CN113081002A - 脑电信号的伪差去除方法、装置及电子设备 - Google Patents

脑电信号的伪差去除方法、装置及电子设备 Download PDF

Info

Publication number
CN113081002A
CN113081002A CN202110344861.1A CN202110344861A CN113081002A CN 113081002 A CN113081002 A CN 113081002A CN 202110344861 A CN202110344861 A CN 202110344861A CN 113081002 A CN113081002 A CN 113081002A
Authority
CN
China
Prior art keywords
electroencephalogram
signal
electroencephalogram signal
encoder
signals
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.)
Granted
Application number
CN202110344861.1A
Other languages
English (en)
Other versions
CN113081002B (zh
Inventor
闫宇翔
罗杰坚
雷燕琴
赵童
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Lingxi Medical Technology Beijing Co ltd
Original Assignee
Beijing Zhiyuan Artificial Intelligence Research Institute
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Zhiyuan Artificial Intelligence Research Institute filed Critical Beijing Zhiyuan Artificial Intelligence Research Institute
Priority to CN202110344861.1A priority Critical patent/CN113081002B/zh
Publication of CN113081002A publication Critical patent/CN113081002A/zh
Application granted granted Critical
Publication of CN113081002B publication Critical patent/CN113081002B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Pathology (AREA)
  • Medical Informatics (AREA)
  • Psychiatry (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Physiology (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明公开了一种脑电信号的伪差去除方法、装置及电子设备，该脑电信号的伪差去除方法包括：采集脑电图信号，并对所述脑电图信号进行预处理；检测预处理后的脑电图信号中由肌电活动产生的伪差；去除脑电图信号中的伪差，得到脑电图信号数据集；将所述脑电图信号数据集输入到预先训练好的对抗自编码模型，以使所述对抗自编码模型对所述脑电图信号进行噪声质量评估和去噪处理。借助于上述技术方案，本申请实施例能够去除脑电图信号中的噪声成分，以提取真实的脑活动电信号。

