CN115836867A - 一种双分支融合的深度学习脑电降噪方法、设备及介质 - Google Patents
一种双分支融合的深度学习脑电降噪方法、设备及介质 Download PDFInfo
- Publication number
- CN115836867A CN115836867A CN202310112583.6A CN202310112583A CN115836867A CN 115836867 A CN115836867 A CN 115836867A CN 202310112583 A CN202310112583 A CN 202310112583A CN 115836867 A CN115836867 A CN 115836867A
- Authority
- CN
- China
- Prior art keywords
- eeg
- branch
- artifact
- reconstruction
- 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.)
- Granted
Links
- 230000009467 reduction Effects 0.000 title claims abstract description 40
- 230000004927 fusion Effects 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000013135 deep learning Methods 0.000 title claims abstract description 19
- 230000006870 function Effects 0.000 claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 14
- 230000008569 process Effects 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims description 18
- 230000004913 activation Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 230000009977 dual effect Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000003993 interaction Effects 0.000 abstract description 2
- 230000036541 health Effects 0.000 abstract 1
- 230000002452 interceptive effect Effects 0.000 abstract 1
- 230000007246 mechanism Effects 0.000 abstract 1
- 230000000694 effects Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000002567 electromyography Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000007177 brain activity Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012880 independent component analysis Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Images
Classifications
-
- 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
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种双分支融合的深度学习脑电降噪方法、设备及介质，该方法的步骤包括：1、将采集到的单通道干净脑电信号以及伪迹信号线性混叠，从而构建训练数据集；2、建立双分支融合网络模型，利用两个分支分别建模干净脑电信号和伪迹信号，并在建模过程中引入交互机制实现两者特征增强，进一步设计融合模块自适应地融合两个分支的结果来进一步恢复干净脑电信号；3、构建损失函数并训练得到最优降噪模型；4、利用训练好的模型实现脑电降噪任务。本发明同时考虑恢复干净脑电和伪迹信号，从而能提高重构脑电信号的质量，对人机交互和医疗健康等领域具有重要意义。
Description
技术领域
本发明涉及脑电信号处理及人工智能领域，具体涉及一种基于深度学习的脑电降噪方法、设备及介质。
背景技术
脑电信号（Electroencephalogram, EEG）是记录大脑活动的有力工具，能够更客观、可靠地捕捉人类的脑部状态。由于时间分辨率高、安全性高和获取成本低等优势，EEG在认知科学研究、脑机接口、睡眠监测、情感计算、疾病诊断等领域具有广泛的应用。然而，EEG十分微弱，容易受到眼电、肌电、心电、工频干扰、运动伪迹等多种伪迹污染。这些伪迹的存在严重阻碍后续的脑电分析，限制EEG的实际应用。因此，脑电降噪至关重要，在科研和应用中均受到广泛关注。
传统上，独立成分分析、典型相关分析等盲原分离（Blind Source Separation,BSS）算法是脑电降噪最常用的方法。然而，BSS算法需要对伪迹组件进行手动检查和剔除，或针对特定的伪迹设置合适的阈值，不利于实际应用。相比之下，基于深度学习的降噪方法可以自动从原始信号中提取EEG特征，而不需要先验知识，获得了研究人员的青睐。近年来，卷积神经网络、长短时记忆网络等深度神经网络被用于脑电降噪领域，并被证明比传统方法更有前景。
然而，存在的深度学习方法仅考虑估计干净的EEG，而忽略了对污染信号中存在伪迹的建模，这会导致重建EEG不可避免地存在伪迹残留或信息丢失，从而影响最终的降噪性能。
发明内容
本发明是为了解决上述现有技术存在的不足之处，提出一种双分支融合的深度学习脑电降噪方法、设备及介质，以期能利用两个分支分别重建EEG和伪迹，并融合两个分支的结果来进一步恢复干净EEG，从而能提升重建EEG信号的质量，并获得更好的降噪效果。
本发明为达到上述发明目的，采用如下技术方案：
本发明一种双分支融合的深度学习脑电降噪方法的特点在于，包括以下步骤：
步骤1、获取一批单通道的干净脑电信号和伪迹信号，并通过线性混叠的方式对干净脑电信号与伪迹信号进行处理，获得半仿真的含噪脑电信号，用于构建样本对并得到训练数据集，所述训练数据集中任意一个样本对记为{(x,a,y)|x,a,y∈R1×T}，其中，y表示含噪脑电信号，x和a表示对应的干净脑电信号和伪迹信号，T表示信号长度；
步骤2、建立双分支融合网络模型，包括：两路并行的脑电重建分支和伪迹重建分支，以及特征增强模块和双分支融合模块，并将所述含噪脑电信号y输入到双分支融合网络模型，得到最终预测的干净脑电信号xp；
步骤2.1、所述含噪脑电信号y分别输入所述脑电重建分支、伪迹重建分支中进行处理，并通过所述特征增强模块将两个分支的中间结果进行交互后，再由所述脑电重建分支、伪迹重建分支分别输出重建脑电信号x’和重建伪迹信号a’；
步骤2.2、将所述含噪脑电信号y与重建伪迹信号a’作差后，得到另一个重建脑电信号x’’，将两个重建脑电信号x’和x’’合并输入到所述双分支融合模块中进行处理，得到最终预测的干净脑电信号xp；
步骤3、构建损失函数并训练得到最优降噪模型；
步骤3.1、利用式(1)构建损失函数L：
L(θE,θA,θI,θF) = MSE(x’,x; θE,θA,θI) + MSE(a’,a; θE,θA,θI) + MSE(xp,x;θF) (1)
式(1)中，θE,θA,θI,θF分别表示脑电重建分支、伪迹重建分支、特征增强模块和双分支融合模块的待优化参数，MSE(•)表示均方误差损失函数；
步骤3.2、基于训练数据集，利用Adam优化器对所述双分支融合网络模型进行训练，并计算所述损失函数L并反向传播至网络模型中进行优化，当损失函数L收敛时停止训练，从而获得最优降噪模型；
步骤4、以所述最优降噪模型对一批含噪脑电信号进行降噪处理，得到干净脑电信号。
本发明所述的双分支融合的深度学习脑电降噪方法的特点也在于，所述步骤2中的脑电重建分支和伪迹重建分支均由若干个一维卷积层和全连接层构成，其中，一维卷积层用于提取深度特征，全连接层用于重建干净脑电信号和伪迹信号。
所述步骤2.1包括：
步骤2.1.1、所述含噪脑电信号y分别输入到脑电重建分支、伪迹重建分支中，并相应经过若干个一维卷积层中的处理后，对应输出脑电特征FE和伪迹特征FA；
步骤2.1.2、所述脑电特征FE和伪迹特征FA合并输入到所述特征增强模块中进行处理，相应输出增强脑电特征F’E和增强伪迹特征F’A；
步骤2.1.3、所述增强脑电特征F’E和增强伪迹特征F’A分别输入到脑电重建分支和伪迹重建分支的全连接层中进行处理，相应输出重建脑电信号x’和重建伪迹信号a’。
所述特征增强模块是由一维卷积层和Sigmoid激活函数构成，用于从对脑电重建分支、伪迹重建分支中提取增强特征。
所述步骤2.2中的双分支融合模块包括：一维卷积层和Sigmoid激活函数，并用于对两个重建脑电信号x’和x’’进行处理后，输出掩码向量M；从而利用式(2)计算出最终预测的干净脑电信号xp：
式(2)中，
表示点乘。
本发明一种电子设备，包括存储器以及处理器的特点在于，所述存储器用于存储支持处理器执行任一所述深度学习脑电降噪方法的程序，所述处理器被配置为用于执行所述存储器中存储的程序。
本发明一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序的特点在于，所述计算机程序被处理器运行时执行一所述深度学习脑电降噪方法的步骤。
与现有技术相比，本发明的有益效果在于：
1、本发明设计两个分支能同时重建污染信号中存在的干净EEG和伪迹信号，并利用融合模块自适应地融合两个分支的结果来进一步恢复干净EEG，从而提升了重建EEG信号的质量，并大幅提升了深度神经网络的降噪能力。在公开数据集中的实验结果显示，本发明提出的方法降噪性能高于多个现有的降噪网络。
本发明设计特征增强模块来实现两个分支之间的特征交互。由于两个分支共享输入，EEG分支提取的特征不可避免地存在残留的伪迹成分，反之亦然。在两个分支之间引入特征增强模块以抵消残留成分及恢复丢失成分，若使两者相互受益，从而能自适应地从对方分支中捕捉自己分支遗漏的特征，进而实现了特征增强，进一步提升了EEG降噪能力。
附图说明
图1为本发明提出的双分支融合网络模型框架图；
图2是本发明提出的特征增强模块结构图；
图3是本发明提出的双分支融合模块结构图。
具体实施方式
本实施例中，一种双分支融合的深度学习脑电降噪方法，包括以下步骤：
步骤1、获取一批单通道的干净脑电信号和伪迹信号，并通过线性混叠的方式对干净脑电信号与伪迹信号进行处理，获得半仿真的含噪脑电信号，用于构建样本对并得到训练数据集。
具体实施中，从公开数据集DenoiseNet获取2s的干净脑电、肌电伪迹和眼电伪影片段，从公开数据集PhysiobankMotion Artifacts Dataset获取9分钟的运动伪迹数据并将其切片到若干2s的运动伪迹片段，所有数据重采样至256Hz。在完成数据收集后，含噪脑电信号按照如下公式生成：
a = λn (3)
y = x + a (4)
式(3)和式(4)中，n表示原始伪迹信号，λ表示伪迹的幅值控制参数，y表示含噪脑电信号，x和a表示对应的干净脑电信号和伪迹信号。
训练数据集中任意一个样本对记为{(x,a,y)|x,a,y∈R1×T}，其中，T表示信号长度，在本实施例中，T = 512。含噪脑电信号y作为模型输入数据，干净脑电信号x作为对应的标签。
步骤2、建立双分支融合网络模型，如图1所示，模型包括：两路并行的脑电重建分支和伪迹重建分支，以及特征增强模块和双分支融合模块，并将含噪脑电信号y输入到双分支融合网络模型，得到最终预测的干净脑电信号xp。
步骤2.1、含噪脑电信号y分别输入脑电重建分支、伪迹重建分支中进行处理，并通过特征增强模块将两个分支的中间结果进行交互后，再由脑电重建分支、伪迹重建分支分别输出重建脑电信号x’和重建伪迹信号a’。
脑电重建分支和伪迹重建分支均由若干个一维卷积层和全连接层构成，其中，一维卷积层用于提取深度特征，全连接层用于重建干净脑电信号和伪迹信号。特征增强模块是由一维卷积层和Sigmoid激活函数构成，用于从对脑电重建分支、伪迹重建分支中提取增强特征。本实施例中，脑电重建分支和伪迹重建分支分别包含三层一维卷积层和一层全连接层，一维卷积层通道数为32，卷积核尺寸为9，全连接层神经元数为512。特征增强模块如图2所示，主要包含两层一维卷积层和Sigmoid激活函数，两层一维卷积层通道数分别为32和4，卷积核尺寸均为9。
步骤2.1.1、含噪脑电信号y分别输入到脑电重建分支、伪迹重建分支中，并相应经过若干个一维卷积层中的处理后，对应输出脑电特征FE和伪迹特征FA。
步骤2.1.2、脑电特征FE和伪迹特征FA合并输入到特征增强模块中进行处理，相应输出增强脑电特征F’E和增强伪迹特征F’A。
以增强脑电特征F’E和为例，本实施例中，将脑电特征FE和伪迹特征FA合并输入到特征增强模块中的第一个一维卷积层和Sigmoid激活函数，得到掩码矩阵MA，将掩码矩阵MA和伪迹特征FA逐元素相乘，并输入到第二个一维卷积层，得到残留脑电特征FA2E，合并残留脑电特征FA2E和脑电特征FE得到增强脑电特征F’E，过程如下：
MA= Sigmoid(Conv(FE||FA)) (5)
FA2E= Conv(MA 
FA) (6)
F’E= FA2E|| FE (7)
式(5)-式(7)中，||表示连接操作，
表示点乘。同理可获得增强伪迹特征F’A。
步骤2.1.3、增强脑电特征F’E和增强伪迹特征F’A分别输入到脑电重建分支和伪迹重建分支的全连接层中进行处理，相应输出重建脑电信号x’和重建伪迹信号a’。
步骤2.2、将含噪脑电信号y与重建伪迹信号a’作差后，得到另一个重建脑电信号x’’，将两个重建脑电信号x’和x’’合并输入到双分支融合模块中进行处理，得到最终预测的干净脑电信号xp。
双分支融合模块包括：一维卷积层和Sigmoid激活函数，并用于对两个重建脑电信号x’和x’’进行处理后，输出掩码向量M，从而利用式(2)计算出最终预测的干净脑电信号xp：
本实施例中，双分支融合模块如图3所示，包含三层一维卷积层和Sigmoid激活函数，三层一维卷积层通道数分别为32，32和1，卷积核尺寸均为9。
步骤3、构建损失函数并训练得到最优降噪模型。
步骤3.1、利用式(1)构建损失函数L：
L(θE,θA,θI,θF) = MSE(x’,x; θE,θA,θI) + MSE(a’,a; θE,θA,θI) + MSE(xp,x;θF) (1)
式(1)中，θE,θA,θI,θF分别表示脑电重建分支、伪迹重建分支、特征增强模块和双分支融合模块的待优化参数，MSE(•)表示均方误差损失函数。
步骤3.2、基于训练数据集，利用Adam优化器对双分支融合网络模型进行训练，并计算损失函数L并反向传播至网络模型中进行优化，当损失函数L收敛时停止训练，从而获得最优降噪模型。本实施例中，训练次数设置为100，batchsize设置为128。
步骤4、以最优降噪模型对一批含噪脑电信号进行降噪处理，得到干净脑电信号。
模型的最终的性能由相对均方根误差（Relative Root Mean Squared Error,RRMSE），相关系数（CorrelationCoefficient, CC），信噪比（Signal-to-Noise Ratio,SNR）三个常见的指标来评估，其中RRMSE值越小越好；CC取值范围在0-1之间，越接近1表明降噪效果越好；SNR越大表明降噪效果越好。具体实施过程中，双分支融合网络模型与深度学习降噪模型中FCNN、SCNN、RNN以及ResCNN进行对比。所有方法的降噪结果如表1：
表1. 不同方法的降噪性能
结果表明，本发明的降噪效果优于存在的深度学习的脑电降噪模型。在三种不同的评估指标上，本发明提出的双分支融合网络模型都得到了所有降噪方法中最好的效果，这表明从污染信号中同时恢复干净脑电和伪迹信号，可以提高重构脑电信号的质量。本发明为脑电降噪技术的开发提供一个新的思路，并且有益于后续各类基于EEG的分析与应用。
Claims (7)
1.一种双分支融合的深度学习脑电降噪方法，其特征在于，包括以下步骤：
步骤1、获取一批单通道的干净脑电信号和伪迹信号，并通过线性混叠的方式对干净脑电信号与伪迹信号进行处理，获得半仿真的含噪脑电信号，用于构建样本对并得到训练数据集，所述训练数据集中任意一个样本对记为{(x,a,y)|x,a,y∈R1×T}，其中，y表示含噪脑电信号，x和a表示对应的干净脑电信号和伪迹信号，T表示信号长度；
步骤2、建立双分支融合网络模型，包括：两路并行的脑电重建分支和伪迹重建分支，以及特征增强模块和双分支融合模块，并将所述含噪脑电信号y输入到双分支融合网络模型，得到最终预测的干净脑电信号xp；
步骤2.1、所述含噪脑电信号y分别输入所述脑电重建分支、伪迹重建分支中进行处理，并通过所述特征增强模块将两个分支的中间结果进行交互后，再由所述脑电重建分支、伪迹重建分支分别输出重建脑电信号x’和重建伪迹信号a’；
步骤2.2、将所述含噪脑电信号y与重建伪迹信号a’作差后，得到另一个重建脑电信号x’’，将两个重建脑电信号x’和x’’合并输入到所述双分支融合模块中进行处理，得到最终预测的干净脑电信号xp；
步骤3、构建损失函数并训练得到最优降噪模型；
步骤3.1、利用式(1)构建损失函数L：
L(θE,θA,θI,θF) = MSE(x’,x; θE,θA,θI) + MSE(a’,a; θE,θA,θI) + MSE(xp,x; θF)(1)
式(1)中，θE,θA,θI,θF分别表示脑电重建分支、伪迹重建分支、特征增强模块和双分支融合模块的待优化参数，MSE(•)表示均方误差损失函数；
步骤3.2、基于训练数据集，利用Adam优化器对所述双分支融合网络模型进行训练，并计算所述损失函数L并反向传播至网络模型中进行优化，当损失函数L收敛时停止训练，从而获得最优降噪模型；
步骤4、以所述最优降噪模型对一批含噪脑电信号进行降噪处理，得到干净脑电信号。
2.根据权利要求1所述的双分支融合的深度学习脑电降噪方法，其特征在于，所述步骤2中的脑电重建分支和伪迹重建分支均由若干个一维卷积层和全连接层构成，其中，一维卷积层用于提取深度特征，全连接层用于重建干净脑电信号和伪迹信号。
3.根据权利要求2所述的双分支融合的深度学习脑电降噪方法，其特征在于，所述步骤2.1包括：
步骤2.1.1、所述含噪脑电信号y分别输入到脑电重建分支、伪迹重建分支中，并相应经过若干个一维卷积层中的处理后，对应输出脑电特征FE和伪迹特征FA；
