CN116058803B - 一种面向多类型噪声伪迹的eeg信号去噪方法 - Google Patents

一种面向多类型噪声伪迹的eeg信号去噪方法 Download PDF

Info

Publication number
CN116058803B
CN116058803B CN202310229076.0A CN202310229076A CN116058803B CN 116058803 B CN116058803 B CN 116058803B CN 202310229076 A CN202310229076 A CN 202310229076A CN 116058803 B CN116058803 B CN 116058803B
Authority
CN
China
Prior art keywords
noise
denoising
eeg
semantics
module
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
Application number
CN202310229076.0A
Other languages
English (en)
Other versions
CN116058803A (zh
Inventor
李浩然
宫晓利
张金
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nankai University
Original Assignee
Nankai University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nankai University filed Critical Nankai University
Priority to CN202310229076.0A priority Critical patent/CN116058803B/zh
Publication of CN116058803A publication Critical patent/CN116058803A/zh
Application granted granted Critical
Publication of CN116058803B publication Critical patent/CN116058803B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • A61B5/24—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
    • 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
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

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)
  • Psychiatry (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Pathology (AREA)
  • Veterinary Medicine (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Signal Processing (AREA)
  • Psychology (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Physiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)

Abstract

本发明公开了一种面向多类型噪声伪迹的EEG信号去噪方法，包括以下步骤：获取EEG信号片段；通过预训练的信号感知模型提取噪声特征，得到各类型噪声语义；通过EEG去噪模型进行提取高维特征，并与各对应类型的所述噪声语义融合，输出去噪后的EEG信号；本发明能够有效解决多重噪声去噪问题，并且能够保留EEG信号全局属性，提高去噪性能。