Description

脑电信号的伪差去除方法、装置及电子设备
技术领域
本发明涉及信息处理技术领域，尤其涉及一种脑电信号的伪差去除方法、装置及电子设备。
背景技术
脑电图(Electroencephalography，EEG)是通过精密的电子仪器，从头皮上将脑部的自发性生物电位加以放大记录而获得的图形，是通过电极记录下来的脑细胞群的自发性、节律性电活动。
在实现本发明的过程中，发明人发现现有技术中存在如下问题：由于脑电图采集周围的信号环境复杂，使得脑电图信号容易混入噪声，从而可能会干扰脑电图信号。
发明内容
本发明提供了一种脑电信号的伪差去除方法、装置及电子设备，以达到提取真实的脑活动电信号的效果。
第一方面，本申请实施例提供了一种脑电信号的伪差去除方法，该伪差去除方法包括：采集脑电图信号，并对所述脑电图信号进行预处理；检测预处理后的脑电图信号中由肌电活动产生的伪差；去除脑电图信号中的伪差，得到脑电图信号数据集；将所述脑电图信号数据集输入到预先训练好的对抗自编码模型，以使所述对抗自编码模型对所述脑电图信号进行噪声质量评估和去噪处理。
在一个可能的实施例中，对所述脑电图信号进行预处理，包括：去除所述脑电图信号中的工频噪声；对去噪处理后的所述脑电图信号进行高通滤波；对高通滤波后的脑电图信号进行低通滤波；对低通滤波后的脑电图信号进行重采样。
在一个可能的实施例中，检测预处理后的脑电图信号中由肌电活动产生的伪差，包括：计算预处理后的脑电图信号的线长；检测脑电图信号的线长超过设定的线长阈值的时刻；获取时间间隔小于预设时间阈值的相邻两个时刻；确定所述两个时刻对应的时间段的信号为伪差。
在一个可能的实施例中，去除脑电图信号中的伪差，得到脑电图信号数据集，包括：去除伪差所在时间段的脑电图信号；按照预设长度，将去除伪差后的脑电波信号切分为多个短时片段，得到脑电图信号数据集。
在一个可能的实施例中，通过下式计算线长：
Figure BDA0003000476030000021
其中，x(k)表示经过预处理后的脑电图信号的波形，k表示时间采样点，Nll为在线长计算中用到的窗口宽度，Nll的取值为0.5～1毫秒，abs()为计算绝对值函数，Ll表示脑电图信号的线长；
设定的线长阈值通过下式计算：
Thresholdll＝a·Medianll
其中，Thresholdll表示设定的线长阈值，Medianll表示线长的中值，a表示倍数，a的取值范围为2～10。
在一个可能的实施例中，所述对抗自编码模型包括编码器、重构器和判别器，所述对抗自编码模型通过以下方式进行训练：利用第一损失函数训练编码器和重构器；固定编码器和重构器的参数，利用第二损失函数训练判别器；固定判别器，利用第三损失函数训练编码器，直至所述第一损失函数、第二损失函数和第三损失函数符合预设条件，所述对抗自编码模型训练成功。
在一个可能的实施例中，通过下式计算所述第一损失函数：
Figure BDA0003000476030000022
其中，Lrec表示第一损失函数，x表示编码器的输入信号，
Figure BDA0003000476030000023
表示重构器的输出信号，编码器的输入为[N,1,T]，N为batch size，T与编码器的下采样次数s满足以下关系：
T％2s＝0
其中，T为信号的长度，输出长度为L的潜在空间向量，T是2s的整数倍；
重构器R的输入为[N,L]，输出重构信号为[N,1,T]，用于将一个潜在空间向量重构为一个信号，辅助编码器的训练；
以及，通过下式计算所述第二损失函数：
Figure BDA0003000476030000031
其中，D(zf)表示zf经过模型之后的结果，D(zr)表示zr经过模型之后的结果，x输入到编码器得到zf,从真实分布p(z)采样得到样本zr,σ为激活函数，公式如下：
Figure BDA0003000476030000033
其中xin表示输入，σout表示输出；
以及，通过下式计算所述第三损失函数：
Figure BDA0003000476030000032
其中，x再次输入到编码器得到zf，σ为激活函数，N为batch size。
第二方面，本申请实施例提供了一种脑电信号的伪差去除装置，该伪差去除装置包括：信号采集和预处理单元，用于采集脑电图信号，并对所述脑电图信号进行预处理；伪差检测单元，用于检测预处理后的脑电图信号中由肌电活动产生的伪差；伪差去除单元，用于去除脑电图信号中的伪差，得到脑电图信号数据集；以及去噪单元，用于去除脑电图信号中的伪差，得到脑电图信号数据集。
第三方面，本申请实施例提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行第一方面或第一方面的任一可选的实现方式所述的方法。
第四方面，本申请实施例提供了一种电子设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当所述电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行第一方面或第一方面的任一可选的实现方式所述的方法。
第五方面，本申请提供一种计算机程序产品，所述计算机程序产品在计算机上运行时，使得计算机执行第一方面或第一方面的任意可能的实现方式中的方法。
本发明提供的脑电信号的伪差去除方法、装置及电子设备至少包括如下有益效果：
本申请实施例通过采集脑电图信号，并对脑电图信号进行预处理，随后检测预处理后的脑电图信号中由肌电活动产生的伪差，随后去除脑电图信号中的伪差，得到脑电图信号数据集，最后将脑电图信号数据集输入到预先训练好的对抗自编码模型，以使对抗自编码模型对脑电图信号进行噪声质量评估和去噪处理，从而能够去除脑电图信号中的噪声成分，以提取真实的脑活动电信号。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1示出了本申请实施例提供的一种脑电信号的伪差去除方法的流程图；
图2示出了本申请实施例提供的一种对抗自编码模型的结构示意图；
图3示出了本申请实施例提供的信号经过编码器和重构器之后的去噪效果的示意图；
图4示出了本申请实施例提供的示出了对抗自编码模型重构信号与真实信号的高重合度的示意图；
