxx(f)和Pyy(f)，以及X和Y的交叉功率譜密度Pxy(f)的函數所演算而成。從這些EEG訊號中擷取1-40Hz的頻段，以及這些電極位置在Delta(δ: 1–4Hz)、Theta(θ: 4–8Hz)、Alpha(α: 8–12Hz)、Beta(β: 13–30 Hz)與Gamma(γ: 30–40Hz)也都會進行相干性（Coherence）分析。
參考文獻包含：Unde, S. A., & Shriram, R. (2014). Coherence Analysis of EEG Signal Using Power Spectral Density. 2014 Fourth International Conference on Communication Systems and Network Technologies. doi:10.1109/csnt.2014.181；以及Cao, Z., Lin, C.-T., Chuang, C.-H., Lai, K.-L., Yang, A. C., Fuh, J.-L., & Wang, S.-J. (2016). Resting-state EEG power and coherence vary between migraine phases. The Journal of Headache and Pain, 17(1). doi:10.1186/s10194-016-0697-7。
如圖7所示，每張腦電圖被標定特徵標記Tag-A~Tag-Z與Tag-A’~Tag-Z’，而數個特徵標記(Tag)可組合而成某種特定的指標模式(Pattern)，如指標模式A~Z，指標模式A透過標記Tag-A、標記Tag-B’、標記Tag-G、標記Tag-E與標記Tag-H’所組成，也就是說，指標模式A可由f(Tag-A, Tag-B’, Tag-G, Tag-E, Tag-H’)的函式表示，以此類推。而不同模式的組成，將形成特定行為表現或心智歷程的指標。
本發明之腦電圖影像壓縮-2技術的具體流程請參照圖8，在地點A(如使用者居家環境)，偵測一受測者的複數個腦波生理訊號，基於一時間序列將該等腦波生理訊號以演算法分析不同點位之間腦波的關聯性，產生複數個腦波圖；使用一腦波資料庫所儲存的複數個特徵標記與複數個指標模式，根據複數個腦波圖依該時間序列標定出一序列的特徵標記；根據該標定序列的特徵標記依該時間序列，產生一生物特徵序列，該生物特徵序列由複數個指標模式所組成，且該生物特徵序列的指標模式是根據該標定序列的特徵標記所標定出來；依該時間序列，傳輸該生物特徵序列的複數個指標模式。在地點B(如一遠距雲端系統)，依該時間序列，根據接收的複數個指標模式，分析該生物特徵序列所對應的行為表現或心智歷程。
本發明之腦電圖影像壓縮-2技術所形成的指標模式(Pattern)可透過演算法將常共同出現的特徵標記(Tag)組合，標記為指標模式A、指標模式B、指標模式C、….指標模式Z等。指標模式與指標模式之間的序列組合即為某行為與心智特徵的表現。圖7是示意指標模式A、指標模式B、指標模式A的組合，可由腦波能量圖（色塊圖形）與腦波關聯圖（線段圖形）所組成。該腦波關聯圖（線段圖形）主要使用的是傅立葉轉換（Fourier transform），也可進一步加入波束成形（Beamforming）的演算技術產生。該腦波能量圖（色塊圖形）則是依照各個電極周圍，神經活動電流所產生的電壓電位所繪出之電位線或等電壓線。
請參照圖9與圖10，其中圖9的指標模式A和指標模式B是由色塊圖形組成，圖10的指標模式C與指標模式D由色塊圖形與線段圖形組成，像是指標模式C是由標籤Tag-B’（線段圖形）、標籤Tag-D（色塊圖形）、標籤Tag-E（色塊圖形）、標籤Tag-G（色塊圖形）所組成。然而，這些指標模式組成並非靜態，而是由標籤Tag-B’、標籤Tag-D、標籤Tag-E、標籤Tag-G的時間軸產生之動態變化，形成指標模式C。而這些心智與行為特徵的腦波圖型特徵，是由腦波資料庫所形成，例如腦波資料庫有多筆與失眠有關的腦波資料，這些失眠的指標模式與嚴重等級都有其分類，透過演算的型態分析、分類、分群與特徵萃取，即可標記出睡眠的腦波的指標模式組合。
請參照圖11，圖11係由不同指標模式(Pattern)組合之生物特徵序列所對應的行為表現或心智歷程之態樣的示意圖。行為表現-I由指標模式A-B-A-A-C-D-E…所表示，心智歷程-I由指標模式A-B-A-B-C-C-A…所表示。各樣行為表現與心智歷程，皆可由特定生物特徵模式來呈現。舉例來說，圖11之組成類似於基因序列表現，基因序列呈現了人體機能應有的狀態，基因突變則可能會產生病變。但基因是先天決定，而本案所指稱之生物模式組成，即為行為表現或心智歷程的生物特徵序列，而該透過生物特徵定位（圖式說明以腦波為例），則可標定某行為或心智的生物指標。而神經生理回饋，則是透過生物體本身有的調節機制，達到恢復理想狀態，也就是透過生理影響身體或心理狀態。有些簡單的行為或心智狀態，可能僅需要1~3個模式來標定，但若是較複雜的行為或心智狀態，則可能需要更多模式來標定。
