CN108478215A - 基于小波分析的脑电信号去噪方法、存储介质以及装置 - Google Patents
基于小波分析的脑电信号去噪方法、存储介质以及装置 Download PDFInfo
- Publication number
- CN108478215A CN108478215A CN201810074084.1A CN201810074084A CN108478215A CN 108478215 A CN108478215 A CN 108478215A CN 201810074084 A CN201810074084 A CN 201810074084A CN 108478215 A CN108478215 A CN 108478215A
- Authority
- CN
- China
- Prior art keywords
- sampling data
- data
- electroencephalogram signal
- wavelet analysis
- weight
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 claims abstract description 53
- 238000005070 sampling Methods 0.000 claims description 112
- 238000001914 filtration Methods 0.000 claims description 24
- 238000004891 communication Methods 0.000 claims description 10
- 210000004556 brain Anatomy 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 241001269238 Data Species 0.000 abstract 2
- 230000008569 process Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012880 independent component analysis Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Classifications
-
- 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
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- 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
- A61B5/7253—Details of waveform analysis characterised by using transforms
- A61B5/726—Details of waveform analysis characterised by using transforms using Wavelet transforms
-
- 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
- A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Pathology (AREA)
- Animal Behavior & Ethology (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Physiology (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychology (AREA)
- Power Engineering (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种基于小波分析的脑电信号去噪方法、存储介质以及装置,所述方法包括:获取脑电信号,并通过小波分析将所述脑电信号分解为若干采样数据;对所有采样数据加设邻域窗口,并通过相似性确定各采样数据在其所处邻域窗口的权值;根据所述权值对各采样数据进行过滤,将过滤后的采样数据组合,以得到去噪后的脑电信号。本发明通过获取采样数据邻域窗口的信号整体分布权重,并根据整理分别权重进行比较并筛选,这样不仅保持了去噪方法的稳定性,并且能够保证重构后得到的信号较好地保留信号的细节特征。
Description
技术领域
本发明涉及智能终端技术领域,特别涉及一种基于小波分析的脑电信号去噪方法、存储介质以及装置。
背景技术
