CN112861625B - 一种堆叠去噪自编码器模型确定方法 - Google Patents
一种堆叠去噪自编码器模型确定方法 Download PDFInfo
- Publication number
- CN112861625B CN112861625B CN202110009405.1A CN202110009405A CN112861625B CN 112861625 B CN112861625 B CN 112861625B CN 202110009405 A CN202110009405 A CN 202110009405A CN 112861625 B CN112861625 B CN 112861625B
- Authority
- CN
- China
- Prior art keywords
- self
- encoder
- brain
- model
- feature extraction
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 210000004556 brain Anatomy 0.000 claims abstract description 89
- 239000011159 matrix material Substances 0.000 claims abstract description 51
- 238000000605 extraction Methods 0.000 claims abstract description 48
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 208000010340 Sleep Deprivation Diseases 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 6
- 239000012634 fragment Substances 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 210000001652 frontal lobe Anatomy 0.000 claims description 3
- 230000033001 locomotion Effects 0.000 claims description 3
- 210000000869 occipital lobe Anatomy 0.000 claims description 3
- 239000010410 layer Substances 0.000 description 51
- 230000006870 function Effects 0.000 description 26
- 206010016256 fatigue Diseases 0.000 description 11
- 208000019914 Mental Fatigue Diseases 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 8
- 238000012360 testing method Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 230000006996 mental state Effects 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000010606 normalization Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 230000033764 rhythmic process Effects 0.000 description 3
- 210000004761 scalp Anatomy 0.000 description 3
- 238000000692 Student's t-test Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 208000029028 brain injury Diseases 0.000 description 2
- 239000004020 conductor Substances 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 210000000624 ear auricle Anatomy 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 210000001061 forehead Anatomy 0.000 description 2
- 230000004807 localization Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 210000001152 parietal lobe Anatomy 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 230000001629 suppression Effects 0.000 description 2
- 238000012353 t test Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 229920000832 Cutin Polymers 0.000 description 1
- WHUUTDBJXJRKMK-VKHMYHEASA-N L-glutamic acid Chemical compound OC(=O)[C@@H](N)CCC(O)=O WHUUTDBJXJRKMK-VKHMYHEASA-N 0.000 description 1
- 208000012902 Nervous system disease Diseases 0.000 description 1
