CN114403898B - 一种脑电数据的噪声去除方法、装置及电子设备 - Google Patents

一种脑电数据的噪声去除方法、装置及电子设备 Download PDF

Info

Publication number
CN114403898B
CN114403898B CN202210081995.3A CN202210081995A CN114403898B CN 114403898 B CN114403898 B CN 114403898B CN 202210081995 A CN202210081995 A CN 202210081995A CN 114403898 B CN114403898 B CN 114403898B
Authority
CN
China
Prior art keywords
signal
cluster
clusters
electroencephalogram data
potential signal
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
Application number
CN202210081995.3A
Other languages
English (en)
Other versions
CN114403898A (zh
Inventor
李小俚
陈贺
张昊
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.)
Beijing Normal University
Original Assignee
Beijing Normal University
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 Normal University filed Critical Beijing Normal University
Priority to CN202210081995.3A priority Critical patent/CN114403898B/zh
Publication of CN114403898A publication Critical patent/CN114403898A/zh
Application granted granted Critical
Publication of CN114403898B publication Critical patent/CN114403898B/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
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/369—Electroencephalography [EEG]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/369—Electroencephalography [EEG]
    • A61B5/372—Analysis of electroencephalograms
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7253—Details of waveform analysis characterised by using transforms
    • A61B5/726—Details of waveform analysis characterised by using transforms using Wavelet transforms
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—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
    • 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

Landscapes

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

Abstract

本申请实施例提供了一种脑电数据的噪声去除方法、装置及电子设备。涉及脑电数据的噪声去除技术领域，所述方法包括：对所述脑电数据进行信号分解，得到多个时间序列；根据所述时间序列，得到所述脑电数据的潜在信号源；对所述潜在信号源进行特征提取，得到所述潜在信号源的特征值；根据所述特征值，对所述潜在信号源进行聚类，得到多个信号簇；获取每个所述信号簇的距离指标，根据所述距离指标得到与噪声相关的目标簇；根据所述多个信号簇和所述目标簇，对所述潜在信号源进行时序重建，得到去噪后的脑电数据。