Description

一种面向多类型噪声伪迹的EEG信号去噪方法
技术领域
本发明涉及脑电信号处理技术领域，更具体的说是涉及一种面向多类型噪声伪迹的EEG信号去噪方法。
背景技术
EEG信号往往包含多种类型的伪迹。例如，肌电图(EMG)和脑电图(EOG)伪迹是两种类型的伪迹，它们对EEG信号的污染不同。前者包括高频噪声，而后者给信号引入了大振幅。由于伪迹之间的异质性，用于EMG的去噪模型对EOG的去除性能可能有限。此外，对于终端用户来说，在去噪操作之前确定伪迹的类型是不切实际的。对于信号处理系统来说，存储多个去噪模型也是一个额外的存储成本，而这一般是对成本敏感的嵌入式设备。
现有的深度学习方法主要集中在时域中的按照点对点的学习模式完成去噪工作。而忽略了脑电的全局属性，这对脑电特征表示是不够的，导致去噪性能不佳。
因此，如何提供一种面向多类型噪声伪迹的EEG信号去噪方法是本领域技术人员亟需解决的问题。
发明内容
有鉴于此，本发明提供了一种面向多类型噪声伪迹的EEG信号去噪方法，能够有效解决多重噪声去噪问题，并且能够保留EEG信号全局属性，提高去噪性能。
为了实现上述目的，本发明采用如下技术方案：
一种面向多类型噪声伪迹的EEG信号去噪方法，包括以下步骤：
获取EEG信号片段；
通过预训练的信号感知模型提取噪声特征，得到各类型噪声语义；
通过EEG去噪模型进行提取高维特征，并与各对应类型的所述噪声语义融合，输出去噪后的EEG信号。
进一步的，所述信号感知模型包括多个特征提取模块，
所述特征提取模块之间均通过ReLU激活函数层和平均池层连接，形成串联网络；
所述串联网络经过扁平化层后，通过输出层，产生所述噪声语义。
进一步的，每个所述特征提取模块均由两个1D-Conv层构成；
对应多个所述特征提取模块的1D-Conv层的通道数基于32依次成倍递增。
进一步的，所述EEG去噪模型包括多个依次连接的去噪模块和输出模块。
进一步的，所述去噪模块包括依次连接的特征扩展子模块、频域增强子模块、噪声融合子模块和输出子模块；
通过所述特征拓展子模块对EEG噪声片段进行高维特征提取，输出高维特征图Fc；
所述频域增强子模块采用硬注意力机制通过所述噪声语义从所述高维特征图Fc中筛选出重要的频率模态分量，通过时频转化算法输出时域特征Ff；
所述语义融合子模块将所述噪声语义和时域特征Ff进行深度卷积融合，并通过输出子模块降维输出。
进一步的，所述频域增强子模块采用硬注意力机制通过所述噪声语义从所述高维特征图Fc中筛选出重要的频率模态分量Ff，具体步骤包括：
获取高维特征图Fc，并将所述高维特征图沿通道维度进行分割，并采用离散傅里叶变换生成频域特征图，得到不同模式的频率模态分量；
将所述噪声语义输入至多层感知机，并采用sigmod层生成各个模态的注意力权重wi(i＝1,2,3，...，[l/2]+1),；
根据各个模态的注意力权重构建选择器矩阵S，并对频率模态分量Ff进行筛选，其中S∈{0,1}1×[l/2]+1。设置选择阈值t，如果wi>t，Si＝1，否则Si＝0。
根据各个模态对应的注意力权重，将该模态对应在选择器矩阵S中的元素置1或置0，完成选择器矩阵S的构建。
进一步的，在筛选出重要的频率模态分量后，通过反傅里叶变换将所述频率模态分量转换成时域特征Ff。
进一步的，所述语义融合子模块将所述噪声语义和Ff进行深度卷积融合，具体包括：
获取所述噪声语义，并采用多层感知机改变其输出维度；
对所述时域特征Ff进行深度卷积运算，产生融合结果Ft。
进一步的，所述输出子模块由两个全连接层构成。
本发明的有益效果：
经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种面向多类型噪声伪迹的EEG信号去噪方法，我们提出了一个端到端模型来消除多种类型的噪声，即将含有噪声的EEG信号输入模型中，模型处理后输出去噪后的模型；我们首次探索了脑电信号中的噪声语义，我们发现，提取包含噪声的语义信息，可以作为先验知识加入到模型中，也就是将噪声语义融合到去噪模型中，在这样的处理流程中，相当于让模型可以知道该段EEG信号包含了何种类型的噪声，因此可以使该模型适应特定的噪声空间，从而有效地解决了多重噪声去噪问题。同时，我们还对同时，我们通过神经网络在脑电图特征的表示空间中进行傅里叶分析同时，我们通过神经网络对脑电图特征的表示空间进行傅里叶分析，并利用硬注意机制从频域中选择包含全局属性的关键模式对去噪任务来说是有效的。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1附图为本发明实施例提供的去噪方法示意图；
图2附图为本发明中实施例中去噪模块结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1，本发明实施例公开了一种面向多类型噪声伪迹的EEG信号去噪方法，包括以下步骤：
S1：获取EEG信号片段；
S2：根据EEG信号片段，通过预训练的信号感知模型提取噪声特征，得到各类型噪声语义；
S3：通过EEG去噪模型(DM)进行提取高维特征，并与各对应类型的噪声语义融合，输出去噪后的EEG信号。