人类的大脑是由数百种不同种类的上千亿的神经细胞构成的极为复杂的生物组织,脑电信号分析与处理是信号处理与机器学习研究中最具挑战的课题之一,过去几十年对脑电信号的分析和处理,对脑科学的研究和在各个领域的应用起到了极大的推动作用。然而由于脑电信号的特处性,即信号非常弱信噪比极小,使脑电信号的分析和研究受到了极大的干扰,因此脑电信号的滤波问题一直是困扰脑电信号分析和研究的一大障碍。
目前普遍使用的脑电信号滤波方法有两类,其中,第一类是基于回归分析的方法,该方法简单有效,但是对没有干扰的脑电信号会产生歧变;第二类是基于独立分量和主成分分析的方法,该类方法由于在分解过程中存在估算过程或需要一般脑电信号不能满足的条件,使得其具有较大的局限性。
因而现有技术还有待改进和提高。
发明内容
鉴于现有技术的不足,提供一种基于小波分析的脑电信号去噪方法、存储介质以及装置。
为了解决上述技术问题,本发明所采用的技术方案如下:
一种基于小波分析的脑电信号去噪方法,其包括:
获取脑电信号,并通过小波分析将所述脑电信号分解为若干采样数据;
对所有采样数据加设邻域窗口,并通过相似性确定各采样数据在其所处邻域窗口的权值;
根据所述权值对各采样数据进行过滤,将过滤后的采样数据组合,以得到去噪后的脑电信号。
所述基于小波分析的脑电信号去噪方法,其中,所述获取脑电信号,并通过小波分析将所述脑电信号分解为若干采样数据具体包括:
获取脑电信号,并对获取到的脑电信号进行快速傅里叶滤波;
通过小波分析将快速傅里叶滤波后的脑电信号分解为若干采样数据。
所述基于小波分析的脑电信号去噪方法,其中,所述对所有采样数据加设邻域窗口,并通过相似性确定各采样数据在其所处邻域窗口的权值具体包括:
对所有采样数据加设邻域窗口,并分别获取各采样数据所属邻域窗口包含的所有第一采样数据;
对各采样数据与其对应的所有第一采样数据进行加权,以得到各采样数据的权值。
所述基于小波分析的脑电信号去噪方法,其中,所述对各采样数据与其对应的所有第一采样数据进行加权,以得到各采样数据的权值具体包括:
对于各采样数据,分别计算其对应的所有第一采样数据的权重系数;
根据所述权重系数对各采样数据与其对应的所有第一采样数据进行加权,以得到各采样数据的权值。
所述基于小波分析的脑电信号去噪方法,其中,所述对于各采样数据,分别计算其对应的所有第一采样数据的权重系数具体包括:
对于各采样数据,分别判断该采样数据与其对应的第一采样数据在预设搜索窗口内的变化趋势;
当采样数据与第一采样数据的变化趋势相同时,根据所述预设搜索窗口计算第一采样数据的权重系数。
所述基于小波分析的脑电信号去噪方法,其中,所述对于各采样数据,分别计算其对应的所有第一采样数据的权重系数还包括:
当所述采样数据与第一采样数据的变化趋势不同时,将所述采样数据与所述第一采样数据对应的搜索窗口向趋势变大方向移动预设距离;
采用移动后的搜索窗口计算计算第一采样数据的权重系数,其中,移动后的搜索窗口包含于邻域窗口。
所述基于小波分析的脑电信号去噪方法,其中,所述各采样数据的权值的计算公式为:
其中,s表示采样数据,N(s)表示s的邻域窗口,t表示邻域窗口内的第一采样数据,为第一采样数据的权重系数,表示脑电信号振幅。
所述基于小波分析的脑电信号去噪方法,其中,所述第一采样数据的权重的计算公式为:
其中,表示以采样数据为中心的搜索窗口的长度,h表示滤波参数,P为常数。
一种计算机可读存储介质,所述计算机可读存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现如上任一所述的所述基于小波分析的脑电信号去噪方法中的步骤。
一种基于小波分析的脑电信号去噪装置,其包括:处理器、存储器及通信总线;所述存储器上存储有可被所述处理器执行的计算机可读程序;
所述通信总线实现处理器和存储器之间的连接通信;
所述处理器执行所述计算机可读程序时实现如上任一所述的所述基于小波分析的脑电信号去噪方法中的步骤。
有益效果:与现有技术相比,本发明提供了一种基于小波分析的脑电信号去噪方法、存储介质以及装置,所述方法包括:获取脑电信号,并通过小波分析将所述脑电信号分解为若干采样数据;对所有采样数据加设邻域窗口,并通过相似性确定各采样数据在其所处邻域窗口的权值;根据所述权值对各采样数据进行过滤,将过滤后的采样数据组合,以得到去噪后的脑电信号。本发明通过获取采样数据邻域窗口的信号整体分布权重,并根据整理分别权重进行比较并筛选,这样不仅保持了去噪方法的稳定性,并且能够保证重构后得到的信号较好地保留信号的细节特征。
附图说明
图1为本发明提供的基于小波分析的脑电信号去噪方法较佳实施例的流程图。
图2为本发明提供的基于小波分析的脑电信号去噪方法中一个实施例中脑电信号的示例图。
图3为本发明提供的基于小波分析的脑电信号去噪装置较佳实施例的结构原理图。
具体实施方式
本发明提供一种基于小波分析的脑电信号去噪方法、存储介质以及装置,为使本发明的目的、技术方案及效果更加清楚、明确,以下参照附图并举实施例对本发明进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。 应该理解,当我们称元件被“连接”或“耦接”到另一元件时,它可以直接连接或耦接到其他元件,或者也可以存在中间元件。此外,这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语),具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语,应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样被特定定义,否则不会用理想化或过于正式的含义来解释。
下面结合附图,通过对实施例的描述,对发明内容作进一步说明。
请参照图1,图1为本发明提供的基于小波分析的脑电信号去噪方法的较佳实施例的流程图。所述方法包括:
S10、获取脑电信号,并通过小波分析将所述脑电信号分解为若干采样数据。
具体地,所述脑电信号为大脑运动想象过程产生的脑电信号,并通过脑电信号采集设备采用得到。所述脑电信号采集设备可以为经颅多普勒等。所述通过小波分析将所述脑电信号分解为若干采样数据指的是通过小波分析对所述脑电信号进行分析,以得到各采集时刻对应的采样数据。也就是说,所述若干采样数据为所述脑电信号各采集时刻采用到的脑电数据。从而,通过小波分析将所述脑电信号分解为若干离散脑电数据,每个离散脑电数据对应一个采集时刻。
此外,在对所述脑电信号进行分解之前,可以预先对所述脑电信号进行预处理,以去除脑电信号包含的部分干扰。相应的,所述获取脑电信号,并通过小波分析将所述脑电信号分解为若干采样数据具体包括:
S11、获取脑电信号,并对获取到的脑电信号进行快速傅里叶滤波;
S12、通过小波分析将快速傅里叶滤波后的脑电信号分解为若干采样数据。
具体地,所述快速傅里叶滤波是通过快速傅里叶变换(fast Fourier transform)进行滤波,通过所述快速傅里叶滤波对脑电信号进行预处理。
S20、对所有采样数据加设邻域窗口,并通过相似性确定各采样数据在其所处邻域窗口的权值。
具体地,所述邻域窗口为预先设置的,其为与采样数据对应的采样时刻为中心的领域窗口,并且各采样数据的领域窗口的长度均相同,也就是,对所有采样数据加设邻域窗口为以各采样数据为中心,按照预设长度选取一时间区域,并将所述时间区域作为各采样数据的邻域窗口。即所述邻域窗口为一时间区域,其长度为时长。例如,所述邻域窗口长度为2000毫秒等。在本实施例中,所述窗口长度大于采样点的时间间隔,以使得所述邻域窗口内包括至少两个采样点,这样可以计算所述采样数据在所述邻域窗口内的权值,以得到所述采样数据的邻域窗口的信号整体分别情况。相应的,所述对所有采样数据加设邻域窗口,并通过相似性确定各采样数据在其所处邻域窗口的权值具体包括:
S21、对所有采样数据加设邻域窗口,并分别获取各采样数据所属邻域窗口包含的所有第一采样数据;
S22、对各采样数据与其对应的所有第一采样数据进行加权,以得到各采样数据的权值。
具体地,所述采样数据所属领域窗口包含的所有第一采样数据指的是所述领域窗口的时间区域内包含的采集时刻对应的脑电数据,这里记为第一采样数据。所述采样数据的权值为其对应的邻域窗口包含的所有第一采样数据进行加权运算得到。所述权值的计算公式可以为:
其中,标识采样数据s的权值,s表示采样数据,N(s)表示s的邻域窗口,t表示邻域窗口内的第一采样数据,为第一采样数据的权重系数,表示脑电信号振幅。
此外,所述s为待求取权值的目标点,所述t为所述目标点的参考点,所述N(s)为目标点的领域窗口,所述为参考点t的脑电信号振幅值,这样通过加权平均的方法来得到各采样数据的权值。其中,所述权重系数是由目标点与参考点的高斯加权欧式距离确定的。相应的,所述对各采样数据与其对应的所有第一采样数据进行加权,以得到各采样数据的权值具体包括:
对于各采样数据,分别计算其对应的所有第一采样数据的权重系数;
根据所述权重系数对各采样数据与其对应的所有第一采样数据进行加权,以得到各采样数据的权值。
具体地,所述分别计算其对应的所有第一采样数据的权重系数指的是分别计算各第一采样数据的权重系数,并且各第一采样数据的权重系数是根据该第一采样数据与采样数据的高斯加权欧式距离确定。也就是说,采用高斯加权欧式距离方法分别确定各采样数据对应的所有第一采样数据的权重系数,再根据各采样数据对应的第一采样数据的权重信息计算各采样数据的权值。在本实施例中,所述权重系数的计算公式可以为:
其中,表示以采样数据为中心的搜索窗口的长度,h表示滤波参数,P为常数。
同时在本实施例中,如图2所示,假设所述目标点s的邻域窗口N(s)=2M+1,各采样数据的搜索窗口长度=2P+1,其中,M和P为预先设置常数,并且M>P,也就是说,目标点的搜索窗口的长度小于邻域窗口的长度,即搜索窗口包含于邻域窗口内。例如,对于128Hz的脑电信号,M优选为1000毫秒,P优选为50毫秒,h优选为3.8。
进一步,所述h为滤波参数,通过调节h的大小来实现对权重系数衰减速度的控制,所述h由脑电信号振幅绝对值的平均值µ决定,即h=µ/K,其中K为调节系数,这样可以根据脑电信号的振幅变化来调整权重系数,从而实现了自适应的动态调整滤波参数,最大程度的保留脑电信号的细节特征。也就是说,在采集脑电信号的过程时可以实时计算脑电信号振幅绝对值的平均值,并根据所述振幅绝对值的平均值来实时调整滤波参数,还可以每间隔预设时间计算一次脑电信号振幅绝对值的平均值,即每间隔预设时间根据所述振幅绝对值的平均值来对滤波参数进行调整。当然,在实际应用中,由于用户处于不同状态,用户的脑电信号的振幅不同,从而可以计算以目标点为中心的预设时间区域内的振幅绝对值的平均值,在根据计算到的振幅绝对值的平均值对滤波参数进行调整,使得滤波参数更加精确。
另外,根据所述权重参数的定义可以看出,所述权重系数的取值范围在0-1之间,即0<W(s,t)<1是加权欧式距离的单调下降函数,并且当目标点s与参考点t的相似性越高,则权重系数越大。也就是说,权重系数体现了目标点与参考点之间的相似性,从而可以根据相似性来计算各采样数据的权值。
同时在本实施例中,由于脑电信号前后时间段趋势变化剧烈的情况,为了避免趋势变化对权重系数的影响,在计算权重系数前可以先对目标点与参考点的变化趋势进行判断,并根据变化趋势对搜索窗口进行自适应调整,以提高权重系数的准确性。相应的,所述对于各采样数据,分别计算其对应的所有第一采样数据的权重系数具体包括:
对于各采样数据,分别判断该采样数据与其对应的第一采样数据在预设搜索窗口内的变化趋势;
当采样数据与第一采样数据的变化趋势相同时,根据所述预设搜索窗口计算第一采样数据的权重系数。
当所述采样数据与第一采样数据的变化趋势不同时,将所述采样数据与所述第一采样数据对应的搜索窗口向趋势变大方向移动预设距离;
采用移动后的搜索窗口计算计算第一采样数据的权重系数,其中,移动后的搜索窗口包含于邻域窗口。
具体地,所述判断所述采样数据与其对应的第一采样数据的变化趋势指的是分别判断采样数据与第一采样数据在各自所处搜索窗口内的变化趋势。这里以采样数据为目标点s,第一采样数据为参考点t为例加以说明书。其中,判断目标点s在其对应的搜索窗口的变化趋势为将目标点的振幅分别与搜索窗口两端点的振幅进行比较,即将v(s)分别与v(s+P)和v(s-P)进行比较,同样的,对于参考点t,分别将v(t)分别与v(t+P)和v(t-P)进行比较,再根据目标点与参考点的比较结果来判断两者的趋势是否相同。所述目标点与参考点的趋势是否相同的依据为v(s)和v(t)是否满足预设条件,其中,预设条件为v(s-p)<v(s)<v(s+p)且v(t-p)<v(t)<v(t+p))。也就是说,当v(s)和v(t)满足预设条件时,两者趋势相同,当v(s)和v(t)不满足预设条件时,两者趋势不同。
此外,当趋势相同时,保持目标点s的搜索窗口与参考点t的搜索窗口均不变。当趋势不同时,分别将目标点s的搜索窗口与参考点t的搜索窗口均向趋势变高的方向移动,以使得参考点t的权值系数增大,以减弱不同趋势的参考点对去噪结果的影响。例如,0<v(s-p)-v(s)<v(s)-v(s+p)且0<v(t-p)-v(t)<v(t)-v(t+p),分别将目标点t的搜索窗口与参考点的搜索窗口由(-p,p)变为(0,2p)。
S30、根据所述权值对各采样数据进行过滤,将过滤后的采样数据组合,以得到去噪后的脑电信号。
具体地,根据所述权值对各采样数据进行过滤可以采用平均值方法对各采样数据进行过滤,以过滤出脑电信号中的多种干扰成分,以保证去噪方法的稳定性。此外,在对各采样数据进行过滤,对过滤后的各采样数据通过小波分析进行组合以得到去噪后的脑电信号。在本实施例中,才采用平均值法对各采样数据进行过滤时,可以采用改进的SNR,MSE,或者PRD作为过滤指标,这里就不一一说明。
鉴于上述基于小波分析的脑电信号去噪方法,本发明还提供了一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现如上述实施例所述的所述基于小波分析的脑电信号去噪方法中的步骤
鉴于上述基于小波分析的脑电信号去噪方法,本发明还提供了一种移于小波分析的脑电信号去噪装置,如图3所示,其包括至少一个处理器(processor)20;显示屏21;以及存储器(memory)22,还可以包括通信接口(Communications Interface)23和总线24。其中,处理器20、显示屏21、存储器22和通信接口23可以通过总线24完成相互间的通信。显示屏21设置为显示初始设置模式中预设的用户引导界面。通信接口23可以传输信息。处理器20可以调用存储器22中的逻辑指令,以执行上述实施例中的方法。
此外,上述的存储器22中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。
存储器22作为一种计算机可读存储介质,可设置为存储软件程序、计算机可执行程序,如本公开实施例中的方法对应的程序指令或模块。处理器30通过运行存储在存储器22中的软件程序、指令或模块,从而执行功能应用以及数据处理,即实现上述实施例中的方法。
存储器22可包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据基于小波分析的脑电信号去噪装置的使用所创建的数据等。此外,存储器22可以包括高速随机存取存储器,还可以包括非易失性存储器。例如,U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等多种可以存储程序代码的介质,也可以是暂态存储介质。
此外,上述存储介质以及移动终端中的多条指令处理器加载并执行的具体过程在上述方法中已经详细说明,在这里就不再一一陈述。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于小波分析的脑电信号去噪方法,其特征在于,其包括:
获取脑电信号,并通过小波分析将所述脑电信号分解为若干采样数据;
对所有采样数据加设邻域窗口,并通过相似性确定各采样数据在其所处邻域窗口的权值;
根据所述权值对各采样数据进行过滤,将过滤后的采样数据组合,以得到去噪后的脑电信号。
2.根据权利要求1所述基于小波分析的脑电信号去噪方法,其特征在于,所述获取脑电信号,并通过小波分析将所述脑电信号分解为若干采样数据具体包括:
获取脑电信号,并对获取到的脑电信号进行快速傅里叶滤波;
通过小波分析将快速傅里叶滤波后的脑电信号分解为若干采样数据。
3.根据权利要求1所述基于小波分析的脑电信号去噪方法,其特征在于,所述对所有采样数据加设邻域窗口,并通过相似性确定各采样数据在其所处邻域窗口的权值具体包括:
对所有采样数据加设邻域窗口,并分别获取各采样数据所属邻域窗口包含的所有第一采样数据;
对各采样数据与其对应的所有第一采样数据进行加权,以得到各采样数据的权值。
4.根据权利要求3所述基于小波分析的脑电信号去噪方法,其特征在于,所述对各采样数据与其对应的所有第一采样数据进行加权,以得到各采样数据的权值具体包括:
对于各采样数据,分别计算其对应的所有第一采样数据的权重系数;
根据所述权重系数对各采样数据与其对应的所有第一采样数据进行加权,以得到各采样数据的权值。
5.根据权利要求4所述基于小波分析的脑电信号去噪方法,其特征在于,所述对于各采样数据,分别计算其对应的所有第一采样数据的权重系数具体包括:
对于各采样数据,分别判断该采样数据与其对应的第一采样数据在预设搜索窗口内的变化趋势;
当采样数据与第一采样数据的变化趋势相同时,根据所述预设搜索窗口计算第一采样数据的权重系数。
6.根据权利要求5所述基于小波分析的脑电信号去噪方法,其特征在于,所述对于各采样数据,分别计算其对应的所有第一采样数据的权重系数还包括:
当所述采样数据与第一采样数据的变化趋势不同时,将所述采样数据与所述第一采样数据对应的搜索窗口向趋势变大方向移动预设距离;
采用移动后的搜索窗口计算计算第一采样数据的权重系数,其中,移动后的搜索窗口包含于邻域窗口。
7.根据权利要求1-6任一所述基于小波分析的脑电信号去噪方法,其特征在于,所述各采样数据的权值的计算公式为:
其中,s表示采样数据,N(s)表示s的邻域窗口,t表示邻域窗口内的第一采样数据,为第一采样数据的权重系数,表示脑电信号振幅。
8.根据权利要求7所述基于小波分析的脑电信号去噪方法,其特征在于,所述第一采样数据的权重的计算公式为:
其中,表示以采样数据为中心的搜索窗口的长度,h=表示滤波参数,P为常数。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现如权利要求1~8任意一项所述的所述基于小波分析的脑电信号去噪方法中的步骤。
10.一种基于小波分析的脑电信号去噪装置,其特征在于,包括:处理器、存储器及通信总线;所述存储器上存储有可被所述处理器执行的计算机可读程序;
所述通信总线实现处理器和存储器之间的连接通信;
所述处理器执行所述计算机可读程序时实现如权利要求1-8任意一项所述的所述基于小波分析的脑电信号去噪方法中的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810074084.1A CN108478215A (zh) | 2018-01-25 | 2018-01-25 | 基于小波分析的脑电信号去噪方法、存储介质以及装置 |
PCT/CN2018/077095 WO2019144455A1 (zh) | 2018-01-25 | 2018-02-24 | 基于小波分析的脑电信号去噪方法、存储介质以及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810074084.1A CN108478215A (zh) | 2018-01-25 | 2018-01-25 | 基于小波分析的脑电信号去噪方法、存储介质以及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108478215A true CN108478215A (zh) | 2018-09-04 |
Family
ID=63343701
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810074084.1A Withdrawn CN108478215A (zh) | 2018-01-25 | 2018-01-25 | 基于小波分析的脑电信号去噪方法、存储介质以及装置 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN108478215A (zh) |
WO (1) | WO2019144455A1 (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110123315A (zh) * | 2019-05-10 | 2019-08-16 | 深圳市德力凯医疗设备股份有限公司 | 一种抗电刀干扰的脑电信号检测系统及装置 |
CN111160090A (zh) * | 2019-11-22 | 2020-05-15 | 新绎健康科技有限公司 | 一种bcg信号降噪方法及系统 |
CN111772669A (zh) * | 2020-08-18 | 2020-10-16 | 中国科学院合肥物质科学研究院 | 基于自适应长短时记忆网络的肘关节收缩肌力估计方法 |
CN114391810A (zh) * | 2022-01-06 | 2022-04-26 | 深圳元海恒鑫医疗科技有限公司 | 一种基于脑电信号监测儿童麻醉靶控智能化方法及系统 |
CN117770758A (zh) * | 2022-09-29 | 2024-03-29 | 荣耀终端有限公司 | 信号的去噪方法及电子设备 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111358455B (zh) * | 2020-03-17 | 2022-07-29 | 乐普(北京)医疗器械股份有限公司 | 一种多数据源的血压预测方法和装置 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7725174B2 (en) * | 2006-06-28 | 2010-05-25 | The University Of Utah Research Foundation | Distinguishing different drug effects from the electroencephalogram |
CN103610461B (zh) * | 2013-10-17 | 2016-03-02 | 杭州电子科技大学 | 基于双密度小波邻域相关阈值处理的脑电信号消噪方法 |
CN104997506B (zh) * | 2015-06-15 | 2018-12-07 | 深圳市理邦精密仪器股份有限公司 | 一种对心电报告进行灵活配置的方法及装置 |
CN107595247A (zh) * | 2017-08-29 | 2018-01-19 | 深圳市德力凯医疗设备股份有限公司 | 一种基于脑电信号的麻醉深度的监测方法及系统 |
-
2018
- 2018-01-25 CN CN201810074084.1A patent/CN108478215A/zh not_active Withdrawn
- 2018-02-24 WO PCT/CN2018/077095 patent/WO2019144455A1/zh active Application Filing
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110123315A (zh) * | 2019-05-10 | 2019-08-16 | 深圳市德力凯医疗设备股份有限公司 | 一种抗电刀干扰的脑电信号检测系统及装置 |
CN110123315B (zh) * | 2019-05-10 | 2022-02-22 | 深圳市德力凯医疗设备股份有限公司 | 一种抗电刀干扰的脑电信号检测系统及装置 |
CN111160090A (zh) * | 2019-11-22 | 2020-05-15 | 新绎健康科技有限公司 | 一种bcg信号降噪方法及系统 |
CN111160090B (zh) * | 2019-11-22 | 2023-09-29 | 新绎健康科技有限公司 | 一种bcg信号降噪方法及系统 |
CN111772669A (zh) * | 2020-08-18 | 2020-10-16 | 中国科学院合肥物质科学研究院 | 基于自适应长短时记忆网络的肘关节收缩肌力估计方法 |
CN111772669B (zh) * | 2020-08-18 | 2022-08-19 | 中国科学院合肥物质科学研究院 | 基于自适应长短时记忆网络的肘关节收缩肌力估计方法 |
CN114391810A (zh) * | 2022-01-06 | 2022-04-26 | 深圳元海恒鑫医疗科技有限公司 | 一种基于脑电信号监测儿童麻醉靶控智能化方法及系统 |
CN117770758A (zh) * | 2022-09-29 | 2024-03-29 | 荣耀终端有限公司 | 信号的去噪方法及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
WO2019144455A1 (zh) | 2019-08-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108478215A (zh) | 基于小波分析的脑电信号去噪方法、存储介质以及装置 | |
Roy et al. | Image denoising by data adaptive and non-data adaptive transform domain denoising method using EEG signal | |
Vázquez et al. | Blind source separation, wavelet denoising and discriminant analysis for EEG artefacts and noise cancelling | |
Nolan et al. | FASTER: fully automated statistical thresholding for EEG artifact rejection | |
Jafarifarmand et al. | Real-time ocular artifacts removal of EEG data using a hybrid ICA-ANC approach | |
AU2020103949A4 (en) | EEG Signal Mixed Noise Processing Method, Equipment and Storage Medium | |
CN109558863B (zh) | 脑电信号特征表示与提取方法、装置及存储介质 | |
CN106236080B (zh) | 基于多通道的脑电信号中肌电噪声的消除方法 | |
CN109770900B (zh) | 基于卷积神经网络的脑机接口指令下发方法、系统、装置 | |
Williams et al. | Evaluation of empirical mode decomposition for event-related potential analysis | |
CN112957055B (zh) | 基于eemd-pca去除eeg信号中运动伪迹的方法及装置 | |
Hernandez-Garcia et al. | Neuronal event detection in fMRI time series using iterative deconvolution techniques | |
CN114190944B (zh) | 基于脑电信号的鲁棒情绪识别方法 | |
CN111820876A (zh) | 一种脑电空间滤波器的动态构建方法 | |
CN117064409B (zh) | 经颅直流电干预刺激效果实时评估方法、装置及终端 | |
Jamaluddin et al. | Performance of DWT and SWT in muscle fatigue detection | |
Garg et al. | EEG spike detection technique using output correlation method: A Kalman filtering approach | |
CN113208622A (zh) | 基于深度神经网络技术的脑电eeg信号去噪方法及系统 | |
Sutharsan et al. | Electroencephalogram signal processing with independent component analysis and cognitive stress classification using convolutional neural networks | |
CN114366101B (zh) | 运动想象脑电信号分类方法、装置、设备和存储介质 | |
CN115462803A (zh) | 一种基于BG-Attention的脑电信号去噪方法、装置及存储介质 | |
CN115067878A (zh) | 基于EEGNet的静息态脑电意识障碍分类方法及系统 | |
CN110516711B (zh) | Mi-bci系统的训练集质量评估方法和单次训练样本的优化方法 | |
CN110507320B (zh) | 一种脑电信号滤波方法及设备 | |
CN109009101B (zh) | 一种脑电信号自适应实时去噪方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20180904 |
|
WW01 | Invention patent application withdrawn after publication |