- 208000025966 Neurological disease Diseases 0.000 description 1
- 206010062519 Poor quality sleep Diseases 0.000 description 1
- 208000032140 Sleepiness Diseases 0.000 description 1
- 206010041349 Somnolence Diseases 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 208000003464 asthenopia Diseases 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000004397 blinking Effects 0.000 description 1
- 230000006931 brain damage Effects 0.000 description 1
- 231100000874 brain damage Toxicity 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000004070 electrodeposition Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000001747 exhibiting effect Effects 0.000 description 1
- 229930195712 glutamate Natural products 0.000 description 1
- 210000003128 head Anatomy 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 239000011229 interlayer Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000036403 neuro physiology Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000001242 postsynaptic effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000037321 sleepiness Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000003867 tiredness Effects 0.000 description 1
- 208000016255 tiredness Diseases 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 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
- A61B5/72—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
- A61B5/7246—Details of waveform analysis using correlation, e.g. template matching or determination of similarity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Psychiatry (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Pure & Applied Mathematics (AREA)
- Pathology (AREA)
- Mathematical Optimization (AREA)
- Heart & Thoracic Surgery (AREA)
- Physiology (AREA)
- Mathematical Analysis (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Computational Mathematics (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Computational Linguistics (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明涉及一种堆叠去噪自编码器模型确定方法,该方法包括:S1、对采集的脑电信号进行预处理,并依照脑区划分脑电信号;S2、基于划分后的脑电信号构建输入矩阵;S3、利用至少两个自编码器构建特征提取模型;S4、针对堆叠去噪自编码器的中间层节点数量构建约束条件;S5、利用特征提取模型提取脑状态特征,构建中间层节点数约束函数,通过遍历搜索搜寻约束函数的最大值,得到最优脑特征提取模型,进而可对脑状态特征进行深层抽象,以提取潜在的主要特征。
Description
技术领域
本发明涉及脑-机接口技术领域,尤其涉及一种堆叠去噪自编码器模型确定方法。
背景技术
精神疲劳是一种日常生活中常见的脑状态,也是威胁交通安全的关键问题,精神疲劳被定义为难以开展或继续维持认知活动的脑状态。精神疲劳状态可导致人类机敏性和活力状态下降,并伴有疲倦、嗜睡和注意力集中困难,因此对于长时间驾驶的驾驶员来说精神疲劳是非常危险的。为了分析脑状态并量化精神疲劳,许多研究人员致力于精神疲劳效应,精神疲劳分类和疲劳对策等方向的研究。从生物学的角度来看,精神疲劳与神经元能量减少和谷氨酸传递减少有关,同时精神疲劳也是一种生理和心理因素的综合表现。