其中，将噪声EEG片段被送入NAM以产生噪声语义表示(NS)。然后，噪声EEG片段(EEGnoisy)和噪声语义表示在DM中融合从而产生最终的EEG去噪片段(EEGdenoise)，公式化表达如下：
NS＝NAM(EEGnoisy)；
EEGdenoise＝DM(EEGnoisy,NS)
在另一实施例中，S2中的信号感知模型(NAM)包括多个特征提取模块，特征提取模块之间均通过ReLU激活函数层和平均池层连接，形成串联网络；串联网络经过扁平化层后，通过输出层，产生噪声语义。
由于EEG信号具有一定的异质性，需要对NAM进行了有监督的预训练。预训练步骤包括：获取纯净的EEG信号，并在纯净的EEG信号中线性叠加眼电信号(EOG)和肌电信号(EMG)，然后按照不同的信噪比级别(SNR)生成了不同的带噪声的污染后的EEG信号，然后对NAM进行了噪声分类的监督训练任务。一共选取了两类伪迹信号，同时每一个伪迹信号按照5个等级的信噪比进行了信号的加噪处理(-7dB-2dB,步长为2dB),因此一共构建了十分类的任务。之后NAM模块中最后一层的全连接的输出是一个长度为10的向量表示，这种向量表示我们认为是EEG信号中包含噪声信息的抽象表示，也就是说我们希望生成出来的向量表示可以代表某一类噪声。最后这个向量作为EEG信号中噪声的语义表示。
在另一实施例中，每个特征提取模块均由两个1D-Conv层构成；
对应多个特征提取模块的1D-Conv层的通道数基于32依次成倍递增。
如特征提取模块的个数为6个，则各个特征提取模块中的1D-Conv层的通道数依次为32、64、128、256、512和1024。
在另一实施例中，S3中EEG去噪模型包括多个依次连接的去噪模块和输出模块。各个去噪模块通过残差连接层连接。
如图2，在另一实施例中，去噪模块包括依次连接的特征扩展子模块(CEM)、频域增强子模块(FEM)、噪声融合子模块(NFM)和输出子模块；其中输出子模块为步长为2的一维卷积层，用于减少特征图的维度，输出后可传入下一个去噪模块。
通过特征拓展子模块对EEG噪声片段进行高维特征提取，输出高维特征图Fc；CEM用于拓展EEG特征的通道从32个扩大到1024个(32641282565121024)，为后续的学习过程提供了更多的特征。
频域增强子模块采用硬注意力机制通过噪声语义从高维特征图Fc中筛选出重要的频率模态分量，并输出时域特征Ff；
语义融合子模块将噪声语义和时域特征Ff进行深度卷积融合，并通过输出子模块降维输出。
在另一实施例中，频域增强子模块采用硬注意力机制通过噪声语义从高维特征图Fc中筛选出重要的频率模态分量，并输出时域特征Ff，具体步骤包括：
获取高维特征图Fc，并将高维特征图沿通道维度进行分割，并采用离散傅里叶变换生成频域特征图，得到不同模式的频率模态分量；
将噪声语义输入至多层感知机，并采用sigmod层生成注意力权重；
构建选择器矩阵S对频率模态分量Ff进行筛选，其中S∈{0,1}1×[l/2]+1如果wi>t，Si＝1，否则Si＝0；
在筛选出重要的频率模态分量后，通过反傅里叶变换将频率模态分量转换成时域特征Ff，其中
Ff＝Fc+FEM(Fc)
在另一实施例中，语义融合子模块将噪声语义和Ff进行深度卷积融合，具体包括：
获取噪声语义，并采用多层感知机改变噪声语义的输出维度(通道数*卷积核大小)，同时对频域增强模块输出的Ff进行Reshape操作(通道数*卷积核大小，长度)，沿着通道维度进行深度卷积运算，分组数为批处理大小*通道数，产生融合结果Ft。
本方法是一种针对多类型噪声伪迹去噪的方法，因此在本模块中，我们仍然加入了EEG信号中的噪声语义信息，并添加到网络中，作为先验知识，指导模型适应EEG片段中所的噪声空间。
在另一实施例中，输出子模块由两个全连接层构成。
最后，根据本发明提供的方法建立模型进行效果评价：
(1)模型性能分析
我们选取了EEGdenoise数据集，生成了训练数据集，然后使用去噪领域中经典的评价指标对模型进行了定量的分析，
模型 相对均方误差(时域) 相对均方误差(频域) 相关系数
Novel CNN 0.8653 0.8564 0.4985
Novel CNN@ 0.7608 0.6370 0.6471
NADM(ours) 0.7178 0.5757 0.6858
表明实验表明，与其他高级模型相比，NovelCNN，NADM在去噪方面取得了更好的性能。相关系数的指标比最先进的模型提高了18％，超过了最先进的方法。
之后我们对Novel CNN模型进行了进一步的研究，由于数据输入长度的不一致，我们模型输出长度为512，而Novel CNN输入长度为1024，因此在使用原来的Novel CNN模型过程中，再经过全局平均池化处理后，EEG特征损失了更多的有效信息，因此我们对Novel CNN模型进行了进一步的改进，得到了Novel CNN@模型，我们去除了原Novel CNN通道数为1024的一个去噪块，这样是的我们的模型和Novel CNN具有相同的通道数，从结果可以看出，我们的模型比Novel CNN@仍具有一定的效果提升，进一步说明我们的模型能够处理多类型的伪迹，证明了我们模型的有效性。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (6)

1.一种面向多类型噪声伪迹的EEG信号去噪方法，其特征在于，包括以下步骤：
获取EEG信号片段；
通过预训练的信号感知模型提取噪声特征，得到各类型噪声语义；
通过EEG去噪模型进行提取高维特征，并与各对应类型的所述噪声语义融合，输出去噪后的EEG信号；
所述EEG去噪模型包括多个依次连接的去噪模块和输出模块；所述去噪模块包括依次连接的特征拓展子模块、频域增强子模块、噪声融合子模块和输出子模块；
通过所述特征拓展子模块对EEG噪声片段进行高维特征提取，输出高维特征图Fc；
所述频域增强子模块采用硬注意力机制通过所述噪声语义从所述高维特征图Fc中筛选出重要的频率模态分量，并输出时域特征Ff；
所述语义融合子模块将所述噪声语义和Ff进行深度卷积融合，并通过输出子模块降维输出；
所述深度卷积融合，具体包括：
获取所述噪声语义，并采用多层感知机改变所述噪声语义的输出维度；
对所述时域特征Ff进行深度卷积运算，产生融合结果Ft。
2.根据权利要求1所述的一种面向多类型噪声伪迹的EEG信号去噪方法，其特征在于，所述信号感知模型包括多个特征提取模块，
所述特征提取模块之间均通过ReLU激活函数层和平均池层连接，形成串联网络；
所述串联网络经过扁平化层后，通过输出层，产生所述噪声语义。
3.根据权利要求2所述的一种面向多类型噪声伪迹的EEG信号去噪方法，其特征在于，每个所述特征提取模块均由两个1D-Conv层构成；
对应多个所述特征提取模块的1D-Conv层的通道数基于32依次成倍递增。
4.根据权利要求1所述的一种面向多类型噪声伪迹的EEG信号去噪方法，其特征在于，所述频域增强子模块采用硬注意力机制通过所述噪声语义从所述高维特征图Fc中筛选出重要的频率模态分量，具体步骤包括：
获取高维特征图Fc，并将所述高维特征图沿通道维度进行分割，并采用离散傅里叶变换生成频域特征图，得到不同模式的频率模态分量；
将所述噪声语义输入至多层感知机，并采用sigmod层生成各个模态的注意力权重wi，i=1,2,3，...，[l/2]+1；
根据各个模态的注意力权重构建选择器矩阵S，并对频率模态分量Ff进行筛选，其中S∈{0, 1}1×[l/2]+1。
5.根据权利要求4所述的一种面向多类型噪声伪迹的EEG信号去噪方法，其特征在于，在筛选出重要的频率模态分量后，通过反傅里叶变换将所述频率模态分量转换成时域特征Ff。
6.根据权利要求1所述的一种面向多类型噪声伪迹的EEG信号去噪方法，其特征在于，所述输出子模块由两个全连接层构成。
CN202310229076.0A 2023-03-10 2023-03-10 一种面向多类型噪声伪迹的eeg信号去噪方法 Active CN116058803B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310229076.0A CN116058803B (zh) 2023-03-10 2023-03-10 一种面向多类型噪声伪迹的eeg信号去噪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310229076.0A CN116058803B (zh) 2023-03-10 2023-03-10 一种面向多类型噪声伪迹的eeg信号去噪方法

