CN115998249A - 脑电图中的伪影处理方法、装置、设备及存储介质 - Google Patents
脑电图中的伪影处理方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115998249A CN115998249A CN202211378972.5A CN202211378972A CN115998249A CN 115998249 A CN115998249 A CN 115998249A CN 202211378972 A CN202211378972 A CN 202211378972A CN 115998249 A CN115998249 A CN 115998249A
- Authority
- CN
- China
- Prior art keywords
- mel
- artifact
- signal
- electroencephalogram
- electroencephalogram 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.)
- Pending
Links
Images
Abstract
本申请提出一种脑电图中的伪影处理方法、装置、设备及存储介质,方法包括:获取待处理的时域下的目标脑电图信号;对所述目标脑电图信号进行倒谱分析,得到所述目标脑电图信号对应的梅尔倒谱系数;基于所述梅尔倒谱系数进行伪影检测、识别及去除中的至少一种处理。本申请具有较低的计算成本和较高的伪影检测和去除准确度。
Description
技术领域
本申请属于信号处理技术领域,具体涉及一种脑电图中的伪影处理方法、装置、设备及存储介质。
背景技术
脑电图(Electroencephalogram,EEG),也称脑电波,是一种使用电生理指标记录大脑活动的方法,大脑在活动时,大量神经元同步发生的突触后电位经总和后形成的。它记录大脑活动时的电波变化,是脑神经细胞的电生理活动在大脑皮层或头皮表面的总体反映目前,脑电图已广泛应用于各种临床实践中,以进行神经系统疾病的诊断和治疗。
但是,脑电图信号(EEG信号)的振幅通常较小,在几微伏的范围内,容易受外界因素(如可穿戴式的脑电图采集设备接地不稳定性、采集设备的意外移动或振动、采集设备的电缆摆动,以及被采集人员的肌电图和/或眼电图伪影等)干扰,致使采集的EEG信号不能准确反映脑神经细胞的电生理活动。
现有技术中,普遍采用盲源分离(blind source separation,BSS)的方式,例如独立成分分析(independent component analysis,ICA)、独立向量分析(independentvector analysis,IVA)、主成分分析(principal component analysis,PCA),以及典型相关分析(canonical correlation analysis,CCA)等技术,进行伪影去除。此外,自适应滤波器方法、离散小波变换(discrete wavelet transform,DWT)及深度学习(deep learning)等技术也被应用于伪影检测和去除的研究中,但是采用这些方法去除伪影要么计算过程相对很复杂,会造成较高的数据延迟,致使设备的灵敏度较低;要么伪影检测和去除的准确度较低,伪影去除效果不理想等。
发明内容
本申请提出一种脑电图中的伪影处理方法、装置、设备及存储介质,具有较低的计算成本和较高的伪影检测和去除准确度。
本申请第一方面实施例提出了一种脑电图中的伪影处理方法,所述方法包括:
获取待处理的时域下的目标脑电图信号;
对所述目标脑电图信号进行倒谱分析,得到所述目标脑电图信号对应的梅尔倒谱系数;
基于所述梅尔倒谱系数进行伪影检测、识别及去除中的至少一种处理。
在本申请一些实施方式中,所述对所述目标脑电图信号进行倒谱分析,得到所述目标脑电图信号对应的梅尔倒谱系数,包括:
依次对所述目标脑电图信号进行高通滤波、傅里叶变换及梅尔滤波,提取所述目标脑电图信号的梅尔频谱信号;
将所述梅尔频谱信号转变为梅尔倒谱信号,得到所述目标脑电图信号对应的梅尔倒谱系数。
在本申请一些实施方式中,所述基于所述梅尔倒谱系数进行伪影检测、识别及去除中的至少一种处理,包括:
将所述梅尔倒谱系数输入训练好的第一分类器中,检测所述目标脑电图信号是否包括包含伪影;所述第一分类器用于识别包含伪影的脑电图信号和不包含伪影的脑电图信号。
在本申请一些实施方式中,所述基于所述梅尔倒谱系数进行伪影检测、识别及去除中的至少一种处理,包括:
将所述梅尔倒谱系数输入训练好的第二分类器中,检测所述目标脑电图信号是否包括包含伪影;所述第二分类器用于识别不包含伪影的脑电图信号以及包含伪影脑电图的各种伪影种类。
在本申请一些实施方式中,所述基于所述梅尔倒谱系数进行伪影检测、识别及去除中的至少一种处理,包括:
基于所述梅尔倒谱系数,将所述梅尔倒谱系数中的伪影信号与不包含伪影的脑电图信号进行分离;
去除所述梅尔倒谱系数中分离出的伪影信号。
在本申请一些实施方式中,所述基于所述梅尔倒谱系数,将所述梅尔倒谱系数中的伪影信号与不包含伪影的脑电图信号进行分离,包括:
计算所述梅尔倒谱系数在各维度上的频谱信号;