請參照圖12，圖12係依據本發明實施例的壓縮與傳輸的方法示意圖。圖12所示的演算與比對方法可達到無線遠距傳輸且維持訊號不失真，該方法包含以下步驟：在受測者輸入端得到一生物指標數據，並透過對接裝置將該生物指標數據上傳至遠距雲端系統，與資料庫進行比對；對生物指標數據切割後進行特徵萃取（feature extraction）、分類（classification）與分群（clustering），同時也進行區域候選網絡分析（region proposal networks, RPN），除更精準迅速地完成比對，也能夠對大腦中感興趣的區域網絡（region of interest, ROI）進行神經生理回饋；以及在生物輸出端透過受測者輸入之訊號，經過偵測以及演算比對後，與資料庫之生物類型比對，並將比對的差異性與相似性相關之參數轉換成回饋訊號給受測者。
本發明的二種壓縮傳輸方法用來將該等腦波生理訊號所產生的腦波訊號圖傳訊到遠距雲端處理的一閉環迴路系統中，該閉環迴路系統包含一使用端與一計算端。
在閉環迴路系統中，該使用端會通過二種壓縮傳輸方法用來將該等腦波生理訊號所產生的腦波訊號圖壓縮傳送至雲端的該計算端，然後該計算端解壓縮獲得腦波訊號圖後，將該腦波訊號圖與該腦波資料庫所存的腦電圖比對。因此，比對結果將用以產生一回饋訊號，由計算端回傳該回饋訊號至該使用端。
本發明所使用的生理訊號遠距離傳輸方法包含以下步驟：在該閉環迴路系統的該使用端利用如腦波帽裝置的居家腦波蒐集裝置產生不同頻道的腦波生理訊號，對該等訊號組成一腦波訊號圖進行壓縮處理；該使用端傳送該壓縮腦波訊號圖的資訊至該系統的該計算端；在該計算端解壓縮後，以獲得該腦波訊號圖的資訊；使用一腦波資料庫的資料進行比對，產生一比對結果與回饋訊號，以減低該計算端與該使用端之間的數據傳遞。例如，將該系統用於生物回饋訓練時，會將該訊號的一生物指標與包含腦波及心率變異性數據的一檢測資料庫進行比對，產生一比對結果與回饋訊號；以及該計算端將該回饋訊號傳送至該使用端。該使用端產生訊號與接收該回饋訊號的時間間隔小於一門檻值，該門檻值通常是在3秒內，但亦可視情況定為如5秒、10秒、20秒、30秒，並以不超過30秒作為基準。
在本發明方法中，該使用端傳輸壓縮訊號後，在計算端執行與腦波資料庫比對，產生一比對結果與該回饋訊號，接著需要將該回饋訊號送回該使用端，而該使用端也同時持續在產生腦波或其他生理訊號繼續壓縮上傳給計算端，形成一種閉環（closed-loop）的回饋機制。該使用端在產生訊號的過程實際上也同時也在壓縮訊號，同時也在接收該回饋訊號以進行調節。因此在傳輸與演算比對技術上，本發明系統與方法具有「傳輸效率」較高與「比對效率」較快。本發明使用的壓縮傳輸與比對回饋，可以快速提供使用者生理訊號的回饋效果，特別是腦波的比對與演算特徵，訊號可能包含的腦區以及型態排列組合可用多達千萬至上億兆種可能波形表示。
通過將本發明的比對回饋方法用於進行生理訊號遠距離傳輸的閉環迴路式系統中，除了能使遠距傳輸的訊號不失真以外，還能夠進行比對後回傳，習知技術複雜的生理訊號（例如EEG腦波），通常要一段時間才能演算出結果，但本發明的方法能夠更快速的傳輸、比對與回饋，時間要在可允許範圍內（本發明目標是將延遲維持在3秒內，但是30秒也是可容許範圍），因此可以提高評估效率，在生物回饋訓練系統達到遠端即時回饋，讓使用者能夠立即了解自身狀況，並透過回饋讓使用者可以調節自身生理訊號回復到常態。
本發明不限於上述實施例，對於本技術領域的技術人員顯而易見的是，在不脫離本發明的精神或範疇的情況下，可對本發明作出各種修改和變化。
因此，本發明旨在涵蓋對本發明或落入所附申請專利範圍及其均等範疇內所作的修改與變化。
Channel-A~Channel-X:頻道
Figure1~FigureN:畫面
B-Frame:靜態特徵標記
M1-Frame, M2-Frame, M3-Frame:動態位移標記
G-Frame:疊加集合標記
Tag:特徵標記
圖1係顯示由A地到B地的壓縮腦波生理訊號傳輸的比對回饋系統的架構圖。
圖2係為本發明壓縮腦波生理訊號傳輸方法的二種傳輸處理的示意圖。
圖3與圖4係依據本發明第一實施例使用形狀壓縮技術的壓縮腦波生理訊號傳輸方法的示意圖。
圖5係依據本發明第一實施例壓縮腦波生理訊號傳輸方法的流程圖。
圖6與圖7係依據本發明第二實施例使用腦波圖型態的壓縮腦波生理訊號傳輸方法的示意圖。
圖8係依據本發明第二實施例壓縮腦波生理訊號傳輸方法的流程圖。
圖9與圖10係由不同特徵標記組合之指標模式的示意圖。
圖11係由不同指標模式(Pattern)組合之生物特徵序列所對應的行為表現或心智歷程之態樣的示意圖。
圖12係依據本發明實施例的壓縮與傳輸的方法示意圖。
Claims (6)
- 一種壓縮腦波生理訊號之傳輸方法，包含：偵測一受測者的複數個腦波生理訊號，基於一時間序列將該等腦波生理訊號產生一腦波訊號圖；基於該時間序列，切割該腦波訊號圖形成複數個子圖形；使用一腦波資料庫所儲存的複數個靜態特徵標記與複數個動態位移標記，根據複數個子圖形依該時間序列標定出至少一靜態特徵標記及關聯的複數個動態位移標記；依該時間序列，產生至少一疊加集合標記，該疊加集合標記用以整合該標定的靜態特徵標記與關聯的動態位移標記；以及依該時間序列，傳輸該標定的靜態特徵標記、關聯的動態位移標記以及該疊加集合標記至一遠距雲端系統。
- 如請求項1所述之壓縮腦波生理訊號之傳輸方法，其中該靜態特徵標記是關於腦波生理訊號的靜態基礎值，該動態位移標記是下一畫面的訊號值位移。
- 如請求項1所述之壓縮腦波生理訊號之傳輸方法，其中複數個腦波生理訊號是以一腦波帽所蒐集的電位(power)、頻率(frequency)、電流(current)、電流源密度(current source density)、對稱性(asymmetry)、連結性(coherence)或相位差(phase lag)。
- 如請求項1所述之壓縮腦波生理訊號之傳輸方法，進一步包含：依該時間序列，該遠距雲端系統根據該疊加集合標記整合該標定的靜態特徵標記與關聯的動態位移標記，以還原出複數個子圖形；以及依該時間序列，該遠距雲端系統組合還原的複數個子圖形，以獲得該腦波訊號圖。
- 一種壓縮腦波生理訊號之傳輸方法，包含：偵測一受測者的複數個腦波生理訊號，基於一時間序列根據該等腦波生理訊號產生複數個腦波圖； 使用一腦波資料庫所儲存的複數個特徵標記與複數個指標模式，根據複數個腦波圖依該時間序列標定出一序列的特徵標記；根據該標定序列的特徵標記依該時間序列，產生一生物特徵序列，該生物特徵序列由複數個指標模式所組成，且該生物特徵序列的指標模式是根據該標定序列的特徵標記所標定出來；以及依該時間序列，傳輸該生物特徵序列的複數個指標模式至一遠距雲端系統。
- 如請求項5所述之壓縮腦波生理訊號之傳輸方法，進一步包含：依該時間序列，該遠距雲端系統根據接收的複數個指標模式，分析該生物特徵序列所對應的行為表現或心智歷程。
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW110149344A TWI788169B (zh) | 2021-12-29 | 2021-12-29 | 壓縮腦波生理訊號之傳輸方法 |
| CN202210134099.9A CN116407136A (zh) | 2021-12-29 | 2022-02-14 | 压缩脑波生理讯号的传输方法 |
| US17/893,456 US20230200647A1 (en) | 2021-12-29 | 2022-08-23 | Method for transmitting compressed brainwave physiological signals |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW110149344A TWI788169B (zh) | 2021-12-29 | 2021-12-29 | 壓縮腦波生理訊號之傳輸方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| TWI788169B true TWI788169B (zh) | 2022-12-21 |
| TW202325226A TW202325226A (zh) | 2023-07-01 |
Family
ID=85795239
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW110149344A TWI788169B (zh) | 2021-12-29 | 2021-12-29 | 壓縮腦波生理訊號之傳輸方法 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US20230200647A1 (zh) |
| CN (1) | CN116407136A (zh) |
| TW (1) | TWI788169B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190059771A1 (en) * | 2010-08-02 | 2019-02-28 | Chi Yung Fu | Method for processing brainwave signals |
| CN113662563A (zh) * | 2021-09-02 | 2021-11-19 | 潍坊医学院 | 基于神经网络的脑电图数据存储和传输方法及系统 |