Publications (2)

Publication Number Publication Date
CN116058803A CN116058803A (zh) 2023-05-05
CN116058803B true CN116058803B (zh) 2024-04-19

Family

ID=86182176

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310229076.0A Active CN116058803B (zh) 2023-03-10 2023-03-10 一种面向多类型噪声伪迹的eeg信号去噪方法

Country Status (1)

Country Link
CN (1) CN116058803B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110575164A (zh) * 2019-09-20 2019-12-17 桂林电子科技大学 脑电信号伪迹去除方法及计算机可读存储介质
CN111046824A (zh) * 2019-12-19 2020-04-21 上海交通大学 一种时间序列信号高效去噪和高精度重构建模方法及系统
CN112667080A (zh) * 2020-12-28 2021-04-16 西安电子科技大学 基于深度卷积对抗网络的脑电信号无人平台智能控制方法
CN113628147A (zh) * 2021-09-08 2021-11-09 辽宁师范大学 一种基于噪声生成网络的牙齿ct图像盲去噪方法
CN114694076A (zh) * 2022-04-08 2022-07-01 浙江理工大学 基于多任务学习与层叠跨模态融合的多模态情感分析方法
CN115330643A (zh) * 2022-10-13 2022-11-11 中国石油大学(华东) 基于卷积神经网络和视觉变换神经网络的地震去噪方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110575164A (zh) * 2019-09-20 2019-12-17 桂林电子科技大学 脑电信号伪迹去除方法及计算机可读存储介质
CN111046824A (zh) * 2019-12-19 2020-04-21 上海交通大学 一种时间序列信号高效去噪和高精度重构建模方法及系统
CN112667080A (zh) * 2020-12-28 2021-04-16 西安电子科技大学 基于深度卷积对抗网络的脑电信号无人平台智能控制方法
CN113628147A (zh) * 2021-09-08 2021-11-09 辽宁师范大学 一种基于噪声生成网络的牙齿ct图像盲去噪方法
CN114694076A (zh) * 2022-04-08 2022-07-01 浙江理工大学 基于多任务学习与层叠跨模态融合的多模态情感分析方法
CN115330643A (zh) * 2022-10-13 2022-11-11 中国石油大学(华东) 基于卷积神经网络和视觉变换神经网络的地震去噪方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
基于EEG的车内噪声评价研究;邹丽媛;王宏;;汽车工程;20171225(第12期);全文 *
基于快速独立分量分析的脑电信号去噪方法研究;邝亚云;王黎明;王佳琪;;国外电子测量技术;20181115(第11期);全文 *
运动相关电位分类算法比较和语义范式分析;刘彬;张冀聪;;计算机与现代化;20181115(第11期);全文 *

Also Published As

Publication number Publication date
CN116058803A (zh) 2023-05-05

Similar Documents

Publication Publication Date Title
CN108960299B (zh) 一种多类运动想象脑电信号的识别方法
CN110163180A (zh) 运动想象脑电数据分类方法及系统
CN107495959A (zh) 一种基于一维卷积神经网络的心电信号分类方法
Ashokkumar et al. Implementation of deep neural networks for classifying electroencephalogram signal using fractional S‐transform for epileptic seizure detection
CN113191225B (zh) 一种基于图注意力网络的情绪脑电识别方法及系统
CN105677035A (zh) 基于eemd和小波阈值的运动想象脑电信号消噪方法
Taqi et al. Classification and discrimination of focal and non-focal EEG signals based on deep neural network
KR102292678B1 (ko) 뇌 인지 부하 분류 시스템 및 방법
CN106803095A (zh) 基于组合特征提取的脑电情感识别方法
CN112656431A (zh) 基于脑电的注意力识别方法、装置、终端设备和存储介质
CN114947883B (zh) 一种时频域信息融合的深度学习脑电降噪方法
CN114224360B (zh) 一种基于改进emd-ica的eeg信号处理方法、设备及存储介质
CN113723171A (zh) 基于残差生成对抗网络的脑电信号去噪方法
CN110543832A (zh) 基于随机森林和卷积神经网络的脑电数据分类方法
CN110141211B (zh) 一种基于经验模态分解的稳态视觉诱发电位的分类方法
CN115105094A (zh) 基于注意力和3d密集连接神经网络的运动想象分类方法
Tigga et al. Efficacy of novel attention-based gated recurrent units transformer for depression detection using electroencephalogram signals
CN114648048A (zh) 基于变分自编码和PixelCNN模型的心电信号降噪方法
CN114492500A (zh) 基于一维卷积核的运动想象脑电信号分类方法
CN116058803B (zh) 一种面向多类型噪声伪迹的eeg信号去噪方法
CN113208614A (zh) 脑电降噪的方法及装置、可读存储介质
Berthelot et al. Filtering-based analysis comparing the DFA with the CDFA for wide sense stationary processes
CN114081504B (zh) 一种基于脑电信号的驾驶意图识别方法及系统
CN116035594B (zh) 一种基于分割-降噪网络的脑电伪迹去除方法
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

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