基于预设维度值,将对应维度上的频谱信号确定为所述梅尔倒谱系数中的伪影信号,将其余维度上的频谱信号确定为所述梅尔倒谱系数中的纯净脑电图信号。
在本申请一些实施方式中,所述基于预设维度值,将对应维度上的频谱信号确定为所述梅尔倒谱系数中的伪影信号之前,还包括:
基于所述梅尔倒谱系数,以及预设不包含伪影的纯净脑电图信号的标准倒谱系数,计算所述目标脑电图信号和所述纯净脑电图信号在倒谱系数各维度上的相关系数;
将相关系数值最小的预设数目个维度上的信号,确定为所述目标脑电图信号中的伪影信号。
本申请第二方面的实施例提供了一种脑电图中的伪影处理装置,所述装置包括:
信号获取模块,用于获取待处理的时域下的目标脑电图信号;
倒谱分析模块,用于对所述目标脑电图信号进行倒谱分析,得到所述目标脑电图信号对应的梅尔倒谱系数;
伪影处理模块,用于基于所述梅尔倒谱系数进行伪影检测、识别及去除中的至少一种处理。
本申请第三方面的实施例提供了一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器运行所述计算机程序以实现如第一方面所述的方法。
本申请第四方面的实施例提供了一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行实现如第一方面所述的方法。
本申请实施例中提供的技术方案,至少具有如下技术效果或优点:
本申请实施例提供的脑电图中的伪影处理方法,在获取时域下待处理的目标脑电图信号后,先对目标脑电图信号进行频域转换,然后对频域下的脑电图信号进行倒谱分析,得到对应的梅尔倒谱系数,并基于计算的梅尔倒谱系数进行伪影检测、识别及去除处理等。如此,将时域下的脑电图信号在倒谱域进行分析,由于纯净的脑电图信号和伪影信号在倒谱域的频谱特征相差较大,故,可基于目标脑电图信号的倒谱分析结果,确定哪部分频谱特征对应伪影信号,哪部分频谱特征对应纯净的脑电图信号,从而能够实现对脑电图信号进行伪影检测、识别及去除等处理。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本申请的限制。而且在整个附图中,用相同的参考符号表示相同的部件。
在附图中:
图1示出了本申请实施例提出的一种脑电图中的伪影处理方法的流程示意图;
图2示出了本申请实施例中的采集设备的示意图;
图3示出了本申请实施例中倒谱分析的流程示意图;
图4示出了本申请实施例中的一种实验结果示意图;
图5示出了本申请实施例中的另一种实验结果示意图;
图6示出了本申请实施例提出的一种脑电图中的伪影处理装置的结构示意图;
图7示出了本申请一实施例所提供的一种电子设备的结构示意图;
图8示出了本申请一实施例所提供的一种存储介质的示意图。
具体实施方式
下面将参照附图更详细地描述本申请的示例性实施方式。虽然附图中显示了本申请的示例性实施方式,然而应当理解,可以以各种形式实现本申请而不应被这里阐述的实施方式所限制。相反,提供这些实施方式是为了能够更透彻地理解本申请,并且能够将本申请的范围完整的传达给本领域的技术人员。
需要注意的是,除非另有说明,本申请使用的技术术语或者科学术语应当为本申请所属领域技术人员所理解的通常意义。
为解决上述问题,本实施例提出了一种脑电图中的伪影处理方法、装置、设备及存储介质,该脑电图中的伪影处理装置可以为服务器或该服务器的处理器,用于实现该脑电图中的伪影处理方法。该脑电图中的伪影处理方法,在获取时域下待处理的目标脑电图信号后,先对目标脑电图信号进行频域转换,然后对频域下的脑电图信号进行倒谱分析,得到对应的梅尔倒谱系数,并基于计算的梅尔倒谱系数进行伪影检测、识别及去除处理等。如此,将时域下的脑电图信号在倒谱域进行分析,由于纯净的脑电图信号和伪影信号在倒谱域的频谱特征相差较大,故,可基于目标脑电图信号的倒谱分析结果,确定哪部分频谱特征对应伪影信号,哪部分频谱特征对应纯净的脑电图信号,从而能够实现对脑电图信号进行伪影检测、识别及去除等处理。
可以理解的是,上述纯净的脑电图信号并不是绝对意义上的纯净,其只表示理想状态下无伪影的脑电图信号。
请参照图1,为本实施例提供的脑电图中的伪影处理方法,如图1所示,该方法可以包括以下步骤:
步骤S1,获取时域下待处理的目标脑电图信号。
其中,目标脑电图信号可以为任意脑电图采集设备采集的任意脑电图信号(通常都为时域信号),其可以为前额脑电图信号,也可以为整体脑电图信号,本实施例对此不作具体限定。
具体地,本实施例以前额脑电图信号为例,可采用如图2所示的前额脑电图采集设备。该设备可包括柔性印刷电路板(flexible print circuit,FPC)、无线记录仪以及图形用户界面(GUI)模块,其中,柔性印刷电路板按照人体前额的大小和形状进行设计,以贴合人体前额部位,FPC板上具有16个基于水凝胶的电极,包括7对差分EEG通道和一对接地(GND)信道。无线记录仪与FPC板上电连接,可以自柔性印刷电路板接收脑电图信号,并放大和量化采集到的脑电图信号。该无线记录仪可与图形用户界面模块进行蓝牙连接,并将数字化的脑电图信号发送至该图形用户界面模块,图形用户界面模块将数字化的脑电图信号转换成光谱信号,并进行光谱信号的实时显示。
本实施例中的获取时域下待处理的目标脑电图信号,可以理解为通过脑电图采集设备采集被测者的脑电图信号,也可以理解为自采集设备获取采集好的脑电图信号,本实施例对此不做具体限定。