头皮脑电信号(Electroencephalograph,简称EEG)的产生依赖于大量神经元突触后电位的兴奋和抑制,表现出较高的时间分辨率。EEG作为对脑神经元活动的直接和非侵入性测量,被认为是精神疲劳测量最适用和最可靠的手段之一。EEG可分为delta(0.5Hz-4Hz),theta(4Hz-7Hz),alpha(8Hz-13Hz),beta(13Hz-30Hz)和gamma(30Hz-80Hz)波段。在这些波段中,delta和theta波与疲劳状况有关,常被用于视觉注意分析,精神疲劳评估和疲劳水平预测等研究领域。Delta和theta波与清醒状态注意力集中程度有关,因此不同精神状态下EEG信号的主要特征有较大差异。然而,由于大脑结构对信号的衰减,EEG具有极低的信噪比(Signal to Noise Ratio,简称SNR)和空间分辨率。因此利用EEG分析大脑精神状态容易受到噪声干扰而导致难以提取有效的特征。
脑源定位(Brain Source Localization,简称BSL)算法是一种通过重建脑源活动来提高空间分辨率和SNR的方法。然而,脑电信号的低信噪比仍然限制了BSL逆向问题的求解,delta和theta波的功率谱密度(Power Spectral Density,简称PSD)已被广泛用于疲劳的定量分析。但是,EEG的低SNR仍限制了其在脑状态分析中的应用。主成分分析(PrincipalComponent Analysis,简称PCA)是用于提高SNR的常见降维算法,应用线性变换来获得一组线性独立的分量,从而提取主要特征,但是该算法在分析非线性EEG中受到限制。因此,迫切需要一种特征提取算法来分析脑精神状态。
综上所述,现有分析方法在非线性、低信噪比的EEG分析中受到限制。
上述缺陷是本领域技术人员期望克服的。
发明内容
(一)要解决的技术问题
为解决上述问题,本发明提供一种堆叠去噪自编码器模型确定方法,解决现有技术在非线性、低信噪比的EEG分析中受到限制的问题。
(二)技术方案
为了达到上述目的,本发明采用的主要技术方案包括:
本发明提供一种堆叠去噪自编码器模型确定方法,包括:
S1、对采集的脑电信号进行预处理,并对脑电信号按脑区进行划分;
S2、基于划分后的脑电信号构建输入矩阵;
S3、利用至少两个自编码器构建特征提取模型;
S4、针对堆叠去噪自编码器的中间层节点数量构建约束条件;
S5、利用特征提取模型提取脑状态特征,构建堆叠去噪自编码器中间层节点数约束函数,通过遍历搜索搜寻约束函数的最大值得到最优脑特征提取模型。
在本发明的一个实施例中,步骤S1包括:
采集受试者在清醒状态下、疲劳状态下和睡眠剥夺状态下的脑电信号;
对脑电信号进行预处理,去除受伪差干扰的片段,得到各个状态下的脑电信号;
依照脑区分布对脑电信号进行划分。
在本发明的一个实施例中,所述预处理包括:
对所有采集的脑电信号进行表面拉普拉斯滤波,计算公式为:
VC=VCO-0.25(V1+V2+V3+V4)
其中,VC是表面拉普拉斯滤波后的脑电信号,VCO是原始脑电信号,V1,V2,V3和V4是围绕VCO的原始脑电信号,V1和V3,V2和V4的位置两两对称,对称中心是VCO,V1,V2,V3和V4中相邻两个位置之间的夹角为90度。
在本发明的一个实施例中,步骤S1中按照额叶、运动区、顶叶和枕叶四个脑区将脑电信号重新划分为四个矩阵,得到各脑区对应的信号可表示为:
X=[x(1),x(2),…,x(c)],其中c为导联数。
在本发明的一个实施例中,步骤S2包括:
利用高斯噪声对各脑区对应的信号进行噪声处理,得到的信号为X1=[x1 (1),x1 (2),…,x1 (c)],作为输入矩阵。
在本发明的一个实施例中,步骤S3包括:
将至少两个自编码器按顺序连接构建特征提取模型,如果输入矩阵的维度为c,则第一个自编码器输入层的节点数为c+1,将第N个自编码器的中间层输出矩阵作为第N+1个自编码器的输入矩阵,并将最后一个自编码器中间层的输出矩阵作为特征提取模型的输出;
其中N为大于或等于1的自然数。
在本发明的一个实施例中,当步骤S3基于两个自编码器建立特征提取模型时,第一个自编码器中间层的输出矩阵作为第二个自编码器的输入矩阵,且第二个自编码器输入矩阵的维度与第一个自编码器中间层的节点数相等。
在本发明的一个实施例中,步骤S3中构建特征提取模型还包括:
对至少两个自编码器的权值和偏置进行初始化;
进行模型训练,利用均方误差损失函数估计模型误差,使平均重建误差最小;
对权值和偏置进行更新,完成模型优化。
在本发明的一个实施例中,步骤S4包括:
利用至少两个自编码器建立特征提取模型时,各个自编码器中间层节点数约束条件为:第一个自编码器中间层节点数应大于等于第二个自编码器中间节点数且小于输入矩阵维度c;第N个自编码器中间层节点数应大于等于第N+1个自编码器中间层节点数且小于一个正整数;最后一个自编码器中间层节点数应大于等于1且小于一个正整数;所有自编码器中间层节点数的乘积是一个固定正整数。
在本发明的一个实施例中,步骤S5包括:
对第二个自编码器中间层的输出矩阵进行短时傅里叶变换,得到短时傅里叶变换系数;
对短时傅里叶变换系数进行归一化处理,建立中间层节点数量的约束函数;
通过自动遍历搜寻约束函数的最大值;
对每个自编码器的中间层节点数量进行优化,得到最优脑特征提取模型。
(三)有益效果
本发明的有益效果是:本发明提供的堆叠去噪自编码器模型确定方法,利用至少两个自编码器构建特征提取模型,然后通过约束条件和约束函数进行优化得到最优脑特征提取模型,进而可对脑状态特征进行深层抽象,以提取潜在的主要特征。本发明方法与现有技术相比,可实现对多类别脑状态特征的直接提取,且无需手动选择特征所在维度,即可实现无监督、数据驱动的自适应消噪,并显著地提高脑电信号信噪比。
附图说明
图1为本发明实施例提供的一种堆叠去噪自编码器模型确定方法的步骤流程图;
图2为本发明实施例中提供的堆叠去噪自编码器模型确定方法的总体技术路线图;
图3为本发明实施例中所涉及的126导联电极位置分布图;
图4为本发明实施例中模型遍历结果示意图;
图5为本发明实施例中三种状态下短时傅里叶变换的时频图;
图6为本发明实施例中在清醒状态下4个脑区原始信号,PCA及本发明提出方法提取特征的幅-频图;
图7为本发明实施例中在疲劳状态下4个脑区原始信号,PCA及本发明提出方法提取特征的幅-频图;
图8为本发明实施例中在剥夺睡眠状态下4个脑区原始信号,PCA及本发明提出方法提取特征的幅-频图。
