CN114831652A - 基于同步压缩小波变换和mlf-cnn的脑电信号处理方法 - Google Patents

Abstract

本发明属于人工智能领域，公开了一种基于同步压缩小波变换和MLF‑CNN的脑电信号处理方法，包括如下步骤：步骤1、数据预处理：对原始脑电信号去噪等处理，保留有效信号；步骤2、特征提取：通过SWT获得脑电信号的时频图像，将时频图像大小调整为128*128*18，采用双线性插值对神经网络进行拟合；步骤3、分类：利用基于VGG16的MLF‑CNN模型提取多层次的特征信息，进行训练和测试。本发明利用同步压缩小波变换提供一个高水平的局部能量分布，因此脑电图信号的能量变化可以很好地在时频平面上表现出来，弥补了连续小波变换的TF能量在实际能量轴附近严重的扩散，导致对信号TF能量的识别不准确的问题。

Description

基于同步压缩小波变换和MLF-CNN的脑电信号处理方法

技术领域

本发明属于人工智能领域，尤其涉及一种基于同步压缩小波变换和MLF-CNN的脑电信号处理方法。

背景技术

脑电图是由大脑皮层神经细胞产生的一种复杂的不平衡信号。根据信号的来源，可分为两种：头皮脑电(非侵入性)和颅内脑电(侵入性)。在头皮脑电图中，将小的金属电极放置在头皮上，具有良好的机械和电接触。颅内脑电图是通过在手术过程中植入大脑的特殊电极来获得的。节律性的脑电信号存在多种频段，并且快慢不一。根据频段可划分为以下五种：δ(<4Hz),θ(4—8Hz)，α(8—13Hz)，β(13—30Hz)，γ(>30Hz)。

特征提取是为了提取脑电信号中与研究存在关联的信息，从而为下一步分类做准备，提高分类的准确率。脑电信号的分析方法主要包括频域分析、时域分析和时频域分析等脑电图分析的经典方法。近年来，脑电信号的分析还加入了小波变换、神经网络分析等方法。许多机器学习和深度学习方法基于先进的信号处理的特征提取来实现自动的脑电信号处理。

相比于传统的机器学习方法，深度学习使用网络模型自动提取特征，不需要手动提取特征。而随着深度学习方法理论的日益完善，深度学习模型在图像识别与分割、语音识别等领域都取得了较好的成果，在脑电信号分析处理中也得到了较广泛的应用。

影响脑电信号处理精度的两个主要因素是有效的信号处理和合理的深度学习模型。传统的傅里叶变换和小波变换分辨率高，但是它的频率分辨率随时间分辨率的增加而降低，相反，时间分辨率随频率分辨率的增加而减小。

发明内容

本发明目的在于提供一种基于同步压缩小波变换和MLF-CNN的脑电信号处理方法，以解决上述的技术问题。

为解决上述技术问题，本发明的一种基于同步压缩小波变换和MLF-CNN的脑电信号处理方法的具体技术方案如下：

一种同步压缩小波变换和MLF-CNN的脑电信号处理方法，包括如下步骤：

步骤1、数据预处理：对原始脑电信号去噪等处理，保留有效信号；

步骤2、特征提取：通过SWT获得脑电信号的时频图像，将时频图像大小调整为128*128*18，采用双线性插值对神经网络进行拟合；

步骤3、分类：利用基于VGG16的MLF-CNN模型提取多层次的特征信息，进行训练和测试。

进一步地，所述步骤1包括如下具体步骤：

对脑电信号进行去噪，滤波，保留0～50Hz的信号；

去除缺失通道，保留有效通道的信号；

对信号进行分段处理，切成时长为1s和3s的片段。

进一步地，所述步骤2包括如下具体步骤：

对于给定信号x(t)∈L²(R),在连续小波ψ(t)下的时域下定义式如等式所示：

在式子

中，a为比例因子，b为翻译因子；

在频域下的定义式如下：

同步压缩变换将CWT的尺度变量重新分配给频率变量，对于一般信号x(t)，其相变量W_x(a，b)可表示为：

则SWT在时频域上可表示为：

经过SWT处理后的原始脑电图信号作为深度学习模型的输入数据。

进一步地，所述步骤3包括如下具体步骤：

MLF-CNN模型使用1×1的卷积核将每个卷积层的结果处理成相同维大小的向量，然后对每个块中获得的特征进行组合和反卷积，以扩大特征大小，获得五个相同大小的特征图，最后，将五个放大的特征图连接在一起，并使用softmax进行分类。