步骤S2,对目标脑电图信号进行倒谱分析,得到目标脑电图信号对应的梅尔倒谱系数。
具体地,可按照图3所示的流程进行倒谱分析。首先,在得到上述的目标脑电图信号之后,可通过建模的方式,将目标脑电图信号表示为纯净的脑点图信号与伪影的卷积结果,如下公式(1)所示。
x(n)=s(n)*h(n) (1)
其中,x(n)表示时域下的目标脑电图信号,s(n)表示时域下的纯净脑电图信号,h(n)表示时域下的伪影信号。
由于倒谱分析是频域信号,所以需先将目标脑电图信号转换为频域脑电图信号。鉴于信号采集过程中,除伪影外还包括其他噪声(如外部声音和振动产生的较大噪声),可采用预加重的方式,去除低频噪声,以增加较高频率的信号能量。
具体地,可通过高通滤波器对目标脑电图信号进行滤波,然后将滤波后的信号进行频域转换(时域上的卷积等效于频域上的乘积)。在一个给定的时间段内,当n为零时,计算MFCC的第一步是预加重,即将高通滤波器应用于EEG信号,如下公式(2)所示。
c(n)=B(n)-βb(n-1) (2)
其中,B(n)表示输入信号。c(n)表示输出信号。常数β为大于0.9且小于1的常数,其典型值为0.95。
假设x(n)的频域表示为X(k),s(n)的频域表示S(k),h(n)的H(k),则预加重可以表示为如下公式(3)所示。
X(k)F(k)=S(k)H(k)F(k),0≤k≤N–1 (3)
其中,F(k)是高频的频域表示通过过滤器。滤波的频域结果X1(k)被表示为:
X1(k)=S(k)F1(k)H(k)F2(k) (4)
其中,F1(k)和F2(k)是两个高通滤波器。
F1(k),F2(k)s.t F(k)=F1(k)F2(k) (5)
方程式(4)被等效地表示为
X1(k)=S1(k)H1(k) (6)
其中S1(k)=S(k)F1(k),并且H1(k)=H(k)F2(k)。
在一些实施例中,可先对上述滤波后的频域下的脑电图信号,依次进行傅里叶变换及梅尔滤波,提取目标脑电图信号的梅尔频谱信号。
具体地,可通过快速逆傅里叶逆变换,并基于上述公式(2)的预加重信息,将上述频域下的脑电图信号,再转换为时域下的脑电图信号,如下公式(7)所示。
x1(n)=s1(n)*h1(n) (7)
在第一次迭代中,其中x1(n)、s1(n)、h1(n)是时域表示X1(k)、S1(k)、H1(k)的最大值。
预加重之后,进行分帧处理(Framing),成帧的过程将将脑电信号分割成特定长度小帧N的。在这项工作中,N设置为2048。分帧处理如公式(8)所示。
x2(n)=s2(n)*h2(n),其中n=0,1,...,N–1 (8)
其中,x2(n)、s2(n)、h2(n)分别是成帧的输出x1(n)、s1(n)、h1(n)的运算。
分帧处理之后,继续在时域下进行后续处理,可以对分帧后的信号进行加窗处理(Windowing),其中窗口用于减小边界处的不连续性的幅度每个有限序列。本实施例采用如所示方程式(9)所示的汉明窗w(n)公式。
加窗处理的输出信号x3(n)表示为:
x3(n)=w(n)s2(n)*h2(n)=s3(n)*h3(n),n=0、1、......、N–1 (10)
其中,s3(n)和h3(n)分别为是s2(n)和h2(n)的加窗信号。
然后,按照下面公式(11)对上述输出信号x3(n)进行离散傅立叶变换(DFT),将每个帧从时域转换到频域。
则目标脑电图信号的频域表示可如下公式(12)所示:
X3(k)=S3(k)H3(k) (12)
其中,X3(k)、S3(k)、H3(k)是频域表示x3(n)、s3(n)、h3(n)的函数。
下一步是梅尔滤波器组处理。Mel滤波器组通常是一组20-40个(在本工作中是40个)三角形滤波器。每个Mel滤波器的幅度频率响应等于在其中心频率处变为1。它线性减小到0两个相邻滤波器的中心频率。然后每个梅尔滤波器与振幅谱相乘|X3(k)|。的对于给定频率f(Hz),梅尔标度计算如下:
在此步骤之后,频谱定义为:
X4(k)=S4(k)H4(k) (14)
其中,X4(k)、S4(k)、H4(k)是梅尔滤波器的输出分别对X3(k)、S3(k)、H3(k)进行存储体处理。Mel光谱可按照下面公式(15)进行计算。
其中,X(k),S(k),H(k)是Mel的对数光谱X4(k)、S4(k)、H4(k)。
DCT变换结果的第2~第13维通常被表示为梅尔倒谱系数(MFCC)。反卷积s(n)和h(n)的计算是通过频谱变换和对数运算来完成的。具体地,当s(n)和h(n)在频域的分布不同时,倒谱定义域表示的和分几乎没有重叠。基于该原理,通过对目标脑电图信号进行分析,便可对目标脑电图信号中伪影进行检测、识别及去除处理等。
步骤S3,基于梅尔倒谱系数进行伪影检测、识别及去除中的至少一种处理。
在一些实施例中,基于梅尔倒谱系数进行伪影检测处理,具体可包括以下处理:将梅尔倒谱系数输入训练好的第一分类器中,检测目标脑电图信号是否包括包含伪影。其中,第一分类器用于识别包含伪影的脑电图信号和不包含伪影的脑电图信号。
具体地,该第一分类器可以为二元分类器,可在该方法实施之前,采用训练数据集对一二元分类器(SVM)进行训练,以提高该第一分类器的分类结果。
对上面得到的梅尔倒谱系数进行进行克鲁斯卡尔-沃利斯检验(Kruskal-Wallistest),结果表明,两组间差异有显著性在受污染的与清洁EEG样本相比有显著性差异(p<0.01)。然后是MFCC被馈入径向基函数(RBF)核基于SVM的分类器进行训练。该分类器通过5折交叉验证(CV)方案。
在伪影检测实验中,5个动作(用力眨眼、向上看,向下看,向左看,以及向右看)被用作不同的人工产物资源。在松弛期间采集的样本用作无伪影样品。训练二元分类器以检测人工制品。在5折CV中测得的准确度为99.62%如表1所示,其中精确度、召回率和F1得分也有报道。
表1
在另一些实施例中,基于梅尔倒谱系数进行伪识别处理,可以包括以下处理步骤:将梅尔倒谱系数输入训练好的第二分类器中,检测目标脑电图信号是否包括包含伪影。其中,第二分类器用于识别不包含伪影的脑电图信号以及包含伪影脑电图的各种伪影种类。
具体地,该第二分类器可以为六元分类器,可在该方法实施之前,采用训练数据集对六元分类器(SVM)进行训练,以提高该第二分类器的分类结果。
在伪影识别实验中,上述5个动作信号(用力眨眼、向上看,向下看,向左看,以及向右看)及伪影信号作为样本,每个样本动作被用作训练6元分类器的输入。虽然受试者被要求做同样的眼球运动不同主体执行的动作并不完全是一样的。例如,在执行“闪烁”动作时用力”,一些受试者一次眨两次眼,另一些受试者则一次眨两次眼。眨了三下眼睛。由于个体差异,比较对于二进制分类,虽然有所下降,但仍达到了令人满意的6类分类准确率为82.79%,如上表1所示。
为了评估倒谱系数的有效性,本实施例将进行倒谱系数分析的伪影识别方法,和未经过倒谱分析仅进行快速傅立叶变换(及之前的特征处理)的伪影识别方法进行比较。并利用FFT对采集到的信号进行特征提取,并设置五种分类器的训练频率范围(0.5-4赫兹、4-8赫兹、8-13赫兹、13-30赫兹、0.5-10赫兹)。然后,在相同情况下,使用5折的CV和网格搜索进行验证,结果如图4所示。结果表明,在上述6个行动(5个动作和纯净脑电图信号)中有4个行动,采用倒谱分析后的伪影识别的准确度,明显比使用FFT作为特征提取的伪影识别准确性要高。
在另一些实施例中,基于梅尔倒谱系数进行伪影去除的处理,可以包括以下步骤:基于梅尔倒谱系数,将梅尔倒谱系数中的伪影信号与不包含伪影的脑电图信号进行分离;去除梅尔倒谱系数中分离出的伪影信号。
根据梅尔倒谱的反卷积特性分析可知,在倒谱域,伪影信号和纯净的脑电图信号相差较大,故可以在倒谱域将目标脑电图信号中的纯净EEG和伪影信号进行分离。在需要对伪影进行去除时,只需将分离出的伪影信号丢弃即可。
基于上述分析可知,对于脑电图的MFCC,其某些维度的值可能是干扰因素产生的,即可理解为伪影信号,而其他维度代表的则是纯净的脑电图信号。那么,只需要计算出哪些维度代表伪影信号哪些维度代表纯净的脑电图信号,即可将目标脑电图信号中的伪影和纯净脑电图信号进行分离。
因此,在对目标脑电图信号中的伪影信号和纯净脑电图信号进行分离之前,可先计算伪影信号所在的维度。
具体地,可基于梅尔倒谱系数,以及预设不包含伪影的纯净脑电图信号的标准倒谱系数,计算目标脑电图信号和纯净脑电图信号在倒谱系数各维度上的相关系数。然后将相关系数值最小的预设数目个维度上的信号,确定为目标脑电图信号中的伪影信号。
本实施例采用皮尔逊(Pearson)相关系数计算的方式,计算包含伪影的目标脑电图信号样本和纯净脑电图信号样本,在每个维度上的相关性系数,具体计算公式如下公式(17)所示。
其中,Cor(A(i),R(i))表示包含伪影的目标脑电图信号样本和纯净脑电图信号样本在第i维向量的相关性系数,A(i)和R(i)分别表示包含伪影的目标脑电图信号样本和纯净脑电图信号样本在第i维的向量。表示多个包含伪影的目标脑电图信号样本在第i个维度的平均向量,表示多个纯净脑电图样本在第i个维度的平均向量。N表示样本数量。
在计算出各维度上的Cor(A(i),R(i))值之后,可以进行排序,考虑到去除效果和信息损失,可以将相关性系数最小的两个系数所对应的维度(在本实施例中例如但不限于第11和第12维度),视为伪影信号所在的维度。
另外,可以对上述相关性系数进行归一化处理,则可将上述公式(17)转化为下面公式(18)。
其中,σ表示标准差。
基于上述研究结果,在计算出上述伪影所在的维度之后,基于梅尔倒谱系数,将梅尔倒谱系数中的伪影信号与不包含伪影的脑电图信号进行分离时,可以先计算梅尔倒谱系数在各维度上的频谱信号,然后基于预设维度值,将对应维度上的频谱信号确定为梅尔倒谱系数中的伪影信号,将其余维度上的频谱信号确定为梅尔倒谱系数中的纯净脑电图信号。
其中,预设维度值可理解为伪影所在的维度序号。
本实施例将采集的具有伪影的目标脑电图信号,经过上述方式去除为影后,采用上述训练好的第一分类器(二值SVM分类器)进行验证,结果显示伪影率为9%,说明,采用本实施例提供的去除伪影的方法,可对91%的伪影样本成功去噪。
另外,本实施例还采用现有数据集中脑电图信号对本申请提出的伪影去除方法进行验证。具体地,基于SJTU情绪EEG数据集(SEED),一个用于情绪识别的公共EEG数据库,选取15个受试者,每个受试者选取三个数据,共进行45组实验。在每组实验中,结合差分熵(DE)特征和SVM分类器对结果进行确定。采集设备的22个连接到前额的EEG通道,对应SEED数据库中的0到21。利用SEED中的EEG信号来获得基线情绪识别性能,其中,在没有采用本身提出的倒谱分析时,伪影去除的准确度为80.92%。在采用本身提出的倒谱分析方法,去除目标EEG信号中的伪影信号后,总体平均准确率为84.38%。根据图5,重构的EEG信号在共计45个实验中的43个实验中均取得了准确率提升效果,其中平均准确率提高了3.46%。
下面,对本申请的实施例进行具体描述。
伪影去除装置启动后,输入数据包括:带有标记伪影的源EEG数据库,EEG源(即,记录的EEG);目标EEG数据库(例如但不限于SEED数据库)。输出数据为目标数据库的去噪EEG信号。然后伪影去除装置对EEGtarget进行去噪,在倒谱域中查找伪影所在预设维度值。对于所有EEGsource,计算各维度的梅尔倒谱系数(MFCCi)。然后结束。对于包含伪影的目标EEG片段,计算EEGtarget中的伪影,计算EEGtarget的梅尔倒谱系数(MFCCi),然后结束。然后,使用公式(17)获得Pearson相关性系数,并计算伪影样本和清洁样本的梅尔倒谱系数的12个维度的频谱信号,并对12个维度的频谱信号进行排序,挑选Pearson相关性系数最小的两个作为伪影信号,并进行标注Dim 1伪影和Dim 2伪影。将标记Dim 1伪影和Dim 2伪影的信号进行删除。同样的原理,使用公式(17)获得Pearson相关性系数,对于带有伪影和纯净脑电图信号的目标脑电图信号,可以使用公式18计算归一化后的相关性系数,并标注Dim 1伪影和Dim 2伪影。同样移除标记Dim 1伪影和Dim 2伪影的信号,便可得到频域下的纯净脑电图信号。然后,可重建相应的时域下的纯净脑电图信号,并将重建的纯净脑电图信号进行输出。
为充分说明本申请提出的脑电图中的伪影去除方法与现有伪影去除方法相比,能够达到更好的去除效果。本实施例还进行了如下实验。
5例受试者,其中4例男性和1例女性,平均年龄22.8±1.6岁记录。进行了数据采集在一个封闭的房间里在每一组实验中,受试者被要求执行五个动作,表示为使劲眨眼,向上看向下看向左看向右看。每个动作持续20秒。那边是每两个动作之间的10秒休息时间。闪烁是在休息时间允许。实验分为分成五个试验。每个组中的操作顺序是不同的,以确保每个动作在每个位置。在每个试验中,受试者被要求闭上眼睛持续20秒。然后执行两次动作序列。
每一次试炼持续5分20秒。总共26分钟记录每名受试者的40秒EEG。采集的EEG序列被分成5秒间隔。将每个间隔视为单个样本。的在放松状态下的EEG数据被认为是没有人工制品。与此相反,5个设计动作的脑电信号被认为是五种不同的人造物来源。
然后对上述采集的脑电图信号进行不同的去除伪影处理,结果如表2所示。
表2
Methods | Accuracy | Computational cost | Removal |
ICA-DWT(2 thresholds)[4] | 39.00% | <![CDATA[6.32×10<sup>9</sup>]]> | Yes |
DWT-ICA(multi-thresholds)[5] | 64.33% | <![CDATA[7.89×10<sup>8</sup>]]> | Yes |
CNN[13] | 73.60% | <![CDATA[1.26×10<sup>7</sup>]]> | No |
LSTM[14] | 93.10% | <![CDATA[4.15×10<sup>5</sup>]]> | No |
Our Method | 99.62% | <![CDATA[6.56×10<sup>5</sup>]]> | Yes |
由上述表2可知,在上述五种处理方式中,只有ICA-DWT(2个阈值)、DWT-ICA(多阈值)和本申请提出的方法能够成功去除伪影,而其中,ICA-DWT(2个阈值)方法的计算成本达到了6.32×109,准确度却只有39.00%。DWT-ICA(多阈值)方法的计算成本达到了7.89×109,准确度只有64.33%。而本申请提出的伪影去除方法计算成本只有6.56×106,准确度却达到了99.62%。
综上,本实施例提供的脑电图中的伪影处理方法,在获取时域下待处理的目标脑电图信号后,先对目标脑电图信号进行频域转换,然后对频域下的脑电图信号进行倒谱分析,得到对应的梅尔倒谱系数,并基于计算的梅尔倒谱系数进行伪影检测、识别及去除处理等。如此,将时域下的脑电图信号在倒谱域进行分析,由于纯净的脑电图信号和伪影信号在倒谱域的频谱特征相差较大,故,可基于目标脑电图信号的倒谱分析结果,确定哪部分频谱特征对应伪影信号,哪部分频谱特征对应纯净的脑电图信号,从而能够实现对脑电图信号进行伪影检测、识别及去除等处理。
基于上述脑电图中的伪影处理方法相同的构思,本实施例还提供一种脑电图中的伪影处理装置,用于实现上述任一实施方式的脑电图中的伪影处理方法,如图6所示,该装置包括:
信号获取模块,用于获取待处理的时域下的目标脑电图信号;
频域转换模块,用于将目标脑电图信号转换为频域脑电图信号;
倒谱分析模块,用于对频域脑电图信号进行倒谱分析,得到目标脑电图信号对应的梅尔倒谱系数;
伪影处理模块,用于基于梅尔倒谱系数进行伪影检测、识别及去除中的至少一种处理。