Description

一种脑电数据的噪声去除方法、装置及电子设备
技术领域
本公开实施例涉及脑电数据的噪声去除技术领域，更具体地，涉及一种脑电数据的噪声去除方法、装置及电子设备。
背景技术
脑电(Electroencephalogram，EEG)数据是神经活动的群体活动水平的直接测量。在临床或者教育环境的认知功能评估中，少通道脑电数据可以作为便捷有效的脑状态检测数据。
但是由于脑电图记录的是头皮上的电活动，所以很容易被各种噪声污染，包括内部电生理噪声，如眼电和肌电图，以及外部设备产生的噪声，如机械振动和电流工频噪声。去除收集到的脑电中的这些噪声是准确解释脑功能和状态的前提。
目前对脑电数据进行噪声去除主要采用盲源分离(Blind Source Separation，BSS)方法，BSS常用基于阈值的方法去除噪声，但是脑活动是一种较慢、自相关度较高的信号，因此脑活动的自相关系数较高，因此采用基于阈值的方法可能会导致有效的脑电成分被丢弃，导致对脑活动的过度抑制，无法去除特定的噪声，另外，BSS不能直接应用于少通道脑电数据。
发明内容
本公开的一个目的是提供一种脑电数据的噪声去除方法、装置及电子设备的新的技术方案。
根据本公开的第一方面，提供了脑电数据的噪声去除方法的一个实施例，所述方法包括：对所述脑电数据进行信号分解，得到多个时间序列；根据所述时间序列，得到所述脑电数据的潜在信号源；对所述潜在信号源进行特征提取，得到所述潜在信号源的特征值；根据所述特征值，对所述潜在信号源进行聚类，得到多个信号簇；获取每个所述信号簇的距离指标，根据所述距离指标得到与噪声相关的目标簇；根据所述多个信号簇和所述目标簇，对所述潜在信号源进行时序重建，得到去噪后的脑电数据。
可选地，所述脑电数据具有多个通道，所述对所述脑电数据进行信号分解，得到多个时间序列，包括：采用多分辨率分析法，将每一通道的所述脑电数据分别与小波函数进行卷积，得到对应于每一通道的具有子频带的时间序列。
可选地，所述根据所述时间序列，得到所述脑电数据的潜在信号源，包括：采用典型相关分析对所述时间序列进行分解，得到投射矩阵；根据所述投射矩阵和每一通道的所述时间序列，得到所述脑电数据的潜在信号源。
可选地，所述对所述潜在信号源进行特征提取，得到所述潜在信号源的特征值，包括：对所述潜在信号源进行时间和频率分析，得到所述潜在信号源的特征值，其中，所述特征值包括自相关系数、分形维度、总功率、偏度、峰度和峰值频率。
可选地，所述获取每个所述信号簇的距离指标，包括：利用除去第一信号簇之外的所述信号簇，训练一个单类支持向量机，所述第一信号簇包括所述多个信号簇中的任一个；获取所述第一信号簇中所有脑电数据到所述单类支持向量机边界的距离，将所述距离的平均值作为第一信号簇的距离指标。
可选地，所述根据所述距离指标得到与噪声相关的目标簇，包括：获取所有第一信号簇的距离指标，将所有第一信号簇中距离指标为负距离的第一信号簇作为与噪声相关的目标簇。
可选地，所述根据所述距离指标得到与噪声相关的目标簇，还包括：当第一信号簇满足下述四个条件中的任一个时，将所述第一信号簇作为目标簇；第一信号簇的平均自相关系数小于所有目标簇的平均自相关系数；第一信号簇的平均分形维度小于所有目标簇的平均分形维度；第一信号簇的平均偏度绝对值大于等于所有目标簇的平均偏度绝对值；第一信号簇的平均峰度绝对值大于等于所有目标簇的平均峰度绝对值。
可选地，所述根据所述多个信号簇和所述目标簇，对所述潜在信号源进行时序重建，得到去噪后的脑电数据，包括：获取第二信号簇，所述第二信号簇为所述多个信号簇中除去所述目标簇的信号簇；通过逆典型相关分析法，对所述第二信号簇进行时序重建，得到去噪后的脑电数据。
根据本公开的第二方面，提供了脑电数据的噪声去除装置的一个实施例，所述装置包括：分解模块，用于对所述脑电数据进行信号分解，得到多个时间序列；信号源获取模块，用于根据所述时间序列，得到所述脑电数据的潜在信号源；特征提取模块，用于对所述潜在信号源进行特征提取，得到所述潜在信号源的特征值；聚类模块，用于根据所述特征值，对所述潜在信号源进行聚类，得到多个信号簇；噪声检测模块，用于获取每个所述信号簇的距离指标，根据所述距离指标得到与噪声相关的目标簇；噪声去除模块，用于根据所述多个信号簇和所述目标簇，对所述潜在信号源进行时序重建，得到去噪后的脑电数据。
根据本公开的第三方面，提供了电子设备的一个实施例，特征在于，包括：存储器和处理器，所述存储器用于存储计算机程序；所述处理器用于执行所述计算机程序，以实现如本说明书的第一方面所述的方法。
本公开实施例的一个有益效果在于，本实施例通过对脑电数据进行信号分解，得到多个时间序列；根据时间序列，得到脑电数据的潜在信号源；对潜在信号源进行特征提取，得到潜在信号源的特征值；根据特征值，对潜在信号源进行聚类，得到多个信号簇；获取每个信号簇的距离指标，根据距离指标得到与噪声相关的目标簇；根据所述多个信号簇中不属于目标簇的信号，对潜在信号源进行时序重建，得到去噪后的脑电数据，通过每一信号簇到对应的单类支持向量机的距离指标对与噪声相关的信号簇进行筛选，从空间维度上对噪声数据进行检测，检测噪声的过程是自适应和数据驱动的，因此可以在单次过程中识别出各种多种噪声相关的源成分，而无需手动设置任何阈值，去除噪声的效果更好。
通过以下参照附图对本说明书的示例性实施例的详细描述，本说明书的其它特征及其优点将会变得清楚。
附图说明
被结合在说明书中并构成说明书的一部分的附图示出了本说明书的实施例，并且连同其说明一起用于解释本说明书的原理。
图1为用于实现本公开实施例的服务器的结构示意图；
图2为本实施例提供的一种脑电数据的噪声去除方法的流程示意图；
图3是根据距离指标得到与噪声相关的目标簇的方法步骤示意图；
图4是根据一个实施例的脑电数据的噪声去除装置的方框原理图；
图5是根据一个实施例的电子设备的硬件结构示意图。
具体实施方式
现在将参照附图来详细描述本公开的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。
在这里示出和讨论的所有例子中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它例子可以具有不同的值。
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讨论。
本公开实施例涉及脑电噪音的去除应用场景。
脑电(Electroencephalogram，EEG)是神经活动的群体活动水平的直接测量。但是由于脑电图记录的是头皮上的电活动，所以很容易被各种噪声污染，包括内部电生理噪声，如眼电(electro-oculogram，EOG)和肌电图(electromyogram，EMG)，以及外部设备产生的噪声，如机械振动和电流工频噪声。去除收集到的脑电中的这些噪声是准确解释脑功能和状态的前提。
为了去除脑电中的噪声，一般采用盲源分离(Blind Source Separation，BSS)方法，来提取脑电数据中潜在的成分，如独立成分分析(Independent Component Analysis，ICA)和典型相关分析(Canonical Correlation Analysis，CCA)。ICA采用高阶统计(highorder statistics，HOS)，将信号X分解为相互独立的分量S，使X＝WS。CCA使用二阶统计将信号分解为最大化自相关、最小化互相关的分量，CCA比ICA至少快一个数量级。
但是常用基于阈值的方法使用CCA去除噪声，可能会导致有效的脑电成分被丢弃。如模拟的脑活动分量的自相关系数在0.4-1之间变化，因此如果拒绝低于阈值的所有分量，将过度去除有效的脑活动。此外，工频噪声的分量具有较高的自相关值，导致基于阈值的方法无法去除工频噪声。
也就是说，采用基于阈值的方式去除噪声其效果并不理想。
针对以上实施方式存在的技术问题，本公开提供一种脑电数据的噪声去除方法，对脑电数据进行信号分解，得到脑电数据的潜在信号源；根据信号源的特征值进行聚类，得到多个信号簇；获取每个所述信号簇在空间上的分布数据(也就是距离指标)，根据它们在特征空间中的分布，而不是经验上指定的阈值来去除与噪声相关的脑电信号，整个过程完全是数据驱动和自适应的，因此可以在单次过程中同时去除各种不同噪声，而不会过度抑制大脑活动，噪声识别和去除性能更高，适应性更好。
<硬件配置>
图1是可用于实现本公开实施例的服务器的结构示意图。
该服务器2000提供处理、数据库、通讯设施的业务点。服务器2000可以是整体式服务器，跨多计算机，计算机数据中心的分散式服务器，云服务器，或者部署在云端的服务器集群等。服务器可以是各种类型的，例如但不限于，网络服务器，新闻服务器，邮件服务器，消息服务器，广告服务器，文件服务器，应用服务器，交互服务器，数据库服务器，或代理服务器。在一些实施例中，每个服务器可以包括硬件，软件，或用于执行服务器所支持或实现的合适功能的内嵌逻辑组件或两个或多个此类组件的组合。
该服务器2000具体配置可以包括但不限于处理器2100、存储器2200、接口装置2300、通信装置2400。处理器2100用于执行采用比如x86、Arm、RISC、MIPS、SSE等架构的指令集编写的计算机程序。存储器2200例如是ROM(只读存储器)、RAM(随机存取存储器)、诸如硬盘的非易失性存储器等。接口装置2300例如是USB接口、串行接口、并行接口、网口等。通信装置2400例如是能够进行有线通信或无线通信，例如可以包括WiFi通信、蓝牙通信、2G/3G/4G/5G通信等。
应用于本公开实施例中，服务器2000的存储器2200用于存储计算机程序，该计算机程序用于控制所述处理器2100进行操作以实现根据本公开实施例的方法。技术人员可以根据本公开所公开方案设计该计算机程序。该计算机程序如何控制处理器进行操作，这是本领域公知，故在此不再详细描述。
本领域技术人员应当理解，除图1示出的各装置，服务器2000还可以包括其他装置，在此不做限定。
下面，参照附图描述根据本发明的各个实施例和例子。
<方法实施例>
图2是根据一个实施例的脑电数据的噪声去除方法的流程示意图，该实施例可以由服务器实施，如图1中的处理器2100，也可以由电子设备实施，电子设备可以是电脑、计算机等设备。
如图2所示，本实施例的脑电数据的噪声去除方法可以包括如下步骤：
S210、对脑电数据进行信号分解，得到多个时间序列。
本实施例中，脑电数据具有多个通道，脑电数据可以是多通道的脑电数据，例如其通道数量可以是10；脑电数据也可以是少通道的脑电数据，例如其通道数量可以是3-8。
本实施例采用基于最大重叠小波变换的多分辨率分析(maximal overlapwavelet transform based multi-resolution analysis，MODWTMRA)法，将每一通道的脑电数据分别与小波函数进行卷积，得到对应于每一通道的具有子频带的时间序列。
在一个例子中，小波函数为：
Figure BDA0003486382940000061
其中，a和b是尺度和平移参数，用以调节小波函数的时频分辨率和时间位置。两个参数a和b都是2的幂次的整数倍，也就是a＝2j和b＝k2j，其中j和k分别是信号分解层数和对应层中的时域定位。进而采用离散小波变换将信号通过滤波器从而完成脑电信号的分解，该脑电信号为脑电数据中的信号。
例如，通过第j层的长度为L的小波滤波器{hj，l:l＝0，…，L-1}和尺度滤波器{gj，l:l＝0，…，L-1}对脑电信号进行分解，信号X与上述小波滤波器和尺度滤波器同时卷积，得到该第j层中的近似和细节系数，产生正交的两个子频带。再进行降采样，并进入下一层近似和细节系数的计算，如此迭代，直至每一通道的脑电信号都分解完成，从而产生每一通道对应的正交的子频带。
需要说明的是，在降采样的过程中，由于离散小波变换并不是平移不变的，会导致在去噪过程中引入其他噪声，因此，本实施例还采用最大重叠小波变换对小波滤波器和尺度滤波器进行归一化处理。
其中，采用最大重叠小波变换进行归一化的小波滤波器
Figure BDA0003486382940000071
尺度滤波器
Figure BDA0003486382940000072
第J0层的最大重叠小波变换包含了J0+1个向量/>
Figure BDA0003486382940000073
和/>
Figure BDA0003486382940000074
这些向量的长度均为输入的脑电数据的长度N。当N为2的幂次的整数倍时，可以得到：
Figure BDA0003486382940000075
其中，
Figure BDA0003486382940000076
表征脑电数据在第j层的向量表示，/>
Figure BDA0003486382940000077
用于计算近似系数，X为输入的脑电信号。对于任意的J0≥1和N≥1，/>
Figure BDA0003486382940000078
将其转化为矩阵的形式，即/>
Figure BDA0003486382940000079
其中/>
Figure BDA00034863829400000710
是N*N的矩阵，那么，细节系数/>
Figure BDA00034863829400000711
和近似系数/>
Figure BDA00034863829400000712
就可以由反变换/>
Figure BDA00034863829400000713
和/>
Figure BDA00034863829400000714
得到。最终，输入的脑电信号X在第J0层的基于最大重叠小波变换的多分辨率分析，得到的子频段时间序列公式为：
Figure BDA00034863829400000715
在一个例子中，由于symlets小波比极值相位小波更对称，且具有良好的时频定位特性，适合于噪声的去除和重建，因此小波函数可以选取消失矩为5的symlets小波函数，且为了具有可比性，MODWTMRA的水平值被设置为最接近小于或等于log2(N)的整数，其中N是脑电信号的时间点数量。
在一个例子中，假设脑电数据为于采样率为256Hz的三通道脑电数据，可以使用MODWTMRA将少通道脑电中每个通道数据以7层小波分解为8个子频带时间序列得到24通道时间序列S。
S220、根据时间序列，得到脑电数据的潜在信号源。
本实施例中，根据时间序列，得到脑电数据的潜在信号源采用典型相关分析(Canonical Correlation Analysis，CCA)对时间序列进行分解，得到投射矩阵；根据投射矩阵和每一通道的时间序列，得到脑电数据的潜在信号源。通过对两组多维随机向量进行线性变换，使得变换后变量互相关性最小化。线性变换后的变量有效地保留了最相关的内容，而不相关的内容则被抑制。
例如，设Sx和Sy是两个多通道时间序列，Sx＝(x1，…，xn)及Sy＝(y1，…，yn)。CCA的目的是找到相关性最大化的Wx和Wy，其Wx和Wy的相关性公式为：
Figure BDA0003486382940000081
其中，Cxx和Cyy分别是Sx和Sy的组内方差；Cxy是组间协方差矩阵。ρ的最大值可以通过计算上式对Wx和Wy为导数零来得到：
Figure BDA0003486382940000082
Figure BDA0003486382940000083
那么，Wx和Wy为从源成分到脑电数据的混合矩阵，可以通过计算
Figure BDA0003486382940000084
和/>
Figure BDA0003486382940000085
的特征向分别得到，相应的特征值ρ2为典型相关性的平方，并且按照递减的顺序排列。
例如，时间序列Sx＝S(1,2,4…t-1)，Sy＝S(2,3,4…t)，在根据Wx和Wy的相关性公式得到相关性最大的Wx和Wy之后，可以根据时间序列Sx和Sy，Wx和Wy组成的投射矩阵，得到信号源，其中，信号源Dx＝Sx*Wx,Dy＝Sy*Wy。
延续上述例子，脑电数据为三通道脑电数据，步骤S210将少通道脑电中每个通道数据以7层小波分解为8个子频带时间序列得到24通道时间序列S，设Sx＝S(1,2,4…t-1)，Sy＝S(2,3,4…t)；步骤S220通过CCA分解获得投射矩阵Wx和Wy，并根据Dx＝Sx*Wx,Dy＝Sy*Wy，计算得到24个潜在信号源。
S230、对潜在信号源进行特征提取，得到潜在信号源的特征值。
本实施例中，利用基于最大重叠小波变换的多分辨率分析以及典型相关分析方法从脑电数据中获得的成分来自不同的信号源，包括各种噪声和脑活动。为了量化其特性，对潜在信号源进行特征提取可以对潜在信号源进行时间和频率分析，得到潜在信号源的特征值，其中，特征值包括自相关系数、分形维度、总功率、偏度、峰度和峰值频率。
其中，自相关系数是CCA方法中的参数ρ2；分形维度计算了在不同尺度下信号的方差随着尺度的变化，描述了信号局部波形与整体波形的相似程度，用于量化信号的复杂度；总功率定义为信号波幅的平方和，描述信号的总体能量大小；偏度和峰度用于量化成分在时域的分布特性；峰值频率定义为成分功率谱达到最大值的频率点。
S240、根据特征值，对潜在信号源进行聚类，得到多个信号簇。
本实施例采用K-means聚类方法对潜在信号源进行聚类，K-means是一种成熟的聚类算法，需要指定簇的数量K，从将N个样本X分割成K个聚类开始，目的是找到每个聚类的平均，使得下式最小：
Figure BDA0003486382940000091
其中，μj表示第j个簇的中心点，xi是属于这个簇的一个样本。在初始化中心点后，K-means在以下两个步骤之间迭代。第一步将每个样本分配到其最近的中心点。第二步通过取分配给中心点的所有样本的平均值来创建新的中心点。该算法重复最后两步，直到新旧中心点之间的差异小于一个阈值。
例如，使用K-means将所有脑电数据的成分聚类成为18个簇，然后获得每个簇的距离指标。
本实施例中，获取每个信号簇的距离指标，包括：利用除去第一信号簇之外的信号簇，训练一个单类支持向量机，获取第一信号簇中所有脑电数据到单类支持向量机边界的距离，将距离的平均值作为第一信号簇的距离指标。其中，第一信号簇包括多个信号簇中的任一个，也就是依次对每一信号簇进行距离指标的计算。
例如，聚类后的信号簇有18个，对于每一个信号簇，用其余17个信号簇训练一个单类支持向量机，得到对应于每一个信号簇的18个单类支持向量机，获取每一个信号簇到对应的单类支持向量机边界的距离，将该距离作为该信号簇的距离指标。
S250、获取每个信号簇的距离指标，根据距离指标得到与噪声相关的目标簇。
在一个例子中，单类支持向量机可以构造一个超平面，这个平面集中了大部分的训练数据点，而边界上的数据点是支持向量。对于一个新的数据点，其新颖性可以通过到边界的距离来确定，负距离表示它不属于这个类。因此，本实施例可以通过获取所有第一信号簇的距离指标，将第一信号簇中距离指标为负距离的第一信号簇作为与噪声相关的目标簇。可以理解的是，目标簇是与噪声信号相对应的信号簇，则可以通过去除目标簇，来达到去除噪声的效果。
另外，在确定目标簇的过程中，有可能因为某个簇包含独特的脑电成分而被认为是倾向于噪声的簇。因此，为了解决这个问题，本实施例可以通过检测信号簇是否满足预设条件来确保每个被拒绝的簇有明确的证据表明是与噪声相关的。
因此，本实施例根据距离指标得到与噪声相关的目标簇，还包括：当第一信号簇满足下述四个条件中的任一个时，将第一信号簇作为目标簇。预设的上述四个条件包括：第一信号簇的平均自相关系数小于所有目标簇的平均自相关系数；第一信号簇的平均分形维度小于所有目标簇的平均分形维度；第一信号簇的平均偏度绝对值大于等于所有目标簇的平均偏度绝对值；第一信号簇的平均峰度绝对值大于等于所有目标簇的平均峰度绝对值。
在一个例子中，根据距离指标得到与噪声相关的目标簇的过程如图3所示，具体包括：
S310、初始化集合。
初始化一个名为Reserving_Clusters的集合，包含所有信号簇；初始化一个名为Artifact_Prone_Clusters的空集合，用于保存倾向于噪声的信号簇；初始化一个名为Reject_Clusters的空集合，用于保存与噪声相关的信号簇。
S320、如果Artifact_Prone_Clusters中所有信号簇的数据数量之和等于或小于总成分的20％，进行步骤S330；如果不是，转到S380，判断第一信号簇是否满足预设的四个条件中的任一个。
S330、从Reserving_Clusters中选择一个簇，并取出属于所选簇的成分。
S340、用属于Reserving_Clusters所有其余簇的成分训练一个单类支持向量机SVM。
S350、得到所选簇的成分到单类SVM边界的距离，并将距离的平均值作为所选簇的距离指标。
S360、对Reserving_Clusters中的每个簇重复S330-S350，得到每个簇的距离指标。
S370、找到负距离最大的簇，作为目标簇，将其移到Artifact_Prone_Clusters中，并从Reserving_Clusters中删除该负距离最大的簇；再返回步骤S320，直至找到所有的目标簇。
S380、检测第一信号簇是否满足预设的四个条件中的任一个。
对于Artifact_Prone_Clusters中的每个簇，如果它满足以下四个条件中的任何一个，就把它移到Reject_Clusters，并从Artifact_Prone_Clusters中删除满足条件的Artifact_Prone_Clusters中的对应簇：
a.平均自相关系数小于Reserving_Clusters中簇的所有成分的平均自相关系数。
b.平均分形维度小于Reserving_Clusters中簇的所有成分的平均分形维度。
c.平均偏度绝对值大于等于Reserving_Clusters中簇的所有成分的平均偏度绝对值。
d.平均峰度绝对值大于等于Reserving_Clusters中簇的所有成分的平均峰度绝对值。
S390、获取所有目标簇，得到集合Reject_Clusters。
本实施例中，Reject_Clusters中的所有簇都被认为与噪声有关而在后续运算中被拒绝。本实施例通过每一信号簇到对应的单类支持向量机的距离指标对与噪声相关的信号簇进行筛选，从空间维度上对噪声数据进行检测，检测噪声的过程是自适应和数据驱动的，因此可以在单次过程中识别出各种多种噪声相关的源成分，而无需手动设置任何阈值，去除噪声的效果更好。
S260、根据多个信号簇和目标簇，对潜在信号源进行时序重建，得到去噪后的脑电数据。
本实施例中，可以通过获取第二信号簇，通过逆典型相关分析法，对第二信号簇进行时序重建，得到去噪后的脑电数据，其中，第二信号簇为多个信号簇中除去目标簇的信号簇，也就是说第二信号簇为非目标簇的信号簇。
延续上述实施例，第二信号簇可以是集合Reserving_Clusters和集合Artifact_Prone_Clusters中的信号簇。在实际运用中，可以对与噪声相关的集合Reject_Clusters中的信号簇进行标记，从而在合成新的脑电数据的过程中，拒绝被标记的信号簇。
与步骤S220中的过程相反，可以通过逆CCA对时间序列进行重建：
Figure BDA0003486382940000121
对应地，Sx为时间序列，共有24通道，分别为3通道脑电分解出的8个子频带，再将每个通道对应的8个子频带的时间序列相加，得到去噪后的脑电数据。
以上为本实施例提供的一种脑电数据的噪声去除方法，通过对脑电数据进行信号分解，得到多个时间序列；根据时间序列，得到脑电数据的潜在信号源；对潜在信号源进行特征提取，得到潜在信号源的特征值；根据特征值，对潜在信号源进行聚类，得到多个信号簇；获取每个信号簇的距离指标，根据距离指标得到与噪声相关的目标簇；根据所述多个信号簇中不属于目标簇的信号，对潜在信号源进行时序重建，得到去噪后的脑电数据，通过每一信号簇到对应的单类支持向量机的距离指标对与噪声相关的信号簇进行筛选，从空间维度上对噪声数据进行检测，检测噪声的过程是自适应和数据驱动的，因此可以在单次过程中识别出各种多种噪声相关的源成分，而无需手动设置任何阈值，去除噪声的效果更好。
<装置实施例>
图4是根据一个实施例的装置的原理框图。如图4所示，该脑电数据的噪声去除装置400可以包括：
分解模块401，用于对脑电数据进行信号分解，得到多个时间序列。
信号源获取模块402，用于根据时间序列，得到脑电数据的潜在信号源。
特征提取模块403，用于对潜在信号源进行特征提取，得到潜在信号源的特征值。
聚类模块404，用于根据特征值，对潜在信号源进行聚类，得到多个信号簇。
噪声检测模块405，用于获取每个信号簇的距离指标，根据距离指标得到与噪声相关的目标簇。
噪声去除模块406，用于根据多个信号簇和目标簇，对潜在信号源进行时序重建，得到去噪后的脑电数据。
在一个实施例中，分解模块401可以用于采用多分辨率分析法，将每一通道的所述脑电数据分别与小波函数进行卷积，得到对应于每一通道的具有子频带的时间序列。
信号源获取模块402可以用于采用典型相关分析对所述时间序列进行分解，得到投射矩阵；根据投射矩阵和每一通道的所述时间序列，得到所述脑电数据的潜在信号源。
特征提取模块403可以用于对潜在信号源进行时间和频率分析，得到所述潜在信号源的特征值，其中，所述特征值包括自相关系数、分形维度、总功率、偏度、峰度和峰值频率。
噪声检测模块405可以用于利用除去第一信号簇之外的信号簇，训练一个单类支持向量机，所述第一信号簇包括所述多个信号簇中的任一个；获取所述第一信号簇中所有脑电数据到所述单类支持向量机边界的距离，将所述距离的平均值作为第一信号簇的距离指标。
噪声检测模块405可以用于获取所有第一信号簇的距离指标，将所有第一信号簇中距离指标为负距离的第一信号簇作为与噪声相关的目标簇。
噪声检测模块405还可以用于当第一信号簇满足下述四个条件中的任一个时，将所述第一信号簇作为目标簇；其中，第一信号簇的平均自相关系数小于所有目标簇的平均自相关系数；第一信号簇的平均分形维度小于所有目标簇的平均分形维度；第一信号簇的平均偏度绝对值大于等于所有目标簇的平均偏度绝对值；第一信号簇的平均峰度绝对值大于等于所有目标簇的平均峰度绝对值。
噪声去除模块406可以用于获取第二信号簇，所述第二信号簇为所述多个信号簇中除去所述目标簇的信号簇；通过逆典型相关分析法，对所述第二信号簇进行时序重建，得到去噪后的脑电数据。
本实施例通过每一信号簇到对应的单类支持向量机的距离指标对与噪声相关的信号簇进行筛选，从空间维度上对噪声数据进行检测，检测噪声的过程是自适应和数据驱动的，因此可以在单次过程中识别出各种多种噪声相关的源成分，而无需手动设置任何阈值，去除噪声的效果更好。
<电子设备实施例>
图5是根据一个电子设备的原理框图。如图5所示电子设备500包括：存储器502和处理器501，存储器502用于存储计算机程序；处理器501用于执行所述计算机程序，以实现根据上述方法实施例中提出的方法。
<计算机可读存储介质实施例>
本实施例提供了一种计算机可读存储介质，该存储介质中存储有可执行命令，该可执行命令被处理器执行时，执行本说明书任意方法实施例中描述的方法。
本说明书的一个实施例或者多个实施例可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本说明书的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本说明书实施例操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本说明书的各个方面。
这里参照根据本说明书实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本说明书的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本说明书的多个实施例的系统、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、程序段或指令的一部分，模块、程序段或指令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。在有些作为替换的实现中，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。对于本领域技术人物来说公知的是，通过硬件方式实现、通过软件方式实现以及通过软件和硬件结合的方式实现都是等价的。
以上已经描述了本说明书的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人物来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进，或者使本技术领域的其它普通技术人物能理解本文披露的各实施例。本申请的范围由所附权利要求来限定。

Claims (8)

1.一种脑电数据的噪声去除方法，其特征在于，所述方法包括：
对所述脑电数据进行信号分解，得到多个时间序列；
根据所述时间序列，得到所述脑电数据的潜在信号源；
对所述潜在信号源进行特征提取，得到所述潜在信号源的特征值；
根据所述特征值，对所述潜在信号源进行聚类，得到多个信号簇；
获取每个所述信号簇的距离指标，根据所述距离指标得到与噪声相关的目标簇；
根据所述多个信号簇和所述目标簇，对所述潜在信号源进行时序重建，得到去噪后的脑电数据；
其中，所述根据所述时间序列，得到所述脑电数据的潜在信号源，包括：采用典型相关分析对所述时间序列进行分解，得到投射矩阵；根据所述投射矩阵和每一通道的所述时间序列，得到所述脑电数据的潜在信号源；
所述对所述潜在信号源进行特征提取，得到所述潜在信号源的特征值，包括：对所述潜在信号源进行时间和频率分析，得到所述潜在信号源的特征值，其中，所述特征值包括自相关系数、分形维度、总功率、偏度、峰度和峰值频率。
2.根据权利要求1所述的方法，其特征在于，所述脑电数据具有多个通道，所述对所述脑电数据进行信号分解，得到多个时间序列，包括：
采用多分辨率分析法，将每一通道的所述脑电数据分别与小波函数进行卷积，得到对应于每一通道的具有子频带的时间序列。
3.根据权利要求1所述的方法，其特征在于，所述获取每个所述信号簇的距离指标，包括：
利用除去第一信号簇之外的所述信号簇，训练一个单类支持向量机，所述第一信号簇包括所述多个信号簇中的任一个；
获取所述第一信号簇中所有脑电数据到所述单类支持向量机边界的距离，将所述距离的平均值作为第一信号簇的距离指标。
4.根据权利要求1所述的方法，其特征在于，所述根据所述距离指标得到与噪声相关的目标簇，包括：
获取所有第一信号簇的距离指标，将所有第一信号簇中距离指标为负距离的第一信号簇作为与噪声相关的目标簇。
5.根据权利要求1或4所述的方法，其特征在于，所述根据所述距离指标得到与噪声相关的目标簇，还包括：当第一信号簇满足下述四个条件中的任一个时，将所述第一信号簇作为目标簇；
第一信号簇的平均自相关系数小于所有目标簇的平均自相关系数；
第一信号簇的平均分形维度小于所有目标簇的平均分形维度；
第一信号簇的平均偏度绝对值大于等于所有目标簇的平均偏度绝对值；
第一信号簇的平均峰度绝对值大于等于所有目标簇的平均峰度绝对值。
6.根据权利要求1所述的方法，其特征在于，所述根据所述多个信号簇和所述目标簇，对所述潜在信号源进行时序重建，得到去噪后的脑电数据，包括：
获取第二信号簇，所述第二信号簇为所述多个信号簇中除去所述目标簇的信号簇；
通过逆典型相关分析法，对所述第二信号簇进行时序重建，得到去噪后的脑电数据。
7.一种脑电数据的噪声去除装置，其特征在于，所述装置包括：
分解模块，用于对所述脑电数据进行信号分解，得到多个时间序列；
信号源获取模块，用于根据所述时间序列，得到所述脑电数据的潜在信号源；其中，所述信号源获取模块在根据所述时间序列，得到所述脑电数据的潜在信号源时，用于采用典型相关分析对所述时间序列进行分解，得到投射矩阵；根据所述投射矩阵和每一通道的所述时间序列，得到所述脑电数据的潜在信号源；
特征提取模块，用于对所述潜在信号源进行特征提取，得到所述潜在信号源的特征值；其中，所述特征提取模块在对所述潜在信号源进行特征提取，得到所述潜在信号源的特征值时，用于对所述潜在信号源进行时间和频率分析，得到所述潜在信号源的特征值，所述特征值包括自相关系数、分形维度、总功率、偏度、峰度和峰值频率；
聚类模块，用于根据所述特征值，对所述潜在信号源进行聚类，得到多个信号簇；
噪声检测模块，用于获取每个所述信号簇的距离指标，根据所述距离指标得到与噪声相关的目标簇；
噪声去除模块，用于根据所述多个信号簇和所述目标簇，对所述潜在信号源进行时序重建，得到去噪后的脑电数据。
8.一种电子设备，特征在于，包括：存储器和处理器，所述存储器用于存储计算机程序；所述处理器用于执行所述计算机程序，以实现根据权利要求1-6中任意一项所述的方法。
CN202210081995.3A 2022-01-24 2022-01-24 一种脑电数据的噪声去除方法、装置及电子设备 Active CN114403898B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210081995.3A CN114403898B (zh) 2022-01-24 2022-01-24 一种脑电数据的噪声去除方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210081995.3A CN114403898B (zh) 2022-01-24 2022-01-24 一种脑电数据的噪声去除方法、装置及电子设备

Publications (2)

Publication Number Publication Date
CN114403898A CN114403898A (zh) 2022-04-29
CN114403898B true CN114403898B (zh) 2023-07-14

Family

ID=81277255

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210081995.3A Active CN114403898B (zh) 2022-01-24 2022-01-24 一种脑电数据的噪声去除方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN114403898B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109431497A (zh) * 2018-10-23 2019-03-08 南京医科大学 一种脑电信号处理方法及癫痫检测系统

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1727072A1 (en) * 2005-05-25 2006-11-29 The Babraham Institute Signal processing, transmission, data storage and representation
CA2946301A1 (en) * 2014-04-17 2015-10-22 The Regents Of The University Of California Portable brain activity sensing platform for assessment of visual field deficits
NL2013245B1 (en) * 2014-07-24 2016-09-09 Stichting Katholieke Univ Brain computer interface using broadband evoked potentials.
CN104720797B (zh) * 2015-03-20 2017-06-16 合肥工业大学 一种基于单通道的脑电信号中肌电噪声消除方法
WO2016190428A1 (ja) * 2015-05-28 2016-12-01 国立研究開発法人理化学研究所 判定装置、判定方法、プログラム、ならびに、情報記録媒体
CN109805923A (zh) * 2019-01-29 2019-05-28 北京京东方光电科技有限公司 可穿戴设备、信号处理方法及装置
CN113827253B (zh) * 2020-06-04 2024-07-19 阿里巴巴集团控股有限公司 计算设备和从脑电信号中去除噪声的方法
CN112971811B (zh) * 2021-02-09 2022-04-01 北京师范大学 脑功能定位方法、装置及电子设备
CN113274037B (zh) * 2021-06-30 2022-08-26 中国科学院苏州生物医学工程技术研究所 一种动态脑功能网络的生成方法、系统及设备

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109431497A (zh) * 2018-10-23 2019-03-08 南京医科大学 一种脑电信号处理方法及癫痫检测系统

Also Published As

Publication number Publication date
CN114403898A (zh) 2022-04-29

Similar Documents

Publication Publication Date Title
Krishnan et al. Trends in biomedical signal feature extraction
Das et al. Classification of EEG signals using normal inverse Gaussian parameters in the dual-tree complex wavelet transform domain for seizure detection
Al-Qazzaz et al. Discrimination of stroke-related mild cognitive impairment and vascular dementia using EEG signal analysis
Mishra et al. An efficient method for analysis of EMG signals using improved empirical mode decomposition
Üstündağ et al. Denoising of weak ECG signals by using wavelet analysis and fuzzy thresholding
Ilyas et al. A survey of analysis and classification of EEG signals for brain-computer interfaces
Naik et al. An overview of independent component analysis and its applications
Ashokkumar et al. RETRACTED: Implementation of deep neural networks for classifying electroencephalogram signal using fractional S‐transform for epileptic seizure detection
Kaleem et al. EEG seizure detection and epilepsy diagnosis using a novel variation of empirical mode decomposition
CN111671420A (zh) 一种从静息态脑电数据中提取特征的方法及终端设备
CN111150392A (zh) 一种有向动态脑功能网络多类情绪识别构建方法及其装置
Al-Qazzaz et al. Optimal EEG channel selection for vascular dementia identification using improved binary gravitation search algorithm
Maddirala et al. Removal of EMG artifacts from single channel EEG signal using singular spectrum analysis
Mishra et al. Noise removal in EEG signals using SWT–ICA combinational approach
Shah et al. An investigation of the multi-dimensional (1D vs. 2D vs. 3D) analyses of EEG signals using traditional methods and deep learning-based methods
Alhaddad et al. Spectral subtraction denoising preprocessing block to improve P300-based brain-computer interfacing
CN114403898B (zh) 一种脑电数据的噪声去除方法、装置及电子设备
Upadhyay et al. Application of wavelet fractal features for the automated detection of epileptic seizure using electroencephalogram signals
Abidi et al. Hybrid multi-channel EEG filtering method for ocular and muscular artifact removal based on the 3D spline interpolation technique
CN115017960B (zh) 一种基于时空联合mlp网络的脑电信号分类方法及应用
Puri et al. Wavelet packet sub-band based classification of alcoholic and controlled state EEG signals
Bhatnagar et al. Comparative analysis of ICA, PCA-based EASI and wavelet-based unsupervised denoising for EEG signals
Khan et al. Optimum order selection criterion for autoregressive models of bandlimited EEG signals
CN115462803A (zh) 一种基于BG-Attention的脑电信号去噪方法、装置及存储介质
CN114795247A (zh) 脑电信号分析方法、装置、电子设备和存储介质

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