步骤2.1.2、所述脑电特征FE和伪迹特征FA合并输入到所述特征增强模块中进行处理，相应输出增强脑电特征F’E和增强伪迹特征F’A；
步骤2.1.3、所述增强脑电特征F’E和增强伪迹特征F’A分别输入到脑电重建分支和伪迹重建分支的全连接层中进行处理，相应输出重建脑电信号x’和重建伪迹信号a’。
4.根据权利要求3所述的双分支融合的深度学习脑电降噪方法，其特征在于，所述特征增强模块是由一维卷积层和Sigmoid激活函数构成，用于从对脑电重建分支、伪迹重建分支中提取增强特征。
5.根据权利要求1所述的双分支融合的深度学习脑电降噪方法，其特征在于，所述步骤2.2中的双分支融合模块包括：一维卷积层和Sigmoid激活函数，并用于对两个重建脑电信号x’和x’’进行处理后，输出掩码向量M；从而利用式(2)计算出最终预测的干净脑电信号xp：
式(2)中，
表示点乘。
6.一种电子设备，包括存储器以及处理器，其特征在于，所述存储器用于存储支持处理器执行权利要求1-5中任一所述深度学习脑电降噪方法的程序，所述处理器被配置为用于执行所述存储器中存储的程序。
7.一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，其特征在于，所述计算机程序被处理器运行时执行权利要求1-5中任一所述深度学习脑电降噪方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310112583.6A CN115836867B (zh) | 2023-02-14 | 2023-02-14 | 一种双分支融合的深度学习脑电降噪方法、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310112583.6A CN115836867B (zh) | 2023-02-14 | 2023-02-14 | 一种双分支融合的深度学习脑电降噪方法、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115836867A true CN115836867A (zh) | 2023-03-24 |
| CN115836867B CN115836867B (zh) | 2023-06-16 |
Family
ID=85579676
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310112583.6A Active CN115836867B (zh) | 2023-02-14 | 2023-02-14 | 一种双分支融合的深度学习脑电降噪方法、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115836867B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118503686A (zh) * | 2024-07-19 | 2024-08-16 | 徐州医科大学 | 一种多通道脑电信号伪迹去除方法 |
Citations (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100850419B1 (ko) * | 2007-05-03 | 2008-08-04 | 경북대학교 산학협력단 | 적응 소음 제거 장치 및 방법 |
| CN104459793A (zh) * | 2014-11-18 | 2015-03-25 | 中国石油化工股份有限公司 | 一种基于信噪分离的噪音去除方法 |
| CN104720797A (zh) * | 2015-03-20 | 2015-06-24 | 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 |
| CN105723458A (zh) * | 2013-09-12 | 2016-06-29 | 沙特阿拉伯石油公司 | 用于滤除噪声和还原声信号遭到衰减的高频分量的动态阈值方法、系统、计算机可读介质和程序代码 |
| CN105769173A (zh) * | 2016-02-29 | 2016-07-20 | 浙江铭众科技有限公司 | 一种具有心电信号去噪功能的心电监测系统 |
| CN106264521A (zh) * | 2016-09-22 | 2017-01-04 | 小菜儿成都信息科技有限公司 | 多通道脑电信号中下颌干扰的自动去除方法 |
| CN109559281A (zh) * | 2017-09-26 | 2019-04-02 | 三星电子株式会社 | 图像去噪神经网络架构及其训练方法 |
| CN111164651A (zh) * | 2017-08-28 | 2020-05-15 | 交互数字Vc控股公司 | 用多分支深度学习进行滤波的方法和装置 |
| CN111192226A (zh) * | 2020-04-15 | 2020-05-22 | 苏宁云计算有限公司 | 一种图像融合去噪方法及装置、系统 |
| CN111627082A (zh) * | 2020-05-21 | 2020-09-04 | 浙江大学 | 基于滤波反投影算法和神经网络的pet图像重建方法 |
| CN111950705A (zh) * | 2020-08-10 | 2020-11-17 | 深圳高性能医疗器械国家研究院有限公司 | 一种重建神经网络及其应用 |
| US20210012767A1 (en) * | 2020-09-25 | 2021-01-14 | Intel Corporation | Real-time dynamic noise reduction using convolutional networks |
| CN112491442A (zh) * | 2020-11-17 | 2021-03-12 | 中山大学 | 一种自干扰消除方法及装置 |
| CN113988135A (zh) * | 2021-10-29 | 2022-01-28 | 南京邮电大学 | 一种基于双分支多流网络的肌电信号手势识别方法 |
| CN114403896A (zh) * | 2022-01-14 | 2022-04-29 | 南开大学 | 单通道脑电信号中眼电伪迹去除方法 |
| CN114781445A (zh) * | 2022-04-11 | 2022-07-22 | 山东省人工智能研究院 | 一种基于可解释性的深度神经网络的心电信号降噪方法 |
| CN114881089A (zh) * | 2022-06-02 | 2022-08-09 | 东南大学 | 基于双分支融合模型的抑郁脑电分类方法 |
| CN114947883A (zh) * | 2022-06-15 | 2022-08-30 | 中国科学技术大学 | 一种时频域信息融合的深度学习脑电降噪方法 |
| CN115146667A (zh) * | 2022-04-22 | 2022-10-04 | 中国石油大学(华东) | 一种基于曲波变换与多分枝深层自编码的多尺度地震噪声压制方法 |
| CN115153588A (zh) * | 2022-07-25 | 2022-10-11 | 陕西师范大学 | 融合密集残差和注意力机制的脑电时空去噪方法 |
-
2023
- 2023-02-14 CN CN202310112583.6A patent/CN115836867B/zh active Active
Patent Citations (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100850419B1 (ko) * | 2007-05-03 | 2008-08-04 | 경북대학교 산학협력단 | 적응 소음 제거 장치 및 방법 |
| CN105723458A (zh) * | 2013-09-12 | 2016-06-29 | 沙特阿拉伯石油公司 | 用于滤除噪声和还原声信号遭到衰减的高频分量的动态阈值方法、系统、计算机可读介质和程序代码 |
| CN104459793A (zh) * | 2014-11-18 | 2015-03-25 | 中国石油化工股份有限公司 | 一种基于信噪分离的噪音去除方法 |
| CN104720797A (zh) * | 2015-03-20 | 2015-06-24 | 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 |
| CN105769173A (zh) * | 2016-02-29 | 2016-07-20 | 浙江铭众科技有限公司 | 一种具有心电信号去噪功能的心电监测系统 |
| CN106264521A (zh) * | 2016-09-22 | 2017-01-04 | 小菜儿成都信息科技有限公司 | 多通道脑电信号中下颌干扰的自动去除方法 |
| CN111164651A (zh) * | 2017-08-28 | 2020-05-15 | 交互数字Vc控股公司 | 用多分支深度学习进行滤波的方法和装置 |
| CN109559281A (zh) * | 2017-09-26 | 2019-04-02 | 三星电子株式会社 | 图像去噪神经网络架构及其训练方法 |
| CN111192226A (zh) * | 2020-04-15 | 2020-05-22 | 苏宁云计算有限公司 | 一种图像融合去噪方法及装置、系统 |
| WO2021232653A1 (zh) * | 2020-05-21 | 2021-11-25 | 浙江大学 | 一种结合滤波反投影算法和神经网络的pet图像重建算法 |
| CN111627082A (zh) * | 2020-05-21 | 2020-09-04 | 浙江大学 | 基于滤波反投影算法和神经网络的pet图像重建方法 |
| CN111950705A (zh) * | 2020-08-10 | 2020-11-17 | 深圳高性能医疗器械国家研究院有限公司 | 一种重建神经网络及其应用 |
| US20210012767A1 (en) * | 2020-09-25 | 2021-01-14 | Intel Corporation | Real-time dynamic noise reduction using convolutional networks |
| CN112491442A (zh) * | 2020-11-17 | 2021-03-12 | 中山大学 | 一种自干扰消除方法及装置 |
| CN113988135A (zh) * | 2021-10-29 | 2022-01-28 | 南京邮电大学 | 一种基于双分支多流网络的肌电信号手势识别方法 |
| CN114403896A (zh) * | 2022-01-14 | 2022-04-29 | 南开大学 | 单通道脑电信号中眼电伪迹去除方法 |
| CN114781445A (zh) * | 2022-04-11 | 2022-07-22 | 山东省人工智能研究院 | 一种基于可解释性的深度神经网络的心电信号降噪方法 |
| CN115146667A (zh) * | 2022-04-22 | 2022-10-04 | 中国石油大学(华东) | 一种基于曲波变换与多分枝深层自编码的多尺度地震噪声压制方法 |
| CN114881089A (zh) * | 2022-06-02 | 2022-08-09 | 东南大学 | 基于双分支融合模型的抑郁脑电分类方法 |
| CN114947883A (zh) * | 2022-06-15 | 2022-08-30 | 中国科学技术大学 | 一种时频域信息融合的深度学习脑电降噪方法 |
| CN115153588A (zh) * | 2022-07-25 | 2022-10-11 | 陕西师范大学 | 融合密集残差和注意力机制的脑电时空去噪方法 |
Non-Patent Citations (6)
| Title |
|---|
| CHENGJUN WANG，等: "Translution-SNet: A Semisupervised Hyperspectral Image Stripe Noise Removal Based on Transformer and CNN" * |
| DAN ZHANG，等: "Self-Supervised Image Denoising for Real-World Images With Context-Aware Transformer" * |
| JIN YIN，等: "Frequency Information Enhanced Deep EEG Denoising Network for Ocular Artifact Removal" * |
| XUEYANG FU，等: "Learning Dual Priors for JPEG Compression Artifacts Removal" * |
| 丁红波，等: "激光雷达信号去噪方法的对比研究" * |
| 高振斌，等: "基于小波变换的脑电信号降噪方法的研究" * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118503686A (zh) * | 2024-07-19 | 2024-08-16 | 徐州医科大学 | 一种多通道脑电信号伪迹去除方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115836867B (zh) | 2023-06-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Dasan et al. | A novel dimensionality reduction approach for ECG signal via convolutional denoising autoencoder with LSTM | |
| CN114266276B (zh) | 一种基于通道注意力和多尺度时域卷积的运动想象脑电信号分类方法 | |
| CN107657868A (zh) | 一种基于脑电波的教学跟踪辅助系统 | |
| CN113558644B (zh) | 一种3d矩阵与多维卷积网络的情感分类方法、介质和设备 | |
| CN111860410A (zh) | 基于多特征融合cnn的肌电手势识别方法 | |
| Wu et al. | Efficient implementation and design of a new single-channel electrooculography-based human–machine interface system | |
| CN110353672A (zh) | 一种脑电信号中眼部伪迹去除系统及去除方法 | |
| CN114947883B (zh) | 一种时频域信息融合的深度学习脑电降噪方法 | |
| CN109375776B (zh) | 基于多任务rnn模型的脑电信号动作意图识别方法 | |
| Chen et al. | A novel imbalanced dataset mitigation method and ECG classification model based on combined 1D_CBAM-autoencoder and lightweight CNN model | |
| CN108742603A (zh) | 一种利用核函数和字典对学习模型的脑电检测方法和装置 | |
| CN116035594B (zh) | 一种基于分割-降噪网络的脑电伪迹去除方法 | |
| CN115836867B (zh) | 一种双分支融合的深度学习脑电降噪方法、设备及介质 | |
| Aruna et al. | Accelerating deep convolutional neural network on FPGA for ECG signal classification | |
| CN116035593A (zh) | 一种基于生成对抗式并行神经网络的脑电降噪方法 | |
| CN115919325A (zh) | 基于Transformer的心电信号降噪方法 | |
| CN114841192A (zh) | 一种基于强化学习联合去噪与时空关系建模的脑电信号特征增强方法 | |
| Geng et al. | [Retracted] A Fusion Algorithm for EEG Signal Processing Based on Motor Imagery Brain‐Computer Interface | |
| Xu et al. | EEG signal classification and feature extraction methods based on deep learning: a review | |
| Dias et al. | Cleaning ecg with deep learning: A denoiser tested in industrial settings | |
| He et al. | Dual attention convolutional neural network based on adaptive parametric ReLU for denoising ECG signals with strong noise | |
| Zeng et al. | Adaptive node feature extraction in graph-based neural networks for brain diseases diagnosis using self-supervised learning | |
| Zou et al. | A multi-channel ECG signal deep compressive sensing method using Treeshaped Autoecoder based on multiscale feature fusion | |
| Prasad et al. | Less complexity-aware intelligent 1-dimensional CNN with weighted deep features for artifacts removal in EEG signals | |
| CN117612710A (zh) | 一种基于脑电信号和人工智能分类的医疗诊断辅助系统 |
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 |