Family Cites Families (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4449536A (en) * | 1980-10-31 | 1984-05-22 | Sri International | Method and apparatus for digital data compression |
| JP3231283B2 (ja) * | 1998-09-16 | 2001-11-19 | ジーイー・メディカル・システムズ・グローバル・テクノロジー・カンパニー・エルエルシー | 多誘導心電図送信機及びその受信機 |
| US6520910B1 (en) * | 2000-10-13 | 2003-02-18 | Ge Medical Systems Information Technologies, Inc. | Method and system of encoding physiological data |
| US8238256B2 (en) * | 2008-09-08 | 2012-08-07 | Nugent Raymond M | System and method for cloud computing |
| KR101016630B1 (ko) * | 2008-12-26 | 2011-02-23 | 경북대학교 산학협력단 | 심전도 신호 압축 방법 및 장치 |
| KR101393055B1 (ko) * | 2012-07-10 | 2014-05-12 | 중앙대학교 산학협력단 | 뇌파를 이용한 제어 장치 및 방법 |
| US10606353B2 (en) * | 2012-09-14 | 2020-03-31 | Interaxon Inc. | Systems and methods for collecting, analyzing, and sharing bio-signal and non-bio-signal data |
| US10009644B2 (en) * | 2012-12-04 | 2018-06-26 | Interaxon Inc | System and method for enhancing content using brain-state data |
| KR101811365B1 (ko) * | 2016-08-19 | 2017-12-22 | 고려대학교 산학협력단 | 뇌파의 인과적 연결성을 이용한 뇌지문 탐지 장치 및 방법 |
| CN111743538A (zh) * | 2020-07-06 | 2020-10-09 | 江苏集萃脑机融合智能技术研究所有限公司 | 脑机接口报警方法及系统 |
-
2021
- 2021-12-29 TW TW110149344A patent/TWI788169B/zh active
-
2022
- 2022-02-14 CN CN202210134099.9A patent/CN116407136A/zh active Pending
- 2022-08-23 US US17/893,456 patent/US20230200647A1/en active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190059771A1 (en) * | 2010-08-02 | 2019-02-28 | Chi Yung Fu | Method for processing brainwave signals |
| CN113662563A (zh) * | 2021-09-02 | 2021-11-19 | 潍坊医学院 | 基于神经网络的脑电图数据存储和传输方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| US20230200647A1 (en) | 2023-06-29 |
| TW202325226A (zh) | 2023-07-01 |
| CN116407136A (zh) | 2023-07-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112120694B (zh) | 一种基于神经网络的运动想象脑电信号分类方法 | |
| Khushaba et al. | Choice modeling and the brain: A study on the Electroencephalogram (EEG) of preferences | |
| US7865235B2 (en) | Method and system for detecting and classifying the mental state of a subject | |
