CN115153588A - 融合密集残差和注意力机制的脑电时空去噪方法 - Google Patents
融合密集残差和注意力机制的脑电时空去噪方法 Download PDFInfo
- Publication number
- CN115153588A CN115153588A CN202210878058.0A CN202210878058A CN115153588A CN 115153588 A CN115153588 A CN 115153588A CN 202210878058 A CN202210878058 A CN 202210878058A CN 115153588 A CN115153588 A CN 115153588A
- Authority
- CN
- China
- Prior art keywords
- electroencephalogram
- signal
- attention mechanism
- noise
- residual
- 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
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
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Public Health (AREA)
- Surgery (AREA)
- Veterinary Medicine (AREA)
- Psychiatry (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Pathology (AREA)
- Animal Behavior & Ethology (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- Theoretical Computer Science (AREA)
- Psychology (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
Abstract
一种融合密集残差和注意力机制的脑电时空去噪方法,由选取脑电信号数据集、脑电信号预处理、选取脑电样本、构建含噪脑电信号样本、划分训练集和测试集、构建融合密集残差和注意力机制网络、训练融合密集残差和注意力机制网络、重建去噪脑电信号步骤组成。由于本发明构建了融合密集残差和注意力机制网络,通过构建融合注意力机制的密集残差编码器,提取脑电信号的时空特征,构建解码器,将残差编码器和解码器进行相同尺度信息的拼接,增加解码过程中的特征信息,解决梯度消失问题,提高了网络去除伪迹后的脑电信号质量。具有网络结构简单、去噪质量好、去噪效率高等优点,可应用于脑电信号处理的预处理和信号去噪处理技术领域。
Description
技术领域
本发明属于计算机技术领域,具体涉及到融合密集残差和注意力机制的脑电时空特征去噪方法。
技术背景
脑电是大脑内神经细胞群的电生理活动在头表面所形成的电位信息,包含了大量的生理和病理信息,对于临床诊断与生理研究具有重要意义,但由于颅骨的电导率较低,使头皮电位值小于大脑皮层的电位值,对大脑内活动的源所产生的电流有很强的模糊作用。而且头皮电位信号受肌电噪声(EMG)、眼电噪声(EOG)、心电噪声(ECG)以及工频等伪迹信号的干扰,加大了脑电分析处理的难度。因此,去除脑电干扰信号,提高脑电信号信噪比,提取脑电信号中的有效时空特征是进行脑电数据处理和分析的重要前提,至关重要。
伪迹去除通常是在脑电信号已经被记录之后才进行的,传统的方法有手动和自动去除伪迹两种方法。然而,在临床监测中,如持续癫痫监测和脑机接口研究等,在记录脑电信号时对其进行实时分析和处理,需要一个在线的伪迹去除解决方案,有多种技术可用于去噪,最常用的方法是通过人工检查来识别眨眼伪迹区域,并移除这些片段。这种方法可能会导致信息丢失,因为被移除的EEG片段可能包含有用的神经信息。常见的脑电去噪方法,首先是回归方法,通过计算眼电信号在头表电极处的衰减因子来估计眼电伪迹,再对应相减得到干净的脑电信号。该方法的缺陷是没有估计相应的脑电信号,在信号的相减中引起有用信号的缺失。再比如主成分分析(PCA)和独立成分分析(ICA)等信号分解方法,是将采集到的脑电信号分解成不相关或是相互独立的眼电成分,肌电成分和脑电成分,再通过成分的选择来去除脑电伪迹。这种方法的关键在于成分的准确分解和选择,存在着伪迹信号去除不干净或者丢失有用数据的可能。还有刘铁军等人提出的综合脑电时空信息的时空迭代伪迹去除方法,该方法利用最小模算法求解头表脑电的反演结果,利用PCA分解求出伪迹估计源并去除,最后利用正演算法还原头表脑电数据。由于大脑的容积效应,在采集到的脑电信号中混有伪迹信号,这将导致反演结果存在一定的误差,最终同样存在脑电伪迹去除不干净或者丢失有用数据的可能。
随着医疗和科技水平的不断提高,脑机接口的应用也越来越广泛,因此需要更加完善脑电信号的伪迹处理方法。近年来由于硬件计算能力的提升以及人工智能技术的不断发展,深度学习受到相关研究人员广泛关注,利用多层感知器结构对非线性信息进行处理,从大量数据中提取特征和拟合非线性函数,从而更新神经元的权重值,让神经网络的参数得以充分的优化。密集残差结构和注意力机制能够很好地融合提取脑电信号中的时空特征,兼顾脑电信号的局部性和全局性特征,进行特征融合,更高效地保证脑电信号有效时空特征的提取,达到解决相关问题的目的。
在脑信号处理技术领域,当前需迫切解决的技术问题提供一种融合密集残差结构和注意力机制的脑电时空去噪方法。
发明内容
本发明所要解决的技术问题在于克服上述现有技术问题的缺点,提供一种能保持原有脑电信号非线性特征、有效地去除脑电信号伪迹噪声的融合密集残差和注意力机制的脑电时空去噪方法。
解决上述技术问题采用的技术方案是由下述步骤组成:
(1)选取脑电信号数据集
在DEAP数据集中选取脑电信号数据。
(2)脑电信号预处理
1)对采集的脑电信号采用512Hz采样,128Hz复采样。
2)在采集的40个生理信号通道中,前32个通道采集的为脑电信号,脑电通道按照国际10-20系统选择32个通道的位置,分别为Fp1、AF3、F3、F7、FC5、FC1、C3、T7、CP5、CP1、P3、P7、PO3、O1、Oz、Pz、Fp2、AF4、Fz、F4、F8、FC6、FC、Cz、C4、T8、Cp6、Cp2、P4、P8、PO4、O2。
3)实验前3秒准备时间的脑电数据去除,将脑电信号样本分段成60秒的小段。
(3)选取脑电样本
从DEAP数据集中选取m个测试者的纯净脑电信号样本其中m的取值为[16,40],表示该测试者第S个样本,S的取值为2000~10000,C为纯净脑电信号样本的通道数,C取值为16~64,T为第S个样本的纯净脑电信号样本采样点个数,T取值为320~1000。
(4)构建含噪脑电信号样本
选取高斯白噪声或测试者的肌电噪声作为相应的噪声样本,在纯净脑电信号样本中加入信噪比为-2dB~2dB的噪声样本,构建成含噪脑电信号样本,按下式对脑电信号加入噪声:
EEGn=EEGc+γ×EEGs
其中EEGn为添加了高斯白噪声或肌电噪声的脑电信号,EEGc为纯净脑电信号,EEGs为噪声信号,γ表示噪声的污染程度因子。
按下式根据信噪比SNR确定噪声的污染程度因子γ:
其中RMS(EEGc)为干净脑电信号的均方根,RMS(γ×EEGs)为噪声信号的均方根;
(5)划分训练集和测试集
将含噪脑电信号样本分为训练集和测试集,训练集为含噪脑电信号样本的70%,测试集为含噪脑电信号的30%。
(6)构建融合密集残差和注意力机制网络
融合密集残差和注意力机制网络由融合注意力机制的密集残差编码器与卷积解码器串联构成。
所述的融合注意力机制的密集残差编码器是由第一残差单元与第二残差单元、第三残差单元依次串联构成。
所述的卷积解码器由3个结构相同依次串联的反卷积层构成。
(7)训练融合密集残差和注意力机制网络
将训练集输入到融合密集残差和注意力机制网络进行训练,损失函数使用Huber损失函数Lδ(y,x):
其中,xi表示含噪声的脑电信号值经融合密集残差和注意力机制网络进行伪迹消除后的脑电信号预测值,yi表示目标信号值,即纯净的脑电信号,δ为超参数,取值为0.05~1,N表示样本数量,N为有限的正整数。用随机梯度下降方法更新融合密集残差和注意力机制网络参数,用Adam优化方法动态调整融合密集残差和注意力机制网络的学习率,训练至损失函数收敛,得到训练好的融合密集残差和注意力机制网络。
(8)重建去噪脑电信号
将测试集输入到训练好的融合密集残差结构和注意力机制网络中,输出长度为1000的脑电信号。
在本发明的(6)构建融合密集残差和注意力机制网络步骤中,所述的第一残差单元由残差分支与恒等映射分支d并联后、与SENet注意力机制模块e串联构成,第二残差单元、第三残差单元的结构与第一个残差单元相同。
在本发明的(6)构建融合密集残差和注意力机制网络步骤中,所述的残差分支由卷积层a1与归一化层b1、激活层c、卷积层a2、归一化层b2依次串联构成。
在本发明的(6)构建融合密集残差和注意力机制网络步骤中,所述的卷积层a1和卷积层a2的卷积核大小为1×3。
在本发明的(6)构建融合密集残差和注意力机制网络步骤中,所述的第一残差单元的卷积通道为64、步长为1,第二残差单元的卷积通道为128、步长为2,第三残差单元的卷积通道为256、步长为2。
在本发明的(6)构建融合密集残差和注意力机制网络步骤中,所述的卷积解码器由3个结构相同依次串联的反卷积层构成。
本发明与现有的技术相比具有以下优点:
由于本发明构建了融合密集残差和注意力机制网络,通过构建融合注意力机制的密集残差编码器,可以高效地提取脑电信号的时空特征,构建解码器,将残差编码器和解码器进行相同尺度信息的拼接,增加解码过程中的特征信息,较好地解决梯度消失问题,采用了Huber损失函数作为网络的损失函数优化网络参数,更好地指导网络进行伪迹去除,提取脑电信号中的有效特征,提高了网络去除伪迹后的脑电信号质量。本发明具有网络结构简单、去噪质量好、去噪效率高等优点,可应用于脑电信号处理的预处理过程和信号去噪处理技术领域。
附图说明
图1是本发明实施例1的流程图。
图2是融合密集残差和注意力机制网络的结构示意图。
图3是融合密集残差和注意力机制网络中残差单元的结构示意图。
图4是实施例1方法中纯净脑电信号的波形图。
图5是实施例1方法中去噪后脑电信号和纯净脑电信号对比的波形图。
具体实施方式
下面结合附图和实施例对本发明进一步详细说明,但本发明不限于下述的实施方式。
实施例1
以在DEAP数据库中选取32个测试者的纯净脑电信号样本6000为例,本实施例的融合密集残差和注意力机制的脑电时空去噪方法由下述步骤组成(参见图1):
(1)选取脑电信号数据集
在DEAP数据集中选取脑电信号数据。
(2)脑电信号预处理
1)对采集的脑电信号采用512Hz采样,128Hz复采样。
2)在采集的40个生理信号通道中,前32个通道采集的为脑电信号,脑电通道按照国际10-20系统选择32个通道的位置,分别为Fp1、AF3、F3、F7、FC5、FC1、C3、T7、CP5、CP1、P3、P7、PO3、O1、Oz、Pz、Fp2、AF4、Fz、F4、F8、FC6、FC、Cz、C4、T8、Cp6、Cp2、P4、P8、PO4、O2。
3)实验前3秒准备时间的脑电数据去除,将脑电信号样本分段成60秒的小段。
(3)选取脑电样本
从DEAP数据集中选取m个测试者的纯净脑电信号样本其中m的取值为[16,40],本实施例的m取值为32,表示该测试者第S个样本,S的取值为2000~10000,本实施例的S取值为6000,C为纯净脑电信号样本的通道数,C取值为16~64,本实施例的C取值为32,T为第S个样本的纯净脑电信号样本采样点个数,T取值为320~1000,本实施例的T取值为640。
(4)构建含噪脑电信号样本
选取高斯白噪声作为相应的噪声样本,在纯净脑电信号样本中加入信噪比为-2dB~2dB的噪声样本,本实施例的信噪比取值为0dB,构建成含噪脑电信号样本,按下式对脑电信号加入噪声:
EEGn=EEGc+γ×EEGs
其中EEGn为添加了高斯白噪声或肌电噪声的脑电信号,EEGc为纯净脑电信号,EEGs为噪声信号,γ表示噪声的污染程度因子。
按下式根据信噪比SNR确定噪声的污染程度因子γ:
其中RMS(EEGc)为干净脑电信号的均方根,RMS(γ×EEGs)为噪声信号的均方根。
(5)划分训练集和测试集
将含噪脑电信号样本分为训练集和测试集,训练集为含噪脑电信号样本的70%,测试集为含噪脑电信号的30%。
(6)构建融合密集残差和注意力机制网络
融合密集残差和注意力机制网络由融合注意力机制的密集残差编码器与卷积解码器串联组成;
在图2、3中,本实施例的融合注意力机制的密集残差编码器是由第一残差单元1与第二残差单元2、第三残差单元3依次串联构成。
本实施例的第一残差单元1由残差分支与恒等映射分支d并联后、与SENet注意力机制模块e串联构成。残差分支由卷积层a1与归一化层b1、激活层c、卷积层a2、归一化层b2依次串联构成。卷积层a1和卷积层a2的卷积核大小为1×3。
本实施例的第二残差单元2、第三残差单元3的结构与第一个残差单元相同。第一残差单元1的卷积通道为64、步长为1,第二残差单元2的卷积通道为128、步长为2,第三残差单元3的卷积通道为256、步长为2。
本实施例的卷积解码器由3个结构相同依次串联的反卷积层4构成。
(7)训练融合密集残差结构和注意力机制网络
将训练集输入到融合密集残差和注意力机制网络进行训练,损失函数使用Huber损失函数Lδ(y,x):
其中,xi表示含噪声的脑电信号值经融合密集残差和注意力机制网络进行伪迹消除后的脑电信号预测值,yi表示目标信号值,即纯净的脑电信号,δ为超参数,取值为0.05~1,本实施例的δ取值为0.08,N表示样本数量,N为有限的正整数,本实施例的N取值为6000。
用随机梯度下降方法更新融合密集残差和注意力机制网络参数,用Adam优化方法动态调整融合密集残差和注意力机制网络的学习率,训练至损失函数收敛,得到训练好的融合密集残差和注意力机制网络。
(8)重建去噪脑电信号
将测试集输入到训练好的融合密集残差结构和注意力机制网络中,输出长度为1000的脑电信号。
完成融合密集残差和注意力机制的脑电时空去噪方法。
实施例2
以在DEAP数据库中选取16个测试者的纯净脑电信号样本2000为例,本实施例的融合密集残差结构和注意力机制的脑电信号去噪方法由下述步骤组成:
(1)选取脑电信号数据集
该步骤与实施例1相同。
(2)脑电信号预处理
该步骤与实施例1相同。
(3)选取脑电样本
从DEAP数据集中选取m个测试者的纯净脑电信号样本其中m的取值为[16,40],本实施例的m取值为16,表示该测试者第S个样本,S的取值为2000~10000,本实施例的S取值为2000,C为纯净脑电信号样本的通道数,C取值为16~64,本实施例的C取值为16,T为第S个样本的纯净脑电信号样本采样点个数,T取值为320~1000,本实施例的T取值为320。
(4)构建含噪脑电信号样本
选取高斯白噪声作为相应的噪声样本,在纯净脑电信号样本中加入信噪比为-2dB~2dB的噪声样本,本实施例的信噪比取值为-2dB,构建成含噪脑电信号样本,按下式对脑电信号加入噪声:
EEGn=EEGc+γ×EEGs
其中EEGn为添加了高斯白噪声或肌电噪声的脑电信号,EEGc为纯净脑电信号,EEGs为噪声信号,γ表示噪声的污染程度因子。
按下式根据信噪比SNR确定噪声的污染程度因子γ:
其中RMS(EEGc)为干净脑电信号的均方根,RMS(γ×EEGs)为噪声信号的均方根。
(5)划分训练集和测试集
该步骤与实施例1相同。
(6)构建融合密集残差和注意力机制网络
该步骤与实施例1相同。
(7)训练融合密集残差结构和注意力机制网络
将训练集输入到融合密集残差和注意力机制网络进行训练,损失函数使用Huber损失函数Lδ(y,x):
其中,xi表示含噪声的脑电信号值经融合密集残差和注意力机制网络进行伪迹消除后的脑电信号预测值,yi表示目标信号值,即纯净的脑电信号,δ为超参数,取值为0.05~1,本实施例的δ取值为0.05,N表示样本数量,N为有限的正整数,本实施例的N取值为2000。
用随机梯度下降方法更新融合密集残差和注意力机制网络参数,用Adam优化方法动态调整融合密集残差和注意力机制网络的学习率,训练至损失函数收敛,得到训练好的融合密集残差和注意力机制网络。
其他步骤与实施例1相同,完成融合密集残差和注意力机制的脑电时空去噪方法。
实施例3
以在DEAP数据库中选取40个测试者的纯净脑电信号样本10000为例,本实施例的融合密集残差结构和注意力机制的脑电信号去噪方法由下述步骤组成:
(1)选取脑电信号数据集
该步骤与实施例1相同。
(2)脑电信号预处理
该步骤与实施例1相同。
(3)选取脑电样本
从DEAP数据集中选取m个测试者的纯净脑电信号样本其中m的取值为[16,40],本实施例的m取值为40,表示该测试者第S个样本,S的取值为2000~10000,本实施例的S取值为10000,C为纯净脑电信号样本的通道数,C取值为16~64,本实施例的C取值为64,T为第S个样本的纯净脑电信号样本采样点个21数,T取值为320~1000,本实施例的T取值为1000。
(4)构建含噪脑电信号样本
选取高斯白噪声作为相应的噪声样本,在纯净脑电信号样本中加入信噪比为-2dB~2dB的噪声样本,本实施例的信噪比取值为2dB,构建成含噪脑电信号样本,按下式对脑电信号加入噪声:
EEGn=EEGc+γ×EEGs
其中EEGn为添加了高斯白噪声或肌电噪声的脑电信号,EEGc为纯净脑电信号,EEGs为噪声信号,γ表示噪声的污染程度因子。
按下式根据信噪比SNR确定噪声的污染程度因子γ:
其中RMS(EEGc)为干净脑电信号的均方根,RMS(γ×EEGs)为噪声信号的均方根。
(5)划分训练集和测试集
该步骤与实施例1相同。
(6)构建融合密集残差和注意力机制网络
该步骤与实施例1相同。
(7)训练融合密集残差结构和注意力机制网络
将训练集输入到融合密集残差和注意力机制网络进行训练,损失函数使用Huber损失函数Lδ(y,x):
其中,xi表示含噪声的脑电信号值经融合密集残差和注意力机制网络进行伪迹消除后的脑电信号预测值,yi表示目标信号值,即纯净的脑电信号,δ为超参数,取值为0.05~1,本实施例的δ取值为1,N表示样本数量,N为有限的正整数,本实施例的N取值为10000。
用随机梯度下降方法更新融合密集残差和注意力机制网络参数,用Adam优化方法动态调整融合密集残差和注意力机制网络的学习率,训练至损失函数收敛,得到训练好的融合密集残差和注意力机制网络。
其他步骤与实施例1相同,完成融合密集残差和注意力机制的脑电时空去噪方法。
实施例4
在以上的实施例1~3中,本实施例的融合密集残差结构和注意力机制的脑电信号去噪方法由下述步骤组成:
(1)选取脑电信号数据集
该步骤与实施例1相同。
(2)脑电信号预处理
该步骤与实施例1相同。
(3)选取脑电样本
该步骤与相应的实施例相同。
(4)构建含噪脑电信号样本
选取测试者的肌电噪声作为相应的噪声样本,在纯净脑电信号样本中加入信噪比为-2dB~2dB的噪声样本,本实施例的信噪比取值与相应的实施例相同,构建成含噪脑电信号样本,按下式对脑电信号加入噪声:
EEGn=EEGc+γ×EEGs
其中EEGn为添加了高斯白噪声或肌电噪声的脑电信号,EEGc为纯净脑电信号,EEGs为噪声信号,γ表示噪声的污染程度因子。
按下式根据信噪比SNR确定噪声的污染程度因子γ:
其中RMS(EEGc)为干净脑电信号的均方根,RMS(γ×EEGs)为噪声信号的均方根。
(5)划分训练集和测试集
该步骤与实施例1相同。
(6)构建融合密集残差和注意力机制网络
该步骤与实施例1相同。
(7)训练融合密集残差结构和注意力机制网络
该步骤与相应的实施例相同。
其他步骤与实施例1相同,完成融合密集残差和注意力机制的脑电时空去噪方法。
为了验证本发明的有益效果,发明人采用本发明实施例1的方法进行了仿真实验,实验情况如下:
1、仿真条件
硬件条件为:1块Nvidia 1080Ti显卡,128G内存。
软件平台为:Pytorch框架。
2、仿真内容与结果
用实施例1方法在上述仿真条件下进行实验。从DEAP数据库中选取32个测试者的纯净脑电信号样本6000,纯净脑电信号的波形图如图4所示,采用实施例1的方法去除添加噪声后脑电信号的波形图如图5所示。由图5可见,经本发明去除噪声后,多余的噪声点消失,并且去噪之后脑电信号波形图接近于纯净的脑电信号,由此证明,采用融合密集残差和注意力机制网络去除脑电信号的噪声的效果显著。与现有技术相比,本发明具有以下优点:
由于本发明构建了融合密集残差和注意力机制网络,通过构建融合注意力机制的密集残差编码器,可以高效地提取脑电信号的时空特征,构建解码器,将残差编码器和解码器进行相同尺度信息的拼接,增加解码过程中的特征信息,较好地解决梯度消失问题,采用了Huber损失函数作为网络的损失函数优化网络参数,更好地指导网络进行伪迹去除,提取脑电信号中的有效特征,提高了网络去除伪迹后的脑电信号质量。本发明具有网络结构简单、去噪质量好、去噪效率高等优点,可应用于脑电信号处理的预处理过程和信号去噪处理技术领域。
Claims (6)
1.一种融合密集残差和注意力机制的脑电时空去噪方法,其特征在于由下述步骤组成:
(1)选取脑电信号数据集
在DEAP数据集中选取脑电信号数据;
(2)脑电信号预处理
1)对采集的脑电信号采用512Hz采样,128Hz复采样;
2)在采集的40个生理信号通道中,前32个通道采集的为脑电信号,脑电通道按照国际10-20系统选择32个通道的位置,分别为Fp1、AF3、F3、F7、FC5、FC1、C3、T7、CP5、CP1、P3、P7、PO3、O1、Oz、Pz、Fp2、AF4、Fz、F4、F8、FC6、FC、Cz、C4、T8、Cp6、Cp2、P4、P8、PO4、O2;
3)实验前3秒准备时间的脑电数据去除,将脑电信号样本分段成60秒的小段;
(3)选取脑电样本
从DEAP数据集中选取m个测试者的纯净脑电信号样本其中m的取值为[16,40],表示该测试者第S个样本,S的取值为2000~10000,C为纯净脑电信号样本的通道数,C取值为16~64,T为第S个样本的纯净脑电信号样本采样点个数,T取值为320~1000;
(4)构建含噪脑电信号样本
选取高斯白噪声或测试者的肌电噪声作为相应的噪声样本,在纯净脑电信号样本中加入信噪比为-2dB~2dB的噪声样本,构建成含噪脑电信号样本,按下式对脑电信号加入噪声:
EEGn=EEGc+γ×EEGs
其中EEGn为添加了高斯白噪声或肌电噪声的脑电信号,EEGc为纯净脑电信号,EEGs为噪声信号,γ表示噪声的污染程度因子;
按下式根据信噪比SNR确定噪声的污染程度因子γ:
其中RMS(EEGc)为干净脑电信号的均方根,RMS(γ×EEGs)为噪声信号的均方根;
(5)划分训练集和测试集
将含噪脑电信号样本分为训练集和测试集,训练集为含噪脑电信号样本的70%,测试集为含噪脑电信号的30%;
(6)构建融合密集残差和注意力机制网络
融合密集残差和注意力机制网络由融合注意力机制的密集残差编码器与卷积解码器串联构成;
所述的融合注意力机制的密集残差编码器是由第一残差单元(1)与第二残差单元(2)、第三残差单元(3)依次串联构成;
所述的卷积解码器由3个结构相同依次串联的反卷积层(4)构成;
(7)训练融合密集残差和注意力机制网络
将训练集输入到融合密集残差和注意力机制网络进行训练,损失函数使用Huber损失函数Lδ(y,x):
其中,xi表示含噪声的脑电信号值经融合密集残差和注意力机制网络进行伪迹消除后的脑电信号预测值,yi表示目标信号值,即纯净的脑电信号,δ为超参数,取值为0.05~1,N表示样本数量,N为有限的正整数;
用随机梯度下降方法更新融合密集残差和注意力机制网络参数,用Adam优化方法动态调整融合密集残差和注意力机制网络的学习率,训练至损失函数收敛,得到训练好的融合密集残差和注意力机制网络;
(8)重建去噪脑电信号
将测试集输入到训练好的融合密集残差结构和注意力机制网络中,输出长度为1000的脑电信号。
2.根据权利要求1所述的融合密集残差和注意力机制脑电信号去噪方法,其特征在于:在(6)构建融合密集残差和注意力机制网络步骤中,所述的第一残差单元(1)由残差分支与恒等映射分支d并联后、与SENet注意力机制模块e串联构成,第二残差单元(2)、第三残差单元(3)的结构与第一个残差单元相同。
3.根据权利要求2所述的融合密集残差和注意力机制脑电信号去噪方法,其特征在于:在(6)构建融合密集残差和注意力机制网络步骤中,所述的残差分支由卷积层a1与归一化层b1、激活层c、卷积层a2、归一化层b2依次串联构成。
4.根据权利要求3所述的融合密集残差和注意力机制脑电信号去噪方法,其特征在于:在(6)构建融合密集残差和注意力机制网络步骤中,所述的卷积层a1和卷积层a2的卷积核大小为1×3。
5.根据权利要求1或2所述的融合密集残差和注意力机制脑电信号去噪方法,其特征在于:在(6)构建融合密集残差和注意力机制网络步骤中,所述的第一残差单元(1)的卷积通道为64、步长为1,第二残差单元(2)的卷积通道为128、步长为2,第三残差单元(3)的卷积通道为256、步长为2。
6.根据权利要求1所述的融合密集残差和注意力机制的网络脑电信号去噪方法,其特征在于:在(6)构建融合密集残差和注意力机制网络步骤中,所述的卷积解码器由3个结构相同依次串联的反卷积层(4)构成。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210878058.0A CN115153588B (zh) | 2022-07-25 | 2022-07-25 | 融合密集残差和注意力机制的脑电时空去噪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210878058.0A CN115153588B (zh) | 2022-07-25 | 2022-07-25 | 融合密集残差和注意力机制的脑电时空去噪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115153588A true CN115153588A (zh) | 2022-10-11 |
CN115153588B CN115153588B (zh) | 2023-06-06 |
Family
ID=83496310
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210878058.0A Active CN115153588B (zh) | 2022-07-25 | 2022-07-25 | 融合密集残差和注意力机制的脑电时空去噪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115153588B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115381467A (zh) * | 2022-10-31 | 2022-11-25 | 浙江浙大西投脑机智能科技有限公司 | 一种基于注意力机制的时频信息动态融合解码方法及装置 |
CN115836867A (zh) * | 2023-02-14 | 2023-03-24 | 中国科学技术大学 | 一种双分支融合的深度学习脑电降噪方法、设备及介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111681166A (zh) * | 2020-06-02 | 2020-09-18 | 重庆理工大学 | 一种堆叠注意力机制编解码单元的图像超分辨率重建方法 |
CN112992121A (zh) * | 2021-03-01 | 2021-06-18 | 德鲁动力科技(成都)有限公司 | 基于注意力残差学习的语音增强方法 |
CN113156513A (zh) * | 2021-04-14 | 2021-07-23 | 吉林大学 | 一种基于注意力引导的卷积神经网络地震信号去噪方法 |
CN113723171A (zh) * | 2021-06-16 | 2021-11-30 | 陕西师范大学 | 基于残差生成对抗网络的脑电信号去噪方法 |
WO2022083026A1 (zh) * | 2020-10-21 | 2022-04-28 | 华中科技大学 | 一种超声图像去噪模型建立方法及超声图像去噪方法 |
-
2022
- 2022-07-25 CN CN202210878058.0A patent/CN115153588B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111681166A (zh) * | 2020-06-02 | 2020-09-18 | 重庆理工大学 | 一种堆叠注意力机制编解码单元的图像超分辨率重建方法 |
WO2022083026A1 (zh) * | 2020-10-21 | 2022-04-28 | 华中科技大学 | 一种超声图像去噪模型建立方法及超声图像去噪方法 |
CN112992121A (zh) * | 2021-03-01 | 2021-06-18 | 德鲁动力科技(成都)有限公司 | 基于注意力残差学习的语音增强方法 |
CN113156513A (zh) * | 2021-04-14 | 2021-07-23 | 吉林大学 | 一种基于注意力引导的卷积神经网络地震信号去噪方法 |
CN113723171A (zh) * | 2021-06-16 | 2021-11-30 | 陕西师范大学 | 基于残差生成对抗网络的脑电信号去噪方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115381467A (zh) * | 2022-10-31 | 2022-11-25 | 浙江浙大西投脑机智能科技有限公司 | 一种基于注意力机制的时频信息动态融合解码方法及装置 |
CN115381467B (zh) * | 2022-10-31 | 2023-03-10 | 浙江浙大西投脑机智能科技有限公司 | 一种基于注意力机制的时频信息动态融合解码方法及装置 |
CN115836867A (zh) * | 2023-02-14 | 2023-03-24 | 中国科学技术大学 | 一种双分支融合的深度学习脑电降噪方法、设备及介质 |
CN115836867B (zh) * | 2023-02-14 | 2023-06-16 | 中国科学技术大学 | 一种双分支融合的深度学习脑电降噪方法、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115153588B (zh) | 2023-06-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sun et al. | A novel end-to-end 1D-ResCNN model to remove artifact from EEG signals | |
CN115153588B (zh) | 融合密集残差和注意力机制的脑电时空去噪方法 | |
Mammone et al. | Automatic artifact rejection from multichannel scalp EEG by wavelet ICA | |
CN111814656B (zh) | 一种基于对抗生成网络的心电信号降噪方法 | |
CN109784242A (zh) | 基于一维残差卷积神经网络的脑电信号去噪方法 | |
CN112861625B (zh) | 一种堆叠去噪自编码器模型确定方法 | |
CN113723171B (zh) | 基于残差生成对抗网络的脑电信号去噪方法 | |
CN110477909B (zh) | 一种基于静息态脑电数据的性别分类方法 | |
CN105249964A (zh) | 基于脑磁图和弥散张量成像的多模态脑功能重建评估方法 | |
CN114358089A (zh) | 基于脑电的语音评估模型的训练方法、装置及电子设备 | |
Lopez et al. | HAPPILEE: HAPPE In Low Electrode Electroencephalography, a standardized pre-processing software for lower density recordings | |
CN115281685A (zh) | 基于异常检测的睡眠分期识别方法、装置以及计算机可读存储介质 | |
CN115363531A (zh) | 基于双模态脑电信号信息瓶颈的癫痫检测系统 | |
CN114648048A (zh) | 基于变分自编码和PixelCNN模型的心电信号降噪方法 | |
CN111543984A (zh) | 一种基于ssda的脑电信号的眼电伪迹去除方法 | |
Nguyen et al. | A deep wavelet sparse autoencoder method for online and automatic electrooculographical artifact removal | |
Narmada et al. | A novel adaptive artifacts wavelet Denoising for EEG artifacts removal using deep learning with Meta-heuristic approach | |
CN113208614A (zh) | 脑电降噪的方法及装置、可读存储介质 | |
CN116035593B (zh) | 一种基于生成对抗式并行神经网络的脑电降噪方法 | |
CN116942172A (zh) | 一种基于编解码结构的小波双通道单导联心电去噪方法 | |
CN111493864B (zh) | Eeg信号混合噪声处理方法、设备和存储介质 | |
CN114757236A (zh) | 基于tqwt与svmd的脑电信号去噪优化方法及系统 | |
Srinivasulu et al. | Basis pursuit sparse decomposition using tunable-Q wavelet transform (BPSD-TQWT) for denoising of electrocardiograms | |
Yous et al. | Automated detection and removal of artifacts from sEMG signals based on fuzzy inference system and signal decomposition methods | |
CN116035594B (zh) | 一种基于分割-降噪网络的脑电伪迹去除方法 |
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 |