[0032] 需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
[0033] 下面将参考附图并结合实施例来详细说明本发明。
[0034] 本发明结合脑电波与虚拟现实的心理健康调节方法，包括：
[0035] 步骤1，获取脑电波数据，进行强噪声滤波处理；
[0036] 步骤2，对滤波后的脑电数据利用机器学习算法进行特征提取后分类；
[0037] 步骤3，根据不同的分类，采用自适应算法提高分类精度，得到放松脑电数据或者冥想脑电数据的水平；
[0038] 步骤4，根据预先设置的脑电波数据与VR场景元素的对应关系，根据脑电数据的分类和水平来调节VR场景元素，帮助用户快速进入放松/镇定状态。
[0039] 所述步骤2就是对滤波后的脑电数据利用机器学习算法进行特征提取后，将脑电数据分类为放松脑电数据和冥想脑电数据，放松脑电数据又分为高放松脑电数据RH和低放松脑电数据RL，冥想脑电数据又分为高冥想脑电数据MH和低冥想脑电数据ML，即对脑电数据加上高放松，低放松，高冥想，低冥想水平的标签，。
[0040] 其中，特征提取采用的是对放松特征为1秒4个通道(Fp1，Fp2，T9，T10)脑电波的alpha波的相对能量(Relative Power)的平均值，对冥想水平的特征为左(Fp1，T9)右(Fp2，T10)脑1秒alpha波的相干性(Coherence)值，属于现有技术。
[0041] 加标签方法为：让用户看视频，如果是动作场面很惊险刺激的视频，则标签为低放松；如果是轻柔的音乐和慢动作场面，则观看时的脑电波标签为高放松。对于冥想水平的标签，如果是无语音指导，只是看普通视频，则是低冥想标签；如果是有语音指导，告诉用户要感知四肢，感知呼吸，调节冥想状态，则对应的脑电波是高冥想标签。
[0042] 所述步骤3的自适应算法包括如下步骤：
[0043] 步骤31，获取1分钟高放松状态时的高放松脑电数据RH和1分钟低放松状态时的低放松脑电数据RL，作为基准数据。
[0044] 步骤32，获取1分钟的高冥想状态时的高冥想脑电数据MH和1分钟低冥想状态时的低冥想脑电数据ML，作为基准数据。
[0045] 步骤33，将上述步骤31、32获取的脑电数据一起计算数据分布；
[0046] 将获得的放松脑电数据RH和RL作为两个分布，采用两个正态分布的方式去自适应这两个分布，同时采用点估计(Point Estimation)方法去逼近RH和RL的分布；
[0047] 本实施例中，设时间样本数为N，
[0048] 则RH＝{rh1，rh2，...，rhN}，RL＝{rL1，rL2，...，rLN}，
[0049] RH和RL的正态分布记为：RH～N(μrh，σrh2)，RL～N(μrl，σrl2)，
[0050] 则式 中 ，
[0051] 同理，设时间样本数为N，冥想脑电数据为：
[0052] MH＝{mh1，mh2，...，mhN}，ML＝{mL1，mL2，...，mLN}，
[0053] 正态分布记为：MH～N(μmh，σmh2)，ML～N(μml，σml2)，
[0054] 式中 ，
[0055] 假设将脑电数据表示为X＝{x1，...，xN}，不服从正态分布，例如，如果其实一个能量特征，始终为正值，即 则取该值的对数，即Y＝10log10X， 另一种情况是X∈[0，1]例如coherence相干特征，则取logit函数，即 作为脑电特
征。
[0056] 步骤34，获取新的放松脑电数据R和冥想脑电数据M的数据点，并更新步骤33得到的分布；
[0057] 本实施例，首先更新RH和RL两个正态分布：
[0058] 设一个新点rN+1属于RH类别，则更新RH分布的平均值和偏差：
[0059]
[0060] α∈[0，1]， 是遗忘指数(forgetting factor)， 是Nth更新后的均值，N表示这个均值被更新了几次，方差为 得到：
[0061]
[0062] 引入另一个遗忘常数(forgetting constant) 得到：
[0063]
[0064] 另 一 方 面 ，采 用 贝 叶 斯 推 理 ，设 定 一 个 先 验 的 联 合 分 布 ：2 2