| US11213219B2 (en) | Determining intensity of a biological response to a presentation | |
| JP7373555B2 (ja) | Ｅｅｇ信号を使用した運動機能の定量化 | |
| Minhad et al. | Happy-anger emotions classifications from electrocardiogram signal for automobile driving safety and awareness | |
| CN116077062B (zh) | 心理状态感知方法及系统、可读存储介质 | |
| Fang et al. | Extracting features from phase space of EEG signals in brain–computer interfaces | |
| Pillalamarri et al. | A review on EEG-based multimodal learning for emotion recognition | |
| Kee et al. | Binary and multi-class motor imagery using Renyi entropy for feature extraction | |
| Nasrolahzadeh et al. | Analysis of heart rate signals during meditation using visibility graph complexity | |
| US20190034797A1 (en) | Data generation apparatus, biological data measurement system, classifier generation apparatus, data generation method, classifier generation method, and recording medium | |
| Anwar et al. | Event related potential (ERP) based lie detection using a wearable EEG headset | |
| Wu et al. | Improving ballistocardiogram-based continuous heart rate variability monitoring: A self-supervised learning approach | |
| Haresh et al. | Towards imagined speech: Identification of brain states from EEG signals for BCI-based communication systems | |
| TWI788169B (zh) | 壓縮腦波生理訊號之傳輸方法 | |
| CN117195153B (zh) | 基于对比性学习的eeg-eog多模态情感识别方法及其系统 | |
| Rai et al. | Stress detection through wearable EEG technology: A signal-based approach | |
| Mohan et al. | Exploring the exciting potential and challenges of brain computer interfaces | |
| Li et al. | sEMG-based Gesture-Free Hand Intention Recognition: System, Dataset, Toolbox, and Benchmark Results | |
| Ahmed et al. | Improving emotion detection through artificial intelligence from eeg brainwave signals | |
| CN111554376B (zh) | 基于大数据通道的瘫痪病人患者用多功能复合康复系统 | |
| Ciftci et al. | Heart rate based face synthesis for pulse estimation | |
| Qiao et al. | Feature extraction and classifier evaluation of EEG for imaginary hand movements | |
| US20250273078A1 (en) | Method for neurofeedback training to output brain-region reality |