图5示出了本申请实施例提供的一种脑电信号的伪差去除装置的结构框图；
图6是本申请实施例提供的一种电子设备的结构框图。
具体实施方式
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案做详细的说明。
脑电图是通过记录皮层电活动来获取脑活动的信号，但脑电活动是一种非常微弱的生物电信号，其需要通过复杂的信号放大和模数转换技术才能在颅骨外记录到大脑内部的神经元活动信号。
此外，由于脑电采集周围的信号环境复杂，脑电图信号容易受到噪声干扰。其中，影响脑电图信号质量的最常见的噪声源包括肌电活动、工频干扰和白噪声等。具体地，现有的脑电噪声方法至少存在如下问题：
某些噪声源(例如，白噪声)很难通过典型的带通有限冲激(Finite ImpulseResponse，FIR)或无限冲激(Infinite Impulse Response，IIR)滤波来消除，原因是白噪声的功率谱密度(Power Spectral Density，PSD)与脑电图信号的PSD完全重叠，因此几乎不可能将干净的脑电图信号从白噪声成分中分离出来；
运动带来的噪声，如眼部运动或者肌肉运动等会在脑电图信号上产生伪差。以及，现有的去伪差方法通常采取完全剔除存在运动伪差的信号片段。但在实际应用中，这种方式会导致数据的丢失，可能导致重要的生理活动或病理活动特征丢失。
基于此，本申请实施例巧妙地提供了一种脑电信号的伪差去除方法、装置及电子设备，通过采集脑电图信号，并对脑电图信号进行预处理，随后检测预处理后的脑电图信号中由肌电活动产生的伪差，随后去除脑电图信号中的伪差，得到脑电图信号数据集，最后将脑电图信号数据集输入到预先训练好的对抗自编码模型，以使对抗自编码模型对脑电图信号进行噪声质量评估和去噪处理，从而能够去除脑电图信号中的噪声成分，以提取真实的脑活动电信号。
请参见图1，图1示出了本申请实施例提供的一种脑电信号的伪差去除方法的流程图。如图1所示的伪差去除方法可以由脑电信号的伪差去除装置执行，该伪差去除装置可以与下文的图5所示的脑电信号的伪差去除装置对应，该伪差去除装置可以是能够执行该语音处理方法的各种设备，例如，无人机、服务器或者个人计算机等，本申请实施例并不局限于此。具体地，该语音处理方法包括：
步骤S110，采集脑电图信号，并对脑电图信号进行预处理。
应理解，采集脑电图信号的具体方法可根据实际需求来进行设置，本申请实施例并不局限于此。
例如，可按照临床标准的脑电放大器采集脑电图信号，采样率范围在200～1000Hz，以及通道数范围在16～32导，以及临床上脑电图信号的监测时长通常在2小时或以上。
还应理解，预处理所包含的具体过程可根据实际需求来进行设置，本申请实施例并不局限于此。
例如，对脑电图信号进行预处理可包括以下预处理方式中的至少一种预处理方式：去除脑电图信号中的工频噪声；对去噪处理后的脑电图信号进行高通滤波；对高通滤波后的脑电图信号进行低通滤波；对低通滤波后的脑电图信号进行重采样。
还应理解，去除脑电图信号中的工频噪声的具体过程可根据实际需求来进行设置，本申请实施例并不局限于此。
例如，本申请实施例可通过设计陷波滤波器(例如，50Hz)来消除工频噪声干扰，得到去工频噪声之后的脑电图信号。
还应理解，对去噪处理后的脑电图信号进行高通滤波的具体过程可根据实际需求来进行设置，本申请实施例并不局限于此。
例如，为了消除数据漂移带来的影响，本申请实施例可对脑电图信号进行高通滤波，得到去除基漂之后的脑电图信号。
还应理解，对高通滤波后的脑电图信号进行低通滤波的具体过程可根据实际需求来进行设置，本申请实施例并不局限于此。
例如，由于脑电图信号中的癫痫异常放电常见的频带范围在40～100Hz以下，本申请实施例可通过设计低通滤波器(如70Hz)去除更高频率的成分，得到滤波之后的脑电图信号。
还应理解，对低通滤波后的脑电图信号进行重采样的具体过程可根据实际需求来进行设置，本申请实施例并不局限于此。
例如，为了减少数据量，提高计算速度，本申请实施例可对脑电图信号进行降采样。以及，为了减少数据量的同时满足采样定律，本申请实施例可设置采样率(如200Hz)，以得到重采样之后的脑电图信号。
步骤S120，检测预处理后的脑电图信号中由肌电活动产生的伪差。
应理解，检测预处理后的脑电图信号中由肌电活动产生的伪差的具体过程可根据实际需求来进行设置，本申请实施例并不局限于此。
例如，检测预处理后的脑电图信号中由肌电活动产生的伪差，包括：计算预处理后的脑电图信号的线长，随后检测脑电图信号的线长超过设定的线长阈值的时刻，随后获取时间间隔小于预设时间阈值的相邻两个时刻，最后确定两个时刻对应的时间段的信号为伪差。
为了便于理解本申请实施例，下面通过具体的实施例来进行描述。
具体地，可通过线长计算公式对预处理后的脑电图信号进行计算，该线长公式如下：
Figure BDA0003000476030000071
其中，x(k)表示经过预处理后的脑电图信号的波形，k表示时间采样点，Nll为在线长计算中用到的窗口宽度，Nll的取值为0.5～1毫秒，abs()为计算绝对值函数，Ll表示脑电图信号的线长。
此外，本申请实施例还可设置线长阈值，并且线长阈值可通过如下公式进行计算：
Thresholdll＝a·Medianll
其中，Thresholdll表示设定的线长阈值，Medianll表示线长的中值，a表示倍数，a的取值范围为2～10。
随后，可检测脑电图信号的线长超过设定的线长阈值的时刻，并将设定的线长阈值的时刻的相邻位置的时间间隔小于预设时间间隔被合并为一个伪差事件，保留伪差事件的起始和结束时刻，即可获取时间间隔小于预设时间阈值的相邻两个时刻，并确定两个时刻对应的时间段的信号为伪差。
应理解，预设时间间隔的具体时间可根据实际需求来进行设置，本申请实施例并不局限于此。
例如，预设时间间隔tgap可以设置为500毫秒。
步骤S130，去除脑电图信号中的伪差，得到脑电图信号数据集。
应理解，去除脑电图信号中的伪差，得到脑电图信号数据集的具体过程可根据实际需求来进行设置，本申请实施例并不局限于此。
例如，去除脑电图信号中的伪差，得到脑电图信号数据集，包括：去除伪差所在时间段的脑电图信号；按照预设长度，将去除伪差后的脑电波信号切分为多个短时片段，得到脑电图信号数据集。
为了便于理解本申请实施例，下面通过具体的实施例来进行描述。
具体地，本申请实施例可利用伪差检测算法去除脑电图信号中由肌电活动产生的伪差，以得到去除大部分肌电片段的脑电图信号片段。同时，本申请实施例保留了其中持续时间大于预设时间的脑电图信号片段。
应理解，预设时间的具体时间可根据实际需求来进行设置，本申请实施例并不局限于此。
例如，预设时间tduration为5秒。
此外，本申请实施例可对上述保留下来的脑电图信号片段按每个脑电图信号片段切分成多个预设长度的短时片段，从而可获得脑电图信号数据集。
应理解，预设长度对应的具体时间可根据实际需求来进行设置，本申请实施例并不局限于此。
例如，预设长度对应的具体时间tfram可以为5秒。
这里需要说明的是，该脑电图信号数据集可能还包括肌电伪差，步骤S120和步骤S130的操作只是利用了信号处理的方法去除了受明显运动伪差(如大幅度的躯体运动)干扰的信号，还有一些肌肉运动带来的伪差(如肌肉僵直，眼睑运动等)不能够完全去除。于是我们需要通过步骤S140来从叠加噪声的脑电图信号中恢复真实的脑活动信号。
步骤S140，将脑电图信号数据集输入到预先训练好的对抗自编码模型，以使对抗自编码模型对脑电图信号进行噪声质量评估和去噪处理。
应理解，对抗自编码模型的具体结构可根据实际需求来进行设置，本申请实施例并不局限于此。
可选地，请参见图2，图2示出了本申请实施例提供的一种对抗自编码模型的结构示意图。如图2所示，该对抗自编码模型包括编码器(即编码器E)、重构器(即重构器R)和判别器(即判别器G)。
也就是说，该对抗自编码模型包括编码器、重构器和判别器，并且三者可均为一维卷积神经网络。
此外，编码器可由第一预设数量ME(其可根据实际需求进行设置，例如，ME可以为12)个卷积层组成，并且其卷积核可以为KernelE(其可根据实际需求进行设置，例如，KernelE的取值范围可以为7～19)，每个卷积层之后使用LReLU激活函数，并可设置每Nop1(其可根据实际需求进行设置，例如，Nop1可以为2)层卷积操作之后进行一次池化(如平均池化，averagepooling)下采样。
以及，编码器的输入为[N，1，T]，N为batch size，T与编码器的下采样次数s满足以下关系：
T％2s＝0
其中，T为信号的长度，输出长度为L的潜在空间向量，T是2s的整数倍。
另外，重构器由第二预设数量MR(其可根据实际需求进行设置，例如，MR可以为12)个卷积层组成，卷积核为KernelR(其可根据实际需求进行设置，例如，KernelR的取值范围可以为7～19)，每个卷积层之后使用LReLU激活函数，并可设置每Nop2(其可根据实际需求进行设置，例如，Nop2可以为2)层卷积操作之后进行一次反卷积操作。
以及，重构器的输入为[N,L]，输出重构信号为[N,1,T]，其用于将一个潜在空间向量重构为一个信号，辅助编码器的训练。
此外，判别器为第三预设数量MD(其可根据实际需求进行设置，例如，MD可以为3)个全联接层，第一个全联接层和第二个全联接层均可使用dropout操作和ReLU激活函数。
以及，判别器的输入为[N,L]，输出概率为[N,1]，它的作用是同时对真实的潜在空间向量样本zr和假的潜在空间向量样本zf进行判断分类，辅助编码器的训练。
应理解，N的取值、T的取值和L的取值均可根据实际需求来进行设置，本申请实施例并不局限于此。
例如，N的取值范围可以为100～400，T的取值范围可以为500～2000，L的取值范围可以为200～400。
还应理解，该对抗自编码模型的训练过程也可根据实际需求来进行设置，本申请实施例并不局限于此。
可选地，在图2所示的对抗自编码模型的基础上，该对抗自编码模型通过以下方式进行训练：利用第一损失函数训练编码器和重构器；固定编码器和重构器的参数，利用第二损失函数训练判别器；固定判别器，利用第三损失函数训练编码器，直至第一损失函数、第二损失函数和第三损失函数符合预设条件，对抗自编码模型训练成功。
应理解，预设条件的具体条件也可根据实际需求来进行设置，本申请实施例并不局限于此。
为了便于理解本申请实施例，下面通过具体的实施例来进行描述。
具体地，可以将编码器的输入记为x，潜在空间向量可以记为Z，重构器的输出信号可以记为
Figure BDA0003000476030000114
其中，每训练一步，包含如下操作：
可通过第一损失函数训练编码器和重构器，并且其学习率lr1和优化器均可根据实际需求来进行设置(例如，学习率lr1可以为0.0001；优化器采用的算法可以为Adam)。其中，第一损失函数的计算公式如下：
Figure BDA0003000476030000111
其中，Lrec表示第一损失函数，x表示编码器的输入信号，
Figure BDA0003000476030000115
表示重构器的输出信号。
随后，可固定编码器和重构器的参数，可通过第二损失函数训练判别器，并且其学习率lr2和优化器均可根据实际需求来进行设置(例如，学习率lr2可以为0.00005；优化器采用的算法可以为Adam)。其中，第二损失函数的计算公式如下：
Figure BDA0003000476030000112
其中，D(zf)表示zf经过模型之后的结果，D(zr)表示zr经过模型之后的结果，x输入到编码器得到zf，从真实分布p(z)采样得到样本zr，σ为激活函数(其可根据实际需求来进行设置，例如，其可以为softplus函数)，公式如下：
Figure BDA0003000476030000113
其中xin表示输入，σout表示输出。
随后，可固定判别器，可利用第三损失函数训练编码器，并且其学习率lr2和优化器均可根据实际需求来进行设置(例如，学习率lr3可以为0.0001；优化器采用的算法可以为Adam)。其中，第三损失函数的计算公式如下：
Figure BDA0003000476030000121
其中，x再次输入到编码器得到zf，σ为激活函数，N为batch size。
此外，本申请实施例可使用预设段数Numdata(其可根据实际需求来进行设置，例如，Numdata可以为60万)的信号数据,并且训练了Numepoch(如250)步(epoch)，以上三个损失函数趋于稳定，模型训练停止。
另外，当模型训练完成后，重构器可以根据随机生成的长度为L的服从正态分布的潜在空间向量Z，重构出信号数据。编码器则可以对任意一段长度为T的信号，编码为长度为L的服从正态分布的潜在空间向量Z，可用于下游其他任务(例如，分类或者聚类)。
此外，在模型训练完成后，本申请实施例可利用训练好的对抗自编码模型用于脑电图信号的噪声质量评估和去噪处理。经过步骤S130的去伪差处理之后得到的脑电图信号仍然包含噪声的其他成分。本申请实施例可以把包含噪声成分的脑电图信号x输入到训练好的对抗自编码模型的编码器生成潜在空间向量Z，然后把空间向量Z经过重构器重新生成出信号，可以看到减少了噪声成分，能够还原出脑电信号的信息。
请参见图3，图3示出了本申请实施例提供的信号经过编码器和重构器之后的去噪效果的示意图。如图3所示，图3中的灰色的曲线是原始信号，存在很明显的肌电伪差；实黑线是重构器输出的信号，还原出了本质的信号。
而对于没有噪声干扰的脑电信号，请参见图4，图4示出了本申请实施例提供的示出了对抗自编码模型重构信号与真实信号的高重合度的示意图。以及，可以从图4中看到，实黑线示出的对抗自编码模型重构出来的信号与灰色线示出的真实信号重合度很高，说明重构信号能够提取信号的本质。
应理解，上述脑电信号的伪差去除方法仅是示例性的，本领域技术人员根据上述的方法可以进行各种变形。
请参见图5，图5示出了本申请实施例提供的一种脑电信号的伪差去除装置500的结构框图，应理解，该伪差去除装置500与上述方法实施例对应，能够执行上述方法实施例的各个步骤，该伪差去除装置500具体的功能可以参见上文中的描述，为避免重复，此处适当省略详细描述。该伪差去除装置500包括至少一个能以软件或固件(firmware)的形式存储于存储器中或固化在该伪差去除装置500的操作系统(operating system，OS)中的软件功能模块。具体地，该伪差去除装置500包括：
信号采集和预处理单元510，用于采集脑电图信号，并对所述脑电图信号进行预处理；
伪差检测单元520，用于检测预处理后的脑电图信号中由肌电活动产生的伪差；
伪差去除单元530，用于去除脑电图信号中的伪差，得到脑电图信号数据集；以及
去噪单元540，用于去除脑电图信号中的伪差，得到脑电图信号数据集。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置的具体工作过程，可以参考前述方法中的对应过程，在此不再过多赘述。
请参见图6，图6是本申请实施例提供的一种电子设备600的结构框图。电子设备600可以包括处理器610、通信接口620、存储器630和至少一个通信总线640。其中，通信总线640用于实现这些组件直接的连接通信。其中，本申请实施例中的通信接口620用于与其他设备进行信令或数据的通信。处理器610可以是一种集成电路芯片，具有信号的处理能力。上述的处理器610可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(NetworkProcessor，简称NP)等；还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器610也可以是任何常规的处理器等。
存储器630可以是，但不限于，随机存取存储器(RandomAccess Memory，RAM)，只读存储器(Read Only Memory，ROM)，可编程只读存储器(Programmable Read-Only Memory，PROM)，可擦除只读存储器(Erasable Programmable Read-OnlyMemory，EPROM)，电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory，EEPROM)等。存储器630中存储有计算机可读取指令，当所述计算机可读取指令由所述处理器610执行时，电子设备600可以执行上述方法实施例中的各个步骤。
电子设备600还可以包括存储控制器、输入输出单元、音频单元、显示单元。
所述存储器630、存储控制器、处理器610、外设接口、输入输出单元、音频单元、显示单元各元件相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通信总线640实现电性连接。所述处理器610用于执行存储器630中存储的可执行模块。并且，电子设备600用于执行图1所示的方法。
音频单元向用户提供音频接口，其可包括一个或多个麦克风、一个或者多个扬声器以及音频电路。
显示单元在所述电子设备与用户之间提供一个交互界面(例如用户操作界面)或用于显示图像数据给用户参考。在本实施例中，所述显示单元可以是液晶显示器或触控显示器。若为触控显示器，其可为支持单点和多点触控操作的电容式触控屏或电阻式触控屏等。支持单点和多点触控操作是指触控显示器能感应到来自该触控显示器上一个或多个位置处同时产生的触控操作，并将该感应到的触控操作交由处理器进行计算和处理。
可以理解，图6所示的结构仅为示意，所述电子设备600还可包括比图6中所示更多或者更少的组件，或者具有与图6所示不同的配置。图6中所示的各组件可以采用硬件、软件或其组合实现。
本申请还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行方法实施例所述的方法。
本申请还提供一种计算机程序产品，所述计算机程序产品在计算机上运行时，使得计算机执行方法实施例所述的方法。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统的具体工作过程，可以参考前述方法中的对应过程，在此不再过多赘述。
需要说明的是，本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。对于装置类实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块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。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准。

Claims (10)

1.一种脑电信号的伪差去除方法，其特征在于，包括以下步骤：
采集脑电图信号，并对所述脑电图信号进行预处理；
检测预处理后的脑电图信号中由肌电活动产生的伪差；
去除脑电图信号中的伪差，得到脑电图信号数据集；
将所述脑电图信号数据集输入到预先训练好的对抗自编码模型，以使所述对抗自编码模型对所述脑电图信号进行噪声质量评估和去噪处理。
2.根据权利要求1所述的方法，其特征在于，对所述脑电图信号进行预处理，包括：
去除所述脑电图信号中的工频噪声；
对去噪处理后的所述脑电图信号进行高通滤波；
对高通滤波后的脑电图信号进行低通滤波；
对低通滤波后的脑电图信号进行重采样。
3.根据权利要求1所述的方法，其特征在于，检测预处理后的脑电图信号中由肌电活动产生的伪差，包括：
计算预处理后的脑电图信号的线长；
检测脑电图信号的线长超过设定的线长阈值的时刻；
获取时间间隔小于预设时间阈值的相邻两个时刻；
确定所述两个时刻对应的时间段的信号为伪差。
4.根据权利要求1或3所述的方法，其特征在于，去除脑电图信号中的伪差，得到脑电图信号数据集，包括：
去除伪差所在时间段的脑电图信号；
按照预设长度，将去除伪差后的脑电波信号切分为多个短时片段，得到脑电图信号数据集。
5.根据权利要求3所述的方法，其特征在于，通过下式计算线长：
Figure FDA0003000476020000021
其中，x(k)表示经过预处理后的脑电图信号的波形，k表示时间采样点，Nll为在线长计算中用到的窗口宽度，Nll的取值为0.5～1毫秒，abs()为计算绝对值函数，Ll表示脑电图信号的线长；
设定的线长阈值通过下式计算：
Thresholdll＝a·Medianll
其中，Thresholdll表示设定的线长阈值，Medianll表示线长的中值，a表示倍数，a的取值范围为2～10。
6.根据权利要求1所述的方法，其特征在于，所述对抗自编码模型包括编码器、重构器和判别器，所述对抗自编码模型通过以下方式进行训练：
利用第一损失函数训练编码器和重构器；
固定编码器和重构器的参数，利用第二损失函数训练判别器；
固定判别器，利用第三损失函数训练编码器，直至所述第一损失函数、第二损失函数和第三损失函数符合预设条件，所述对抗自编码模型训练成功。
7.根据权利要求6所述的方法，其特征在于，通过下式计算所述第一损失函数：
Figure FDA0003000476020000022
其中，Lrec表示第一损失函数，x表示编码器的输入信号，
Figure FDA0003000476020000023
表示重构器的输出信号，编码器的输入为[N,1,T]，N为batch size，T与编码器的下采样次数s满足以下关系：
T％2s＝0
其中，T为信号的长度，输出长度为L的潜在空间向量，T是2s的整数倍；
重构器R的输入为[N,L]，输出重构信号为[N,1,T]，用于将一个潜在空间向量重构为一个信号，辅助编码器的训练；
以及，通过下式计算所述第二损失函数：
Figure FDA0003000476020000031
其中，D(zf)表示zf经过模型之后的结果，D(zr)表示zr经过模型之后的结果，x输入到编码器得到zf,从真实分布p(z)采样得到样本zr,σ为激活函数，公式如下：
Figure FDA0003000476020000032
其中xin表示输入，σout表示输出；
以及，通过下式计算所述第三损失函数：
Figure FDA0003000476020000033
其中，x再次输入到编码器得到zf，σ为激活函数，N为batch size。
8.一种脑电信号的伪差去除装置，其特征在于，所述装置包括：
信号采集和预处理单元，用于采集脑电图信号，并对所述脑电图信号进行预处理；
伪差检测单元，用于检测预处理后的脑电图信号中由肌电活动产生的伪差；
伪差去除单元，用于去除脑电图信号中的伪差，得到脑电图信号数据集；以及
去噪单元，用于去除脑电图信号中的伪差，得到脑电图信号数据集。
9.一种电子设备，其特征在于，所述电子设备包括：处理器和存储器，所述处理器用于执行所述存储器中存储的脑电信号的伪差去除程序，以实现权利要求1至7中任一项所述的脑电信号的伪差去除方法。
10.一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上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的脑电信号的伪差去除方法的步骤。
CN202110344861.1A 2021-03-31 2021-03-31 脑电信号的伪差去除方法、装置及电子设备 Active CN113081002B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110344861.1A CN113081002B (zh) 2021-03-31 2021-03-31 脑电信号的伪差去除方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110344861.1A CN113081002B (zh) 2021-03-31 2021-03-31 脑电信号的伪差去除方法、装置及电子设备

Publications (2)

Publication Number Publication Date
CN113081002A true CN113081002A (zh) 2021-07-09
CN113081002B CN113081002B (zh) 2023-03-31

Family

ID=76671870

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110344861.1A Active CN113081002B (zh) 2021-03-31 2021-03-31 脑电信号的伪差去除方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN113081002B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114098766A (zh) * 2021-11-04 2022-03-01 杭州菲诗奥医疗科技有限公司 一种eeg信号质量自动检测方法
CN114246594A (zh) * 2021-12-17 2022-03-29 天津大学 脑电信号处理方法、背景脑电预测模型的训练方法及装置
WO2023104179A1 (zh) * 2021-12-09 2023-06-15 四川新源生物电子科技有限公司 针对脑电采集设备的脑电信号降噪模型的训练方法和系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170347906A1 (en) * 2016-06-07 2017-12-07 NeuroSteer Ltd. Systems and methods for analyzing brain activity and applications thereof
WO2018053968A1 (zh) * 2016-09-21 2018-03-29 广州视源电子科技股份有限公司 睡眠状态分析中去除眼电伪迹的设备
CN111598805A (zh) * 2020-05-13 2020-08-28 华中科技大学 一种基于vae-gan的对抗样本防御方法及系统
CN111680785A (zh) * 2020-05-29 2020-09-18 山东省人工智能研究院 基于稀疏特性与对抗神经网络相结合的ecg信号处理方法
CN112244872A (zh) * 2020-09-28 2021-01-22 北京智源人工智能研究院 脑电图信号伪差识别、去除、评估方法、装置及电子设备

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170347906A1 (en) * 2016-06-07 2017-12-07 NeuroSteer Ltd. Systems and methods for analyzing brain activity and applications thereof
WO2018053968A1 (zh) * 2016-09-21 2018-03-29 广州视源电子科技股份有限公司 睡眠状态分析中去除眼电伪迹的设备
CN111598805A (zh) * 2020-05-13 2020-08-28 华中科技大学 一种基于vae-gan的对抗样本防御方法及系统
CN111680785A (zh) * 2020-05-29 2020-09-18 山东省人工智能研究院 基于稀疏特性与对抗神经网络相结合的ecg信号处理方法
CN112244872A (zh) * 2020-09-28 2021-01-22 北京智源人工智能研究院 脑电图信号伪差识别、去除、评估方法、装置及电子设备

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114098766A (zh) * 2021-11-04 2022-03-01 杭州菲诗奥医疗科技有限公司 一种eeg信号质量自动检测方法
WO2023104179A1 (zh) * 2021-12-09 2023-06-15 四川新源生物电子科技有限公司 针对脑电采集设备的脑电信号降噪模型的训练方法和系统
CN114246594A (zh) * 2021-12-17 2022-03-29 天津大学 脑电信号处理方法、背景脑电预测模型的训练方法及装置
CN114246594B (zh) * 2021-12-17 2024-04-09 天津大学 脑电信号处理方法、背景脑电预测模型的训练方法及装置

Also Published As

Publication number Publication date
CN113081002B (zh) 2023-03-31

Similar Documents

Publication Publication Date Title
CN113081002B (zh) 脑电信号的伪差去除方法、装置及电子设备
Islam et al. A wavelet-based artifact reduction from scalp EEG for epileptic seizure detection
Mahajan et al. Unsupervised eye blink artifact denoising of EEG data with modified multiscale sample entropy, kurtosis, and wavelet-ICA
Leite et al. Deep convolutional autoencoder for EEG noise filtering
Geetha et al. Artifact removal from eeg using spatially constrained independent component analysis and wavelet denoising with otsu's thresholding technique
CN111839506B (zh) 脑力负荷检测方法及装置
EP3554361B1 (en) Improved signal quality index of multichannel bio-signal using riemannian geometry
Rachman et al. Alcoholism classification based on eeg data using independent component analysis (ica), wavelet de-noising and probabilistic neural network (pnn)
Maddirala et al. ICA with CWT and k-means for eye-blink artifact removal from fewer channel EEG
Suárez-Revelo et al. Validation of EEG pre-processing pipeline by test-retest reliability
US11642073B2 (en) System and method for calculation of an index of brain activity
Li et al. A segmentation-denoising network for artifact removal from single-channel EEG
Li et al. Driver distraction from the EEG perspective: A review
Jung et al. A review on EEG artifacts and its different removal technique
Azami et al. Detection of oculomotor dysmetria from mobile phone video of the horizontal saccades task using signal processing and machine learning approaches
CN115462803A (zh) 一种基于BG-Attention的脑电信号去噪方法、装置及存储介质
EP3643237B1 (en) Method and system for determining confidence level of a person using electroencephalogram
Khatter et al. Study of various automatic eeg artifact removal techniques
Shoorangiz et al. Detection and prediction of microsleeps from EEG using Spatio-Temporal Patterns
CN113907756A (zh) 一种基于多种模态的生理数据的可穿戴系统
Sharma et al. Dementia diagnosis with EEG using machine learning
Demanuele et al. Slow neuronal oscillations in the resting brain vs task execution: A BSS investigation of EEG recordings
Lakshmi et al. A novel approach for the removal of artifacts in EEG signals
Harpale et al. Brain Seizure Detection and Classification Using EEG Signals
Gao et al. Digital filtering of pupil diameter variations for the detection of stress in computer users

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20210813

Address after: B201d-1, 3rd floor, building 8, yard 1, Zhongguancun East Road, Haidian District, Beijing 100083

Applicant after: Beijing innovation Zhiyuan Technology Co.,Ltd.

Address before: B201d-1, 3rd floor, building 8, yard 1, Zhongguancun East Road, Haidian District, Beijing 100083

Applicant before: Beijing Zhiyuan Artificial Intelligence Research Institute

TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20211229

Address after: Room 0106-687, floor 1, No. 26, Shangdi Information Road, Haidian District, Beijing 100080

Applicant after: Lingxi medical technology (Beijing) Co.,Ltd.

Address before: B201d-1, 3rd floor, building 8, yard 1, Zhongguancun East Road, Haidian District, Beijing 100083

Applicant before: Beijing innovation Zhiyuan Technology Co.,Ltd.

GR01 Patent grant
GR01 Patent grant