新数据点的似然性是p(y|μ，σ)～N(μ，σ)，
[0065] 后 验 分 布 是 ( p o s t e r i o r ) ：
[0066] 因此，取μ1的期望值(expectation)，得到
[0067] 取σ2的期望值(expectation)，得到：
[0068]
[0069] 替换 κ0＝N，RH的分布简化为：
[0070]
[0071]
[0072] 同理，获得RL，MH，ML的分布更新。
[0073] 步骤35，获取新的放松脑电数据R和冥想脑电数据M会话和第二次更新分布；
[0074] 具体的，获取用户返回的一个反馈，进行第二次分布更新：
[0075] 以放松脑电数据R作为例，标注一系列放松数据r的长度为T，这个会话(数据段)是个高放松数据会话的概率表示为：
[0076] P(c＝1)＝1‑P(c＝0)，
[0077] 式中，c∈{0，1}表示二进制类别变量，0表示低放松数据水平，1表示高放松数据水平；
[0078] 设置θ＝{μrh，σrh2，μrl，σrl2}作为放松数据的分布参数集合，设θN+T是第Tth更新的第th th thN 参数集合，基于上述推理，设θmix是第T 更新第N 在引入一个新会话时设置放松数据的参数，包含一个放松分数： (Y1：N和YN：N+T其实就是
Y1：N+T拆开来写，此处Y指的是所观测到的放松数据从第一个观测点到第N+T个观测点)[0079] 因此，得到放松脑电数据R每个分布参数的概率：
[0080]
[0081]
[0082]
[0083]
[0084] 按照这个过程，能够根据每个会话的用户的评价来更新的虚拟现实场景的模型。
[0085] 步骤36，根据步骤35得到的更新分布，结合似然比预测放松脑电数据和冥想脑电数据的水平；
[0086] 设一个新的数据点y出现，试图获取放松脑电数据或者冥想脑电数据水平；以放松脑电数据为例，获取放松数据水平lr通过如下算法：
[0087]
[0088] 式中，p(y|μ，σ2)～N(μ，σ2)，放松数据分布参数 和 (p(y|μ，σ2)2
～N(μ，σ)是symbolic的表达形式，表示数据点服从正态分布，对高放松时，参数是μrh，σrh，对低放松时，参数是μrl，σrl)。
[0089] 同理，将上述公式的下标r改为m，则为获取冥想数据水平Lm的算法。
[0090] 通过上述步骤实现不同分布的实时更新，实时计算新数据点的预测，并根据新数据会话更新度量。
[0091] 本实施例算法以一个固定的时间，比如一分钟，脑电数据，采用心理状态分类的算法来计算放松下来的水平作为奖励标准，然后选择音乐或声音的行动，这将有效地提高用户放松下来的水平；通过上述算法使这个过程变得越来越精确。
[0092] 本发明结合脑电波与虚拟现实的心理健康调节系统，包括：
[0093] 脑电波头环，包括类似于发卡结构的头环本体，其上设置EEG传感器和信号处理单元，所述信号处理单元用于对EEG传感器采集的脑电信号进行滤波放大；
[0094] 云服务器，对输入的脑电数据进行分析和处理，得到控制信息；具体实现上述结合脑电波与虚拟现实的心理健康调节方法的步骤；
[0095] VR眼镜，根据云服务器发送的控制信息，进行VR场景播放。
[0096] 上述脑电波头环能兼容不同的VR产品。
[0097] 本发明心理健康调节系统属于一种闭环(Closed‑loop)脑电(EEG)脑机接口(BCI)系统，用于调节和改善人类的放松水平。可以自反馈从脑电信号分析中检测到人的放松水平，以诱导一个相互作用的介质(音乐，视频，光等)指示一个人的放松水平。这种反馈可以提高放松及放松水平的自我调节能力和最终的放松能力。该体系结构可适用于心理健康锻炼，包括放松和情绪调节。
[0098] 本发明分析脑电信号从头带采集，实时监测，并记录用户的心理状态。在实时心理反馈的基础上，采用多媒体刺激改善心理状态。例如，该系统获得实时检测云上的放松水平，并调整刺激策略，如听觉或视觉刺激，以使用户达到更轻松的状态。
[0099] 以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