具体实施方式
为了更好的解释本发明,以便于理解,下面结合附图,通过具体实施方式,对本发明作详细描述。
本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明。本文所使用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。
自动编码器是一种新颖的非线性降维方法,堆叠去噪自动编码器(StackDenoising Autoencoder,简称SDAE)是由多个自动编码器组成的前馈神经网络。SDAE输入信号被噪声破坏,且其隐藏层被限制为狭窄的瓶颈,因此输出层信号可视为对原始输入信号的重构。但其网络模型构建依托于构建者经验,目前尚无关于模型构建的方法,本发明针对脑精神状态分析提出一种堆叠去噪自编码器模型确定方法。
图1为本发明实施例提供的一种堆叠去噪自编码器模型确定方法的步骤流程图,如图1所示,具体包括以下步骤:
在步骤S1中,对采集的脑电信号进行预处理,并对脑电信号按脑区进行划分;
在步骤S2中,基于划分后的脑电信号构建输入矩阵;
在步骤S3中,利用至少两个自编码器构建特征提取模型;
在步骤S4中,针对堆叠去噪自编码器的中间层节点数量构建约束条件;
在步骤S5中,利用特征提取模型提取脑状态特征,构建堆叠去噪自编码器约束函数,通过遍历搜索搜寻约束函数的最大值得到最优脑特征提取模型。
基于本发明提供的堆叠去噪自编码器模型确定方法,利用多个自编码器,提出堆叠去噪自编码器模型的约束条件和约束函数。据此可构建适用于EEG的堆叠去噪自编码器模型,进而可对脑状态特征进行深层抽象,以提取潜在的主要特征。
图2为提供的一种堆叠去噪自编码器模型确定方法的总体技术路线图。特征提取模型包括两个自编码器组成的特征提取模型,原始信号经滤波分区后得到输入矩阵(由输入特征构成),经过高斯噪声后进入到第一个自编码器,再经第二个自编码器得到输出矩阵(由输出特征构成)。
在步骤S1中,对采集的脑电信号进行预处理,并对脑电信号按脑区进行划分。
在本发明的一个实施例中,步骤S1之前要选择试验对象以及进行测试前的准备等工作。首先,试验对象遴选阶段,受试者依照身体健康、具有正常视觉和运动能力、无脑部损伤及神经疾病、年龄相近、工作情况相似的原则进行遴选。在本实施例中选择15名受试者进行试验,年龄为20岁-24岁的学生,身体健康、具有正常视觉和运动能力、无脑部损伤及神经疾病。其次,在试验准备阶段,对受试者头部皮肤进行预处理,清洗并吹干头发,用去角质膏去除额头和耳垂部位的死皮与角质,测量中轴经线长度找到Cz点位置并标记,将电极帽Cz导联对准标记戴好电极帽,并用针管注入导电膏。在注入导电膏时不断观察阻抗值,为保证主动式电极与头皮通过导电膏保持良好接触,接触电阻应控制在30kΩ以下,以确保获得较高信噪比的头皮脑电信号。在本实施例中,硬件使用126通道脑电信号采集系统,电极安放标准是依据临床神经生理学国际联合会的电极安放标准10/10系统,单侧耳垂作为标准电极,额头作为地电极,图3为本发明实施例中所涉及的126导联电极位置分布图。
在本发明的一个实施例中,步骤S1包括:
首先,采集受试者在清醒状态下、疲劳状态下和睡眠剥夺状态下的脑电信号。具体为:准备结束后,受试者面对电脑屏幕,坐在舒适的椅子上保持静默,并尽量减少眨眼动作;试验开始于早上9:00,受试者保持睁眼且静默1分钟,通过主动电极采集清醒状态下EEG信号,之后受试者接受长达1小时的无休息P300训练,集中注意力通过P300系统拼写一篇英语短文,之后受试者保持睁眼且静默1分钟,通过主动电极采集疲劳状态下EEG信号,试验结束后受试者需在接下来的一整夜保持清醒无睡眠状态,在第二天早上8:00重复之前预处理过程,保持睁眼且静默1分钟,通过主动电极采集睡眠剥夺状态下EEG信号。脑电信号采样率为1200Hz,主动电极经过与电极线相联的电极盒(activebox)将EEG信号送至g.HIamp信号放大器。利用硬件设置陷波滤波器为48Hz-52Hz,带通滤波器为0.5Hz-200Hz,以消除脑电信号采集过程中的工频干扰并抑制噪声。最后,通过与g.HIamp信号放大器相联的计算机对采集到的脑电信号进行存储、显示和分析。g.HIamp的驱动程序是基于C++的数据采集工具包的应用接口,该应用编程接口是开源的。
其次,对脑电信号进行预处理,通过视觉观察去除受伪差干扰的片段,得到各个状态下的脑电信号。
所述预处理包括:
对所有采集的脑电信号进行表面拉普拉斯滤波,抑制EEG信号的容积导体效应,计算公式为:
VC=VCO-0.25(V1+V2+V3+V4)
其中,VC是表面拉普拉斯滤波后的脑电信号,VCO是原始脑电信号,V1,V2,V3和V4是围绕VCO的原始脑电信号,V1和V3,V2和V4的位置两两对称,对称中心是VCO,V1,V2,V3和V4中相邻两个位置之间的夹角为90度。
最后,按照额叶、运动区、顶叶和枕叶四个脑区,将脑电信号重新划分为四个矩阵,四个矩阵的维度分别为:30、55、19、22,如图3所示。
在本发明的一个实施例中,步骤S1中得到各脑区对应的信号可表示为:
X=[x(1),x(2),…,x(c)],其中c为导联数。
在步骤S2中,基于划分后的脑电信号构建输入矩阵。
在本发明的一个实施例中,步骤S2包括:
利用高斯噪声对各脑区对应的信号进行噪声处理,每个导联加载高斯噪声的概率为50%,噪声处理后得到的信号为X1=[x1 (1),x1 (2),…,x1 (c)],作为堆叠去噪自编码器的输入矩阵。
在步骤S3中,利用至少两个自编码器构建特征提取模型。
在本发明的一个实施例中,步骤S3包括:
将至少两个自编码器按顺序连接构建特征提取模型,如果输入矩阵的维度为c,则第一个自编码器输入层的节点数为c+1,将第N个自编码器的中间层输出矩阵作为第N+1个自编码器的输入矩阵,并将最后一个自编码器中间层的输出矩阵作为特征提取模型的输出;其中N为大于或等于1的自然数。
本发明中以采用两个自编码器顺序连接建立特征提取模型为例进行介绍:
当步骤S3基于两个自编码器建立特征提取模型时,第一个自编码器中间层的输出矩阵作为第二个自编码器的输入矩阵,且第二个自编码器输入矩阵的维度与第一个自编码器中间层的节点数相等。第一个自编码器输出矩阵的节点数为c,第二个自编码器中间层的输出矩阵作为特征提取模型的输出,每一个自编码器的输出层都是对输入层的拟合,其目的在于利用输出层尽最大可能还原输入矩阵。本实施案例中,两个自编码器的学习速率为1,最小批处理数为200。
在本发明的一个实施例中,步骤S3中构建特征提取模型还包括:
步骤S31、对至少两个自编码器的权值和偏置进行初始化,初始化阶段对各个编码器的权值W与偏置b随机赋值,采用sigmoid函数作为激活函数,模型映射方式和激活函数如下所示:
Y1=f1,θ(X1)=s(WX1+b)
s(a)=1/(1+e-a)
其中,Y1是第一个自编码器中间层上的信号;a为sigmoid函数s的输入变量,W,b和f分别是第一个自动编码器上的编码器的权重矩阵,偏差和激活函数。
第一个自编码器的解码器解码并估计未受噪声处理的输入矩阵X,其估计结果为第一个自编码器的输出层的输出矩阵Z=[z(1),z(2),…,z(c)]。解码方式为:
Z=g2,θ'(Y1)=s(W'Y1+b')
式中:W',b'和g分别是第一个自编码器上解码器的权重矩阵,偏置和激活函数。
步骤S32、进行模型训练。为了使平均重建误差最小,针对第一个自编码器和第二个自编码器训练模型的结构参数θ=(W,b)和θ′=(W′,b′)时利用均方误差损失函数L估计模型误差,使平均重建误差最小。这些参数的优化方式为:
步骤S33、对权值和偏置进行更新,完成模型优化。
用梯度下降算法更新权值和偏置,模型优化后,第一个自编码器已建立。第一个自编码器的中间层输出被视为下一个自编码器的输入,以进一步训练第二个自编码器的模型。第二个自编码器的中间层的输出Y2=[y2 (1),y2 (2),…,y2 (m)],即被视为从原始输入信号X提取的深度降噪特征。
在步骤S4中,针对堆叠去噪自编码器的中间层节点数量构建约束条件。
在本发明的一个实施例中,基于两个自编码器建立特征提取模型时,步骤S4中为了提取具有高信噪比的EEG特征,应限制两个自编码器的中间层节点数。
仍以两个自编码器为例,第一个自编码器和第二个自编码器的中间层节点数量分别为n和m,为约减EEG维度,n和m应小于其各自输入层中节点的数量,据此中间层可以看作是输入信号的降维。第二个自编码器的中间层节点数应大于或等于1且小于一个正整数Ccom;第一个自编码器的中间层节点数应大于或等于第二个自编码器的中间层节点数且小于一个正整数Cdef;同时第一个自编码器的中间层节点数与第二个自编码器的中间层节点数的乘积应为一固定正整数Udef。因此n和m约束条件为:
其中,Udef,Cdef和Ccom均是正整数,Cdef小于输入矩阵的维度c。本实施例中,Udef=30,Cdef=15,Ccom=5。
在步骤S5中,利用特征提取模型提取脑状态特征,构建堆叠去噪自编码器约束函数,通过遍历搜索搜寻约束函数的最大值得到最优脑特征提取模型。
在本发明的一个实施例中,基于两个自编码器建立特征提取模型时,步骤S5包括:
步骤S51、对第二个自编码器中间层的输出矩阵进行短时傅里叶变换,得到短时傅里叶变换系数。
步骤S52、采用离差标准化方法对短时傅里叶变换系数进行归一化处理,建立中间层节点数量的约束函数。其中归一化处理为:
其中,cSTFT(i,j)是短时傅立叶变换系数,q是时间采样数,求得各脑区两个自编码器均方误差的均值后,计算均值的指数次幂并与20Hz以下的短时傅里叶变换系数三次幂的和进行加权求和,进而建立中间层节点数量的约束函数,约束函数为:
步骤S53、通过自动遍历搜索搜寻约束函数的最大值,该最大值为cf。
步骤S54、对每个自编码器的中间层节点数量进行优化,得到最优脑特征提取模型。图4为本发明实施例中模型遍历结果示意图,最终选择的模型参数为:m=3,n=8,cf=0.526。
本实施例中,图5表示三种状态下原始信号跨维度均值,第一个自编码器中间层输出矩阵跨维度均值及第二个自编码器中间层输出矩阵跨维度均值的短时傅里叶变换时频图。图5的时频图表明第二个自编码器中间层输出矩阵能够提取出与相应精神状态有关的EEG信息,并可抑制噪声。t-test统计结果表明第二个自编码器提取的20Hz以下特征傅里叶变换系数远高于原始信号(概率P<0.001)和第一自编码器(概率P<0.001)。因此本发明提出的模型确定方法可有效提高20Hz以下EEG幅值,进而有助于提取与三种精神状态相关的脑电特征。
图6为本发明实施例中在清醒状态下4个脑区原始信号,PCA及本发明提出方法提取特征的幅-频图,图7为本发明实施例中在疲劳状态下4个脑区原始信号,PCA及本发明提出方法提取特征的幅-频图,图8为本发明实施例中在剥夺睡眠状态下4个脑区原始信号,PCA及本发明提出方法提取特征的幅-频图。基于上述图6-图8表明,在清醒状态下本发明提出的模型确定方法可有效提取出mu节律脑电特征、抑制mu噪声,在疲劳和睡眠剥夺状态下,本发明提出的模型确定方法可有效提取出delta节律脑电特征,并抑制delta节律噪声。分别计算三种状态下原始信号跨维度均值、PCA算法提取特征及本发明方法提取特征的主频率幅值与所有频率幅值和之比(信噪比)来度量本发明提出模型确定方法对噪声的抑制效果,其结果如表1所示。
表1三种状态下原始信号、PCA及本发明方法的信噪比
如表1所示,本发明算法的信噪比高出原始信号2.34,高出PCA算法2.85。t-test统计结果表示本发明算法的信噪比高于原始信号(概率P<0.01)、PCA(概率P<0.05)具有统计有效性,即本发明算法可有效提高EEG信号信噪比。
基于上述步骤,本发明提供一种堆叠去噪自编码器模型确定方法,能够实现神经网络模型参数自动确定,包括:步骤一、通过脑电信号采集系统采集受试者多通道清醒、视觉疲劳和睡眠剥夺三种脑状态下的脑电信号;步骤二、对所有采集的脑电信号进行预处理,抑制容积导体效应的干扰;步骤三、将每种状态对应的脑电信号片段从已预处理过的脑电信号中截取并视觉观察,去除受伪差干扰的脑电信号片段,并对脑电信号按脑区重新划分;步骤四、利用噪声处理脑电信号构建输入矩阵;步骤五、构建基于堆叠去噪自编码器的特征提取模型,以前一个自编码器的中间层输出矩阵作为下一个自编码器的输入矩阵;步骤六、建立堆叠去噪自编码器中间层节点数的约束条件;步骤七、利用短时傅里叶变换分析特征提取模型提取的脑状态特征,归一化短时傅里叶变换系数,构建堆叠去噪自编码器中间层节点数约束函数,自动遍历搜索寻求最优中间层节点数,获得最优脑状态特征提取模型。
综上所述,本发明的堆叠去噪自编码器模型确定方法基于堆叠去噪自编码器,具有如下效果:
提出了堆叠去噪自编码器模型的约束条件和约束函数,据此可构建适用于EEG的堆叠去噪自编码器模型,进而可对脑状态特征进行深层抽象,以提取潜在的主要特征。本发明方法与现有技术相比,可实现对多类别脑状态的直接提取,且无需手动选择特征所在维度即可实现无监督、数据驱动的自适应消噪,并显著地提高脑电信号信噪比。本发明有利于促进基于EEG的疲劳驾驶判断、脑状态分析的实际应用。
应当注意,尽管在上文详细描述中提及了用于动作执行设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本发明的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
通过以上实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本发明实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、触控终端、或者网络设备等)执行根据本发明实施方式的方法。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本发明的真正范围和精神由权利要求指出。
应当理解的是,本发明并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。
Claims (8)
1.一种堆叠去噪自编码器模型确定方法,其特征在于,包括:
S1、对采集的脑电信号进行预处理,并依照脑区划分脑电信号;
S2、基于划分后的脑电信号构建输入矩阵;
S3、利用至少两个自编码器构建特征提取模型;
步骤S3包括:将至少两个自编码器按顺序连接构建特征提取模型,如果输入矩阵的维度为c,则第一个自编码器输入层的节点数为c+1,将第N个自编码器的中间层输出矩阵作为第N+1个自编码器的输入矩阵,并将最后一个自编码器中间层的输出矩阵作为特征提取模型的输出;其中N为大于或等于1的自然数;
S4、针对堆叠去噪自编码器的中间层节点数量构建约束条件;
步骤S4包括:利用至少两个自编码器建立特征提取模型时,各个自编码器中间层节点数约束条件为:第一个自编码器中间层节点数应大于等于第二个自编码器中间节点数且小于输入矩阵维度c;第N个自编码器中间层节点数应大于等于第N+1个自编码器中间层节点数且小于一个正整数Cdef;最后一个自编码器中间层节点数应大于等于1且小于一个正整数Ccom;所有自编码器中间层节点数的乘积是一个固定正整数Udef,其中,Udef,Cdef和Ccom均是正整数,Cdef小于输入矩阵的维度c;
S5、利用特征提取模型提取脑状态特征,构建堆叠去噪自编码器中间层节点数约束函数,通过遍历搜索搜寻约束函数的最大值,得到最优脑特征提取模型。
2.如权利要求1所述的堆叠去噪自编码器模型确定方法,其特征在于,步骤S1包括:
采集受试者在清醒状态下、疲劳状态下和睡眠剥夺状态下的脑电信号;
对脑电信号进行预处理,去除受伪差干扰的片段,得到各个状态下脑电信号数据;
对脑电信号进行脑区划分。
3.如权利要求2所述的堆叠去噪自编码器模型确定方法,其特征在于,所述预处理包括:
对所有采集的脑电信号进行表面拉普拉斯滤波,计算公式为:
VC=VCO-0.25(V1+V2+V3+V4)
其中,VC是表面拉普拉斯滤波后的脑电信号,VCO是原始脑电信号,V1,V2,V3和V4是围绕VCO的原始脑电信号,V1和V3,V2和V4的位置两两对称,对称中心是VCO,V1,V2,V3和V4中相邻两个位置之间的夹角为90度。
4.如权利要求2所述的堆叠去噪自编码器模型确定方法,其特征在于,步骤S1中按照额叶、运动区、顶叶和枕叶四个脑区将脑电信号重新划分为四个矩阵,得到各脑区对应的信号可表示为:
X=[x(1),x(2),…,x(c)],其中c为导联数。
5.如权利要求1所述的堆叠去噪自编码器模型确定方法,其特征在于,步骤S2包括:
利用高斯噪声对各脑区对应的信号进行噪声处理,得到的信号为X1=[x1 (1),x1 (2),…,x1 (c)],作为输入矩阵。
6.如权利要求1所述的堆叠去噪自编码器模型确定方法,其特征在于,当步骤S3基于两个自编码器建立特征提取模型时,第一个自编码器中间层的输出矩阵作为第二个自编码器的输入矩阵,且第二个自编码器输入矩阵的维度与第一个自编码器中间层的节点数相等。
7.如权利要求1所述的堆叠去噪自编码器模型确定方法,其特征在于,步骤S3中构建特征提取模型还包括:
对至少两个自编码器的权值和偏置进行初始化;
进行模型训练,利用均方误差损失函数估计模型误差,使平均重建误差最小;
对权值和偏置进行更新,完成模型优化。
8.如权利要求1所述的堆叠去噪自编码器模型确定方法,其特征在于,步骤S5包括:
对第二个自编码器中间层的输出矩阵进行短时傅里叶变换,得到短时傅里叶变换系数;
对短时傅里叶变换系数进行归一化处理,建立中间层节点数量的约束函数;
通过自动遍历搜寻约束函数的最大值;
对每个自编码器的中间层节点数量进行优化,得到最优脑特征提取模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110009405.1A CN112861625B (zh) | 2021-01-05 | 2021-01-05 | 一种堆叠去噪自编码器模型确定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110009405.1A CN112861625B (zh) | 2021-01-05 | 2021-01-05 | 一种堆叠去噪自编码器模型确定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112861625A CN112861625A (zh) | 2021-05-28 |
CN112861625B true CN112861625B (zh) | 2023-07-04 |
Family
ID=76003919
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110009405.1A Active CN112861625B (zh) | 2021-01-05 | 2021-01-05 | 一种堆叠去噪自编码器模型确定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112861625B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113408697B (zh) * | 2021-05-31 | 2022-09-16 | 杭州电子科技大学 | 一种基于强化学习自编码器的脑电数据重建方法 |
CN113688952B (zh) * | 2021-10-25 | 2022-01-25 | 中国科学院自动化研究所 | 基于自适应脑电通道选择的脑机接口解码加速方法及系统 |
CN114021608A (zh) * | 2021-11-17 | 2022-02-08 | 南京工业大学 | 一种融合大脑区域间结构信息的脑电识别方法 |
CN115310585B (zh) * | 2022-07-04 | 2024-08-09 | 浙江大学 | 一种基于自编码器的高维神经信号降维方法及用途 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106465136A (zh) * | 2014-06-27 | 2017-02-22 | 诺基亚技术有限公司 | 用于分布式层级数据库的基于云的系统 |
CN106529589A (zh) * | 2016-11-03 | 2017-03-22 | 温州大学 | 采用降噪堆叠自动编码器网络的视觉目标检测方法 |
CN107292885A (zh) * | 2017-08-08 | 2017-10-24 | 广东工业大学 | 一种基于自动编码器的产品缺陷分类识别方法及装置 |
CN107844755A (zh) * | 2017-10-23 | 2018-03-27 | 重庆邮电大学 | 一种结合dae和cnn的脑电信号特征提取与分类方法 |
CN108062572A (zh) * | 2017-12-28 | 2018-05-22 | 华中科技大学 | 一种基于DdAE深度学习模型的水电机组故障诊断方法与系统 |
CN109165743A (zh) * | 2018-07-17 | 2019-01-08 | 东南大学 | 一种基于深度压缩自编码器的半监督网络表示学习算法 |
CN110059357A (zh) * | 2019-03-19 | 2019-07-26 | 中国电力科学研究院有限公司 | 一种基于自编码网络的智能电能表故障分类检测方法及系统 |
CN110751108A (zh) * | 2019-10-23 | 2020-02-04 | 武汉理工大学 | 一种地铁分布式振动信号相似度确定方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9922272B2 (en) * | 2014-09-25 | 2018-03-20 | Siemens Healthcare Gmbh | Deep similarity learning for multimodal medical images |
-
2021
- 2021-01-05 CN CN202110009405.1A patent/CN112861625B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106465136A (zh) * | 2014-06-27 | 2017-02-22 | 诺基亚技术有限公司 | 用于分布式层级数据库的基于云的系统 |
CN106529589A (zh) * | 2016-11-03 | 2017-03-22 | 温州大学 | 采用降噪堆叠自动编码器网络的视觉目标检测方法 |
CN107292885A (zh) * | 2017-08-08 | 2017-10-24 | 广东工业大学 | 一种基于自动编码器的产品缺陷分类识别方法及装置 |
CN107844755A (zh) * | 2017-10-23 | 2018-03-27 | 重庆邮电大学 | 一种结合dae和cnn的脑电信号特征提取与分类方法 |
CN108062572A (zh) * | 2017-12-28 | 2018-05-22 | 华中科技大学 | 一种基于DdAE深度学习模型的水电机组故障诊断方法与系统 |
CN109165743A (zh) * | 2018-07-17 | 2019-01-08 | 东南大学 | 一种基于深度压缩自编码器的半监督网络表示学习算法 |
CN110059357A (zh) * | 2019-03-19 | 2019-07-26 | 中国电力科学研究院有限公司 | 一种基于自编码网络的智能电能表故障分类检测方法及系统 |
CN110751108A (zh) * | 2019-10-23 | 2020-02-04 | 武汉理工大学 | 一种地铁分布式振动信号相似度确定方法 |
Non-Patent Citations (4)
Title |
---|
Denoising sparse autoencoder-based ictal EEG classification;Yang Qiu等;IEEE Transactions on Neural Systems and Rehabilitation Engineering;第26卷(第8期);1717 - 1726 * |
NIRS feature extraction based on deep auto-encoder neural network;Ting Liu等;Infrared Physics & Technology;第87卷;124-128 * |
基于深度学习的阿兹海默症基因表达模式识别与样本分类;仝政霖;中国优秀硕士学位论文全文数据库 医药卫生科技辑;E071-16 * |
多通道瞬变电磁接收仪研发与采集研究;林凡强;中国博士学位论文全文数据库 基础科学辑;A011-225 * |
Also Published As
Publication number | Publication date |
---|---|
CN112861625A (zh) | 2021-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112861625B (zh) | 一种堆叠去噪自编码器模型确定方法 | |
Khosla et al. | A comparative analysis of signal processing and classification methods for different applications based on EEG signals | |
Sun et al. | A novel end-to-end 1D-ResCNN model to remove artifact from EEG signals | |
Chen et al. | Removal of muscle artifacts from the EEG: A review and recommendations | |
Chavez et al. | Surrogate-based artifact removal from single-channel EEG | |
Hamad et al. | Feature extraction of epilepsy EEG using discrete wavelet transform | |
Joutsiniemi et al. | Self-organizing map in recognition of topographic patterns of EEG spectra | |
CH716863B1 (de) | Verfahren zum Erstellen eines Depressionserkennungs-Klassifikationsmodells basierend auf einer Kanalauswahl von Mehrkanal-Elektroenzephalographie. | |
Guerrero-Mosquera et al. | EEG signal processing for epilepsy | |
CN114533086B (zh) | 一种基于空域特征时频变换的运动想象脑电解码方法 | |
AU2020103949A4 (en) | EEG Signal Mixed Noise Processing Method, Equipment and Storage Medium | |
CN113842115B (zh) | 一种改进的eeg信号特征提取方法 | |
Mishra et al. | Artifact removal from biosignal using fixed point ICA algorithm for pre-processing in biometric recognition | |
Zhao et al. | A study on EEG feature extraction and classification in autistic children based on singular spectrum analysis method | |
Furui et al. | Non-Gaussianity detection of EEG signals based on a multivariate scale mixture model for diagnosis of epileptic seizures | |
Xu et al. | An adaptive graph spectral analysis method for feature extraction of an EEG signal | |
Nguyen et al. | A deep wavelet sparse autoencoder method for online and automatic electrooculographical artifact removal | |
Li et al. | A segmentation-denoising network for artifact removal from single-channel EEG | |
KR20080107961A (ko) | 오감 정보 처리기법 및 뇌파를 활용한 사용자 적응형임상진단/치료시스템 | |
Saini et al. | Discriminatory features based on wavelet energy for effective analysis of electroencephalogram during mental tasks | |
CN114041806A (zh) | 一种自适应滤波的tms诱发电位提取装置 | |
CN111671421A (zh) | 一种基于脑电图的儿童需求感知方法 | |
CN111493864B (zh) | Eeg信号混合噪声处理方法、设备和存储介质 | |
Maiorana et al. | EEG-based biometric recognition using EigenBrains | |
Qi | Algorithms benchmarking for removing EOG artifacts in brain computer interface |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |