CN116035594B - 一种基于分割-降噪网络的脑电伪迹去除方法 - Google Patents
一种基于分割-降噪网络的脑电伪迹去除方法 Download PDFInfo
- Publication number
- CN116035594B CN116035594B CN202310171586.7A CN202310171586A CN116035594B CN 116035594 B CN116035594 B CN 116035594B CN 202310171586 A CN202310171586 A CN 202310171586A CN 116035594 B CN116035594 B CN 116035594B
- Authority
- CN
- China
- Prior art keywords
- noise
- network
- electroencephalogram
- artifact
- noise reduction
- 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.)
- Active
Links
- 230000009467 reduction Effects 0.000 title claims abstract description 59
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000012545 processing Methods 0.000 claims abstract description 14
- 230000011218 segmentation Effects 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 12
- 210000004556 brain Anatomy 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 19
- 230000004913 activation Effects 0.000 claims description 16
- 238000010586 diagram Methods 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 230000036541 health Effects 0.000 abstract description 2
- 230000003993 interaction Effects 0.000 abstract 1
- 238000005457 optimization Methods 0.000 abstract 1
- 239000012634 fragment Substances 0.000 description 12
- 230000000694 effects Effects 0.000 description 8
- 238000012880 independent component analysis Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000007429 general method Methods 0.000 description 2
- 230000003183 myoelectrical effect Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 208000012902 Nervous system disease Diseases 0.000 description 1
- 208000025966 Neurological disease Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000007177 brain activity Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000011109 contamination Methods 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
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000003116 impacting effect Effects 0.000 description 1
- 230000002779 inactivation Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
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
- A61B5/7228—Signal modulation applied to the input signal sent to patient or subject; demodulation to recover the physiological signal
-
- 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
- A61B5/7232—Signal processing specially adapted for physiological signals or for diagnostic purposes involving compression of the physiological signal, e.g. to extend the signal recording period
-
- 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
- A61B5/7253—Details of waveform analysis characterised by using transforms
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Veterinary Medicine (AREA)
- Pathology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Psychiatry (AREA)
- Public Health (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychology (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种基于分割‑降噪网络的脑电伪迹去除方法，其步骤包括：1、将采集到的单通道干净脑电信号以及伪迹信号线性相加，从而构建训练集；2、建立分割‑降噪网络模型SDNet，其由分割子网络和降噪子网络组成，同时，计算均方误差损失和交叉熵损失优化模型参数；3、利用训练好的模型实现脑电伪迹去除任务。本发明能够区分脑电信号中的干净片段和带噪片段，避免了处理干净片段时可能造成的失真，提高了重构的脑电信号的质量，对人机交互和医疗健康等领域具有重要意义。
Description
技术领域
本发明涉及人工智能领域和脑电信号处理领域，具体涉及一种基于分割-降噪网络的脑电伪迹去除方法。
背景技术
脑电图(Electroencephalogram,EEG)是一种具有高时间分辨率和高安全性的便携式大脑活动记录技术，其提供了丰富的生理、心理和病理信息，并在认知科学、神经疾病诊疗、移动健康监护等领域有着广泛的应用。然而，EEG信号由于其较弱的幅值容易受到眼电、肌电等伪迹污染，这严重影响了后续基于EEG信号分析的准确性和可靠性，因此开发有效的方法来抑制伪迹，并重建干净的脑电信号是至关重要的。
滤波是最早被应用于去除脑电伪迹的方法之一，但由于伪迹的频带与脑电信号相互重叠，经典的滤波器并不能得到满意的去除结果。为了克服这些困难，一些新兴的滤波技术被提出，例如自适应滤波，它能够从噪声参考通道来估计伪迹，然后通过从原始脑电信号中减去估计的伪迹来得到降噪后的信号。然而在实际的脑电信号采集中，设置足够多的噪声参考通道是难以实现的。
另外，利用盲源分离(blind source separation,BSS)进行EEG的伪迹去除已获得广泛的研究。作为最成功的BSS方法之一，独立成分分析(independent componentanalysis,ICA)可以根据高阶统计量来识别脑电的独立分量,并在重建过程中去除含噪的独立分量来实现伪迹去除。典型相关分析作为另一种BSS方法，它能够根据脑电和伪迹的自相关差异，从脑电信号中分离伪迹。然而由于不同类型的伪迹之间的巨大差异，选择一个合适的标准来分离伪迹是极其困难的，几乎没有一种BSS方法能够在未手动调整参数的情况下很好地去除多种伪迹。
相比之下，近年来一些基于深度学习技术开发的脑电降噪算法由于不需要先验知识，获得了研究人员的青睐。深度神经网络如卷积神经网络、递归神经网络和全连接网络都可以自动地从原始数据中提取特征，并通过数据驱动的方法优化模型，因此其在去除各种类型的伪迹时都能取得较好的效果。
然而目前大多数伪迹去除算法都专注于从整个周期都被完全污染的原始信号中重建干净的EEG，忽略了实际的EEG记录中除了噪声片段外，还可能包含干净的脑电信号片段。因此，一般的降噪方法直接应用于整个EEG记录可能会导致干净的脑电信号片段出现失真，进而可能破坏EEG中包含的有用信息，对于后续的分析与应用产生负面作用。
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，提出一种基于分割-降噪网络的脑电伪迹去除方法，以期能够区分复杂环境下脑电信号中的含噪片段和干净片段，避免现有方法处理干净片段时可能造成的失真，降低损坏脑电信号中包含的信息的可能性，从而能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：
本发明一种基于分割-降噪网络的脑电伪迹去除方法的特点在于，包括以下步骤：
步骤1、获取一批单通道的干净脑电信号以及一批单通道的伪迹信号，并利用线性相加的方式对干净脑电信号与伪迹信号进行处理，获得N段时长为T的含噪脑电信号样本及其对应的含噪脑电信号样本，同时记录混入伪迹在含噪脑电信号中出现的位置，从而构成N个样本对的训练集；将所述训练集中的任意一个样本对记为{X,Y,M|X∈R1×T,Y∈R1×T,M∈{0,1}1×T}，其中，X表示单通道的含噪脑电信号样本，Y表示X对应的干净脑电信号样本，M表示伪迹位置的掩码标签，且X＝[x0,x1,…,xt,…xT-1]，Y＝[y0,y1,…,yt,…yT-1]，M＝[m0,m1,…,mt,…mT-1]，xt、yt和mt分别表示单通道含噪脑电信号样本X、干净脑电信号样本Y和伪迹位置掩码标签M的第t个数据点；若mt＝0，则代表xt无伪迹，若mt＝1，则代表xt有伪迹；
步骤2、构建分割-降噪网络模型SDNet，包括：分割子网络和降噪子网络；
步骤2.1、建立分割子网络，并将含噪脑电信号样本X输入到所述分割子网络中进行处理，得到估计的伪迹位置掩码标签
步骤2.2、建立降噪子网络，并将含噪脑电信号样本X输入到所述降噪子网络中进行处理，得到降噪后的脑电信号D；
步骤2.3、计算重构的脑电信号其中，⊙是哈达玛积；
步骤2.4、根据式(1)构建所述估计的伪迹位置掩码标签与对应的伪迹位置掩码标签M之间的二分类交叉熵损失；
步骤2.5、根据式(2)构建所述重构的脑电信号与对应的干净脑电信号样本Y之间的均方误差损失；
式(2)中，yt为干净脑电信号样本Y的第t个数据点，为重构的脑电信号/>的第t个数据点，T为样本的时长；
步骤2.6、联合所述的二分类交叉熵损失和均方误差损失，然后利用Adam优化器来优化分割-降噪网络模型SDNet的参数，当损失函数收敛时停止训练，从而得到训练好的分割-降噪网络模型SDNet；
步骤3、以所述训练好的分割-降噪网络模型SDNet对一批含噪脑电信号进行降噪处理，从而得到去噪后的脑电信号。
本发明所述的基于分割-降噪网络的脑电伪迹去除方法的特点也在于，
所述步骤2.1中的分割子网络是由一个编码器、一个解码器和一个一维输出卷积单元组成，所述编码器使用a个卷积单元，每个卷积单元包含一个一维卷积层，一个正则化层和一个激活函数层；所述解码器由对应的a个反卷积单元组成，每个反卷积单元包含一个一维转置卷积层，一个正则化层和一个激活函数层；所述解码器还通过将编码器每层卷积单元输出的特征图映射到对称的解码器的输入处，并通过在通道维度上的拼接，将其与解码器的上一层的输入特征图连接起来，以构成对应的编码器与解码器之间的跳跃连接结构；
将含噪脑电信号样本X作为分割子网络的输入，在经过所述编码器进行特征提取与所述解码器进行特征解析后，最后通过一维输出卷积单元的非线性映射处理，得到估计的伪迹位置掩码
所述步骤2.2中的降噪子网络是由b1个长短时记忆网络单元，b2个全连接单元和b3个全连接层组成，每个长短时记忆网络单元包含一个长短时记忆网络层，每个全连接单元包含一个全连接层，一个激活函数层和一个正则化层；
将含噪脑电信号样本X作为降噪子网络的输入，经过b1个长短时记忆网络单元的提取后，得到时序脑电特征序列，再经过b2个全连接单元和b3个全连接层进行非线性的特征解码与映射后，得到降噪后的脑电信号D。
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脑电伪迹去除方法的程序，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任一所述脑电伪迹去除方法的步骤。
与现有技术相比，本发明的有益效果在于：
1、本发明将语义分割的思想引入脑电降噪领域，设计了一个用于伪迹评估的一维语义分割网络，该网络能够提取脑电信号中的浅层以及深层语义特征，并通过解码上述语义信息来区分含噪的脑电片段和干净的脑电片段，从而能够针对含噪的脑电片段进行降噪，克服了传统降噪方法对干净片段降噪带来的信息损失，提升了脑电信号质量。
2、本发明提出了一个用于伪迹去除的分割-降噪网络模型SDNet，其由分割子网络与降噪子网络组成，它能够根据分割子网络提取的伪迹位置信息，来判断脑电片段是否需要降噪，并自动地重建高质量的干净脑电信号，相较于一般的脑电伪迹去除算法，SDNet能够避免一般方法处理干净脑电片段时可能带来的失真，获得更高质量的降噪效果。
3、本发明提出的SDNet能够在无先验知识的情况下去除多种伪迹。大量的实验结果表明，本发明提出的方法可以在多个公开数据集上达到最先进的伪迹去除效果。
附图说明
图1为本发明提出的分割-降噪网络模型SDNet的框架图；
图2是本发明提出的分割子网络结构图；
图3是本发明提出的降噪子网络结构图。
具体实施方式
本实施例中，一种基于分割-降噪网络的脑电伪迹去除方法，包括如下步骤：
步骤1、获取一批单通道的干净脑电信号以及一批单通道的伪迹信号，并利用线性相加的方式对干净脑电信号与伪迹信号进行处理，获得N段时长为T的含噪脑电信号样本及其对应的含噪脑电信号样本，同时记录混入伪迹在含噪脑电信号中出现的位置，从而构成N个样本对的训练集；将训练集中的任意一个样本对记为{X,Y,M|X∈R1×T,Y∈R1×T,M∈{0,1}1×T}，其中，X表示单通道的含噪脑电信号样本，Y表示X对应的干净脑电信号样本，M表示伪迹位置的掩码标签，且X＝[x0,x1,…,xt,…xT-1]，Y＝[y0,y1,…,yt,…yT-1]，M＝[m0,m1,…,mt,…mT-1]，xt、yt和mt分别表示单通道含噪脑电信号样本X、干净脑电信号样本Y和伪迹位置掩码标签M的第t个数据点；若mt＝0，则代表xt无伪迹，若mt＝1，则代表xt有伪迹；
具体实施中，从公开数据集semi-simulated EEG/EOG获取干净脑电数据以及眼电伪迹数据，该数据集包含27名健康受试者的EEG数据以及眼电数据，每个受试者采用19通道的设备进行30s的信号采集；从公开数据集DenoiseNet获取肌电伪迹数据，该数据集包含5598段2s的肌电伪迹数据；从公开数据集PhysiobankMotionArtifacts Dataset获取运动伪迹数据，该数据集包含23组时长为9分钟的运动伪迹数据。在完成数据收集后，含噪EEG数据按照如下公式生成：
X＝Y+λN (3)
式(3)中，λ是伪迹的幅值控制参数，N代表伪迹，Y为干净脑电信号，X为得到的含噪脑电数据。
将得到的数据的80％划分为训练集、10％划分为验证集、10％划分为测试集。具体实施过程中通过随机选取的方式进行数据划分，保证训练集、验证集和测试集之间的数据没有交叉。
步骤2、构建分割-降噪网络模型SDNet，如图1所示，包括：分割子网络和降噪子网络；
步骤2.1、建立分割子网络，并将含噪脑电信号样本X输入到分割子网络中进行处理，得到估计的伪迹位置掩码标签
分割子网络是由一个编码器、一个解码器和一个一维输出卷积单元组成，编码器使用了a个卷积单元，每个卷积单元包含一个一维卷积层，一个正则化层和一个激活函数层，解码器由对应的a个反卷积单元组成，每个反卷积单元包含一个一维转置卷积层，一个正则化层和一个激活函数层；如图2所示，在本实施例中，编码器和解码器使用的卷积或反卷积单元的个数a取4，卷积单元中的一维卷积层卷积核大小为1*7，步长为2，每层的卷积核个数分别设置为8、16、32、64，正则化层采用了Batch Normalization正则化方式，激活函数层采用了ReLU激活函数；解码器中的反卷积单元的一位转置卷积层的卷积核大小均为1*2，步长为2，每个卷积单元的卷积核个数依次分别设置为64、32、16、8，正则化层采用了BatchNormalization正则化，激活函数层采用了ReLU激活函数；解码器还通过将编码器每层卷积单元输出的特征图映射到对称的解码器输入处，并通过在通道维度上的拼接，将其与解码器的上一层的输入特征图连接起来，构成对应的编码器与解码器之间的跳跃连接结构；编码器与解码器之间的跳跃连接结构使得分割子网络能够同时获取低层级的细节特征与高层级的整体特征，使其能够充分挖掘出脑电信号中存在的语义信息，获得更精确的伪迹位置掩码信息。一维输出卷积单元包含了一个卷积核大小为1*1，步长为1的卷积层和一个激活函数为Sigmoid的激活层。
对于任意的含噪脑电信号样本X，将其作为分割子网络的输入，在经过一个编码器进行特征提取与一个解码器进行特征解析后，最后通过一维输出卷积单元的非线性映射得到估计的伪迹位置掩码
步骤2.2、建立降噪子网络，并将含噪脑电信号样本X输入到降噪子网络中进行处理，得到降噪后的脑电信号D；
降噪子网络是由b1个长短时记忆网络单元，b2个全连接单元和b3个全连接层组成，长短时记忆网络单元包含一个长短时记忆网络层，全连接单元包含一个全连接层，一个激活函数层和一个正则化层；如图3所示，在本实施例中，长短时记忆网络单元个数b1设置为1，长短时记忆网络层的输入大小以及隐层大小都为1；全连接单元数量b2设置为2，其中的全连接层输入特征数量和输出特征数量都为1280，激活函数层采用ReLU函数，正则化层采用Dropout正则化，Dropout随机失活的比例为30％；全连接层个数b3为1，全连接层输入特征数量和输出特征数量都设为1280。
对于任意的含噪脑电信号样本X，将其作为降噪子网络的输入，经过b1个长短时记忆网络单元提取时序脑电特征序列后，再经过b2个全连接单元和b3个全连接层进行非线性的特征解码与映射后，得到降噪后的脑电信号D。
步骤2.3、根据式(4)计算重构的脑电信号
式(1)中，⊙是哈达玛积；分割-降噪网络模型SDNet通过分割子网络输出的估计的伪迹位置掩码来区分脑电信号中的含噪片段和干净片段，再借由降噪后的脑电信号D与输入的含噪脑电信号X自动地重建高质量的脑电信号号/>
步骤2.4、根据式(1)构建估计的伪迹位置掩码标签与对应的伪迹位置掩码标签M之间的二分类交叉熵损失；
步骤2.5、根据式(2)构建重构的脑电信号与对应的干净脑电信号样本Y之间的均方误差损失；
式(2)中，yt为干净脑电信号样本Y的第t个数据点，为重构的脑电信号/>的第t个数据点，T为样本的时长；在本实施例中，T为1280。
步骤2.6、联合二分类交叉熵损失和均方误差损失，然后利用Adam优化器来优化分割-降噪网络模型SDNet的参数，当损失函数收敛时停止训练，从而得到训练好的分割-降噪网络模型SDNet；在实施例中，按照式(5)优化模型参数：
式(5)中，α表示学习率，θ代表SDNet的待优化参数。其中，α＝5×10-5。
步骤3、以训练好的分割-降噪网络模型SDNet对一批含噪脑电信号进行降噪处理，从而得到去噪后的脑电信号。
本实施例中，一种电子设备，包括存储器以及处理器，该存储器用于存储支持处理器执行上述方法的程序，该处理器被配置为用于执行该存储器中存储的程序。
本实施例中，一种计算机可读存储介质，是在计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述方法的步骤。
模型的最终的性能由相对均方根误差(RRMSE,relative root mean squarederror)，相关系数(CC,correlation coefficient)，信噪比(SNR,signal-to-noise ratio)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，SDNet模型与传统降噪方法中的EEMD-ICA和EEMD-CCA，深度学习降噪模型中的SCNN、RRN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
| Model | RRMSE | CC | SNR |
| EEMD-ICA | 0.9305 | 0.7374 | 1.1354 |
| EEMD-CCA | 0.9465 | 0.7399 | 1.1509 |
| SCNN | 0.4887 | 0.8695 | 6.4064 |
| RNN | 0.5108 | 0.8648 | 6.1359 |
| ResCNN | 0.4829 | 0.8719 | 6.5161 |
| Ours | 0.4129 | 0.9075 | 8.0321 |
结果表明，本发明的降噪效果优于传统脑电降噪方法EEMD-ICA与EEMD-CCA，以及三种基于深度学习的脑电降噪模型SCNN、RNN和ResCNN。在三种不同的评估指标上，本发明提出的SDNet都得到了所有降噪方法中最好的效果，这表明本发明提出的用于伪迹去除的分割-降噪网络模型SDNet，能够区分脑电记录中的干净片段和含噪片段，避免了一般方法处理干净片段可能造成的失真，从而提升最后重建的脑电信号的质量。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 (5)
1.一种基于分割-降噪网络的脑电伪迹去除方法，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以及一批单通道的伪迹信号，并利用线性相加的方式对干净脑电信号与伪迹信号进行处理，获得N段时长为T的含噪脑电信号样本及其对应的含噪脑电信号样本，同时记录混入伪迹在含噪脑电信号中出现的位置，从而构成N个样本对的训练集；将所述训练集中的任意一个样本对记为{X,Y,M|X∈R1×T,Y∈R1×T,M∈{0,1}1×T}，其中，X表示单通道的含噪脑电信号样本，Y表示X对应的干净脑电信号样本，M表示伪迹位置的掩码标签，且X＝[x0,x1,…,xt,…xT-1]，Y＝[y0,y1,…,yt,…yT-1]，M＝[m0,m1,…,mt,…mT-1]，xt、yt和mt分别表示单通道含噪脑电信号样本X、干净脑电信号样本Y和伪迹位置掩码标签M的第t个数据点；若mt＝0，则代表xt无伪迹，若mt＝1，则代表xt有伪迹；
步骤2、构建分割-降噪网络模型SDNet，包括：分割子网络和降噪子网络；
步骤2.1、建立分割子网络，并将含噪脑电信号样本X输入到所述分割子网络中进行处理，得到估计的伪迹位置掩码标签
步骤2.2、建立降噪子网络，并将含噪脑电信号样本X输入到所述降噪子网络中进行处理，得到降噪后的脑电信号D；
步骤2.3、计算重构的脑电信号其中，⊙是哈达玛积；
步骤2.4、根据式(1)构建所述估计的伪迹位置掩码标签与对应的伪迹位置掩码标签M之间的二分类交叉熵损失；
步骤2.5、根据式(2)构建所述重构的脑电信号与对应的干净脑电信号样本Y之间的均方误差损失；
式(2)中，yt为干净脑电信号样本Y的第t个数据点，为重构的脑电信号/>的第t个数据点，T为样本的时长；
步骤2.6、联合所述的二分类交叉熵损失和均方误差损失，然后利用Adam优化器来优化分割-降噪网络模型SDNet的参数，当损失函数收敛时停止训练，从而得到训练好的分割-降噪网络模型SDNet；
步骤3、以所述训练好的分割-降噪网络模型SDNet对一批含噪脑电信号进行降噪处理，从而得到去噪后的脑电信号。
2.根据权利要求1所述的基于分割-降噪网络的脑电伪迹去除方法，其特征在于，
所述步骤2.1中的分割子网络是由一个编码器、一个解码器和一个一维输出卷积单元组成，所述编码器使用a个卷积单元，每个卷积单元包含一个一维卷积层，一个正则化层和一个激活函数层；所述解码器由对应的a个反卷积单元组成，每个反卷积单元包含一个一维转置卷积层，一个正则化层和一个激活函数层；所述解码器还通过将编码器每层卷积单元输出的特征图映射到对称的解码器的输入处，并通过在通道维度上的拼接，将其与解码器的上一层的输入特征图连接起来，以构成对应的编码器与解码器之间的跳跃连接结构；
将含噪脑电信号样本X作为分割子网络的输入，在经过所述编码器进行特征提取与所述解码器进行特征解析后，最后通过一维输出卷积单元的非线性映射处理，得到估计的伪迹位置掩码
3.根据权利要求1所述的基于分割-降噪网络的脑电伪迹去除方法，其特征在于，
所述步骤2.2中的降噪子网络是由b1个长短时记忆网络单元，b2个全连接单元和b3个全连接层组成，每个长短时记忆网络单元包含一个长短时记忆网络层，每个全连接单元包含一个全连接层，一个激活函数层和一个正则化层；
将含噪脑电信号样本X作为降噪子网络的输入，经过b1个长短时记忆网络单元的提取后，得到时序脑电特征序列，再经过b2个全连接单元和b3个全连接层进行非线性的特征解码与映射后，得到降噪后的脑电信号D。
4.一种电子设备，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1-3中任一所述脑电伪迹去除方法的程序，所述处理器被配置为用于执行所述存储器中存储的程序。
5.一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1-3中任一所述脑电伪迹去除方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310171586.7A CN116035594B (zh) | 2023-02-22 | 2023-02-22 | 一种基于分割-降噪网络的脑电伪迹去除方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310171586.7A CN116035594B (zh) | 2023-02-22 | 2023-02-22 | 一种基于分割-降噪网络的脑电伪迹去除方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116035594A CN116035594A (zh) | 2023-05-02 |
| CN116035594B true CN116035594B (zh) | 2024-05-07 |
Family
ID=86125666
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310171586.7A Active CN116035594B (zh) | 2023-02-22 | 2023-02-22 | 一种基于分割-降噪网络的脑电伪迹去除方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116035594B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111631710A (zh) * | 2020-06-22 | 2020-09-08 | 中国科学技术大学 | 一种状态相关的动态脑电信号中肌电伪迹的消除方法 |
| CN113491506A (zh) * | 2021-08-06 | 2021-10-12 | 中科搏锐（北京）科技有限公司 | 一种基于深度卷积网络的脑电信号处理方法及其设备 |
| 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 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20220079527A1 (en) * | 2019-01-11 | 2022-03-17 | University Of Houston System | Systems and method providing a unified framework for de-noising neural signals |
-
2023
- 2023-02-22 CN CN202310171586.7A patent/CN116035594B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111631710A (zh) * | 2020-06-22 | 2020-09-08 | 中国科学技术大学 | 一种状态相关的动态脑电信号中肌电伪迹的消除方法 |
| CN113491506A (zh) * | 2021-08-06 | 2021-10-12 | 中科搏锐（北京）科技有限公司 | 一种基于深度卷积网络的脑电信号处理方法及其设备 |
| 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 |
Non-Patent Citations (1)
| Title |
|---|
| 采用样本熵自适应噪声完备经验模态分解的脑电信号眼电伪迹去除算法;杨磊;杨帆;何艳;;西安交通大学学报;20200810(第08期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116035594A (zh) | 2023-05-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109784242B (zh) | 基于一维残差卷积神经网络的脑电信号去噪方法 | |
| CN107157477B (zh) | 脑电信号特征识别系统及方法 | |
| CN110353672B (zh) | 一种脑电信号中眼部伪迹去除系统及去除方法 | |
| Roy et al. | Image denoising by data adaptive and non-data adaptive transform domain denoising method using EEG signal | |
| CN114947883B (zh) | 一种时频域信息融合的深度学习脑电降噪方法 | |
| CN114190944B (zh) | 基于脑电信号的鲁棒情绪识别方法 | |
| AU2020103949A4 (en) | EEG Signal Mixed Noise Processing Method, Equipment and Storage Medium | |
| CN106485208A (zh) | 单通道脑电信号中眼电干扰的自动去除方法 | |
| CN114492501A (zh) | 基于改进smote算法的脑电信号样本扩充方法、介质及系统 | |
| CN110543831A (zh) | 一种基于卷积神经网络的脑纹识别方法 | |
| CN113723557A (zh) | 一种基于多频带时空卷积网络的抑郁脑电分类系统 | |
| CN115414051A (zh) | 一种脑电信号自适应窗口的情绪分类识别方法 | |
| CN116035594B (zh) | 一种基于分割-降噪网络的脑电伪迹去除方法 | |
| CN115017960B (zh) | 一种基于时空联合mlp网络的脑电信号分类方法及应用 | |
| Gao et al. | An adaptive joint CCA-ICA method for ocular artifact removal and its application to emotion classification | |
| CN114757236B (zh) | 基于tqwt与svmd的脑电信号去噪优化方法及系统 | |
| CN115462803A (zh) | 一种基于BG-Attention的脑电信号去噪方法、装置及存储介质 | |
| CN116035577A (zh) | 一种结合注意力机制与crnn的脑电情感识别方法 | |
| Wang et al. | A novel model based on a 1D-ResCNN and transfer learning for processing EEG attenuation | |
| Yous et al. | Automated detection and removal of artifacts from sEMG signals based on fuzzy inference system and signal decomposition methods | |
| CN114831652A (zh) | 基于同步压缩小波变换和mlf-cnn的脑电信号处理方法 | |
| CN115429273A (zh) | 一种脑电注意力分类方法、装置、电子设备及存储介质 | |
| 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 | |
| CN111493864B (zh) | Eeg信号混合噪声处理方法、设备和存储介质 | |
| Wang et al. | An improved Generative Adversarial Network for Denoising EEG signals of brain-computer interface systems |
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 |