CN114795247A - 脑电信号分析方法、装置、电子设备和存储介质 - Google Patents

脑电信号分析方法、装置、电子设备和存储介质 Download PDF

Info

Publication number
CN114795247A
CN114795247A CN202210389368.6A CN202210389368A CN114795247A CN 114795247 A CN114795247 A CN 114795247A CN 202210389368 A CN202210389368 A CN 202210389368A CN 114795247 A CN114795247 A CN 114795247A
Authority
CN
China
Prior art keywords
electroencephalogram signal
electroencephalogram
analyzed
signal
data
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
Application number
CN202210389368.6A
Other languages
English (en)
Inventor
潘鹤夫
吴寒峰
王晓岸
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 Brain Up Technology Co ltd
Original Assignee
Beijing Brain Up Technology Co ltd
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 Brain Up Technology Co ltd filed Critical Beijing Brain Up Technology Co ltd
Priority to CN202210389368.6A priority Critical patent/CN114795247A/zh
Publication of CN114795247A publication Critical patent/CN114795247A/zh
Pending legal-status Critical Current

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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/40—Detecting, measuring or recording for evaluating the nervous system
    • A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
    • A61B5/4088—Diagnosing of monitoring cognitive diseases, e.g. Alzheimer, prion diseases or dementia
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • 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

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Veterinary Medicine (AREA)
  • Evolutionary Computation (AREA)
  • Public Health (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Animal Behavior & Ethology (AREA)
  • Theoretical Computer Science (AREA)
  • Surgery (AREA)
  • Molecular Biology (AREA)
  • Medical Informatics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Psychiatry (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Neurology (AREA)
  • Physiology (AREA)
  • Evolutionary Biology (AREA)
  • Psychology (AREA)
  • Fuzzy Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Signal Processing (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Developmental Disabilities (AREA)
  • Hospice & Palliative Care (AREA)
  • Child & Adolescent Psychology (AREA)
  • Neurosurgery (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分析方法、装置、电子设备和存储介质，其中，方法包括：获取待分析脑电信号，并对所述待分析脑电信号进行预处理；在经过预处理的待分析脑电信号中提取目标脑电信号，并基于所述目标脑电信号生成脑电信号地形图序列；将所述脑电信号地形图序列输入至预设脑电信号分析模型中，得到所述待分析脑电信号的分类结果，其中，所述预设脑电信号分析模型包括卷积神经网络模块、长短记忆网络模块和全连接网络模块。本发明实施例的技术方案解决了现有脑电信号分析算法中数据特征没有被充分挖掘，导致目标脑电信号的识别精度不高的问题，实现了深度学习脑电信号特征，提升脑电信号分析结果的准确度。

Description

脑电信号分析方法、装置、电子设备和存储介质
技术领域
本发明涉及脑电信号处理技术领域，尤其涉及一种脑电信号分析方法、装置、电子设备和存储介质。
背景技术
轻度认知障碍(Mild Cognitive Impairment，MCI)以及阿兹海默症(AlzheimerDisease，AD)是不同发展程度的神经系统的病变，若能够及时发现患者的MCI或AD并进行干预，可以延缓患者病程的发展，提高患者的生活质量。
目前，在基于脑电信号(Electroencephalogram gram，EEG)进行相关疾病识别的方法中，多通过对脑电信号全局能量谱进行聚类分析，以对脑电信号中的微状态进行分类与识别，但是在这一分析过程中不考虑各微状态的出现时间信息，没有充分挖掘脑电信号中的更多的信号特征加以分析，因此，目前基于脑电信号进行相关疾病识别算法的准确度还有待提升。
发明内容
本发明实施例提供了一种脑电信号分析方法、装置、电子设备和存储介质，其要解决的一个技术问题是脑电信号分析算法中数据特征没有被充分挖掘，导致目标脑电信号的识别精度不高，以实现深度学习脑电信号特征，提升脑电信号分析结果的准确度。
第一方面，本发明实施例提供了一种脑电信号分析方法，该方法包括：
获取待分析脑电信号，并对所述待分析脑电信号进行预处理；
在经过预处理的待分析脑电信号中提取目标脑电信号，并基于所述目标脑电信号生成脑电信号地形图序列；
将所述脑电信号地形图序列输入至预设脑电信号分析模型中，得到所述待分析脑电信号的分类结果，其中，所述预设脑电信号分析模型包括卷积神经网络模块、长短记忆网络模块和全连接网络模块。
第二方面，本发明实施例还提供了一种脑电信号分析装置，该装置包括：
信号预处理模块，用于获取待分析脑电信号，并对所述待分析脑电信号进行预处理；
地形图序列生成模块，用于在经过预处理的待分析脑电信号中提取目标脑电信号，并基于所述目标脑电信号生成脑电信号地形图序列；
信号分析模块，用于将所述脑电信号地形图序列输入至预设脑电信号分析模型中，得到所述待分析脑电信号的分类结果，其中，所述预设脑电信号分析模型包括卷积神经网络模块、长短记忆网络模块和全连接网络模块。
第三方面，本发明实施例还提供了一种电子设备，该电子设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明任意实施例所提供的脑电信号分析方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现本发明任意实施例所提供的脑电信号分析方法。
本发明实施例的技术方案，通过在获取待分析脑电信号之后，对待分析脑电信号进行预处理，过滤掉噪声数据；然后，在经过预处理的待分析脑电信号中提取目标脑电信号，并基于目标脑电信号生成脑电信号地形图序列，即将按时间顺序排列的多个脑电信号地形图整体作为分析对象数据输入至预设脑电信号分析模型中，得到待分析脑电信号的分类结果。其中，预设脑电信号分析模型包括卷积神经网络模块、长短记忆网络模块和全连接网络模块。卷积神经网络模块用于提取脑电信号地形图中的数据特征，长短记忆网络模块用于提取并学习脑电信号地形图序列中与时间相关的特征信息，最终经过全连接层进行分析得到脑电信号的分析结果，基于预设脑电信号分析模型的网络结构可以更加充分的挖掘脑电信号中的数据特征，从而得到更准确的分析结果。本发明实施例的技术方案解决了现有脑电信号分析算法中数据特征没有被充分挖掘，导致目标脑电信号的识别精度不高的问题，实现了深度学习脑电信号特征，提升脑电信号分析结果的准确度。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
为了更加清楚地说明本发明示例性实施例的技术方案，下面对描述实施例中所需要用到的附图做一简单介绍。显然，所介绍的附图只是本发明所要描述的一部分实施例的附图，而不是全部的附图，对于本领域普通技术人员，在不付出创造性劳动的前提下，还可以根据这些附图得到其他的附图。其中：
图1为本发明实施例所提供的一种脑电信号分析方法的流程图；
图2为本发明实施例所提供的一种全局能量谱峰值信号示意图；
图3为本发明实施例所提供的一种脑电信号地形图序列示意图；
图4为本发明实施例所提供的一种脑电信号分析方法的流程图；
图5为本发明实施例所提供的一种预处理前脑电信号示意图；
图6为本发明实施例所提供的一种初阶预处理后脑电信号示意图；
图7为本发明实施例所提供的一种脑电信号分析方法的流程图；
图8为本发明实施例所提供的一种脑电信号分析模型结构示意图；
图9为本发明实施例所提供的一种脑电信号分析装置的结构示意图；
图10为本发明实施例所提供的一种电子设备的结构示意图。
具体实施方式
现在将参照附图来详细描述本发明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。
同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
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。
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。
图1为本发明实施例所提供的一种脑电信号分析方法的流程示意图，本实施例可适用于对脑电信号进行处理与分析的场景，特别是基于脑电信号对一些神经系统病变进行识别的情况，该方法可以由脑电信号分析装置来执行，该装置可以通过软件和/或硬件来实现，可配置于终端和/或服务器中来实现本发明实施例中的脑电信号分析方法。
如图1所示，本实施例的脑电信号分析方法具体可包括：
S110、获取待分析脑电信号，并对所述待分析脑电信号进行预处理。
其中，待分析脑电信号是通过在目标对象的头皮上放置成对的电极(如八电极、十六电极)，所采集到的大脑皮层的神经元活动产生的电位变化。目标对象可以是进行脑神经系统功能检查的对象，包括健康人群、有认知障碍人群、阿尔兹海默症人群以及其他需要进行脑神经系统功能状态检测的人群。待分析脑电信号则是分析目标对象的神经系统功能状态的数据依据。
但是，在采集到的待分析脑电信号中会包含体动伪迹、眼电伪迹、肌电伪迹、工频噪声、电极通道间的信号串扰等噪声信号，需要对待分析脑电信号进行预处理，以去除各项噪声信号的干扰成分。经过预处理的待分析脑电信号可以在后续的信号分析中，使分析结果更加的接近脑电信号真实的状态。
S120、在经过预处理的待分析脑电信号中提取目标脑电信号，并基于所述目标脑电信号生成脑电信号地形图序列。
基于现有脑电信号分析技术领域的研究，不同目标对象人群的大脑神经系统特征，对应的脑电信号特征会集中表现在不同频带的脑电信号。在待分析脑电信号的分析过程中，可以提取与目标对象人群的脑电信号特征关联度较高的频带信号作为目标脑电信号。
示例性的，可以将经过预处理的待分析脑电信号进行带通滤波，可得到delta频带[1-4Hz]、theta频带[4-8Hz]、alpha频带[8-14Hz]、beta频带[14-31Hz]以及gamma频带[31-49Hz]等信号。在分析脑电信号的微状态时，常用alpha频带的经过预处理的待分析脑电信号的目标脑电信号。
进一步的，可以对目标脑电信号进行数据标准化，然后计算标准化处理后的目标脑电信号的全局能量谱。
其中，对目标脑电信号进行标准化处理的过程可表示为：EEG[channel，time]标准化数值＝(EEG[channel，time]-AVG(EEG[channel，time]))/Std(EEG[channel，time])。即各电极信号通道在各采样时间点标准化数值定义为将各电极信号通道在各采样时间点的采样数据减去所有通道在对应采样时间的采样数据的均值；然后，再除以所有采样通道的采样数据的标准差。计算标准化处理后的目标脑电信号的全局能量谱的过程可表示为：GFP(Global field power，全局能量谱)＝Std(EEG[channel，time]标准化数值)，即标准化处理后的目标脑电信号的标准差。
在得到目标脑电信号的全局能量谱之后，可以根据预设采样策略从所述全局能量谱中提取目标能量谱峰值数据。在一种可选的实施方式中，可以设定选取峰值数据的最小时间间隔，采用local max函数，提取全局能量谱中的目标能量谱峰值数据。其中，各目标能量谱峰值数据间的时间间隔大于预设最小时间间隔，例如，采样率的百分之一。这样可以避免采集到局部抖动信号的峰值数据，降低采样的噪声。示例性的，提取到的目标能量谱峰值数据可以是如图2所示的数据，在图2中，横坐标表示时间，纵坐标表示GFP峰值。进一步的，可基于各目标能量谱峰值数据对应的待分析脑电信号幅值生成脑电信号地形图序列，如图3所列举的少数量的脑电信号地形图序列。
在一种可选的实施方式中，再分别为每一个目标能量谱峰值数据对应的幅值数据生成脑电地形图，得到脑电信号地形图序列之后，还可以按照时间顺序将所有的脑电地形图划分为多个子地形图序列组，并将各子地形图序列组分别生成对应的地形图序列视频。即按照时间信息将一个包含所有脑电信号地形图的序列进行分组，得到多个子地形图序列组，并以视频的形式表明各脑电信号地形图之间时间信息，以使预设脑电信号分析模型的数据分析对象更加细粒度化，有序的充分挖掘更多的脑电信号的数据特征。
S130、将所述脑电信号地形图序列输入至预设脑电信号分析模型中，得到所述待分析脑电信号的分类结果。
其中，预设脑电信号分析模型包括卷积神经网络模块、长短记忆网络模块和全连接网络模块。其中，卷积神经网络模块包括三个卷积层，并且在每个卷积层后设置有批标准化和池化层。
输入至预设脑电信号分析模型中的脑电信号地形图序列可以是所有地形图生成的视频数据，也可以是经过数据分组后的子地形图序列组中地形图生成的视频数据。脑电信号地形图序列在预设脑电信号分析模型中先经过三个卷积层进行特征的提取，其中，每个卷积层输出的数据还会经过批标准化进行优化。然后，经过卷积神经网络模块提取到的数据特征会输入至长短记忆网络模块进行学习，输入的维度与地形图序列中地形图的数量一致。长短记忆网络模块对于时间序列数据的学习具有先天优势，能够长时间的记住特征信息，充分学习数据中的基于时间的特征，从而挖掘到脑电信号中的更多数据特征。最终，长短记忆网络模块的输出结果会经过多层全连接网络，输出待分析脑电信号的分类结果。
这里需要说明的是，待分析脑电信号的分类结果取决于预设脑电信号分析模型在训练过程中的训练样本，若训练样本为基于预设患病人群的脑电信号进行处理得到的脑电信号地形图序列，相应的，分类结果表示待分析脑电信号是否为所述预设患病人群的脑电信号。例如，预设脑电信号分析模型在训练过程中的训练样本是采样于轻度认知障碍人群的脑电信号，那么预设脑电信号分析模型经过训练可以判别一个脑电信号序列是否为轻度认知障碍人群的脑电信号。
特别的，当将包含所有脑电信号地形图的大序列进行分组，得到多个子地形图序列组时，就会有多个脑电信号地形图序列分别输入至预设脑电信号分析模型中，对应的得到对应的多个初步分类结果。可以对多个初步分类结果进行统计分析，得到最终分类结果。假设，将所有的脑电地形图有1000张，按照时间顺序，以二十张地形图为单位分为一个子地形图序列，可以得到50个子地形图序列，也即有50个脑电地形图视频作为预设脑电信号分析模型的输入，对应得到50个分类结果，可以统计50个分类结果中，表明是目标人群脑电信号的分类结果的数量，若该数量大于一定的数值时，便可以确定待分析脑电信号即为目标人群的脑电信号，否则为非目标人群的脑电信号。
本实施例的技术方案，通过在获取待分析脑电信号之后，对待分析脑电信号进行预处理，过滤掉噪声数据；然后，在经过预处理的待分析脑电信号中提取目标脑电信号，并基于目标脑电信号生成脑电信号地形图序列，即将按时间顺序排列的多个脑电信号地形图整体作为分析对象数据输入至预设脑电信号分析模型中，得到待分析脑电信号的分类结果。其中，预设脑电信号分析模型包括卷积神经网络模块、长短记忆网络模块和全连接网络模块。卷积神经网络模块用于提取脑电信号地形图中的数据特征，长短记忆网络模块用于提取并学习脑电信号地形图序列中与时间相关的特征信息，最终经过全连接层进行分析得到脑电信号的分析结果，基于预设脑电信号分析模型的网络结构可以更加充分的挖掘脑电信号中的数据特征，从而得到更准确的分析结果。本发明实施例的技术方案解决了现有脑电信号分析算法中数据特征没有被充分挖掘，导致目标脑电信号的识别精度不高的问题，实现了深度学习脑电信号特征，提升脑电信号分析结果的准确度。
图4为本发明实施例所提供的一种脑电信号分析方法的流程图，该方法与上述实施例中所提供的脑电信号分析方法中各个可选方案可以结合，进一步描述了脑电信号的预处理过程，通过本实施例的技术方案，可以提升去体动伪迹信号的预处理效果。该方法可以由脑电信号分析装置来执行，该装置可以通过软件和/或硬件的形式实现，该装置可配置于电子设备中，例如配置于移动终端或服务器设备中。
如图4所示，本实施例的脑电信号分析方法具体可包括：
S210、获取待分析脑电信号，并基于优化后的脑电信号伪迹去除方法去除所述待分析脑电信号的体动伪迹信号，得到初阶预处理的待分析脑电信号。
在待分析脑电信号中，噪声赋值最大的通常是体动伪迹噪声，但是采用常规的Artifact Subspace Reconstruction(ASR)算法或是独立分量分析(IndependentComponent Analysis，ICA)、共同空间模式(Common Spatial Pattern，CSP)等算法是不能将运动伪迹去除的，对后续的信号分析还会有一定的影响。
在本实施例中，对常规的ASR算法进行优化，以去除体动伪迹噪声。具体的，在去除体动伪迹噪声过程中，首先，将待分析脑电信号切分成预设数据长度的多个数据片段，在这一过程中，各数据片段默认按照时间顺序进行排列。数据片段的长度可以根据经验值设定一个长度数值，或者根据数据处理的效率以及效果分析确定一个数值，例如，针对每一个电机通道的数据，数据片段的长度可以设为采样率的十分之一。然后，依据各数据片段中脑电信号幅值的标准差数值以及全部所述待分析脑电信号幅值的标准差数值进行数据过滤；将数据过滤后的各数据片段按照时间顺序进行拼接，得到初阶预处理的待分析脑电信号。即将噪声幅值较大的数据直接进行删除操作。进一步的，在数据过滤的过程中，按照信号采集时间顺序，针对首个数据片段，当首个数据片段的脑电信号幅值的标准差数值大于全部待分析脑电信号幅值的标准差数值的第一预设倍数时，删除所述首个数据片段；针对除首个数据片段之外的各数据片段，当当前数据片段的脑电信号幅值的标准差数值大于当前数据片段的前一个数据片段的脑电信号幅值的标准差数值的第二预设倍数时，则删除当前数据片段。其中，第一预设倍数与第二预设备数通常设为相同的数值，如三倍；当然也可以根据数据处理需求分别设置对应的数值。去体动伪迹前后的脑电信号图可参考图5和图6所示的信号示意图。
S220、对所述初阶预处理的待分析脑电信号进行第二阶段预处理，得到经过预处理的待分析脑电信号。
在该步骤中，进一步的对初阶预处理的待分析脑电信号进行去噪处理，具体是去除体动伪迹信号之外的其他伪迹信号以及噪声数据。
例如，采用利用ICA算法去除眼电、肌电等伪迹成分；然后，利用带阻滤波器(bandstop)去除工频干扰信号；利用带通(band pass)滤波器进行去燥，得到0.5-45Hz的信号(或是其他数据分析过程中关注的频带的脑电信号)。最终，针对0.5-45Hz的脑电信号平均重参考处理，去除各电极通道之间的信号串扰，得到经过预处理的待分析脑电信号。
其中，平均重参考处理的操作过程是使各电极采样通道在各时间点的采样数据减去所有电极采样通道在对应时间点采样数据的平均值。
S230、在经过预处理的待分析脑电信号中提取目标脑电信号，并基于所述目标脑电信号生成脑电信号地形图序列。
S240、将所述脑电信号地形图序列输入至预设脑电信号分析模型中，得到所述待分析脑电信号的分类结果。
本实施例的技术方案，通过在获取待分析脑电信号之后，采用了基于ASR算法优化的算法去除对待分析脑电信号中的体动伪迹信号，再去除其他伪迹噪声信号，完成脑电信号的预处理，提升了待分析脑电信号中有效信息的含量；然后，在经过预处理的待分析脑电信号中提取目标脑电信号，并基于目标脑电信号生成脑电信号地形图序列，即将按时间顺序排列的多个脑电信号地形图整体作为分析对象数据输入至预设脑电信号分析模型中，得到待分析脑电信号的分类结果。其中，预设脑电信号分析模型包括卷积神经网络模块、长短记忆网络模块和全连接网络模块。卷积神经网络模块用于提取脑电信号地形图中的数据特征，长短记忆网络模块用于提取并学习脑电信号地形图序列中与时间相关的特征信息，最终经过全连接层进行分析得到脑电信号的分析结果，基于预设脑电信号分析模型的网络结构可以更加充分的挖掘脑电信号中的数据特征，从而得到更准确的分析结果。本发明实施例的技术方案解决了现有脑电信号分析算法中数据特征没有被充分挖掘，导致目标脑电信号的识别精度不高的问题，实现了深度学习脑电信号特征，提升脑电信号分析结果的准确度。
图7为本发明实施例所提供的一种脑电信号分析方法的流程图，该方法与上述实施例中所提供的脑电信号分析方法中各个可选方案可以结合，进一步描述了预设脑电信号分析模型的训练过程，通过该技术方案，可以得到一个更够充分挖掘脑电信号的数据特征的神经网络模型，以用于脑电信号的分析识别。该方法可以由脑电信号分析装置来执行，该装置可以通过软件和/或硬件的形式实现，该装置可配置于电子设备中，例如配置于移动终端或服务器设备中。
如图7所示，脑电信号分析方法具体可包括：
S310、获取预设患病人群对象以及健康对照组对象的脑电信号，并对所述脑电信号进行预处理。
预设患病人群对象可以是应用脑电信号分析脑神经状态的目标人群，如轻度认知障碍人群、阿尔兹海默症人群或者是其他脑神经系统病变的特殊人群。在脑电信号采集的过程中，可以通过一定数量的电极，采集多通道的脑电数据，采样率多设为256Hz或512Hz。然后，分别对各组采集到的脑电信号进行预处理，以去除各种伪迹噪声。
例如，基于优化后的脑电信号伪迹去除方法去除脑电信号的体动伪迹信号，得到初阶预处理的脑电信号。然后，进一步的对初阶预处理的待分析脑电信号进行去噪处理，具体是去除体动伪迹信号之外的其他伪迹信号以及噪声数据。
S320、在经过预处理的脑电信号中提取目标脑电信号，并基于所述目标脑电信号生成脑电信号地形图序列。
基于现有脑电信号分析技术领域的研究，不同目标对象人群的大脑神经系统特征，对应的脑电信号特征会集中表现在不同频带的脑电信号。在待分析脑电信号的分析过程中，可以提取与目标对象人群的脑电信号特征关联度较高的频带信号作为目标脑电信号。
进一步的，可以对目标脑电信号进行数据标准化，然后计算标准化处理后的目标脑电信号的全局能量谱。
在得到目标脑电信号的全局能量谱之后，可以根据预设采样策略从所述全局能量谱中提取目标能量谱峰值数据。在一种可选的实施方式中，可以设定选取峰值数据的最小时间间隔，采用local max函数，提取全局能量谱中的目标能量谱峰值数据。在一种可选的实施方式中，再分别为每一个目标能量谱峰值数据对应的幅值数据生成脑电地形图，得到脑电信号地形图序列之后，还可以按照时间顺序将所有的脑电地形图划分为多个子地形图序列组，并将各子地形图序列组分别生成对应的地形图序列视频。即按照时间信息将一个包含所有脑电信号地形图的大序列进行分组，得到多个子地形图序列组，并以视频的形式表明各脑电信号地形图之间时间信息，以使预设脑电信号分析模型的数据分析对象更加细粒度化，有序的充分挖掘更多的脑电信号的数据特征。
S330、将所述脑电信号地形图序列以及对应的信号采样对象标签作为模型训练样本，输入至初始脑电信号分析模型中进行模型训练，得到目标脑电信号分析模型。
在该步骤中，可以将所有采集到的样本数据分割为训练数据集(train set)、验证数据集(validation set)和测试数据集(test set)，分割比例可以是7:1:2。
在进行模型训练的过程中，可以是将训练数据集中每条样本数据的多个子地形图序列组的地形图视频分别输入到初始脑电信号分析模型，初始脑电信号的输出结果的损失函数值迭代进行模型训练，直到模型收敛，得到目标脑电信号分析模型。
示例性的，目标脑电信号分析模型算法的结构可参考图8所示的算法结构。其中，脑电信号地形图序列视频作为模型输入(input)输入到第一卷积层(conv1)中，第一卷积层的输出结果会被输入到批标准化(Batch Normalization，BN)与池化层(pool1)；进一步的，经过批标准化(Batch Normalization，BN)与池化层(pool1)的特征还会进入第二卷积层(conv2)中，依次是(Batch Normalization，BN)与池化层(pool2)，第三卷积层(conv3)以及(Batch Normalization，BN)与池化层(pool3)，其中，每层卷积层采用ReLu激活函数降低梯度消失。然后，经过卷积神经网络模块的特征提取后，会输入到长短期记忆网络(LongShort-Term Memory，LSTM)中，进一步对提取到的特征进行学习，以挖掘脑电信号中更多的数据特征，特别是脑电地形图序列中的时间信息。最终，长短期记忆网络输出的结果依次经过三个全连接层(Dense1、2、3)，得到最终的信号分析输出结果(output)。
S340、当获取到待分析脑电信号时，根据步骤S310和步骤S320对所述待分析脑电信号进行信号处理，得到目标脑电信号地形图序列。
其中，目标脑电信号地形图序列是以地形图视频的形式展示的。
S350、将所述目标脑电信号地形图序列输入至所述目标脑电分析模型中，得到所述待分析脑电信号的分类结果。
其中，待分析脑电信号的分类结果可以指示待分析脑电信号是否为所述预设患病人群对象的脑电信号。
本实施例的技术方案，通过采集预设人群的脑电信号作为模型训练样本数据，对样本脑电信号进行预处理，过滤掉噪声数据；然后，在经过预处理的样本脑电信号中提取目标脑电信号，并基于目标脑电信号生成脑电信号地形图序列，即将按时间顺序排列的多个脑电信号地形图整体作为分析对象数据，输入至初始脑电信号分析模型中，进行性模型训练以得到目标脑电信号分析模型，用于预设人群脑电信号的筛选。其中，目标脑电信号分析模型包括卷积神经网络模块、长短记忆网络模块和全连接网络模块。卷积神经网络模块用于提取脑电信号地形图中的数据特征，长短记忆网络模块用于提取并学习脑电信号地形图序列中与时间相关的特征信息，最终经过全连接层进行分析得到脑电信号的分析结果，基于预设脑电信号分析模型的网络结构可以更加充分的挖掘脑电信号中的数据特征，从而得到更准确的分析结果。在目标脑电信号分析模型的应用过程中，将待分析的脑电信号按照样本脑电信号的处理过程进行数据处理得到模型输入数据，并输入到目标脑电信号分析模型中，即可得到待分析脑电信号的分析结果。本发明实施例的技术方案解决了现有脑电信号分析算法中数据特征没有被充分挖掘，导致目标脑电信号的识别精度不高的问题，实现了深度学习脑电信号特征，提升脑电信号分析结果的准确度。
图9为本发明实施例所提供的一种脑电信号分析装置结构示意图。本实施例提供的脑电信号分析装置适用于对采集到的脑电信号进行处理与分析的情形。该装置可以通过软件和/或硬件的形式实现，该装置可配置于电子设备中，例如配置于移动终端或服务器设备中。
如图9所示，脑电信号分析装置包括：信号预处理模块410、地形图序列生成模块420和信号分析模块430。
信号预处理模块410，用于获取待分析脑电信号，并对所述待分析脑电信号进行预处理；地形图序列生成模块420，用于在经过预处理的待分析脑电信号中提取目标脑电信号，并基于所述目标脑电信号生成脑电信号地形图序列；信号分析模块440，用于将所述脑电信号地形图序列输入至预设脑电信号分析模型中，得到所述待分析脑电信号的分类结果，其中，所述预设脑电信号分析模型包括卷积神经网络模块、长短记忆网络模块和全连接网络模块。
本发明实施例的技术方案，通过在获取待分析脑电信号之后，对待分析脑电信号进行预处理，过滤掉噪声数据；然后，在经过预处理的待分析脑电信号中提取目标脑电信号，并基于目标脑电信号生成脑电信号地形图序列，即将按时间顺序排列的多个脑电信号地形图整体作为分析对象数据输入至预设脑电信号分析模型中，得到待分析脑电信号的分类结果。其中，预设脑电信号分析模型包括卷积神经网络模块、长短记忆网络模块和全连接网络模块。卷积神经网络模块用于提取脑电信号地形图中的数据特征，长短记忆网络模块用于提取并学习脑电信号地形图序列中与时间相关的特征信息，最终经过全连接层进行分析得到脑电信号的分析结果，基于预设脑电信号分析模型的网络结构可以更加充分的挖掘脑电信号中的数据特征，从而得到更准确的分析结果。本发明实施例的技术方案解决了现有脑电信号分析算法中数据特征没有被充分挖掘，导致目标脑电信号的识别精度不高的问题，实现了深度学习脑电信号特征，提升脑电信号分析结果的准确度。
在一种可选的实施方式中，所述信号预处理模块410具体用于：
将所述待分析脑电信号切分成预设数据长度的多个数据片段；
依据各数据片段中脑电信号幅值的标准差数值以及全部所述待分析脑电信号幅值的标准差数值进行数据过滤；
将数据过滤后的各数据片段按照时间顺序进行拼接。
在一种可选的实施方式中，所述信号预处理模块410进一步用于：
将各数据片段按照信号采集时间顺序进行排列组合；
针对首个数据片段，当所述首个数据片段的脑电信号幅值的标准差数值大于全部所述待分析脑电信号幅值的标准差数值的第一预设倍数时，删除所述首个数据片段；
针对除首个数据片段之外的各数据片段，当当前数据片段的脑电信号幅值的标准差数值大于所述当前数据片段的前一个数据片段的脑电信号幅值的标准差数值的第二预设倍数时，删除所述当前数据片段。
在一种可选的实施方式中，所述地形图序列生成模块420包括目标脑电信号提取子模块、全局能量谱计算子模块和地形图序列生成子模块；
其中，目标脑电信号提取子模块具体用于：在经过预处理的待分析脑电信号中提取目标频带的脑电信号，作为所述目标脑电信号；
全局能量谱计算子模块，具体用于：对所述目标脑电信号进行数据标准化，并计算标准化处理后的目标脑电信号的全局能量谱；
地形图序列生成子模块，具体用于：根据预设采样策略从所述全局能量谱中提取目标能量谱峰值数据，并基于所述目标能量谱峰值数据对应的待分析脑电信号幅值生成脑电信号地形图序列。
在一种可选的实施方式中，所述地形图序列生成子模块可用于：
在所述全局能量谱中选取大于预设时间间隔的局部能量峰值，得到所述目标能量谱峰值数据。
在一种可选的实施方式中，所述地形图序列生成子模块可用于：
分别为每一个所述目标能量谱峰值数据对应的幅值数据生成脑电地形图；
按照时间顺序将所述脑电地形图划分为多个子地形图序列组，并将各子地形图序列组分别生成对应的地形图序列视频。
在一种可选的实施方式中，所述信号分析模块430具体用于：
将各所述地形图序列视频分别输入到预设脑电信号分析模型中，得到对应的多个初步分类结果；
对所述多个初步分类结果进行统计分析，得到最终分类结果。
在一种可选的实施方式中，所述卷积神经网络模块包括三个卷积层，并且在每个卷积层后设置有批标准化层和池化层。
在一种可选的实施方式中，所述预设脑电信号分析模型在训练过程中的训练样本为基于预设患病人群的脑电信号进行处理得到的脑电信号地形图序列，相应的，所述分类结果表示所述待分析脑电信号是否为所述预设患病人群的脑电信号。
本发明实施例所提供的脑电信号分析装置可执行本发明任意实施例所提供的脑电信号分析方法，具备执行方法相应的功能模块和有益效果。
图10为本发明实施例提供的一种电子设备的结构示意图。图10示出了适于用来实现本发明实施方式的示例性电子设备12的框图。图10显示的电子设备12仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。电子设备12可以任意具有计算能力的终端设备，如个人计算机系统、服务器计算机系统、瘦客户机、厚客户机、手持或膝上设备、基于微处理器的系统、机顶盒、可编程消费电子产品、网络个人电脑、小型计算机系统﹑大型计算机系统和包括上述任何系统的分布式云计算技术环境，等等。
如图10所示，电子设备12以通用计算设备的形式表现。电子设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
电子设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)40和/或高速缓存存储器42。电子设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统44可以用于读写不可移动的、非易失性磁介质(图10未显示，通常称为“硬盘驱动器”)。尽管图10中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。系统存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如系统存储器28中，这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
电子设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该电子设备12交互的设备通信，和/或与使得该电子设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且，电子设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器20通过总线18与电子设备12的其它模块通信。应当明白，尽管图10中未示出，可以结合电子设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本发实施例所提供的脑电信号分析方法，该方法包括：
获取待分析脑电信号，并对所述待分析脑电信号进行预处理；
在经过预处理的待分析脑电信号中提取目标脑电信号，并基于所述目标脑电信号生成脑电信号地形图序列；
将所述脑电信号地形图序列输入至预设脑电信号分析模型中，得到所述待分析脑电信号的分类结果，其中，所述预设脑电信号分析模型包括卷积神经网络模块、长短记忆网络模块和全连接网络模块。
本发明实施例还提供了一种计算机存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述实施例所提供的脑电信号分析方法。
需要说明的是，本发明上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(Erasable Programmable Read-Only Memory，EPROM)或闪存(FLASH)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：
获取待分析脑电信号，并对所述待分析脑电信号进行预处理；
在经过预处理的待分析脑电信号中提取目标脑电信号，并基于所述目标脑电信号生成脑电信号地形图序列；
将所述脑电信号地形图序列输入至预设脑电信号分析模型中，得到所述待分析脑电信号的分类结果，其中，所述预设脑电信号分析模型包括卷积神经网络模块、长短记忆网络模块和全连接网络模块。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码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)。
附图中的流程图和框图，图示了按照本发明各种实施例的系统、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、或代码的一部分，该模块、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，两个接连地表示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操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。
描述于本发明实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元、模块的名称在某种情况下并不构成对该单元、模块本身的限定，例如，数据生成模块还可以被描述为“视频数据生成模块”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FieldProgrammable Gate Array，FPGA)、专用集成电路(Application Specific IntegratedCircuit，ASIC)、专用标准产品(Application Specific Standard Parts，ASSP)、片上系统(System on Chip，SOC)、复杂可编程逻辑设备(CPLD)等等。
在本发明的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
进一步需要说明的是，本说明书中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它实施例的不同之处，各个实施例之间相同或相似的部分相互参见即可。对于装置实施例而言，由于其与方法实施例基本对应，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。
可能以许多方式来实现本发明的方法和装置。例如，可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本发明的方法和装置。用于所述方法的步骤的上述顺序仅是为了进行说明，本发明的方法的步骤不限于以上具体描述的顺序，除非以其它方式特别说明。此外，在一些实施例中，还可将本发明实施为记录在记录介质中的程序，这些程序包括用于实现根据本发明的方法的机器可读指令。因而，本发明还覆盖存储用于执行根据本发明的方法的程序的记录介质。
本发明的描述是为了示例和描述起见而给出的，而并不是无遗漏的或者将本发明限于所公开的形式。很多修改和变化对于本领域的普通技术人员而言是显然的。选择和描述实施例是为了更好说明本发明的原理和实际应用，并且使本领域的普通技术人员能够理解本发明从而设计适于特定用途的带有各种修改的各种实施例。

Claims (12)

1.一种脑电信号分析方法，其特征在于，包括：
获取待分析脑电信号，并对所述待分析脑电信号进行预处理；
在经过预处理的待分析脑电信号中提取目标脑电信号，并基于所述目标脑电信号生成脑电信号地形图序列；
将所述脑电信号地形图序列输入至预设脑电信号分析模型中，得到所述待分析脑电信号的分类结果，其中，所述预设脑电信号分析模型包括卷积神经网络模块、长短记忆网络模块和全连接网络模块。
2.根据权利要求1所述的方法，其特征在于，所述对所述待分析脑电信号进行预处理，包括：
将所述待分析脑电信号切分成预设数据长度的多个数据片段；
依据各数据片段中脑电信号幅值的标准差数值以及全部所述待分析脑电信号幅值的标准差数值进行数据过滤；
将数据过滤后的各数据片段按照时间顺序进行拼接。
3.根据权利要求2所述的方法，其特征在于，所述依据各数据片段中脑电信号幅值的标准差数值以及全部所述待分析脑电信号幅值的标准差数值进行数据过滤，包括：
将各数据片段按照信号采集时间顺序进行排列组合；
针对首个数据片段，当所述首个数据片段的脑电信号幅值的标准差数值大于全部所述待分析脑电信号幅值的标准差数值的第一预设倍数时，删除所述首个数据片段；
针对除首个数据片段之外的各数据片段，当当前数据片段的脑电信号幅值的标准差数值大于所述当前数据片段的前一个数据片段的脑电信号幅值的标准差数值的第二预设倍数时，删除所述当前数据片段。
4.根据权利要求1所述的方法，其特征在于，所述在经过预处理的待分析脑电信号中提取目标脑电信号，并基于所述目标脑电信号生成脑电信号地形图序列，包括：
在经过预处理的待分析脑电信号中提取目标频带的脑电信号，作为所述目标脑电信号；
对所述目标脑电信号进行数据标准化，并计算标准化处理后的目标脑电信号的全局能量谱；
根据预设采样策略从所述全局能量谱中提取目标能量谱峰值数据，并基于所述目标能量谱峰值数据对应的待分析脑电信号幅值生成脑电信号地形图序列。
5.根据权利要求4所述的方法，其特征在于，所述根据预设采样策略从所述全局能量谱中提取目标能量谱峰值数据，包括：
在所述全局能量谱中选取大于预设时间间隔的局部能量峰值，得到所述目标能量谱峰值数据。
6.根据权利要求4所述的方法，其特征在于，所述基于所述目标能量谱峰值数据对应的待分析脑电信号幅值生成脑电信号地形图序列，包括：
分别为每一个所述目标能量谱峰值数据对应的幅值数据生成脑电地形图；
按照时间顺序将所述脑电地形图划分为多个子地形图序列组，并将各子地形图序列组分别生成对应的地形图序列视频。
7.根据权利要求6所述的方法，其特征在于，所述将所述脑电信号地形图序列输入至预设脑电信号分析模型中，得到所述待分析脑电信号的分类结果，包括：
将各所述地形图序列视频分别输入到预设脑电信号分析模型中，得到对应的多个初步分类结果；
对所述多个初步分类结果进行统计分析，得到最终分类结果。
8.根据权利要求1所述的方法，其特征在于，所述卷积神经网络模块包括三个卷积层，并且在每个卷积层后设置有批标准化层和池化层。
9.根据权利要求1-8中任一所述的方法，其特征在于，所述预设脑电信号分析模型在训练过程中的训练样本为基于预设患病人群的脑电信号进行处理得到的脑电信号地形图序列，相应的，所述分类结果表示所述待分析脑电信号是否为所述预设患病人群的脑电信号。
10.一种脑电信号分析装置，其特征在于，包括：
信号预处理模块，用于获取待分析脑电信号，并对所述待分析脑电信号进行预处理；
地形图序列生成模块，用于在经过预处理的待分析脑电信号中提取目标脑电信号，并基于所述目标脑电信号生成脑电信号地形图序列；
信号分析模块，用于将所述脑电信号地形图序列输入至预设脑电信号分析模型中，得到所述待分析脑电信号的分类结果，其中，所述预设脑电信号分析模型包括卷积神经网络模块、长短记忆网络模块和全连接网络模块。
11.一种电子设备，其特征在于，所述电子设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-9中任一所述的脑电信号分析方法。
12.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-9中任一所述的脑电信号分析方法。
CN202210389368.6A 2022-04-13 2022-04-13 脑电信号分析方法、装置、电子设备和存储介质 Pending CN114795247A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210389368.6A CN114795247A (zh) 2022-04-13 2022-04-13 脑电信号分析方法、装置、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210389368.6A CN114795247A (zh) 2022-04-13 2022-04-13 脑电信号分析方法、装置、电子设备和存储介质

Publications (1)

Publication Number Publication Date
CN114795247A true CN114795247A (zh) 2022-07-29

Family

ID=82537545

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210389368.6A Pending CN114795247A (zh) 2022-04-13 2022-04-13 脑电信号分析方法、装置、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN114795247A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115337026A (zh) * 2022-10-19 2022-11-15 之江实验室 一种基于卷积神经网络的eeg信号特征检索方法、装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115337026A (zh) * 2022-10-19 2022-11-15 之江实验室 一种基于卷积神经网络的eeg信号特征检索方法、装置
CN115337026B (zh) * 2022-10-19 2023-03-10 之江实验室 一种基于卷积神经网络的eeg信号特征检索方法、装置

Similar Documents

Publication Publication Date Title
CN110070105B (zh) 基于元学习实例快速筛选的脑电情绪识别方法、系统
CN112450947B (zh) 一种针对情绪唤醒度的动态脑网络分析方法
CN111310570B (zh) 一种基于vmd和wpd的脑电信号情感识别方法及系统
Yang et al. Removal of electrooculogram artifacts from electroencephalogram using canonical correlation analysis with ensemble empirical mode decomposition
WO2021159571A1 (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
Taqi et al. Classification and discrimination of focal and non-focal EEG signals based on deep neural network
CN114224360B (zh) 一种基于改进emd-ica的eeg信号处理方法、设备及存储介质
CN111543946A (zh) 基于改进变分模态分解算法的癫痫脑电信号自动检测方法
Al-Qazzaz et al. Differential evolution based channel selection algorithm on EEG signal for early detection of vascular dementia among stroke survivors
CN112257658A (zh) 一种脑电信号的处理方法、装置、电子设备及存储介质
Asghar et al. Semi-skipping layered gated unit and efficient network: hybrid deep feature selection method for edge computing in EEG-based emotion classification
George et al. Epileptic seizure prediction using EEG images
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
CN114795247A (zh) 脑电信号分析方法、装置、电子设备和存储介质
Cleatus et al. Epileptic seizure detection using spectral transformation and convolutional neural networks
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
Gómez-Tapia et al. On the minimal amount of EEG data required for learning distinctive human features for task-dependent biometric applications
CN111407231B (zh) 用于检测阿兹海默症罹患风险的方法、装置及终端设备
CN117520891A (zh) 一种运动想象脑电信号分类方法及系统
CN116421200A (zh) 一种基于并行训练的多任务混合模型的脑电情感分析方法
CN116211322A (zh) 一种基于机器学习脑电信号的抑郁症识别方法和系统
CN115721323A (zh) 一种脑机接口信号识别方法、系统及电子设备
CN115670480A (zh) 一种生物特征分析方法、装置、电子设备及存储介质
CN114027840A (zh) 基于变分模态分解的情绪脑电识别方法
CN116616800B (zh) 基于元迁移学习的头皮脑电高频振荡信号识别方法及装置

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