CN113349800A - 一种基于生成式对抗网络的脑电波信号降噪方法 - Google Patents
一种基于生成式对抗网络的脑电波信号降噪方法 Download PDFInfo
- Publication number
- CN113349800A CN113349800A CN202110645810.2A CN202110645810A CN113349800A CN 113349800 A CN113349800 A CN 113349800A CN 202110645810 A CN202110645810 A CN 202110645810A CN 113349800 A CN113349800 A CN 113349800A
- Authority
- CN
- China
- Prior art keywords
- brain wave
- wave signal
- network
- noise reduction
- noise
- 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.)
- Pending
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
- A61B5/24—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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Psychology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Psychiatry (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (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
本发明涉及脑电信号降噪技术领域，具体涉及一种基于生成式对抗网络的脑电波信号降噪方法；包括如下步骤：基于带噪声的标准脑电波信号对生成式对抗网络进行训练；通过训练好的生成式对抗网络，构建训练数据集；基于训练数据集，对深度神经卷积网络进行训练；采集混叠有带噪声的脑电波信号的原始脑电波信号；通过训练好的深度卷神经积网络从原始脑电波信号中降噪出带噪声的脑电波信号，从根本上让模型学习到脑电波的性质，可以适应各种各样的噪声，提高了模型的鲁棒性，确保模型在不同脑电波采集设备、不同环境下，都能具有较高的降噪精度。
Description
技术领域
本发明涉及脑电信号降噪技术领域，尤其涉及一种基于生成式对抗网络的脑电波信号降噪方法。
背景技术
脑电波信号(EEG)是中枢神经系统产生的生物电活动，人在主动思维或受到不同的感觉刺激时，能够产生特定模式的脑电信号，脑电波信号具有多样性、非线性以及微弱性的特点，其频带主要在低频和超低频范围内，主要频率在0.5～100Hz之间，信号幅值范围为5～300μV，由于μV级脑电波信号相当微弱，很容易就被mV级外界干扰和内部噪声所淹没，因此，脑电波信号的采集、噪声消除以及特征提取技术就成为脑电波信号处理系统设计的关键环节。
传统的时域或频域分析方法，如傅立叶变换，频域能量分析等，虽然可以进行信号的降噪和特征处理，但其多适于分析平稳信号，对非平稳的脑电波信号处理效果并不好，特别是在不同设备、不同环境下的脑电波的噪声表现会多种多样。
发明内容
本发明的目的在于提供一种基于生成式对抗网络的脑电波信号降噪方法，以解决现有技术中存在的对非平稳的脑电波信号处理效果并不好，导致鲁棒性不足的问题。
为实现上述目的，本发明提供了一种基于生成式对抗网络的脑电波信号降噪方法，包括如下步骤：
基于带噪声的标准脑电波信号对生成式对抗网络进行训练；
通过训练好的所述生成式对抗网络，构建训练数据集；
基于所述训练数据集，对深度神经卷积网络进行训练；
采集混叠有带噪声的脑电波信号的原始脑电波信号；
通过训练好的所述深度卷神经积网络从所述原始脑电波信号中降噪出所述带噪声的脑电波信号。
所述基于带噪声的标准脑电波信号对生成式对抗网络进行训练包括如下步骤：
输入随机噪声；
降噪网络基于所述随机噪声生成模拟脑电波信号；
判别网络根据标准脑电波信号确定所述模拟脑电波信号的真实性；
根据所述模拟脑电波信号的真实性更新所述降噪网络和所述判别网络；
如此循环，直至所述模拟脑电波信号的真实性满足要求。
所述训练数据集包括多个通过生成式对抗网络模拟的模拟脑电波信号，以及不同脑电波采集设备、在不同环境下采集到的带噪声的标准脑电波信号。
所述基于训练数据集，对深度神经卷积网络进行训练，包括如下步骤：
从训练数据集中随机选取训练数据；
将所述随机噪声与所述训练数据混合，生成样本脑电波；
对所述样本脑电波进行预处理后输入深度卷积神经网络中，得到样本降噪结果；
通过所述样本降噪结果确定所述深度卷积神经网络的降噪误差；
根据所述降噪误差修正所述深度卷积神经网络参数；
如此循环，直至所述降噪误差达到期望值。
所述通过训练好的所述深度卷神经积网络从所述原始脑电波信号中降噪出所述带噪声的脑电波信号，包括如下步骤：
对所述原始脑电波信号进行预处理，得到脑电波数据；
通过所述深度卷积神经网络对脑电波数据进行降噪，得到降噪数据；
根据所述降噪数据生成所述带噪声的脑电波信号。
所述采集混叠有带噪声的脑电波信号的原始脑电波信号是指利用多阵列电极帽采集原始脑电波信号。
本发明的一种基于生成式对抗网络的脑电波信号降噪方法，通过生成式对抗网络训练好的模型学习到无噪声的脑电波的概率分布，是从根本上让模型学习到脑电波的性质，可以适应各种各样的噪声，提高了模型的鲁棒性，确保模型在不同脑电波采集设备、不同环境下，都能具有较高的降噪精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。
图1是本发明提供的一种基于生成式对抗网络的脑电波信号降噪方法的步骤示意图。
图2是本发明提供的一种基于生成式对抗网络的脑电波信号降噪方法的基于带噪声的标准脑电波信号对生成式对抗网络进行训练的步骤示意图。
图3是本发明提供的一种基于生成式对抗网络的脑电波信号降噪方法的基于训练数据集，对深度神经卷积网络进行训练的步骤示意图。
图4是本发明提供的一种基于生成式对抗网络的脑电波信号降噪方法的通过训练好的所述深度卷神经积网络从所述原始脑电波信号中降噪出所述带噪声的脑电波信号的步骤示意图。
图5是本发明提供的一种基于生成式对抗网络的脑电波信号降噪方法的对所述原始脑电波信号进行预处理的步骤示意图。
图6是本发明提供的一种基于生成式对抗网络的脑电波信号降噪方法的输入随机噪声的步骤示意图。
图7是本发明提供的一种基于生成式对抗网络的脑电波信号降噪方法的判别网络根据无噪声脑电波信号学习其概率分布的步骤示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。
请参阅图1至图7，本发明提供一种基于生成式对抗网络的脑电波信号降噪方法，包括如下步骤：
S101：基于带噪声的标准脑电波信号对生成式对抗网络进行训练；
S102：通过训练好的所述生成式对抗网络，构建训练数据集；
S103：基于所述训练数据集，对深度神经卷积网络进行训练；
S104：采集混叠有带噪声的脑电波信号的原始脑电波信号；
S105：通过训练好的所述深度卷神经积网络从所述原始脑电波信号中降噪出所述带噪声的脑电波信号。
所述基于带噪声的标准脑电波信号对生成式对抗网络进行训练包括如下步骤：
S201：输入随机噪声；
S202：降噪网络基于所述随机噪声生成模拟脑电波信号；
S203：判别网络根据标准脑电波信号确定所述模拟脑电波信号的真实性；
S204：根据所述模拟脑电波信号的真实性更新所述降噪网络和所述判别网络；
S205：如此循环，直至所述模拟脑电波信号的真实性满足要求。
所述训练数据集包括多个通过生成式对抗网络模拟的模拟脑电波信号，以及不同脑电波采集设备、在不同环境下采集到的带噪声的标准脑电波信号。
所述基于训练数据集，对深度神经卷积网络进行训练，包括如下步骤：
S301：从训练数据集中随机选取训练数据；
S302：将所述随机噪声与所述训练数据混合，生成样本脑电波；
S303：对所述样本脑电波进行预处理后输入深度卷积神经网络中，得到样本降噪结果；
S304：通过所述样本降噪结果确定所述深度卷积神经网络的降噪误差；
S305：根据所述降噪误差修正所述深度卷积神经网络参数；
S306：如此循环，直至所述降噪误差达到期望值。
所述通过训练好的所述深度卷神经积网络从所述原始脑电波信号中降噪出所述带噪声的脑电波信号，包括如下步骤：
S401：对所述原始脑电波信号进行预处理，得到脑电波数据；
S402：通过所述深度卷积神经网络对脑电波数据进行降噪，得到降噪数据；
S403：根据所述降噪数据生成所述带噪声的脑电波信号。
所述采集混叠有带噪声的脑电波信号的原始脑电波信号是指利用多阵列电极帽采集原始脑电波信号。
所述对所述原始脑电波信号进行预处理包括如下步骤：
S501：通过滑动窗口对采集到的多通道原始脑电波信号进行平滑处理；
S502：将处理后的多通道原始脑电波信号进行叠加，生成叠加信号；
S503：通过傅里叶变换，将叠加信号变换为频域信号；
S504：通过梅尔频率倒谱系数对频域信号进行变换，得到对数能量谱。
在本实施方式中，所述对数能量谱是模型的输入形式，以这样的形式输入，等同于把一段时序信号，转换为一个特征矩阵。
所述输入随机噪声包括如下步骤：
S601：输入无噪声的脑电波；
S602：判别网络根据所述无噪声脑电波信号学习其概率分布；
S603：输入叠加有噪声的脑电波。
所述判别网络根据无噪声脑电波信号学习其概率分布包括如下步骤：
S701：以无噪声的脑电波概率分布数据值作为判别网络的输入，以使得判别网络学习到无噪声的脑电波的概率分布；
S702：将混有噪音的脑电波作为判别网络的输入，并根据输出的概率分布数据与无噪音的脑电波的概率分布进行对比，以修正判别网络；
S703：直至判别网络输入混有噪音的脑电波时，能输出无噪音的脑电波的概率分布数据符合阈值。
本发明还提出一种采用如上述所述基于生成式对抗网络的脑电波信号降噪方法的降噪系统，包括多阵列电极帽和脑电波信号降噪终端，所述多阵列电极帽被配置为采集混叠有带噪声脑电波的原始脑电波信号，所述脑电波信号降噪终端被配置为从原始脑电波信号中降噪出带噪声的脑电波信号。
以上所揭露的仅为本发明一种较佳实施例而已，当然不能以此来限定本发明之权利范围，本领域普通技术人员可以理解实现上述实施例的全部或部分流程，并依本发明权利要求所作的等同变化，仍属于发明所涵盖的范围。
Claims (6)
1.一种基于生成式对抗网络的脑电波信号降噪方法，其特征在于，包括如下步骤：
基于带噪声的标准脑电波信号对生成式对抗网络进行训练；
通过训练好的所述生成式对抗网络，构建训练数据集；
基于所述训练数据集，对深度神经卷积网络进行训练；
采集混叠有带噪声的脑电波信号的原始脑电波信号；
通过训练好的所述深度卷神经积网络从所述原始脑电波信号中降噪出所述带噪声的脑电波信号。
2.如权利要求1所述的一种基于生成式对抗网络的脑电波信号降噪方法，其特征在于，
所述基于带噪声的标准脑电波信号对生成式对抗网络进行训练包括如下步骤：
输入随机噪声；
降噪网络基于所述随机噪声生成模拟脑电波信号；
判别网络根据所述标准脑电波信号确定所述模拟脑电波信号的真实性；
根据所述模拟脑电波信号的真实性更新所述降噪网络和所述判别网络；
如此循环，直至所述模拟脑电波信号的真实性满足要求。
3.如权利要求1所述的一种基于生成式对抗网络的脑电波信号降噪方法，其特征在于，
所述训练数据集包括多个通过生成式对抗网络模拟的模拟脑电波信号，以及不同脑电波采集设备、在不同环境下采集到的带噪声的标准脑电波信号。
4.如权利要求2所述的一种基于生成式对抗网络的脑电波信号降噪方法，其特征在于，
所述基于训练数据集，对深度神经卷积网络进行训练，包括如下步骤：
从训练数据集中随机选取训练数据；
将所述随机噪声与所述训练数据混合，生成样本脑电波；
对所述样本脑电波进行预处理后输入所述深度卷积神经网络中，得到样本降噪结果；
通过所述样本降噪结果确定所述深度卷积神经网络的降噪误差；
根据所述降噪误差修正所述深度卷积神经网络参数；
如此循环，直至所述降噪误差达到期望值。
5.如权利要求1所述的一种基于生成式对抗网络的脑电波信号降噪方法，其特征在于，
所述通过训练好的所述深度卷神经积网络从所述原始脑电波信号中降噪出所述带噪声的脑电波信号，包括如下步骤：
对所述原始脑电波信号进行预处理，得到脑电波数据；
通过所述深度卷积神经网络对脑电波数据进行降噪，得到降噪数据；
根据所述降噪数据生成所述带噪声的脑电波信号。
6.如权利要求5所述的一种基于生成式对抗网络的脑电波信号降噪方法，其特征在于，
所述采集混叠有带噪声的脑电波信号的原始脑电波信号是指利用多阵列电极帽采集原始脑电波信号。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110645810.2A CN113349800A (zh) | 2021-06-10 | 2021-06-10 | 一种基于生成式对抗网络的脑电波信号降噪方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110645810.2A CN113349800A (zh) | 2021-06-10 | 2021-06-10 | 一种基于生成式对抗网络的脑电波信号降噪方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113349800A true CN113349800A (zh) | 2021-09-07 |
Family
ID=77533453
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110645810.2A Pending CN113349800A (zh) | 2021-06-10 | 2021-06-10 | 一种基于生成式对抗网络的脑电波信号降噪方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113349800A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114098764A (zh) * | 2021-11-05 | 2022-03-01 | 北京大学 | 数据处理方法、装置、电子设备和存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105072988A (zh) * | 2013-02-14 | 2015-11-18 | 灿美工程股份有限公司 | 使用倒谱技术测量麻醉深度的方法和设备 |
| CN109890043A (zh) * | 2019-02-28 | 2019-06-14 | 浙江工业大学 | 一种基于生成式对抗网络的无线信号降噪方法 |
| CN111291614A (zh) * | 2020-01-12 | 2020-06-16 | 杭州电子科技大学 | 基于迁移学习多模型决策融合的儿童癫痫综合症分类方法 |
| CN112464711A (zh) * | 2020-10-20 | 2021-03-09 | 西安交通大学 | 一种基于mfdc的脑电身份识别方法、存储介质及识别装置 |
-
2021
- 2021-06-10 CN CN202110645810.2A patent/CN113349800A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105072988A (zh) * | 2013-02-14 | 2015-11-18 | 灿美工程股份有限公司 | 使用倒谱技术测量麻醉深度的方法和设备 |
| CN109890043A (zh) * | 2019-02-28 | 2019-06-14 | 浙江工业大学 | 一种基于生成式对抗网络的无线信号降噪方法 |
| CN111291614A (zh) * | 2020-01-12 | 2020-06-16 | 杭州电子科技大学 | 基于迁移学习多模型决策融合的儿童癫痫综合症分类方法 |
| CN112464711A (zh) * | 2020-10-20 | 2021-03-09 | 西安交通大学 | 一种基于mfdc的脑电身份识别方法、存储介质及识别装置 |
Non-Patent Citations (4)
| Title |
|---|
| SUNILGANDHI, TIMOATES, TINOOSHMOHSENIN, ET AL: "Denoising Time Series Data Using Asymmetric Generative Adversarial Networks", 《PACIFIC-ASIA CONFERENCE ON KNOWLEDGE DISCOVERY AND DATA MINING》 * |
| 姚粤汉: "脑电信号的伪迹去除与情绪识别研究", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》 * |
| 朱世宇,李根,孙令翠,谢箭,柏森: "基于多损失值融合神经网络的语音增强研究", 《数字技术与应用》 * |
| 高志强 鲁晓阳 张荣荣 著: "《边缘智能：关键技术与落地实践》", 31 May 2021, 中国铁道出版社有限公司 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114098764A (zh) * | 2021-11-05 | 2022-03-01 | 北京大学 | 数据处理方法、装置、电子设备和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110718232B (zh) | 一种基于二维语谱图和条件生成对抗网络的语音增强方法 | |
| CN110120225A (zh) | 一种基于gru网络的结构的音频降噪系统及方法 | |
| Mamun et al. | Convolutional neural network-based speech enhancement for cochlear implant recipients | |
| Schatz et al. | Evaluating speech features with the Minimal-Pair ABX task (II): Resistance to noise | |
| CN109643554A (zh) | 自适应语音增强方法和电子设备 | |
| CN113723171B (zh) | 基于残差生成对抗网络的脑电信号去噪方法 | |
| CN110909827B (zh) | 一种适用于风机叶片声音信号的降噪方法 | |
| CN109890043A (zh) | 一种基于生成式对抗网络的无线信号降噪方法 | |
| CN112786059A (zh) | 一种基于人工智能的声纹特征提取方法及装置 | |
| CN113642417A (zh) | 一种基于改进小波算法的绝缘架空导线局部放电信号的去噪方法 | |
| CN110808057A (zh) | 一种基于约束朴素生成对抗网络的语音增强方法 | |
| CN113349800A (zh) | 一种基于生成式对抗网络的脑电波信号降噪方法 | |
| Malik et al. | Automatic threshold optimization in nonlinear energy operator based spike detection | |
| CN113411456B (zh) | 一种基于语音识别的话音质量评估方法及装置 | |
| CN108280416A (zh) | 一种小波跨尺度相关滤波的宽带水声信号处理方法 | |
| Hu et al. | Sparse nonnegative matrix factorization strategy for cochlear implants | |
| CN115901260A (zh) | 一种基于ECA_ResNet的滚动轴承故障诊断方法 | |
| CN115563480A (zh) | 基于峭度比系数筛选辛几何模态分解的齿轮故障辨识方法 | |
| Shcherban et al. | A search method for unknown high-frequency oscillators in noisy signals based on the continuous wavelet transform | |
| TWI749547B (zh) | 應用深度學習的語音增強系統 | |
| Rund et al. | An evaluation of click detection algorithms against the results of listening tests | |
| Arcos et al. | Ideal neighbourhood mask for speech enhancement | |
| Damaševičius et al. | IMF remixing for mode demixing in EMD and application for jitter analysis | |
| CN111624585A (zh) | 一种基于卷积神经网络的水下目标被动检测方法 | |
| CN118629417A (zh) | 一种多模态课堂教师教学言语行为分析方法及系统 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210907 |