本实施例提供的脑电图中的伪影处理装置,基于上述编码方法相同的构思,至少能够实现上述编码方法的有益效果,在此不再赘述。
本申请实施方式还提供一种电子设备,以执行上述脑电图中的伪影处理方法。请参考图7,其示出了本申请的一些实施方式所提供的一种电子设备的示意图。如图7所示,电子设备8包括:处理器800,存储器801,总线802和通信接口803,处理器800、通信接口803和存储器801通过总线802连接;存储器801中存储有可在处理器800上运行的计算机程序,处理器800运行计算机程序时执行本申请前述任一实施方式所提供的脑电图中的伪影处理方法。
其中,存储器801可能包含高速随机存取存储器(RAM:Random Access Memory),也可能还包括非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。通过至少一个通信接口803(可以是有线或者无线)实现该装置网元与至少一个其他网元之间的通信连接,可以使用互联网、广域网、本地网、城域网等。
总线802可以是ISA总线、PCI总线或EISA总线等。总线可以分为地址总线、数据总线、控制总线等。其中,存储器801用于存储程序,处理器800在接收到执行指令后,执行程序,前述本申请实施例任一实施方式揭示的脑电图中的伪影处理方法可以应用于处理器800中,或者由处理器800实现。
处理器800可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器800中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器800可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器801,处理器800读取存储器801中的信息,结合其硬件完成上述方法的步骤。
本申请实施例提供的电子设备与本申请实施例提供的脑电图中的伪影处理方法出于相同的发明构思,具有与其采用、运行或实现的方法相同的有益效果。
本申请实施方式还提供一种与前述实施方式所提供的脑电图中的伪影处理方法对应的计算机可读存储介质,请参考图8,其示出的计算机可读存储介质为光盘30,其上存储有计算机程序(即程序产品),计算机程序在被处理器运行时,会执行前述任意实施方式所提供的脑电图中的伪影处理方法。
需要说明的是,计算机可读存储介质的例子还可以包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他光学、磁性存储介质,在此不再一一赘述。
本申请的上述实施例提供的计算机可读存储介质与本申请实施例提供的脑电图中的伪影处理方法出于相同的发明构思,具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。
需要说明的是:
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本申请的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本申请并帮助理解各个发明方面中的一个或多个,在上面对本申请的示例性实施例的描述中,本申请的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下示意图:即所要求保护的本申请要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如下面的权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本申请的单独实施例。
此外,本领域的技术人员能够理解,尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本申请的范围之内并且形成不同的实施例。例如,在下面的权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
以上,仅为本申请较佳的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种脑电图中的伪影处理方法,其特征在于,所述方法包括:
获取待处理的时域下的目标脑电图信号;
对所述目标脑电图信号进行倒谱分析,得到所述目标脑电图信号对应的梅尔倒谱系数;
基于所述梅尔倒谱系数进行伪影检测、识别及去除中的至少一种处理。
2.根据权利要求1所述的方法,其特征在于,所述对所述目标脑电图信号进行倒谱分析,得到所述目标脑电图信号对应的梅尔倒谱系数,包括:
依次对所述目标脑电图信号进行高通滤波、傅里叶变换及梅尔滤波,提取所述目标脑电图信号的梅尔频谱信号;
将所述梅尔频谱信号转变为梅尔倒谱信号,得到所述目标脑电图信号对应的梅尔倒谱系数。
3.根据权利要求1所述的方法,其特征在于,所述基于所述梅尔倒谱系数进行伪影检测、识别及去除中的至少一种处理,包括:
将所述梅尔倒谱系数输入训练好的第一分类器中,检测所述目标脑电图信号是否包括包含伪影;所述第一分类器用于识别包含伪影的脑电图信号和不包含伪影的脑电图信号。
4.根据权利要求1所述的方法,其特征在于,所述基于所述梅尔倒谱系数进行伪影检测、识别及去除中的至少一种处理,包括:
将所述梅尔倒谱系数输入训练好的第二分类器中,检测所述目标脑电图信号是否包括包含伪影;所述第二分类器用于识别不包含伪影的脑电图信号以及包含伪影脑电图的各种伪影种类。
5.根据权利要求2所述的方法,其特征在于,所述基于所述梅尔倒谱系数进行伪影检测、识别及去除中的至少一种处理,包括:
基于所述梅尔倒谱系数,将所述梅尔倒谱系数中的伪影信号与不包含伪影的脑电图信号进行分离;
去除所述梅尔倒谱系数中分离出的伪影信号。
6.根据权利要求5所述的方法,其特征在于,所述基于所述梅尔倒谱系数,将所述梅尔倒谱系数中的伪影信号与不包含伪影的脑电图信号进行分离,包括:
计算所述梅尔倒谱系数在各维度上的频谱信号;
基于预设维度值,将对应维度上的频谱信号确定为所述梅尔倒谱系数中的伪影信号,将其余维度上的频谱信号确定为所述梅尔倒谱系数中的纯净脑电图信号。
7.根据权利要求5所述的方法,其特征在于,所述基于预设维度值,将对应维度上的频谱信号确定为所述梅尔倒谱系数中的伪影信号之前,还包括:
基于所述梅尔倒谱系数,以及预设不包含伪影的纯净脑电图信号的标准倒谱系数,计算所述目标脑电图信号和所述纯净脑电图信号在倒谱系数各维度上的相关系数;
将相关系数值最小的预设数目个维度上的信号,确定为所述目标脑电图信号中的伪影信号。
8.一种脑电图中的伪影处理装置,其特征在于,包括:
信号获取模块,用于获取待处理的时域下的目标脑电图信号;
倒谱分析模块,用于对所述目标脑电图信号进行倒谱分析,得到所述目标脑电图信号对应的梅尔倒谱系数;
伪影处理模块,用于基于所述梅尔倒谱系数进行伪影检测、识别及去除中的至少一种处理。
9.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器运行所述计算机程序以实现如权利要求1-7任一项所述的方法。
10.一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,所述程序被处理器执行实现如权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211378972.5A CN115998249A (zh) | 2022-11-04 | 2022-11-04 | 脑电图中的伪影处理方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211378972.5A CN115998249A (zh) | 2022-11-04 | 2022-11-04 | 脑电图中的伪影处理方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115998249A true CN115998249A (zh) | 2023-04-25 |
Family
ID=86019876
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211378972.5A Pending CN115998249A (zh) | 2022-11-04 | 2022-11-04 | 脑电图中的伪影处理方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115998249A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117556194A (zh) * | 2024-01-12 | 2024-02-13 | 中国科学院长春光学精密机械与物理研究所 | 基于改进的yolo网络的脑电图伪影检测方法 |
-
2022
- 2022-11-04 CN CN202211378972.5A patent/CN115998249A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117556194A (zh) * | 2024-01-12 | 2024-02-13 | 中国科学院长春光学精密机械与物理研究所 | 基于改进的yolo网络的脑电图伪影检测方法 |
CN117556194B (zh) * | 2024-01-12 | 2024-03-22 | 中国科学院长春光学精密机械与物理研究所 | 基于改进的yolo网络的脑电图伪影检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Djemal et al. | EEG-based computer aided diagnosis of autism spectrum disorder using wavelet, entropy, and ANN | |
Islam et al. | A wavelet-based artifact reduction from scalp EEG for epileptic seizure detection | |
Fukumori et al. | Fully data-driven convolutional filters with deep learning models for epileptic spike detection | |
Alqudah et al. | ECG heartbeat arrhythmias classification: A comparison study between different types of spectrum representation and convolutional neural networks architectures | |
Jacob et al. | Diagnosis of encephalopathy based on energies of EEG subbands using discrete wavelet transform and support vector machine | |
Roy et al. | Image denoising by data adaptive and non-data adaptive transform domain denoising method using EEG signal | |
CN114190944B (zh) | 基于脑电信号的鲁棒情绪识别方法 | |
Yang et al. | Wavelet-based EEG preprocessing for biometric applications | |
CN110543831A (zh) | 一种基于卷积神经网络的脑纹识别方法 | |
Mishra et al. | Noise removal in EEG signals using SWT–ICA combinational approach | |
CN115998249A (zh) | 脑电图中的伪影处理方法、装置、设备及存储介质 | |
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 | |
Kaur et al. | EEG artifact removal system for depression using a hybrid denoising approach | |
Hussain et al. | An intelligent system to classify epileptic and non-epileptic EEG signals | |
Bhattacharyya et al. | Ocular artifacts elimination from multivariate EEG signal using frequency-spatial filtering | |
Haloi et al. | Selection of appropriate statistical features of EEG signals for detection of Parkinson’s disease | |
Perera et al. | EEG signal analysis of real-word reading and nonsense-word reading between adults with dyslexia and without dyslexia | |
Jabbari | Source separation from single-channel abdominal phonocardiographic signals based on independent component analysis | |
Jacob et al. | Automated diagnosis of encephalopathy using fractal dimensions of EEG sub-bands | |
Shnitzer et al. | Alternating diffusion maps for dementia severity assessment | |
Ghosh et al. | Epileptic-seizure onset detection using PARAFAC model with cross-wavelet transformation on multi-channel EEG | |
AL-Jobouri et al. | From biomedical signal processing techniques to fMRI parcellation | |
Han et al. | Cepstral Analysis Based Artifact Detection, Recognition and Removal for Prefrontal EEG | |
Mukherjee et al. | A Novel U-Net Architecture for Denoising of Real-world Noise Corrupted Phonocardiogram Signal | |
Goru et al. | Denoising of Motion Artifacts in EEG Signals using DWT-EMD Approach |
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 |