CN114246594A - 脑电信号处理方法、背景脑电预测模型的训练方法及装置 - Google Patents
脑电信号处理方法、背景脑电预测模型的训练方法及装置 Download PDFInfo
- Publication number
- CN114246594A CN114246594A CN202111552706.5A CN202111552706A CN114246594A CN 114246594 A CN114246594 A CN 114246594A CN 202111552706 A CN202111552706 A CN 202111552706A CN 114246594 A CN114246594 A CN 114246594A
- Authority
- CN
- China
- Prior art keywords
- electroencephalogram
- electroencephalogram signal
- background
- signal samples
- 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
Links
- 238000012549 training Methods 0.000 title claims abstract description 71
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000003672 processing method Methods 0.000 title claims abstract description 26
- 238000012545 processing Methods 0.000 claims abstract description 29
- 238000007781 pre-processing Methods 0.000 claims abstract description 20
- 238000004458 analytical method Methods 0.000 claims abstract description 16
- 230000002401 inhibitory effect Effects 0.000 claims abstract description 6
- 238000003062 neural network model Methods 0.000 claims description 109
- 210000004556 brain Anatomy 0.000 claims description 46
- 230000000306 recurrent effect Effects 0.000 claims description 36
- 238000004364 calculation method Methods 0.000 claims description 31
- 230000006870 function Effects 0.000 claims description 30
- 230000002457 bidirectional effect Effects 0.000 claims description 25
- 230000015654 memory Effects 0.000 claims description 21
- 238000012935 Averaging Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 12
- 238000003909 pattern recognition Methods 0.000 claims description 12
- 230000001629 suppression Effects 0.000 claims description 11
- 230000000638 stimulation Effects 0.000 description 26
- 238000004422 calculation algorithm Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 14
- 239000011159 matrix material Substances 0.000 description 14
- 238000013527 convolutional neural network Methods 0.000 description 11
- 238000000605 extraction Methods 0.000 description 10
- 230000000284 resting effect Effects 0.000 description 10
- 230000000007 visual effect Effects 0.000 description 10
- 238000013528 artificial neural network Methods 0.000 description 9
- 238000002474 experimental method Methods 0.000 description 9
- 230000002269 spontaneous effect Effects 0.000 description 9
- 238000012360 testing method Methods 0.000 description 9
- 230000007177 brain activity Effects 0.000 description 7
- 238000001914 filtration Methods 0.000 description 7
- 208000010412 Glaucoma Diseases 0.000 description 6
- 238000001514 detection method Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000002599 functional magnetic resonance imaging Methods 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000000763 evoking effect Effects 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000002829 reductive effect Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000013526 transfer learning Methods 0.000 description 3
- 238000007635 classification algorithm Methods 0.000 description 2
- 208000030533 eye disease Diseases 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000002610 neuroimaging Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000008925 spontaneous activity Effects 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 210000000337 motor cortex Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 238000012567 pattern recognition method Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000007430 reference method Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction 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
- A61B5/24—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
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
-
- 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
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Abstract
本申请关于一种脑电信号处理方法、背景脑电预测模型的训练方法及装置。其中该方法包括,获取脑电信号,并对所述脑电信号进行预处理;将预处理后的所述脑电信号输入至预先训练的背景脑电预测模型,预测所述脑电信号的背景脑电信号;基于所述背景脑电信号,抑制所述脑电信号中的背景脑电信号,得到高质量脑电信号;对所述高质量脑电信号进行解码分析处理。本申请提高了对脑电信号中背景脑电进行抑制的准确性,从而得到高质量的脑电信号。
Description
技术领域
本申请涉及计算机技术领域,具体涉及信号处理技术领域,尤其涉及一种脑电信号处理方法、背景脑电预测模型的训练方法及装置。
背景技术
相关技术中,大脑在清醒时持续产生自发脑活动,关于大脑自发活动的研究主要聚焦于“静息态”脑活动。“静息态”通常指被试未受到外界刺激,眼睛闭合休息的状态。有关静息态神经活动成像的研究包括两个主要的研究方向:静息态网络(resting-statenetwork,RSN)和微状态;它们分别使用功能性核磁共振成像(functional magneticresonance imaging,fMRI)和脑电技术,对静息态下大脑的时空特征进行了系统性的研究。RSN和微状态的相关研究证明了大脑自发活动既存在于“静息态”的脑电信号中,也存在于实验任务中的脑电信号中;然而在ERP(Event-Related Potential,事件相关电位)等实验中,自发脑电通常被视为任务无关的背景脑电,需要将背景脑电进行抑制,以得到高质量脑电信号。