进一步地，所述步骤3首先，减少第四和第五块的卷积层数，以限制顶层的接受域；其次，使用1×1的卷积核将每个卷积层的结果处理成相同维大小的向量。

本发明的基于同步压缩小波变换和MLF-CNN的脑电信号处理方法具有以下优点：本方法利用同步压缩小波变换(SWT)技术，提高脑电信号处理的精度。通过时频谱重排，TF能量轴可以更好地集中在真实能量轴附近，这可以准确地描述信号的TF特征，特别是脑电图信号等非平稳信号。弥补了连续小波变换的TF能量在实际能量轴附近严重的扩散，导致对信号TF能量的识别不准确的问题。同步压缩变换只在频域内压缩信号。它可以提高时频分辨率，保留相位信息，并支持信号重建。利用同步压缩小波变换(SWT)将脑电图转换为时频域图像。这些图像具有较高的时频分辨率，可以更好地反映脑电图信号作为脑电图特征学习的深度学习模型的输入。同时，本发明基于VGG16网络架构优化了CNN网络，使其更适合用于时频图像。

附图说明

图1为本发明的基于同步压缩小波变换和MLF-CNN的脑电信号处理方法的应用模型图；

图2为本发明的MLF-CNN模型图。

具体实施方式

为了更好地了解本发明的目的、结构及功能，下面结合附图，对本发明一种基于同步压缩小波变换和MLF-CNN的脑电信号处理方法做进一步详细的描述。

如图1所示，本发明的一种同步压缩小波变换和MLF-CNN的脑电信号处理方法。主要步骤如下：

步骤1、数据预处理：对原始脑电信号去噪等处理，保留有效信号。

对脑电信号进行去噪，滤波，保留0～50Hz的信号；

去除缺失通道，保留有效通道的信号；

对信号进行分段处理，切成时长为1s和3s的片段。

步骤2、特征提取：通过SWT获得脑电信号的时频图像，将时频图像大小调整为128*128*18，采用双线性插值对神经网络进行更好的拟合。

对于给定信号x(t)∈L²(R),在连续小波ψ(t)下的时域下定义式如等式所示：

在式子

中，a为比例因子，b为翻译因子。

在频域下的定义式如下：

为了获得更高的信号时频分辨率，同步压缩变换将CWT的尺度变量重新分配给频率变量。对于一般信号x(t)，其相变量W_x(a，b)可表示为：

则SWT在时频域上可表示为：

经过SWT处理后的原始脑电图信号作为深度学习模型的输入数据。

步骤3、分类：利用基于VGG16的MLF-CNN模型提取多层次的特征信息，进行训练和测试。

MLF-CNN模型使用1×1的卷积核将每个卷积层的结果处理成相同维大小的向量。然后对每个块中获得的特征进行组合和反卷积，以扩大特征大小。获得五个相同大小的特征图。最后，将五个放大的特征图连接在一起，并使用softmax进行分类。

本方法利用同步压缩小波变换(SWT)技术，提高脑电信号处理的精度。SWT是一种基于小波变换而发展起来的时频域信号重排算法。通过时频谱重排，TF能量轴可以更好地集中在真实能量轴附近，这可以准确地描述信号的TF特征，特别是脑电图信号等非平稳信号。同步压缩变换只在频域内压缩信号。它可以提高时频分辨率，保留相位信息，并支持信号重建。利用同步压缩小波变换(SWT)将脑电图转换为时频域图像。这些图像具有较高的时频分辨率，可以更好地反映脑电图信号作为脑电图特征学习的深度学习模型的输入。

同时，本发明基于VGG16网络架构优化了CNN网络，使其更适合用于时频图像。VGG16神经网络是由牛津大学的计算机视觉小组开发的一个深度卷积神经网络。VGG16探讨了卷积网络的深度与性能之间的关系。VGG16结构简单，由13个卷积层，3个全连接层组成。每个卷积层都使用3个×3的1步卷积内核。同时，它还有一个最大池化层。然而，VGG16被提出适用于传统的224×224的RGB图像，这不太适合我们通过SWT处理得到的时频图像。因此，我们提出了一种新的基于VGG16的MLF-CNN模型。首先，我们减少第四和第五块的卷积层数，以限制顶层的接受域。其次，我们使用1×1的卷积核将每个卷积层的结果处理成相同维大小的向量。然后对每个块中获得的特征进行组合和反卷积，以扩大特征大小。我们这样做是为了获得五个相同大小的特征图。最后，将五个放大的特征图连接在一起，并使用softmax进行分类。

实施例：

在本方法中的模型中，使用CHB-MIT数据集作为研究的脑电信号数据。CHB-MIT数据集在波士顿儿童医院收集，共包含24张顽固性癫痫的脑电图记录。所有脑电信号数据都以256Hz的速率采样，分辨率为16。由于受试者24的时间信息缺失，我们最终采用前23名受试者的脑电图数据。选发作前十五分钟作为发作前期，选择发作前至少4小时至发作结束后4小时的发作间期数据，以提高数据质量，减少干扰。

步骤1、数据预处理

对脑电信号数据进行去噪，滤波，保留0～50Hz的信号；去除缺失通道，保留FP1-F7,F7-T7,T7-P7,P7-O1,FP1-F3,F3-C3,C3-P3,P3-O1,FP2-F4,F4-C4,C4-P4,P4-O2,FP2-F8F8-T8,T8-P8,P8-O2,FZ-CZ,CZ-PZ通道的信号。将时域数据划分为不同的段，发作前十五分钟作为发作前期，其余为发作间期。将脑电信号切成长度为1s的片段。随机选择等量的发作间期与发作前的数据。

步骤2、特征提取

使用同步压缩小波变换提取每一段脑电信号的TF特征分量。其原理如下：对于一般信号x(t)，其SWT在时频域上可表示为：

经过SWT处理后的原始脑电图信号具有较高的时频分辨率，可以更好地反映脑电图信号，通过SWT获得脑电信号的时频图像，将时频图像大小调整为128*128*18，作为癫痫性脑电图特征学习的深度学习模型的输入数据。

步骤3、分类

如图2所示，MLF-CNN模型使用1×1的卷积核将每个卷积层的结果处理成相同维大小的向量。然后对每个块中获得的特征进行组合和反卷积，以扩大特征大小。获得五个相同大小的特征图。最后，将五个放大的特征图连接在一起，并使用softmax进行分类，判断脑电信号的所属时段。由实验结果可知，该方法在基于分段的脑电信号处理中具有较好的性能，准确率为96.99％，灵敏度为96.48％，特异性为97.46％。

可以理解，本发明是通过一些实施例进行描述的，本领域技术人员知悉的，在不脱离本发明的精神和范围的情况下，可以对这些特征和实施例进行各种改变或等效替换。另外，在本发明的教导下，可以对这些特征和实施例进行修改以适应具体的情况及材料而不会脱离本发明的精神和范围。因此，本发明不受此处所公开的具体实施例的限制，所有落入本申请的权利要求范围内的实施例都属于本发明所保护的范围内。

Claims (5)

1.一种同步压缩小波变换和MLF-CNN的脑电信号处理方法，其特征在于，包括如下步骤：

步骤1、数据预处理：对原始脑电信号去噪等处理，保留有效信号；

步骤2、特征提取：通过SWT获得脑电信号的时频图像，将时频图像大小调整为128*128*18，采用双线性插值对神经网络进行拟合；

步骤3、分类：利用基于VGG16的MLF-CNN模型提取多层次的特征信息，进行训练和测试。

2.根据权利要求1所述的同步压缩小波变换和MLF-CNN的脑电信号处理方法，其特征在于，所述步骤1包括如下具体步骤：

对脑电信号进行去噪，滤波，保留0～50Hz的信号；

去除缺失通道，保留有效通道的信号；

对信号进行分段处理，切成时长为1s和3s的片段。

3.根据权利要求1所述的同步压缩小波变换和MLF-CNN的脑电信号处理方法，其特征在于，所述步骤2包括如下具体步骤：

对于给定信号x(t)∈L²(R),在连续小波ψ(t)下的时域下定义式如等式所示：

在式子

中，a为比例因子，b为翻译因子；

在频域下的定义式如下：

同步压缩变换将CWT的尺度变量重新分配给频率变量，对于一般信号x(t)，其相变量W_x(a，b)可表示为：

其中W_x(a，b)≠0

则SWT在时频域上可表示为：

经过SWT处理后的原始脑电图信号作为深度学习模型的输入数据。

4.根据权利要求1所述的同步压缩小波变换和MLF-CNN的脑电信号处理方法，其特征在于，所述步骤3包括如下具体步骤：

MLF-CNN模型使用1×1的卷积核将每个卷积层的结果处理成相同维大小的向量，然后对每个块中获得的特征进行组合和反卷积，以扩大特征大小，获得五个相同大小的特征图，最后，将五个放大的特征图连接在一起，并使用softmax进行分类。

5.根据权利要求1所述的同步压缩小波变换和MLF-CNN的脑电信号处理方法，其特征在于，所述步骤3首先，减少第四和第五块的卷积层数，以限制顶层的接受域；其次，使用1×1的卷积核将每个卷积层的结果处理成相同维大小的向量。

Images