发明内容
为此,本申请提供一种脑电信号处理方法、背景脑电预测模型的训练方法及装置。
根据本申请实施例的第一方面,提供一种脑电信号处理方法,包括:
获取脑电信号,并对所述脑电信号进行预处理;
将预处理后的所述脑电信号输入至预先训练的背景脑电预测模型,预测所述脑电信号的背景脑电信号;
基于所述背景脑电信号,抑制所述脑电信号中的背景脑电信号,得到高质量脑电信号;
对所述高质量脑电信号进行解码分析处理。
根据本公开的一个实施例,所述背景脑电预测模型通过以下方式预先练训而得到:
获取多个脑电信号样本;
根据所述多个脑电信号样本,确定与所述多个脑电信号样本各自对应的背景脑电信号样本;
分别将所述多个脑电信号样本输入至目标神经网络模型,得到所述多个脑电信号样本各自对应的背景脑电信号预测值;
根据预设损失函数,基于所述多个脑电信号样本各自的背景脑电信号预测值和各自的背景脑电信号样本,计算损失值;
根据所述损失值训练所述目标神经网络模型,获得模型参数,并根据所述模型参数生成所述背景脑电预测模型。
根据本公开的一个实施例,所述根据所述多个脑电信号样本,确定与所述多个脑电信号样本各自对应的背景脑电信号样本,包括:
确定属于同一类型的多个脑电信号样本;
对所述属于同一类型的多个脑电信号样本求平均,得到平均脑电信号样本;
根据所述平均脑电信号样本和所述属于同一类型的多个脑电信号样本,确定与所述属于同一类型的多个脑电信号样本各自对应的背景脑电信号样本。
根据本公开的一个实施例,所述目标神经网络模型为以下1)至2)项中的任意一项:
1)双向循环神经网络模型;2)迁移学习网络模型。
根据本公开的一个实施例,所述双向循环神经网络模型包括自注意力模块和计算模块;所述分别将所述多个脑电信号样本输入至所述目标神经网络模型,得到所述多个脑电信号样本各自对应的背景脑电信号预测值,包括:
分别将所述属于同一类型的多个脑电信号输入至所述目标神经网络模型;
确定当前待预测脑电信号样本;
基于所述自注意力模块,确定所述当前待预测脑电信号样本与已经进行背景脑电预测的多个脑电信号样本的相关性信息;
根据所述相关性信息,基于所述计算模块确定当前待预测脑电信号样本对应的背景脑电信号预测值,重复执行所述确定背景脑电预测模型的当前待预测脑电信号样本的操作,直到得到所述多个脑电信号样本各自对应的背景脑电信号预测值。
根据本公开的一个实施例,所述对所述高质量脑电信号进行解码分析处理,包括:
对所述高质量脑电信号进行特征提取,得到脑电特征信息;
对所述脑电特征信息进行模式识别,生成与所述脑电特征信息对应的外部设备控制指令;所述外部设备控制指令用于指示所述外部设备执行相应操作。
根据本申请实施例的第二方面,提供了一种背景脑电预测模型的训练方法,包括:
获取多个脑电信号样本;
根据所述多个脑电信号样本,确定与所述多个脑电信号样本各自对应的背景脑电信号样本;
分别将所述多个脑电信号样本输入至目标神经网络模型,得到所述多个脑电信号样本各自对应的背景脑电信号预测值;
根据预设损失函数,基于所述多个脑电信号样本各自的背景脑电信号预测值和各自的背景脑电信号样本,计算损失值;
根据所述损失值训练所述目标神经网络模型,获得模型参数,并根据所述模型参数生成所述背景脑电预测模型。
根据本公开的一个实施例,所述根据所述多个脑电信号样本,确定与所述多个脑电信号样本各自对应的背景脑电信号样本,包括:
确定属于同一类型的多个脑电信号样本;
对所述属于同一类型的多个脑电信号样本求平均,得到平均脑电信号样本;
根据所述平均脑电信号样本和所述属于同一类型的多个脑电信号样本,确定与所述属于同一类型的多个脑电信号样本各自对应的背景脑电信号样本。
根据本公开的一个实施例,所述目标神经网络模型为以下1)至2)项中的任意一项:
1)双向循环神经网络模型;2)迁移学习网络模型。
根据本公开的一个实施例,所述双向循环神经网络模型包括自注意力模块和计算模块;所述分别将所述多个脑电信号样本输入至所述目标神经网络模型,得到所述多个脑电信号样本各自对应的背景脑电信号预测值,包括:
分别将所述属于同一类型的多个脑电信号输入至所述目标神经网络模型;
确定当前待预测脑电信号样本;
基于所述自注意力模块,确定所述当前待预测脑电信号样本与已经进行背景脑电预测的多个脑电信号样本的相关性信息;
根据所述相关性信息,基于所述计算模块确定当前待预测脑电信号样本对应的背景脑电信号预测值,重复执行所述确定背景脑电预测模型的当前待预测脑电信号样本的操作,直到得到所述多个脑电信号样本各自对应的背景脑电信号预测值。
根据本申请实施例的第三方面,提供了一种脑电信号处理装置,包括:
预处理模块,用于获取脑电信号,并对所述脑电信号进行预处理;
预测模块,用于将预处理后的所述脑电信号输入至预先训练的背景脑电预测模型,预测所述脑电信号的背景脑电信号;
抑制模块,用于基于所述背景脑电信号,抑制所述脑电信号中的背景脑电信号,得到高质量脑电信号;
解码模块,用于对所述高质量脑电信号进行解码分析处理。
根据本公开的一个实施例,所述脑电信号处理装置,还包括:
预训练模块,用于训练目标神经网络模型,以得到所述背景脑电预测模型;其中,所述预训练模块具体用于:
获取多个脑电信号样本;
根据所述多个脑电信号样本,确定与所述多个脑电信号样本各自对应的背景脑电信号样本;
分别将所述多个脑电信号样本输入至所述目标神经网络模型,得到所述多个脑电信号样本各自对应的背景脑电信号预测值;
根据预设损失函数,基于所述多个脑电信号样本各自的背景脑电信号预测值和各自的背景脑电信号样本,计算损失值;
根据所述损失值训练所述目标神经网络模型,获得模型参数,并根据所述模型参数生成所述背景脑电预测模型。
根据本公开的一个实施例,所述预训练模块具体用于:
确定属于同一类型的多个脑电信号样本;
对所述属于同一类型的多个脑电信号样本求平均,得到平均脑电信号样本;
根据所述平均脑电信号样本和所述属于同一类型的多个脑电信号样本,确定与所述属于同一类型的多个脑电信号样本各自对应的背景脑电信号样本。
根据本公开的一个实施例,所述目标神经网络模型为以下1)至2)项中的任意一项:
1)双向循环神经网络模型;2)迁移学习网络模型。
根据本公开的一个实施例,所述双向循环神经网络模型包括自注意力模块和计算模块;其中,所述预训练模块具体用于:
分别将所述属于同一类型的多个脑电信号输入至所述目标神经网络模型;
确定当前待预测脑电信号样本;
基于所述自注意力模块,确定所述当前待预测脑电信号样本与已经进行背景脑电预测的多个脑电信号样本的相关性信息;
根据所述相关性信息,基于所述计算模块确定当前待预测脑电信号样本对应的背景脑电信号预测值,重复执行所述确定背景脑电预测模型的当前待预测脑电信号样本的操作,直到得到所述多个脑电信号样本各自对应的背景脑电信号预测值。
根据本公开的一个实施例,所述解码模块包括:
特征提取子模块,用于对所述高质量脑电信号进行特征提取,得到脑电特征信息;
识别子模块,用于对所述脑电特征信息进行模式识别,生成与所述脑电特征信息对应的外部设备控制指令;所述外部设备控制指令用于指示所述外部设备执行相应操作。
根据本申请实施例的第四方面,一种背景脑电预测模型训练装置,包括:
获取模块,用于获取多个脑电信号样本;
确定模块,用于根据所述多个脑电信号样本,确定与所述多个脑电信号样本各自对应的背景脑电信号样本;
输入模块,用于分别将所述多个脑电信号样本输入至目标神经网络模型,得到所述多个脑电信号样本各自对应的背景脑电信号预测值;
计算模块,用于根据预设损失函数,基于所述多个脑电信号样本各自的背景脑电信号预测值和各自的背景脑电信号样本,计算损失值;
生成模块,用于根据所述损失值训练所述目标神经网络模型,获得模型参数,并根据所述模型参数生成所述背景脑电预测模型。
根据本公开的一个实施例,所述确定模块包括:
第一确定子模块,用于确定属于同一类型的多个脑电信号样本;
求平均子模块,用于对所述属于同一类型的多个脑电信号样本求平均,得到平均脑电信号样本;
第二确定子模块,用于根据所述平均脑电信号样本和所述属于同一类型的多个脑电信号样本,确定与所述属于同一类型的多个脑电信号样本各自对应的背景脑电信号样本。
根据本公开的一个实施例,所述目标神经网络模型为以下1)至2)项中的任意一项:
1)双向循环神经网络模型;2)迁移学习网络模型。
根据本公开的一个实施例,所述双向循环神经网络模型包括自注意力模块和计算模块;其中,所述输入模块具体用于:
分别将所述属于同一类型的多个脑电信号输入至所述目标神经网络模型;
确定当前待预测脑电信号样本;
基于所述自注意力模块,确定所述当前待预测脑电信号样本与已经进行背景脑电预测的多个脑电信号样本的相关性信息;
根据所述相关性信息,基于所述计算模块确定当前待预测脑电信号样本对应的背景脑电信号预测值,重复执行所述确定背景脑电预测模型的当前待预测脑电信号样本的操作,直到得到所述多个脑电信号样本各自对应的背景脑电信号预测值。
根据本申请实施例的第五方面,提供一种存储介质,当所述存储介质中的指令由计算机设备的处理器执行时,使得所述计算机设备能够执行如第一方面中任一项所述的脑电信号处理方法,或者,执行如第二方面中任一项所述的背景脑电预测模型的训练方法。
根据本申请实施例的第六方面,提供一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现第一方面任一项所述的脑电信号处理方法,或者,执行如第二方面中任一项所述的背景脑电预测模型的训练方法。
根据本申请实施例的第七方面,提供一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现第一方面任一项所述的脑电信号处理方法的步骤,或者,实现如第二方面中任一项所述的背景脑电预测模型的训练方法的步骤。
本申请的实施例提供的技术方案至少带来以下有益效果:
通过背景脑电预测模型对脑电信号中的背景脑电信号进行预测,基于预测的背景脑电信号,对脑电信号中的背景脑电进行抑制,从而提高了对脑电信号中背景脑电进行抑制的准确性,进而能够得到高质量的脑电信号。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理,并不构成对本申请的不当限定。
图1为根据本申请第一实施例的示意图;
图2为根据本申请第二实施例的示意图;
图3为根据本申请第三实施例的示意图;
图4为根据本申请第四实施例的示意图;
图5为根据本申请第五实施例的示意图;
图6为根据本申请第六实施例的示意图;
图7为根据本申请第八实施例的示意图;
图8为根据本申请第九实施例的示意图;
图9是用来实现本申请实施例的脑电信号处理方法或背景脑电预测模型的训练方法的计算机设备的框图;
图10是本申请第四实施例中的双向循环网络模型的模型架构图;
图11是本申请第五实施例中提出的环状稳态视觉诱发电位刺激及其对应频率示意图;
图12是本申请第五实施例中提出的一种刺激模式界面示意图;
图13是本申请第五实施例中提出的另一种刺激模式界面示意图。
具体实施方式
为了使本领域普通人员更好地理解本申请的技术方案,下面将结合附图,对本申请实施例中的技术方案进行清楚、完整地描述。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
需要说明的是,相关技术中,大脑在清醒时持续产生自发脑活动,关于大脑自发活动的研究主要聚焦于“静息态”脑活动。“静息态”通常指被试未受到外界刺激,眼睛闭合休息的状态。有关静息态神经活动成像的研究包括两个主要的研究方向:静息态网络(resting-state network,RSN)和微状态;它们分别使用功能性核磁共振成像(functionalmagnetic resonance imaging,fMRI)和脑电技术,对静息态下大脑的时空特征进行了系统性的研究。RSN和微状态的相关研究证明了大脑自发活动既存在于“静息态”的脑电信号中,也存在于实验任务中的脑电信号中;然而在ERP(Event-Related Potential,事件相关电位)等实验中,自发脑电通常被视为任务无关的背景脑电,需要将背景脑电进行抑制,以得到高质量脑电信号。
基于上述问题,本申请提出了一种脑电信号处理方法、背景脑电预测模型的训练方法及装置,可以实现通过背景脑电预测模型对脑电信号中的背景脑电信号进行预测,基于预测的背景脑电信号,对脑电信号中的背景脑电进行抑制,从而提高了对脑电信号中背景脑电进行抑制的准确性,进而能够得到高质量的脑电信号。
实施例一
图1是根据本申请第一实施例的示意图。需要说明的是,本申请实施例中的脑电信号处理方法可用于本申请实施例中的用于脑电信号处理装置,该装置可配置于计算机设备。如图1所示,脑电信号处理方法包括以下步骤:
步骤101,获取脑电信号,并对脑电信号进行预处理。
可以理解,对用户进行多种不同模式的外部刺激,不同的外部刺激能够使用户产生不同类型的脑电信号,通过采集设备对用户的脑电信号进行采集,从而获取到脑电信号。
作为一种可能实现方式的示例,对脑电信号进行预处理可以包括以下步骤:
步骤1011,对脑电信号进行滤波。
可以理解的是,通过滤波器对脑电信号进行频域滤波,可以有效滤除心电、工频噪声等干扰噪声,可以提升信号质量。可选的,滤波器可以是低通滤波器、高通滤波器、带通滤波器或陷波滤波器。可以根据实际需要选择滤波器的类型。其中,低通滤波器可以用于保留低于特定频率的低频信号;高通滤波器可以用于保留高于特定频率的高频信号;带通滤波器可以用于提取某个固定频带的信号;陷波滤波器可以用于阻隔特定频带的信号。
举例来说,对脑电信号滤波,使用带通滤波器,高通频率为1Hz,低通频率为90Hz,可以提取1~90Hz频率之间的脑电信号;同时,为了滤除50Hz的公频噪声,需要使用一个50Hz的陷波滤波器。此外,脑电活动可以被分为五个主要频带:θ(1~4Hz)、δ(4~8Hz)、α(8~12Hz)、β(12~20Hz)、γ(>20Hz),不同频带的脑电幅值分布反应了大脑的活动状态和模式,在提取特定频带的脑电信号时,同样需要使用相关设置的带通滤波器。
步骤1012,对滤波后的脑电信号进行基线校正。
可以理解的是,通过对脑电信号进行基线校正,可以减少自发脑电对脑电信号特征的干扰,即用脑电信号各时刻的幅值减去平均基线。平均基线的值可以为实验任务开始前一段时间的自发脑电信号均值。
步骤1013,对基线校正后的脑电信号进行重参考。
可以理解的是,由电极测量的脑电信号电压波形图可以是活动电极与参考电极间电位差随时间的变化。当探究特定区域的脑电信号或参考电极受到噪声干扰时,需要对脑电信号进行重参考。
举例来说,对左右半脑运动皮层差异化规律进行研究时,可以将头顶Cz电极作为参考电极对各电极的脑电信号做重参考。此外,当采集设备的电极数量足够多时,即达到32个电极以上,可以使用平均参考法,将所有电极的平均信号作为参考。
步骤1014,对重参考后的脑电信号进行降采样。
可以理解的是,由于脑电采集设备的采样率较高(可达1000Hz以上),同时对脑电信号特征的分析研究通常聚焦于中低频段(小与100Hz)。因此,需要对采集到的脑电数据进行降采样处理,以压缩脑电数据规模,进而节省计算资源,提升分析效率。
步骤102,将预处理后的脑电信号输入至预先训练的背景脑电预测模型,预测脑电信号的背景脑电信号。
需要说明的是,上述背景脑电预测模型是预先训练好的背景脑电预测模型,背景脑电预测模型的具体训练方法可以参照本申请中图2至图5中任意训练方法,在此不做赘述。上述背景脑电可以为在实验过程中,与实验无关的自发脑电,即可以是背景噪声。
可以理解,将预处理后得到的脑电信号输入至预先训练的背景脑电预测模型,预先训练的背景脑电预测模型基于脑电信号预测该脑电信号的背景脑电信号。
步骤103,基于背景脑电信号,抑制脑电信号中的背景脑电信号,得到高质量脑电信号。
作为一种可能的示例,基于背景脑电预测模型预测出的背景脑电信号,对脑电信号中的背景脑电信号进行抑制,从而得到高质量脑电信号。
步骤104,对高质量脑电信号进行解码分析处理。
作为一种可能的示例,对高质量脑电信号进行解码分析处理,识别脑电信号反映出的大脑活动信息,以应用于不同的实际使用场景中。
作为一种可能实现方式的示例,对高质量脑电信号进行解码分析处理可以包括以下步骤:
步骤1041:通过整合不同电极的脑电信号,赋予电极不同权重来分离提取脑电信号的空间特征,这种方法被称为空间滤波。常见的空间滤波算法有共空间模式(CommonSpatial Pattern,CSP)和任务相关成分分析(Task-Related Component Analysis,TRCA)等。
共空间模式算法通过寻找最优的空间投影矩阵,使得一类信号投影的方差最大而另一类的方差最小。任务相关成分分析通过最大化重建特定的任务分量来构建一组线性空间滤波器,用以提取脑电信号的任务相关成分,该问题可通过最大化试次间的协方差求解。
步骤1042:对脑电信号进行跨试次叠加平均,跨试次叠加平均方法是一种常见的时域预处理方法,该方法假定特定实验条件下不同试次脑电信号的响应具有稳定规律。对同条件下多个试次的脑电信号做平均,可以减少背景噪声对脑电信号特征的影响,提升信号质量。
可选的,对脑电信号进行线性判别分析。线性判别分析(Linear DiscriminantAnalysisar,LDA)是一种常用于EEG解码的模式识别方法,LDA将高维样本数据投影至低维空间,让各类别样本的类间距离最大、类内距离最小。对于测试数据,可将其投影到低维空间,根据投影点到两类样本中心的空间距离远近判别其所属类别模式。
可选的,对脑电信号进行判别典型模式匹配,判别典型模式匹配(discriminativecanonical pattern matching,DCPM)算法是一种新型脑电模式识别算法,它具有识别精度高、分类性能优异等优点。DCPM算法基于费希尔判别准则构建判别空间模式,使变换后的两类信号的类间散度最大、类内散度最小。
可选的,通过黎曼几何分类器对脑电信号进行分类,在EEG模式识别分类算法中,常使用试次间的EEG信号协方差对信号进行编码。传统的EEG模式识别算法未考虑协方差矩阵空间的曲率,不利于精准建模。黎曼几何分类器(Riemannian geometry classifier,RGC)的主要思想是将数据映射到具有适当度量的黎曼流形上,在流形空间中可以更精确、更方便地对数据进行平均、平滑和分类等操作。最常见的黎曼几何分类器为黎曼均值最小距离算法(Minimum Distance to Riemannian Mean,MDRM),该算法根据未知样本协方差矩阵到不同类别均值的黎曼距离,判断其所属类别。
可选的,通过卷积神经网络对脑电信号进行特征提取。以卷积神经网络(convolutional neural network,CNN)为代表的深度学习算法能够自动从大量数据中提取特征,减轻了对传统模式识别算法中进行手动特征提取的需求,在机器视觉和语音识别等领域实现了优异的性能。深度学习技术作为一种新兴方法,已在EEG模式识别领域展现出了不俗的性能和广阔的应用前景。以CNN算法为例,其网络结构主要由卷积层、池化层构成,其典型结构如图1。
每个卷积层中包含多个卷积核,卷积核对输入的局部数据进行加权求和,然后在输入数据中不断滑动,最终输出卷积计算结果。池化层的计算与卷积层类似,最常见的计算方法是将输入的局部数据转换为其最大值,池化层的功能是逐步减小中间数据的维度,以减少网络中的参数和计算量,从而控制过拟合。基于CNN的EEG模式识别算法已应用于P300、SSVEP、运动想象等特征的模式识别中,相对于传统分类算法具有较好的分类性能,且有效减少了特征选取的工作量。
根据本申请实施例的脑电信号处理方法,通过获取脑电信号,并对脑电信号进行预处理,将预处理后的脑电信号输入至预先训练的背景脑电预测模型,预测脑电信号的背景脑电信号,基于背景脑电信号,抑制脑电信号中的背景脑电信号,得到高质量脑电信号,对高质量脑电信号进行解码分析处理,从而实现了对背景脑电信号的预测,进而提高了对脑电信号中背景脑电进行抑制的准确性,得到高质量的脑电信号。
实施例二
为了保证将高质量脑电信号转化为控制指令,可选地,对高质量脑电信号进行特征提取,得到脑电特征信息;对脑电特征信息进行模式识别,生成与脑电特征信息对应的外部设备控制指令;外部设备控制指令用于指示外部设备执行相应操作。图2根据本申请第二实施例的示意图。需要说明的是,本申请实施例的脑电信号处理方法可由本申请实施例中的脑电信号处理装置执行。在本申请一些实施例中,如图2所示,该脑电信号处理方法包括:
步骤201,获取脑电信号,并对脑电信号进行预处理。
在本申请的实施例中,步骤201可以分别采用本申请的各实施例中的任一种方式实现,本申请实施例并不对此作出限定,也不再赘述。
步骤202,将预处理后的脑电信号输入至预先训练的背景脑电预测模型,预测脑电信号的背景脑电信号。
在本申请的实施例中,步骤202可以分别采用本申请的各实施例中的任一种方式实现,本申请实施例并不对此作出限定,也不再赘述。
步骤203,基于背景脑电信号,抑制脑电信号中的背景脑电信号,得到高质量脑电信号。
在本申请的实施例中,步骤203可以分别采用本申请的各实施例中的任一种方式实现,本申请实施例并不对此作出限定,也不再赘述。
步骤204,对高质量脑电信号进行特征提取,得到脑电特征信息。
作为一种可能的示例,对脑电信号中的背景脑电信号所得到的的高质量脑电信号进行特征提取,得到脑电特征信息。
步骤205,对脑电特征信息进行模式识别,生成与脑电特征信息对应的外部设备控制指令;外部设备控制指令用于指示外部设备执行相应操作。
可以理解,上述模式与脑电特征信息所对应的脑电信号存在着对应关系,因此,可以对脑电特征信息进行模式识别,从而生成与脑电特征信息对应的外部设备控制指令。可选的,外部设备控制指令可以用于实现游戏控制、设备操作、状态检测等操作。
根据本申请实施例的脑电信号处理方法,对高质量脑电信号进行特征提取,得到脑电特征信息。对脑电特征信息进行模式识别,生成与脑电特征信息对应的外部设备控制指令,从而保证将高质量脑电信号转化为控制指令。
实施例三
为了保证目标神经网络模型能够学会对脑电信号中的背景脑电信号进行预测,提高背景脑电信号预测的准确性,可选地,通过多个脑电信号样本对目标神经网络模型进行训练,生成背景脑电预测模型。图3根据本申请第三实施例的示意图。本申请实施例中的背景脑电预测模型的训练方法可用于本申请实施例中的用于背景脑电预测模型训练装置,该装置可配置于计算机设备。如图3所示,背景脑电预测模型的训练方法包括以下步骤:
步骤301,获取多个脑电信号样本。
可以理解,对用户进行多种不同模式的外部刺激,不同的外部刺激能够使用户产生不同类型的脑电信号,通过采集设备对用户的脑电信号进行采集,从而获取到多个脑电信号样本。
步骤302,根据多个脑电信号样本,确定与多个脑电信号样本各自对应的背景脑电信号样本。
可以理解,根据获取到的多个脑电信号样本,可以计算出与多个脑电信号样本各自对应的背景脑电信号样本。
步骤303,分别将多个脑电信号样本输入至目标神经网络模型,得到多个脑电信号样本各自对应的背景脑电信号预测值。
作为一种可能的示例,分别将多个脑电信号样本输入至目标神经网络模型,目标神经网络模型基于脑电信号样本,计算出该脑电信号样本的背景脑电信号预测值。
可选的,目标神经网络模型可以是但不限于以下1)至5)项中的任意一项:
1)循环神经网络模型;2)卷积神经网络;3)对抗生成网络4)图神经网络;5)迁移学习网络模型。
可选的,上述循环神经网络模型可以是双向循环神经网络模型。步骤304,根据预设损失函数,基于多个脑电信号样本各自的背景脑电信号预测值和各自的背景脑电信号样本,计算损失值。
作为一种可能的示例,根据预设损失函数,将所有脑电信号样本各自的背景脑电信号样本相加,得到第一数据,将所有脑电信号样本的背景脑电信号预测值相加,得到第二数据,根据第一数据和第二数据计算损失值。
步骤305,根据损失值训练目标神经网络模型,获得模型参数,并根据模型参数生成背景脑电预测模型。
可以理解,根据损失值训练目标神经网络模型,以获得模型参数,根据模型参数生成背景脑电预测模型。
根据本申请实施例的背景脑电预测模型的训练方法,获取多个脑电信号样本,根据多个脑电信号样本,确定与多个脑电信号样本各自对应的背景脑电信号样本,分别将多个脑电信号样本输入至背景脑电预测模型目标神经网络模型,得到多个脑电信号样本各自对应的生成背景脑电信号预测值,根据预设损失函数,基于多个脑电信号样本各自的生成背景脑电信号预测值和各自的背景脑电信号样本,计算多个损失值,根据多个损失值训练目标神经网络模型,获得模型参数,并根据模型参数生成背景脑电预测模型,从而使目标神经网络模型学会对脑电信号中的背景脑电信号进行预测,提高了背景脑电信号预测的准确性。
实施例四
为了提高背景脑电信号样本计算的准确性,可选地,对属于同一类型的多个脑电信号样本求平均,得到平均脑电信号样本,根据平均脑电信号样本和属于同一类型的多个脑电信号样本,确定与属于同一类型的多个脑电信号样本各自对应的背景脑电信号样本。图4根据本申请第四实施例的示意图。本申请实施例中的背景脑电预测模型的训练方法可用于本申请实施例中的用于背景脑电预测模型训练装置,该装置可配置于计算机设备。如图4所示,背景脑电预测模型的训练方法包括以下步骤:
步骤401,获取多个脑电信号样本。
在本申请的实施例中,步骤401可以分别采用本申请的各实施例中的任一种方式实现,本申请实施例并不对此作出限定,也不再赘述。
步骤402,确定属于同一类型的多个脑电信号样本。
需要说明的是,通过对用户进行不同模式的外部刺激,用户所产生的脑电信号类型不同,而同一类型的脑电信号之间存在空间分布规律和较强的时域相关性,因此,需要确定属于同一类型的多个脑电信号样本。
步骤403,对属于同一类型的多个脑电信号样本求平均,得到平均脑电信号样本。
作为一种可能的示例,对属于同一类型的多个脑电信号样本进行相加求和,将相加求和的结果除以脑电信号样本的个数,得到平均脑电信号样本。
步骤404,根据平均脑电信号样本和属于同一类型的多个脑电信号样本,确定与属于同一类型的多个脑电信号样本各自对应的背景脑电信号样本。
作为一种可能的示例,将属于同一类型的多个脑电信号样本分别与平均脑电信号样本作差,得到属于同一类型的多个脑电信号样本各自对应的背景脑电信号样本。
举例来说,获取刺激模式m下的脑电信号样本j=1,2,...,Nc,k=1,2,…,Nk,m=1,2,…,M,其中j为导联索引,Nc为导联数量;k为试次的索引,Nk为刺激模式m的试次数量;M为样本包含的模式个数。对刺激模式m的各试次信号进行叠加平均得到均值信号将各试次脑电信号与平均信号作差,得到背景脑电遍历训练集所有M个刺激模式,计算各刺激模式各试次产生的脑电信号以及各试次脑电信号对应的背景脑电。
步骤405,分别将多个脑电信号样本输入至目标神经网络模型,得到多个脑电信号样本各自对应的背景脑电信号预测值。
可选的,目标神经网络模型可以是但不限于以下1)至5)项中的任意一项:
1)循环神经网络模型;2)卷积神经网络;3)对抗生成网络4)图神经网络;5)迁移学习网络模型。
可选的,上述循环神经网络模型可以是双向循环神经网络模型。
下面分别对上述三种神经网络模型进行介绍。
作为一种可能实现方式的示例,采用双向循环神经网络模型作为目标神经网络模型,使用长短时记忆单元作为循环神经网络的计算单元,长短时记忆单元(LSTM)计算公式为:
ct=ft⊙ct-1+it⊙gt
ht=ot⊙tanh(ct)
其中,σ为sigmoid函数,bi,bf,bo,bg为模型的偏差参数,tanh为双曲正切函数,⊙为矩阵对位相乘,xt为t时刻的输入,it,ft,ot,gt为LSTM的中间计算结构;ct-1,ht-1为t-1时刻的输出,同时也是t时刻模型的输入参数,ct,ht为t时刻LSTM的输出;Wxi,Whi分别为将t时刻输入xt和ht-1映射到中间结果it的参数矩阵;同理,Wxf,Whf,Who,Wxo,Whg,Wxg分别代表xt和ht-1到中间结果ft,ot,gt的参数矩阵。
在LSTM基础上,双向循环神经网络模型预测背景脑电信号的方法具体为:
具体来说,模型输入为当前试次Nc0个导联的脑电信号j为导联索引,Nc为导联数量,k为试次的索引;输出为该试次对应的Nc1个导联的背景脑电模型将第k个试次的Nc0个导联的脑电信号映射为Nc1个导联的背景脑电信号。对于双向循环神经网络,其每个时间点的输入信号为t时刻的脑电信号在每一时刻t,使用长短时记忆单应LSTM计算双向循环网络的输出为以及然后,将LSTM的输出和加权平均,得到最终模型输出即k试次j导联对应的背景脑电预测值。
举例来说,如图10所示,双向循环神经网络算法可由1个输入层,2个双向编码的隐含层和1个输出层构成。模型输入为当前试次的脑电信号经过每个隐含层计算得到两个不同方向的隐含层的编码矩阵然后将隐含层的编码映射为当前试次对应的背景脑电信号
可选的,上述双向循环神经网络模型还可以采用GRU门控循环单元(GateRecurrent Unit)作为循环神经网络的计算单元,GRU计算方法具体为:
zt=σ(Wz[ht-1,xt])
rt=σ(Wr[ht-1,xt])
其中,σ为sigmoid函数,W为矩阵参数,tanh为双曲正切函数,xt为t时刻的输入,zt,rt,为GRU的中间计算结构,Wz,Wr,W分别代表计算中间结果zt,rt,所用到的参数矩阵;ht-1为t-1时刻的输出,同时也是t时刻模型的输入参数;ht为t时刻模型的输出。即上述背景脑电预测值。
作为另一种可能实现方式的示例,可以采用迁移学习网络模型作为目标神经网络模型,使用部分模式的脑电数据构建背景脑电预测模型,并在新的模式中(跨刺激模式、跨被试、跨实验范式)使用迁移学习方法,对新模式下的背景脑电进行预测。
在新的模式中(例如不同刺激,不同被试,不同范式)脑电信号可表示为t=1,2,…,Nt,k=1,2,...,N'k。使用迁移学习方法对模型进行训练,可选择固定部分模型参数,使用新模式的脑电信号X'训练模型。
作为又一种可能实现方式的示例,可以采用卷积神经网络模型作为目标神经网络模型。
步骤406,根据预设损失函数,基于多个脑电信号样本各自的背景脑电信号预测值和各自的背景脑电信号样本,计算损失值。
在本申请的实施例中,步骤406可以分别采用本申请的各实施例中的任一种方式实现,本申请实施例并不对此作出限定,也不再赘述。
步骤407,根据损失值训练目标。神经网络模型,获得模型参数,并根据模型参数生成背景脑电预测模型
在本申请的实施例中,步骤407可以分别采用本申请的各实施例中的任一种方式实现,本申请实施例并不对此作出限定,也不再赘述。
根据本申请实施例的脑电信号处理方法,确定属于同一类型的多个脑电信号样本,对属于同一类型的多个脑电信号样本求平均,得到平均脑电信号样本,根据平均脑电信号样本和属于同一类型的多个脑电信号样本,确定与属于同一类型的多个脑电信号样本各自对应的背景脑电信号样本,从而提高背景脑电信号样本计算的准确性,进而帮助目标网络模型跟准确的预测除背景脑电信号。
实施例五
为了保证能够更好的拟合背景脑电信号,可选地,通过自注意力模块计算出多个脑电信号样本各自对应的隐含层状态数据与当前待预测脑电信号样本的相关性数据,根据相关性信息,基于计算模块确定当前待预测脑电信号样本对应的背景脑电信号预测值。图5根据本申请第五实施例的示意图。本申请实施例中的背景脑电预测模型的训练方法可用于本申请实施例中的用于背景脑电预测模型训练装置,该装置可配置于计算机设备。如图5所示,背景脑电预测模型的训练方法包括以下步骤:
步骤501,获取多个脑电信号样本。
在本申请的实施例中,步骤501可以分别采用本申请的各实施例中的任一种方式实现,本申请实施例并不对此作出限定,也不再赘述。
步骤502,确定属于同一类型的多个脑电信号样本。
在本申请的实施例中,步骤502可以分别采用本申请的各实施例中的任一种方式实现,本申请实施例并不对此作出限定,也不再赘述。
步骤503,对属于同一类型的多个脑电信号样本求平均,得到平均脑电信号样本。
在本申请的实施例中,步骤503可以分别采用本申请的各实施例中的任一种方式实现,本申请实施例并不对此作出限定,也不再赘述。
步骤504,根据平均脑电信号样本和属于同一类型的多个脑电信号样本,确定与属于同一类型的多个脑电信号样本各自对应的背景脑电信号样本。
在本申请的实施例中,步骤504可以分别采用本申请的各实施例中的任一种方式实现,本申请实施例并不对此作出限定,也不再赘述。
步骤505,分别将属于同一类型的多个脑电信号输入至目标神经网络模型。
可选的,目标神经网络模型可以是但不限于以下1)至5)项中的任意一项:
1)循环神经网络模型;2)卷积神经网络;3)对抗生成网络4)图神经网络;5)迁移学习网络模型。
可选的,上述循环神经网络模型可以是双向循环神经网络模型。其中,在本申请实施例中,双向循环神经网络模型包括自注意力模块和计算模块。
可以理解,用户在受到同一模式的刺激后所产生的脑电信号具有相关性,因此,需要分别将属于同一类型的多个脑电信号输入至目标神经网络模型,以用于执行后续确定当前待预测脑电信号样本与已经进行背景脑电预测的多个脑电信号样本的相关性信息的步骤。
步骤506,分别将属于同一类型的多个脑电信号输入至目标神经网络模型。
步骤507,确定当前待预测脑电信号样本。
可以理解,目标神经网络模型在接收到上述多个脑电信号后,逐一进行背景脑电信号的预测,确定当前待预测脑电信号样本,进而能够确定在当前待预测脑电信号样本之前,已经完成背景脑电信号预测的脑电信号样本。
步骤508,基于自注意力模块,确定当前待预测脑电信号样本与已经进行背景脑电预测的多个脑电信号样本的相关性信息。
作为一种可能的示例,自注意力模块确定已经进行背景脑电预测的多个脑电信号样本各自对应的隐含层状态数据,计算多个脑电信号样本各自对应的隐含层状态数据与当前待预测脑电信号样本的相关性数据。
举例来说,首先确定当前时刻t下输入脑电信号样本xt,依据LSTM计算公式,计算时刻t之前所有已经进行背景脑电预测的多个脑电信号对应的隐含层状态[h1,h2,h3,...ht-1],基于xt和[h1,h2,h3,...ht-1]计算注意力权重
其中,vT为参数向量,tanh为双曲正切函数,xt为t时刻的输入,Wx为xt的参数矩阵;hi为i时刻LSTM的输出,Wh为xt hi的参数矩阵;为t-1时刻有注意力机制的LSTM的中间结果,为的参数矩阵。
其中softmax为归一化函数。
最后,将原始LSTM计算公式改写为:
ht=ot⊙tanh(ct)
其中,σ为sigmoid函数,tanh为双曲正切函数,⊙为矩阵对位相乘,xt为t时刻的输入,it,ft,ot,gt为LSTM的中间计算结构,ct,ht为t时刻LSTM的输出,Wxi,Whi分别为将t时刻输入xt和ht映射到中间结果it的参数矩阵;同理,Wxf,Whf,Who,Wxo,Whg,Wxg分别代表xt和ht到中间结果ft,ot,gt的参数矩阵。
步骤509,根据相关性信息,基于计算模块确定当前待预测脑电信号样本对应的背景脑电信号预测值,重复执行确定背景脑电预测模型的当前待预测脑电信号样本的操作,直到得到多个脑电信号样本各自对应的背景脑电信号预测值。
作为一种可能的示例,根据多个脑电信号样本各自对应的隐含层状态数据与当前待预测脑电信号样本的相关性信息,基于计算模块确定当前待预测脑电信号样本对应的背景脑电信号预测值。重复执行确定背景脑电预测模型的当前待预测脑电信号样本的操作,直到得到所有输入目标神经网络模型的脑电信号样本各自对应的背景脑电信号预测值。
步骤510,根据预设损失函数,基于多个脑电信号样本各自的背景脑电信号预测值和各自的背景脑电信号样本,计算损失值。
在本申请的实施例中,步骤510可以分别采用本申请的各实施例中的任一种方式实现,本申请实施例并不对此作出限定,也不再赘述。
步骤511,根据损失值训练目标。神经网络模型,获得模型参数,并根据模型参数生成背景脑电预测模型。
在本申请的实施例中,步骤511可以分别采用本申请的各实施例中的任一种方式实现,本申请实施例并不对此作出限定,也不再赘述。
根据本申请实施例的脑电信号处理方法,分别将属于同一类型的多个脑电信号输入至目标神经网络模型,分别将属于同一类型的多个脑电信号输入至目标神经网络模型,确定当前待预测脑电信号样本,基于自注意力模块,确定当前待预测脑电信号样本与已经进行背景脑电预测的多个脑电信号样本的相关性信息,根据相关性信息,基于计算模块确定当前待预测脑电信号样本对应的背景脑电信号预测值,重复执行确定背景脑电预测模型的当前待预测脑电信号样本的操作,直到得到多个脑电信号样本各自对应的背景脑电信号预测值,从而能够更好的拟合背景脑电信号。
举例来说,使用背景脑电预测模型增强SSVEP(Steady-State Visual EvokedPotential,稳态视觉诱发电位,是由稳定重复出现的固定频率视觉刺激诱发的脑电响应)信号质量,将SSVEP信号应用于青光眼疾病的临床检测中。在SSVEP实验中,青光眼患者相对与正常人的识别准确率明显偏低。本方法通过设计环状SSVEP视觉刺激,检测被试是否存在视野损失,评估被试患青光眼等眼部疾病的风险;同时,使用背景脑电预测模型提升检测的准确性。具体步骤如下:
步骤1,如图11所示,设计环状视觉诱发电位刺激,将视觉刺激按角度和位置切割为20个刺激块,每个刺激块作为一个独立的SSVEP刺激,由内而外顺时针赋予不同的闪烁频率,频率为8~11.8Hz,间隔0.2Hz。刺激界面共有两种模式,A模式和B模式;如图12、图13所示,每种模式中只有一半的刺激块处于可见状态,即只有10个刺激块闪烁,另外10个刺激块保持暗色。
步骤2,实验时令被试单眼注视环状SSVEP刺激界面中心点,每次实验包含3个A模式的实验组block和3个B模式的block,每个block包含30个试次,每个试次包括5秒的视觉刺激和1秒的休息。
步骤3,对脑电信号进行滤波,将脑电信号按照试次对齐得到实验脑电信号t=1,2,…,Nt,其中j为导联索引,t表示t时刻,Nt为一个试次的采样点数量,k为试次的索引,为输入信号的导联数量。对各试次信号进行叠加平均,构建平均信号然后,计算各试次脑电信号对应的的背景脑电
步骤4,基于深度学习算法,构建背景脑电预测模型。
步骤6,使用脑电模式识别算法(如典型相关性分析算法),对滤除背景脑电的SSVEP信号进行识别,若被试的识别准确率较低,说明被试存在患青光眼疾病的潜在风险,应采取进一步检查与治疗手段。
使用SSVEP刺激对青光眼检测,并通过背景脑电预测增强检测精度,能够带来如下有益技术效果:使用SSVEP刺激的视力检测能够提前发现罹患青光眼等眼部疾病的风险,同时该方法具有成本低、安全性高、设备便携等优点。另外,使用背景脑电预测方法可以有效提升SSVEP实验的识别准确率,有助于提升疾病检测的精度。
实施例六
为了实现上述实施例,本申请提出了一种脑电信号处理装置。
图6是根据本申请第六实施例的示意图。如图6所示,该装置包括:预处理模块、预测模块、抑制模块和解码模块。
预处理模块601,用于获取脑电信号,并对脑电信号进行预处理。
预测模块602,用于将预处理后的脑电信号输入至预先训练的背景脑电预测模型,预测脑电信号的背景脑电信号。
抑制模块603,用于基于背景脑电信号,抑制脑电信号中的背景脑电信号,得到高质量脑电信号。
解码模块604,用于对高质量脑电信号进行解码分析处理。
根据本申请实施例的脑电信号处理装置,通过获取脑电信号,并对脑电信号进行预处理,将预处理后的脑电信号输入至预先训练的背景脑电预测模型,预测脑电信号的背景脑电信号,基于背景脑电信号,抑制脑电信号中的背景脑电信号,得到高质量脑电信号,对高质量脑电信号进行解码分析处理,从而实现了对背景脑电信号的预测,进而提高了对脑电信号中背景脑电进行抑制的准确性,得到高质量的脑电信号。
实施例七
为了实现上述实施例,本申请提出了一种脑电信号处理装置。该装置包括:预处理模块、预测模块、抑制模块和解码模块。
预处理模块,用于获取脑电信号,并对脑电信号进行预处理。
预测模块,用于将预处理后的脑电信号输入至预先训练的背景脑电预测模型,预测脑电信号的背景脑电信号。
抑制模块,用于基于背景脑电信号,抑制脑电信号中的背景脑电信号,得到高质量脑电信号。
解码模块,用于对高质量脑电信号进行解码分析处理。
其中,解码模块包括:
特征提取子模块,用于对高质量脑电信号进行特征提取,得到脑电特征信息;
识别子模块,用于对脑电特征信息进行模式识别,生成与脑电特征信息对应的外部设备控制指令;外部设备控制指令用于指示外部设备执行相应操作。
根据本申请实施例的脑电信号处理装置,通过对高质量脑电信号进行特征提取,得到脑电特征信息,对脑电特征信息进行模式识别,生成与脑电特征信息对应的外部设备控制指令,实现了对高质量脑电信号进行解码,以用于后续应用。
实施例八
图7是根据本申请第八实施例的示意图。如图7所示,该脑电信号处理装置包括:预处理模块、预测模块、抑制模块、解码模块和预训练模块。
预处理模块701,用于获取脑电信号,并对脑电信号进行预处理。
预测模块702,用于将预处理后的脑电信号输入至预先训练的背景脑电预测模型,预测脑电信号的背景脑电信号。
抑制模块703,用于基于背景脑电信号,抑制脑电信号中的背景脑电信号,得到高质量脑电信号。
解码模块704,用于对高质量脑电信号进行解码分析处理。
预训练模块705,用于训练目标神经网络模型,以得到背景脑电预测模型;其中,预训练模块具体用于:获取多个脑电信号样本;根据多个脑电信号样本,确定与多个脑电信号样本各自对应的背景脑电信号样本;分别将多个脑电信号样本输入至目标神经网络模型,得到多个脑电信号样本各自对应的背景脑电信号预测值;根据预设损失函数,基于多个脑电信号样本各自的背景脑电信号预测值和各自的背景脑电信号样本,计算损失值;根据损失值训练目标神经网络模型,获得模型参数,并根据模型参数生成背景脑电预测模型。
可选的,在本申请的一些实施例中,预训练模块根据多个脑电信号样本,确定与多个脑电信号样本各自对应的背景脑电信号样本的实现方式可如下:确定属于同一类型的多个脑电信号样本;对属于同一类型的多个脑电信号样本求平均,得到平均脑电信号样本;根据平均脑电信号样本和属于同一类型的多个脑电信号样本,确定与属于同一类型的多个脑电信号样本各自对应的背景脑电信号样本。
其中,
可选的,目标神经网络模型可以是但不限于以下1)至5)项中的任意一项:
1)循环神经网络模型;2)卷积神经网络;3)对抗生成网络4)图神经网络;5)迁移学习网络模型。
可选的,上述循环神经网络模型可以是双向循环神经网络模型。可选的,在本申请的一些实施例中,双向循环神经网络模型包括自注意力模块和计算模块;预训练模块705分别将多个脑电信号样本输入至目标神经网络模型,得到多个脑电信号样本各自对应的背景脑电信号预测值的实现方式可如下:分别将属于同一类型的多个脑电信号输入至目标神经网络模型;确定当前待预测脑电信号样本;基于自注意力模块,确定当前待预测脑电信号样本与已经进行背景脑电预测的多个脑电信号样本的相关性信息;根据相关性信息,基于计算模块确定当前待预测脑电信号样本对应的背景脑电信号预测值,重复执行确定背景脑电预测模型的当前待预测脑电信号样本的操作,直到得到多个脑电信号样本各自对应的背景脑电信号预测值。
根据本申请实施例的脑电信号处理装置,获取多个脑电信号样本,根据多个脑电信号样本,确定与多个脑电信号样本各自对应的背景脑电信号样本,分别将多个脑电信号样本输入至背景脑电预测模型目标神经网络模型,得到多个脑电信号样本各自对应的生成背景脑电信号预测值,根据预设损失函数,基于多个脑电信号样本各自的生成背景脑电信号预测值和各自的背景脑电信号样本,计算多个损失值,根据多个损失值训练目标神经网络模型,获得模型参数,并根据模型参数生成背景脑电预测模型,从而使目标神经网络模型学会对脑电信号中的背景脑电信号进行预测,提高了背景脑电信号预测的准确性。
实施例九
为了实现上述实施例,本申请提出了一种背景脑电预测模型训练装置。
图8是根据本申请第九实施例的示意图。如图8所示,背景脑电预测模型训练装置包括:获取模块、确定模块、输入模块、计算模块和生成模块。
获取模块801,用于获取多个脑电信号样本。
确定模块802,用于根据多个脑电信号样本,确定与多个脑电信号样本各自对应的背景脑电信号样本。
输入模块803,用于分别将多个脑电信号样本输入至目标神经网络模型,得到多个脑电信号样本各自对应的背景脑电信号预测值。
计算模块804,用于根据预设损失函数,基于多个脑电信号样本各自的背景脑电信号预测值和各自的背景脑电信号样本,计算损失值。
生成模块805,用于根据损失值训练目标神经网络模型,获得模型参数,并根据模型参数生成背景脑电预测模型。
根据本申请实施例的背景脑电预测模型训练装置,获取多个脑电信号样本,根据多个脑电信号样本,确定与多个脑电信号样本各自对应的背景脑电信号样本,分别将多个脑电信号样本输入至背景脑电预测模型目标神经网络模型,得到多个脑电信号样本各自对应的生成背景脑电信号预测值,根据预设损失函数,基于多个脑电信号样本各自的生成背景脑电信号预测值和各自的背景脑电信号样本,计算多个损失值,根据多个损失值训练目标神经网络模型,获得模型参数,并根据模型参数生成背景脑电预测模型,从而使目标神经网络模型学会对脑电信号中的背景脑电信号进行预测,提高了背景脑电信号预测的准确性,进而帮助目标网络模型跟准确的预测除背景脑电信号。
实施例十
为了实现上述实施例,本申请提出了一种背景脑电预测模型训练装置。
背景脑电预测模型训练装置包括:
获取模块获取模块,用于获取多个脑电信号样本。
确定模块,用于根据多个脑电信号样本,确定与多个脑电信号样本各自对应的背景脑电信号样本;
其中,确定模块包括:
第一确定子模块,用于确定属于同一类型的多个脑电信号样本。
求平均子模块,用于对属于同一类型的多个脑电信号样本求平均,得到平均脑电信号样本;
第二确定子模块,用于根据平均脑电信号样本和属于同一类型的多个脑电信号样本,确定与属于同一类型的多个脑电信号样本各自对应的背景脑电信号样本。
输入模块,用于分别将多个脑电信号样本输入至目标神经网络模型,得到多个脑电信号样本各自对应的背景脑电信号预测值。
可选的,目标神经网络模型可以是但不限于以下1)至5)项中的任意一项:
1)循环神经网络模型;2)卷积神经网络;3)对抗生成网络4)图神经网络;5)迁移学习网络模型。
可选的,上述循环神经网络模型可以是双向循环神经网络模型。
其中,在本申请实施例中,双向循环神经网络模型包括自注意力模块和计算模块1140。其中,在本申请实施例中,输入模块1130具体用于:分别将属于同一类型的多个脑电信号输入至目标神经网络模型,确定当前待预测脑电信号样本,基于自注意力模块,确定当前待预测脑电信号样本与已经进行背景脑电预测的多个脑电信号样本的相关性信息,根据相关性信息,基于计算模块1140确定当前待预测脑电信号样本对应的背景脑电信号预测值,重复执行确定背景脑电预测模型的当前待预测脑电信号样本的操作,直到得到多个脑电信号样本各自对应的背景脑电信号预测值。
计算模块,用于根据预设损失函数,基于多个脑电信号样本各自的背景脑电信号预测值和各自的背景脑电信号样本,计算损失值。
生成模块,用于根据损失值训练目标神经网络模型,获得模型参数,并根据模型参数生成背景脑电预测模型。
根据本申请实施例的背景脑电预测模型训练装置,对属于同一类型的多个脑电信号样本求平均,得到平均脑电信号样本,根据平均脑电信号样本和属于同一类型的多个脑电信号样本,确定与属于同一类型的多个脑电信号样本各自对应的背景脑电信号样本,从而提高了背景脑电信号样本计算的准确性。另外,通过自注意力模块计算出多个脑电信号样本各自对应的隐含层状态数据与当前待预测脑电信号样本的相关性数据,根据相关性信息,基于计算模块确定当前待预测脑电信号样本对应的背景脑电信号预测值,从而能够更好的拟合背景脑电信号。
根据本申请的实施例,本申请还提供了一种计算机设备和一种可读存储介质。
如图9所示,是用以实现本申请实施例的计算机设备的框图。计算机设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。计算机设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图9所示,该计算机设备包括:一个或多个处理器901、存储器902,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在计算机设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个计算机设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图9中以一个处理器901为例。
存储器902即为本申请所提供的非瞬时计算机可读存储介质。其中,所述存储器存储有可由至少一个处理器执行的指令,以使所述至少一个处理器执行本申请所提供的脑电信号处理方法或背景脑电预测模型训练方法。本申请的非瞬时计算机可读存储介质存储计算机指令,该计算机指令用于使计算机执行本申请所提供的脑电信号处理方法或背景脑电预测模型训练方法。
存储器902作为一种非瞬时计算机可读存储介质,可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块,如本申请实施例中的脑电信号处理方法或背景脑电预测模型训练方法对应的程序指令/模块(例如,附图6所示的预处理模块601、抑制模块602、预测模块603和解码模块604)。处理器901通过运行存储在存储器902中的非瞬时软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例中的脑电信号处理方法或背景脑电预测模型训练方法。
存储器902可以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、至少一个功能所需要的应用程序;存储数据区可存储根据本申请实施例的计算机设备的使用所创建的数据等。此外,存储器902可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中,存储器902可选包括相对于处理器901远程设置的存储器,这些远程存储器可以通过网络连接至本申请实施例的计算机设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
本申请实施例的计算机设备还可以包括:输入装置903和输出装置904。处理器901、存储器902、输入装置903和输出装置904可以通过总线或者其他方式连接,图9中以通过总线连接为例。
输入装置903可接收输入的数字或字符信息,以及产生与本申请实施例的计算机设备的用户设置以及功能控制有关的键信号输入,例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置904可以包括显示设备、辅助照明装置(例如,LED)和触觉反馈装置(例如,振动电机)等。该显示设备可以包括但不限于,液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中,显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令,并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的,术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如,磁盘、光盘、存储器、可编程逻辑装置(PLD)),包括,接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务("Virtual Private Server",或简称"VPS")中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本申请保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (15)
1.一种脑电信号处理方法,包括:
获取脑电信号,并对所述脑电信号进行预处理;
将预处理后的所述脑电信号输入至预先训练的背景脑电预测模型,预测所述脑电信号的背景脑电信号;
基于所述背景脑电信号,抑制所述脑电信号中的背景脑电信号,得到高质量脑电信号;
对所述高质量脑电信号进行解码分析处理。
2.根据权利要求1所述的方法,其中,所述背景脑电预测模型通过以下方式预先练训而得到:
获取多个脑电信号样本;
根据所述多个脑电信号样本,确定与所述多个脑电信号样本各自对应的背景脑电信号样本;
分别将所述多个脑电信号样本输入至目标神经网络模型,得到所述多个脑电信号样本各自对应的背景脑电信号预测值;
根据预设损失函数,基于所述多个脑电信号样本各自的背景脑电信号预测值和各自的背景脑电信号样本,计算损失值;
根据所述损失值训练所述目标神经网络模型,获得模型参数,并根据所述模型参数生成所述背景脑电预测模型。
3.根据权利要求2所述的方法,其中,所述根据所述多个脑电信号样本,确定与所述多个脑电信号样本各自对应的背景脑电信号样本,包括:
确定属于同一类型的多个脑电信号样本;
对所述属于同一类型的多个脑电信号样本求平均,得到平均脑电信号样本;
根据所述平均脑电信号样本和所述属于同一类型的多个脑电信号样本,确定与所述属于同一类型的多个脑电信号样本各自对应的背景脑电信号样本。
4.根据权利要求3所述的方法,其中,所述目标神经网络模型为以下1)至2)项中的任意一项:
1)双向循环神经网络模型;2)迁移学习网络模型。
5.根据权利要求4所述的方法,其中,所述双向循环神经网络模型包括自注意力模块和计算模块;所述分别将所述多个脑电信号样本输入至所述目标神经网络模型,得到所述多个脑电信号样本各自对应的背景脑电信号预测值,包括:
分别将所述属于同一类型的多个脑电信号输入至所述目标神经网络模型;
确定当前待预测脑电信号样本;
基于所述自注意力模块,确定所述当前待预测脑电信号样本与已经进行背景脑电预测的多个脑电信号样本的相关性信息;
根据所述相关性信息,基于所述计算模块确定当前待预测脑电信号样本对应的背景脑电信号预测值,重复执行所述确定背景脑电预测模型的当前待预测脑电信号样本的操作,直到得到所述多个脑电信号样本各自对应的背景脑电信号预测值。
6.根据权利要求1所述的方法,其中,所述对所述高质量脑电信号进行解码分析处理,包括:
对所述高质量脑电信号进行特征提取,得到脑电特征信息;
对所述脑电特征信息进行模式识别,生成与所述脑电特征信息对应的外部设备控制指令;所述外部设备控制指令用于指示所述外部设备执行相应操作。
7.一种背景脑电预测模型的训练方法,其特征在于,包括:
获取多个脑电信号样本;
根据所述多个脑电信号样本,确定与所述多个脑电信号样本各自对应的背景脑电信号样本;
分别将所述多个脑电信号样本输入至目标神经网络模型,得到所述多个脑电信号样本各自对应的背景脑电信号预测值;
根据预设损失函数,基于所述多个脑电信号样本各自的背景脑电信号预测值和各自的背景脑电信号样本,计算损失值;
根据所述损失值训练所述目标神经网络模型,获得模型参数,并根据所述模型参数生成所述背景脑电预测模型。
8.根据权利要求7所述的方法,其中,所述根据所述多个脑电信号样本,确定与所述多个脑电信号样本各自对应的背景脑电信号样本,包括:
确定属于同一类型的多个脑电信号样本;
对所述属于同一类型的多个脑电信号样本求平均,得到平均脑电信号样本;
根据所述平均脑电信号样本和所述属于同一类型的多个脑电信号样本,确定与所述属于同一类型的多个脑电信号样本各自对应的背景脑电信号样本。
9.根据权利要求8所述的方法,其中,所述目标神经网络模型为以下1)至2)项中的任意一项:
1)双向循环神经网络模型;2)迁移学习网络模型。
10.根据权利要求9所述的方法,其中,所述双向循环神经网络模型包括自注意力模块和计算模块;所述分别将所述多个脑电信号样本输入至所述目标神经网络模型,得到所述多个脑电信号样本各自对应的背景脑电信号预测值,包括:
分别将所述属于同一类型的多个脑电信号输入至所述目标神经网络模型;
确定当前待预测脑电信号样本;
基于所述自注意力模块,确定所述当前待预测脑电信号样本与已经进行背景脑电预测的多个脑电信号样本的相关性信息;
根据所述相关性信息,基于所述计算模块确定当前待预测脑电信号样本对应的背景脑电信号预测值,重复执行所述确定背景脑电预测模型的当前待预测脑电信号样本的操作,直到得到所述多个脑电信号样本各自对应的背景脑电信号预测值。
11.一种脑电信号处理装置,其特征在于,包括:
预处理模块,用于获取脑电信号,并对所述脑电信号进行预处理;
预测模块,用于将预处理后的所述脑电信号输入至预先训练的背景脑电预测模型,预测所述脑电信号的背景脑电信号;
抑制模块,用于基于所述背景脑电信号,抑制所述脑电信号中的背景脑电信号,得到高质量脑电信号;
解码模块,用于对所述高质量脑电信号进行解码分析处理。
12.一种背景脑电预测模型训练装置,其特征在于,包括:
获取模块,用于获取多个脑电信号样本;
确定模块,用于根据所述多个脑电信号样本,确定与所述多个脑电信号样本各自对应的背景脑电信号样本;
输入模块,用于分别将所述多个脑电信号样本输入至目标神经网络模型,得到所述多个脑电信号样本各自对应的背景脑电信号预测值;
计算模块,用于根据预设损失函数,基于所述多个脑电信号样本各自的背景脑电信号预测值和各自的背景脑电信号样本,计算损失值;
生成模块,用于根据所述损失值训练所述目标神经网络模型,获得模型参数,并根据所述模型参数生成所述背景脑电预测模型。
13.一种存储介质,当所述存储介质中的指令由计算机设备的处理器执行时,使得所述计算机设备能够执行如权利要求1至6中任一项所述的脑电信号处理方法,或者,执行如权利要求7至10中任一项所述的背景脑电预测模型的训练方法。
14.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6任一项所述的脑电信号处理方法,或者,执行如权利要求7至10中任一项所述的背景脑电预测模型的训练方法。
15.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现如权利要求1至6任一项所述的脑电信号处理方法的步骤,或者,实现如权利要求7至10中任一项所述的背景脑电预测模型的训练方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111552706.5A CN114246594B (zh) | 2021-12-17 | 2021-12-17 | 脑电信号处理方法、背景脑电预测模型的训练方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111552706.5A CN114246594B (zh) | 2021-12-17 | 2021-12-17 | 脑电信号处理方法、背景脑电预测模型的训练方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114246594A true CN114246594A (zh) | 2022-03-29 |
CN114246594B CN114246594B (zh) | 2024-04-09 |
Family
ID=80792752
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111552706.5A Active CN114246594B (zh) | 2021-12-17 | 2021-12-17 | 脑电信号处理方法、背景脑电预测模型的训练方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114246594B (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103479352A (zh) * | 2013-09-30 | 2014-01-01 | 无锡赛思汇智科技有限公司 | 一种脑电信号监测装置与脑电信号采集方法 |
CN104545900A (zh) * | 2014-12-29 | 2015-04-29 | 中国医学科学院生物医学工程研究所 | 一种基于配对样本t检验的事件相关电位分析方法 |
US20160143574A1 (en) * | 2014-11-25 | 2016-05-26 | Stephen Carter Jones | Non-Invasive Systems and Methods to Detect Cortical Spreading Depression for the Detection and Assessment of Brain Injury and Concussion |
WO2017201972A1 (zh) * | 2016-05-26 | 2017-11-30 | 华为技术有限公司 | 基于脑电信号的身份识别的方法和装置 |
CN108236464A (zh) * | 2017-12-29 | 2018-07-03 | 重庆邮电大学 | 基于脑电信号的特征提取方法及其检测提取系统 |
CN108836301A (zh) * | 2018-05-04 | 2018-11-20 | 江苏师范大学 | 一种基于奇异谱分析和稀疏表示的单次诱发电位提取方法 |
CN109671500A (zh) * | 2019-02-26 | 2019-04-23 | 上海交通大学 | 基于脑电图时域数据的精神分裂症辅助诊断分类方法 |
CN110135285A (zh) * | 2019-04-26 | 2019-08-16 | 中国人民解放军战略支援部队信息工程大学 | 一种使用单导设备的脑电静息态身份认证方法及装置 |
CN111700610A (zh) * | 2020-06-04 | 2020-09-25 | 浙江普可医疗科技有限公司 | 一种脑电爆发抑制模式的分析方法、装置、系统及其存储介质 |
CN112294342A (zh) * | 2020-10-30 | 2021-02-02 | 哈尔滨理工大学 | 一种基于深度残差Mask-CCNN的睡眠分期方法 |
CN112401906A (zh) * | 2020-11-10 | 2021-02-26 | 河北省科学院应用数学研究所 | 一种基于幅值的自动脑电去伪迹方法 |
CN113081002A (zh) * | 2021-03-31 | 2021-07-09 | 北京智源人工智能研究院 | 脑电信号的伪差去除方法、装置及电子设备 |
CN113239744A (zh) * | 2021-04-25 | 2021-08-10 | 西安电子科技大学 | 基于深度学习的脑电-肌电信号融合识别方法 |
RU2754779C1 (ru) * | 2020-07-29 | 2021-09-07 | ОБЩЕСТВО С ОГРАНИЧЕННОЙ ОТВЕТСТВЕННОСТЬЮ "СберМедИИ" | Способ выявления депрессии на основе данных ээг |
-
2021
- 2021-12-17 CN CN202111552706.5A patent/CN114246594B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103479352A (zh) * | 2013-09-30 | 2014-01-01 | 无锡赛思汇智科技有限公司 | 一种脑电信号监测装置与脑电信号采集方法 |
US20160143574A1 (en) * | 2014-11-25 | 2016-05-26 | Stephen Carter Jones | Non-Invasive Systems and Methods to Detect Cortical Spreading Depression for the Detection and Assessment of Brain Injury and Concussion |
CN104545900A (zh) * | 2014-12-29 | 2015-04-29 | 中国医学科学院生物医学工程研究所 | 一种基于配对样本t检验的事件相关电位分析方法 |
WO2017201972A1 (zh) * | 2016-05-26 | 2017-11-30 | 华为技术有限公司 | 基于脑电信号的身份识别的方法和装置 |
CN108236464A (zh) * | 2017-12-29 | 2018-07-03 | 重庆邮电大学 | 基于脑电信号的特征提取方法及其检测提取系统 |
CN108836301A (zh) * | 2018-05-04 | 2018-11-20 | 江苏师范大学 | 一种基于奇异谱分析和稀疏表示的单次诱发电位提取方法 |
CN109671500A (zh) * | 2019-02-26 | 2019-04-23 | 上海交通大学 | 基于脑电图时域数据的精神分裂症辅助诊断分类方法 |
CN110135285A (zh) * | 2019-04-26 | 2019-08-16 | 中国人民解放军战略支援部队信息工程大学 | 一种使用单导设备的脑电静息态身份认证方法及装置 |
CN111700610A (zh) * | 2020-06-04 | 2020-09-25 | 浙江普可医疗科技有限公司 | 一种脑电爆发抑制模式的分析方法、装置、系统及其存储介质 |
RU2754779C1 (ru) * | 2020-07-29 | 2021-09-07 | ОБЩЕСТВО С ОГРАНИЧЕННОЙ ОТВЕТСТВЕННОСТЬЮ "СберМедИИ" | Способ выявления депрессии на основе данных ээг |
CN112294342A (zh) * | 2020-10-30 | 2021-02-02 | 哈尔滨理工大学 | 一种基于深度残差Mask-CCNN的睡眠分期方法 |
CN112401906A (zh) * | 2020-11-10 | 2021-02-26 | 河北省科学院应用数学研究所 | 一种基于幅值的自动脑电去伪迹方法 |
CN113081002A (zh) * | 2021-03-31 | 2021-07-09 | 北京智源人工智能研究院 | 脑电信号的伪差去除方法、装置及电子设备 |
CN113239744A (zh) * | 2021-04-25 | 2021-08-10 | 西安电子科技大学 | 基于深度学习的脑电-肌电信号融合识别方法 |
Non-Patent Citations (1)
Title |
---|
杨晨: "面向应用的稳态视觉诱发电位脑—机接口算法及系统研究", 中国博士学位论文电子期刊网, no. 06 * |
Also Published As
Publication number | Publication date |
---|---|
CN114246594B (zh) | 2024-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lun et al. | A simplified CNN classification method for MI-EEG via the electrode pairs signals | |
CN110070105B (zh) | 基于元学习实例快速筛选的脑电情绪识别方法、系统 | |
Miao et al. | A spatial-frequency-temporal optimized feature sparse representation-based classification method for motor imagery EEG pattern recognition | |
Alwasiti et al. | Motor imagery classification for brain computer interface using deep metric learning | |
CN111714118A (zh) | 一种基于集成学习的脑认知模型融合方法 | |
CN110135244B (zh) | 一种基于脑-机协同智能的表情识别方法 | |
Gupta et al. | Analysis and identification of dermatological diseases using Gaussian mixture modeling | |
CN111753683A (zh) | 一种基于多专家卷积神经网络的人体姿态识别方法 | |
CN108523883A (zh) | 一种基于实际动作建模的左右食指连续运动想象识别系统 | |
Yang et al. | A novel deep learning scheme for motor imagery EEG decoding based on spatial representation fusion | |
Wang et al. | Dual-modal information bottleneck network for seizure detection | |
CN113180692A (zh) | 一种基于特征融合和注意力机制的脑电信号分类识别方法 | |
Zhang et al. | An amplitudes-perturbation data augmentation method in convolutional neural networks for EEG decoding | |
CN109009098A (zh) | 一种运动想象状态下的脑电信号特征识别方法 | |
Sharma et al. | DepCap: a smart healthcare framework for EEG based depression detection using time-frequency response and deep neural network | |
Wang et al. | Multiband decomposition and spectral discriminative analysis for motor imagery BCI via deep neural network | |
Ghonchi et al. | Spatio-temporal deep learning for EEG-fNIRS brain computer interface | |
CN111772629B (zh) | 一种脑认知技能移植的方法 | |
Wu et al. | Faster single model vigilance detection based on deep learning | |
CN114246594B (zh) | 脑电信号处理方法、背景脑电预测模型的训练方法及装置 | |
CN116524380A (zh) | 一种基于脑-机信号融合的目标检测方法 | |
Bhalerao et al. | Automatic detection of motor imagery EEG signals using swarm decomposition for robust BCI systems | |
Idowu et al. | Efficient classification of motor imagery using particle swarm optimization-based neural network for IoT applications | |
Lu | Human emotion recognition based on multi-channel EEG signals using LSTM neural network | |
CN114027840A (zh) | 基于变分模态分解的情绪脑电识别方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |