CN116602691A - 一种脑电信号的去噪方法、装置、电子设备及存储介质 - Google Patents
一种脑电信号的去噪方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116602691A CN116602691A CN202310861725.9A CN202310861725A CN116602691A CN 116602691 A CN116602691 A CN 116602691A CN 202310861725 A CN202310861725 A CN 202310861725A CN 116602691 A CN116602691 A CN 116602691A
- Authority
- CN
- China
- Prior art keywords
- electroencephalogram
- channel
- data
- noise
- initial
- 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
- 238000000034 method Methods 0.000 title claims abstract description 62
- 210000004556 brain Anatomy 0.000 claims abstract description 73
- 230000009466 transformation Effects 0.000 claims abstract description 29
- 238000012545 processing Methods 0.000 claims abstract description 21
- 238000007781 pre-processing Methods 0.000 claims abstract description 16
- 239000011159 matrix material Substances 0.000 claims description 29
- 230000015654 memory Effects 0.000 claims description 13
- 238000013527 convolutional neural network Methods 0.000 claims description 10
- 238000012937 correction Methods 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 230000002457 bidirectional effect Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 9
- 230000008569 process Effects 0.000 description 10
- 238000012880 independent component analysis Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 230000003183 myoelectrical effect Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 241001465754 Metazoa Species 0.000 description 2
- 210000003169 central nervous system Anatomy 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000003387 muscular Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000011514 reflex Effects 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007177 brain activity Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000012549 training Methods 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]
- 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
- A61B5/7253—Details of waveform analysis characterised by using transforms
- A61B5/726—Details of waveform analysis characterised by using transforms using Wavelet transforms
-
- 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
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Signal Processing (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Psychiatry (AREA)
- Molecular Biology (AREA)
- Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychology (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本申请提供了一种脑电信号的去噪方法、装置、电子设备及存储介质，涉及脑电波信号处理技术领域，该方法包括：对初始脑电波信号进行预处理获得脑电数据；针对每个通道脑电数据进行切片及矫正处理获得矫正脑电切片数据；针对每种噪声类型，利用母小波对不同通道下矫正脑电切片数据进行小波变换，获得该噪声类型对应的多个小波系数矩阵；对多个小波系数矩阵进行逆变换处理，重构出该噪声类型对应的多个噪声参考信号；针对每个通道，将该通道下矫正脑电切片数据及多个噪声参考信号输入目标去噪模型，获得该通道去噪后脑电数据。通过采用上述脑电信号的去噪方法、装置、电子设备及存储介质，解决了导联数较少时，脑电信号去噪效果差的问题。
Description
技术领域
本申请涉及脑电波信号处理技术领域，具体而言，涉及一种脑电信号的去噪方法、装置、电子设备及存储介质。
背景技术
脑机接口是一种在脑与外部设备之间建立直接的通信渠道。其信号来自中枢神经系统，传播中不依赖于外周的神经与肌肉系统。脑际接口常用于辅助、增强、修复人体的感觉–运动功能或提升人机交互能力。脑电作为脑机接口的技术方向之一，已在医疗、娱乐等领域得到了广泛的应用。要想实现脑电技术的广泛应用，最为关键的一环就是获取良好可靠的脑电信号。受制于当前硬件设备以及人体本身生理反应的影响，当前设备采集得到的脑电信号会受到噪声的干扰。因此，为了获得可靠的脑电信号，就需要设计相应的算法将噪声去除，得到干净的脑电信号。
然而，现有技术通常是采用独立成分分析法（Independent Component Analysis，ICA）进行脑电信号去噪，该方法在对导联数较高的设备采集的脑电信号进行去噪时去噪效果较好，但是若采用ICA方法对导联数较少的设备采集的脑电信号进行去噪，会导致去噪效果较差的问题。
发明内容
有鉴于此，本申请的目的在于提供一种脑电信号的去噪方法、装置、电子设备及存储介质，以解决对导联数较少的脑电信号进行去噪时，去噪效果较差的问题。
第一方面，本申请实施例提供了一种脑电信号的去噪方法，包括：
获取初始脑电波信号，对初始脑电波信号进行数据预处理获得去除工频干扰的脑电数据，脑电数据包括不同通道的脑电数据；
针对每个通道下的脑电数据，对该通道下的脑电数据进行切片及矫正处理，获得该通道下的矫正脑电切片数据；
针对每种噪声类型，确定该噪声类型对应的母小波，利用母小波对不同通道下的矫正脑电切片数据进行小波变换，获得该噪声类型对应的多个小波系数矩阵；
对该噪声类型对应的多个小波系数矩阵进行逆变换处理，重构出该噪声类型对应的不同通道下的多个噪声参考信号；
针对每个通道，将该通道下的矫正脑电切片数据及不同噪声类型对应的多个噪声参考信号输入至目标去噪模型，获得该通道下去噪后的脑电数据。
可选地，将该通道下的矫正脑电切片数据及不同噪声类型对应的多个噪声参考信号输入至目标去噪模型，获得该通道下去噪后的脑电数据，包括：从多个候选去噪模型中选取该通道对应的去噪模型作为目标去噪模型，目标去噪模型包括编码器及解码器；将多个噪声参考信号及该通道下的矫正脑电切片数据输入编码器，获得联合特征；将联合特征输入解码器，获得去噪后的脑电数据。
可选地，利用母小波对不同通道下的矫正脑电切片数据进行小波变换，获得该噪声类型对应的多个小波系数矩阵，包括：利用母小波对不同通道下的矫正脑电切片数据进行小波变换，获得该噪声类型下不同通道对应的多个初始小波系数矩阵；对每个初始小波系数矩阵进行系数重构，获得该噪声类型对应的多个小波系数矩阵。
可选地，对每个初始小波系数矩阵进行系数重构，获得该噪声类型对应的多个小波系数矩阵，包括：利用软阈值方法对初始小波系数矩阵的目标层中的初始小波系数进行重构，获得该噪声类型对应的小波系数矩阵。
可选地，编码器包括双向长短时记忆模型及卷积神经网络；将多个噪声参考信号及该通道下的矫正脑电切片数据输入编码器，获得联合特征，包括：将多个噪声参考信号及该通道下的矫正脑电切片数据输入双向长短时记忆模型，获得该通道下的组合特征；将组合特征输入卷积神经网络，获得该通道下的联合特征。
可选地，对该通道下的脑电数据进行切片及矫正处理，获得该通道下的矫正脑电切片数据，包括：按照第一预设时长，将该通道下的脑电数据切分为多个脑电切片数据，每个脑电切片数据包括多个第二预设时长的脑电子切片数据；针对每个脑电切片数据，将该脑电切片数据对应的前一个脑电切片数据中处于最后一位的脑电子切片数据的均值作为基线值；将该脑电切片数据与基线值的差值作为该脑电切片数据对应的矫正脑电切片数据。
可选地，对初始脑电波信号进行数据预处理获得去除工频干扰的脑电数据，包括：对初始脑电波信号进行数据采集，获取时域下的初始脑电数据；计算所有通道的初始脑电数据的平均值获得初始脑电数据均值；针对每个通道的初始脑电数据，将该通道下的初始脑电数据减去初始脑电数据均值，获得该通道下的均值处理后的脑电数据；对均值处理后的脑电数据进行滤波及陷波处理，获得该通道下去除工频干扰的脑电数据。
第二方面，本申请实施例还提供了一种脑电信号的去噪装置，所述装置包括：
预处理模块，用于获取初始脑电波信号，对初始脑电波信号进行数据预处理获得去除工频干扰的脑电数据，脑电数据包括不同通道的脑电数据；
矫正处理模块，用于针对每个通道下的脑电数据，对该通道下的脑电数据进行切片及矫正处理，获得该通道下的矫正脑电切片数据；
小波变换模块，用于针对每种噪声类型，确定该噪声类型对应的母小波，利用母小波对不同通道下的矫正脑电切片数据进行小波变换，获得该噪声类型对应的多个小波系数矩阵；
矩阵重构模块，用于对该噪声类型对应的多个小波系数矩阵进行逆变换处理，重构出该噪声类型对应的不同通道下的多个噪声参考信号；
去噪模块，用于针对每个通道，将该通道下的矫正脑电切片数据及不同噪声类型对应的多个噪声参考信号输入至目标去噪模型，获得该通道下去噪后的脑电数据。
第三方面，本申请实施例还提供一种电子设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如上述的脑电信号的去噪方法的步骤。
第四方面，本申请实施例还提供一种计算机可读存储介质，该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如上述的脑电信号的去噪方法的步骤。
本申请实施例带来了以下有益效果：
本申请实施例提供的一种脑电信号的去噪方法、装置、电子设备及存储介质，能够利用母小波对不同通道的矫正脑电切片数据进行小波变换，获得不同噪声类型各自对应的单个小波系数矩阵，以重构出每个通道各自对应的噪声参考信号，其中，噪声参考信号是与脑电通道是一一对应的，避免了去噪效果受导联数高低影响的问题，再将每个通道的矫正脑电切片数据与不同噪声类型对应的噪声参考信号输入目标去噪模型进行去噪处理，与现有技术中的脑电信号的去噪方法相比，解决了在对导联数较少的脑电信号进行去噪时，去噪效果差的问题，另外，能够同时对不同类型的噪声信号进行去除，提高了去噪的适用性。
为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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，还可以根据这些附图获得其他相关的附图。
图1示出了本申请实施例所提供的脑电信号的去噪方法的流程图；
图2示出了本申请实施例所提供的目标去噪模型的结构示意图；
图3示出了本申请实施例所提供的脑电信号的去噪装置的结构示意图；
图4示出了本申请实施例所提供的电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中附图，对本申请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申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的每个其他实施例，都属于本申请保护的范围。
值得注意的是，在本申请提出之前，脑机接口是一种在脑与外部设备之间建立直接的通信渠道。其信号来自中枢神经系统，传播中不依赖于外周的神经与肌肉系统。脑际接口常用于辅助、增强、修复人体的感觉–运动功能或提升人机交互能力。脑电作为脑机接口的技术方向之一，已在医疗、娱乐等领域得到了广泛的应用。要想实现脑电技术的广泛应用，最为关键的一环就是获取良好可靠的脑电信号。受制于当前硬件设备以及人体本身生理反应的影响，当前脑电信号采集设备，例如：脑电图仪、多导睡眠图（Polysomnography，PSG）监测仪、脑电波头环等，采集得到的脑电信号会受到噪声的干扰。因此，为了获得可靠的脑电信号，就需要设计相应的算法将噪声去除，得到干净的脑电信号。然而，现有技术通常是采用独立成分分析法（Independent Component Analysis，ICA）进行脑电信号去噪，该方法在对导联数较高的设备采集的脑电信号进行去噪时去噪效果较好，但是若采用ICA方法对导联数较少的设备（如PSG设备）采集的脑电信号进行去噪，会导致去噪效果较差的问题。
基于此，本申请实施例提供了一种脑电信号的去噪方法，以提高对导联数较低的脑电信号进行去噪处理的去噪效果。
请参阅图1，图1为本申请实施例所提供的一种脑电信号的去噪方法的流程图。如图1所示，本申请实施例提供的脑电信号的去噪方法，包括：
步骤S101，获取初始脑电波信号，对初始脑电波信号进行数据预处理获得去除工频干扰的脑电数据。
该步骤中，初始脑电波信号可指待检测人或者待检测动物的脑电波信号。
数据预处理可指滤波及陷波处理，数据预处理用于保留脑电信号并去除工频干扰。
脑电数据可指脑电波对应的电压数据，脑电数据包括不同通道的脑电数据。
在本申请实施例中，利用脑电波采集工具可以记录待检测人或者待检测动物的大脑活动的电波变化，在对脑电信号进行采集时，采用导联数较高的设备采集到的脑电信号的通道数也较多，采用导联数较高的设备采集到的脑电信号的通道数也较少。同时，在信号采集过程中，不可避免地会引入各种噪声，而脑电图信号的噪声主要来源于人体和仪器。仪器部分的噪声，多半在硬件部分已被处理掉，还有的仪器噪声会在数据预处理阶段使用滤波去除。人体的噪声主要来源有肌电噪声、眼电噪声、眼动噪声等，这些噪声需要借助后续算法进行去除。其中，数据预处理的目的是提高脑电信号的信噪比，尽可能去除伪迹、干扰、噪声。
在一可选实施例中，对初始脑电波信号进行数据预处理获得去除工频干扰的脑电数据，包括：对初始脑电波信号进行数据采集，获取时域下的初始脑电数据；计算所有通道的初始脑电数据的平均值获得初始脑电数据均值；针对每个通道的初始脑电数据，将该通道下的初始脑电数据减去初始脑电数据均值，获得该通道下的均值处理后的脑电数据；对均值处理后的脑电数据进行滤波及陷波处理，获得该通道下去除工频干扰的脑电数据。
这里，采集到的初始脑电数据包括多个通道的初始脑电数据，示例性的初始脑电数据包括8个通道的初始脑电数据。其中，通道数与导联数是对应的。
具体的，将8个通道的初始脑电数据相加，然后再作平均后得到初始脑电数据均值。以通道A对应的初始脑电数据为例，用初始脑电数据/>减去初始脑电数据均值，得到通道A对应的均值处理后的脑电数据/>。由于脑电波的频率范围为0.5Hz到60Hz，因此，只保留脑电数据/>中频率在0.5Hz到60Hz范围内的数据，得到滤波后的脑电数据/>，对脑电数据/>中频率范围为49.5Hz到50.5Hz范围内的数据进行去除，即进行陷波处理，得到陷波后的脑电数据/>，脑电数据/>即为通道A下去除工频干扰的脑电数据。
步骤S102，针对每个通道下的脑电数据，对该通道下的脑电数据进行切片及矫正处理，获得该通道下的矫正脑电切片数据。
该步骤中，切片及矫正处理可指切片处理及基线矫正处理，切片及矫正处理的目的是为了提高数据的精确性，以及便于后续目标去噪模型的使用。
以上述示例为例，对通道A对应的脑电数据依次进行切片处理及矫正处理后，获得通道A下的矫正脑电切片数据。
在一可选实施例中，对该通道下的脑电数据进行切片及矫正处理，获得该通道下的矫正脑电切片数据，包括：按照第一预设时长，将该通道下的脑电数据切分为多个脑电切片数据，每个脑电切片数据包括多个第二预设时长的脑电子切片数据；针对每个脑电切片数据，将该脑电切片数据对应的前一个脑电切片数据中处于最后一位的脑电子切片数据的均值作为基线值；将该脑电切片数据与基线值的差值作为该脑电切片数据对应的矫正脑电切片数据。
这里，第一预设时长可指设定的时间长度，示例性的，第一预设时长可以是5秒，也可以是7秒。
第二预设时长是小于第一预设时长的设定时间长度，示例性的，第二预设时长为1秒。
具体的，以通道A的脑电数据是30秒的脑电数据为例，对脑电数据/>进行切片处理，即将该通道A下的脑电数据/>每5秒切一段，获得6个脑电切片数据，每个脑电切片数据包括5个1秒长的脑电子切片数据。以第3个脑电切片数据为例，将第2个脑电切片数据中第5秒对应的脑电子切片数据的均值作为基线值，将第3个脑电切片数据与基线值的差值作为第3个脑电切片数据进行矫正处理后的矫正脑电切片数据。
步骤S103， 针对每种噪声类型，确定该噪声类型对应的母小波，利用母小波对不同通道下的矫正脑电切片数据进行小波变换，获得该噪声类型对应的多个小波系数矩阵。
该步骤中，噪声类型可指人体噪声的类型，噪声类型包括但不限于：眼电噪声、肌电噪声。
母小波可指小波函数，不同的噪声类型选取不同的母小波。
小波变换（wavelet transform，WT）可指变换分析方法，即小波分解，小波变换用于重构出不同噪声类型对应的噪声参考信号。
在本申请实施例中，对矫正脑电切片数据进行小波变换后，产生的小波系数含有该矫正脑电切片数据的重要信息，小波变换后可获得小波系数矩阵，小波系数矩阵中包括脑电信号对应的小波系数及噪声对应的小波系数，脑电信号对应的小波系数较大，而噪声对应的小波系数较小，噪声对应的小波系数小于脑电信号对应的小波系数。这样，可通过选取的阈值，从小波系数矩阵中提取噪声对应的小波系数，以获得噪声参考信号。
其中，针对眼电噪声，可选取多贝西（Daubechies）小波作为母小波。针对肌电噪声，可从采集设备本身采集到的信号中提取除脑电信号外的生理信号作为母小波。
在一可选实施例中，利用母小波对不同通道下的矫正脑电切片数据进行小波变换，获得该噪声类型对应的多个小波系数矩阵，包括：利用母小波对不同通道下的矫正脑电切片数据进行小波变换，获得该噪声类型下不同通道对应的多个初始小波系数矩阵；对每个初始小波系数矩阵进行系数重构，获得该噪声类型对应的多个小波系数矩阵。
这里，现有技术中是通过选取一个阈值，将大于该阈值的小波系数作为脑电信号产生的，将该部分小波系数予以保留，小于阈值的则认为是噪声产生的，将该部分小波系数置为零，从而达到去噪的目的，其实质为抑制信号中无用的部分、增强有用部分。然而，本申请中是使用小波变换来提取相应的噪声参考信号。
具体的，以眼电噪声为例，利用Daubechies对8个通道下的矫正脑电切片数据分别进行小波变换，获得眼电噪声下的8个初始小波系数矩阵，然后，对这8个初始小波系数矩阵分别进行系数重构，获得8个重构后的小波系数矩阵。其中，每个初始小波系数矩阵包括7层小波系数。
在一可选实施例中，对每个初始小波系数矩阵进行系数重构，获得该噪声类型对应的多个小波系数矩阵，包括：利用软阈值方法对初始小波系数矩阵的目标层中的初始小波系数进行重构，获得该噪声类型对应的小波系数矩阵。
这里，软阈值方法可以采用BayesShrink阈值法，也可以采用UT （UniversalThreshold）阈值法对每个初始小波系数矩阵进行系数重构。
具体的，以BayesShrink阈值法对眼电噪声类型对应的初始小波系数矩阵进行系数重构为例，针对眼电噪声类型对应的每个初始小波系数矩阵，分别计算该初始小波系数矩阵中眼电噪声信号对应的标准差及脑电信号对应的方差，然后将标准差与方差的比值作为目标阈值，以利用该目标阈值对该初始小波系数矩阵进行重构。其中，标准差为被除数，方差为除数。
计算眼电噪声信号对应的标准差时，首先从7层初始小波系数矩阵中选择第一层小波系数作为第一目标层，计算该第一目标层中所有小波系数的绝对值，将所有绝对值中的中位值的平方与设定值的比值作为标准差，该设定值为0.6745。计算脑电信号对应的方差时，先计算每层小波系数的方差，共可得到7个方差，将这7个方差的平均值作为该脑电信号对应的方差。
小波系数越大，表示该系数与母小波越相关，因此，可以对数值较小的小波系数进行重构。这里，将7层初始小波系数矩阵中数值最小的3层小波系数作为第二目标层，也可以将所有7层均作为第二目标层，利用计算得到的目标阈值替换掉第二目标层中所有的初始小波系数，获得该眼电噪声类型下单个初始小波系数矩阵对应的小波系数矩阵。这样，N个噪声类型共对应N×8个重构后的小波系数矩阵。
步骤S104，对该噪声类型对应的多个小波系数矩阵进行逆变换处理，重构出该噪声类型对应的不同通道下的多个噪声参考信号。
该步骤中，逆变换可指小波系数逆变换处理，不同噪声类型对应不同的逆变换处理。
每个通道下的噪声参考信号包括多个噪声参考信号，多个噪声参考信号中每个噪声参考信号是不同类型的噪声参考信号，即单个通道对应不同类型的多个噪声参考信号。
示例性的，单个通道下的噪声参考信号包括肌电噪声参考信号、眼电噪声参考信号及眼动噪声参考信号。
在本申请实施例中，以噪声类型包括眼电噪声类型及肌电噪声类型为例，眼电噪声类型对应8个小波系数矩阵，对每个小波系数矩阵分别进行逆变换处理，获得眼电噪声类型对应的8个噪声参考信号。肌电噪声类型对应8个小波系数矩阵，对每个小波系数矩阵分别进行逆变换处理，获得肌电噪声类型对应的8个噪声参考信号。
步骤S105， 针对每个通道，将该通道下的矫正脑电切片数据及不同噪声类型对应的多个噪声参考信号输入至目标去噪模型，获得该通道下去噪后的脑电数据。
该步骤中，目标去噪模型可指深度学习模型。
在本申请实施例中，以通道A为例，将该通道A下的矫正脑电切片数据及不同噪声类型对应的多个噪声参考信号共同输入至通道A对应的目标去噪模型，获得通道A下的去噪后的脑电数据，最后完成所有通道下脑电数据的去噪处理。
在一可选实施例中，将该通道下的矫正脑电切片数据及不同噪声类型对应的多个噪声参考信号输入至目标去噪模型，获得该通道下去噪后的脑电数据，包括：从多个候选去噪模型中选取该通道对应的去噪模型作为目标去噪模型，目标去噪模型包括编码器络及解码器；将多个噪声参考信号及该通道下的矫正脑电切片数据输入编码器，获得联合特征；将联合特征输入解码器，获得去噪后的脑电数据。
这里，编码器包括Bi-LSTM模型及卷积神经网络。
解码器可指三层全连接（Fully Connected，FC）网络结构。
联合特征可指对组合特征进行更高维的特征提取所得到的特征。
具体的，可以针对不同通道分别建立对应的去噪模型，根据脑电数据中的通道标识确定对应的目标去噪模型。也可以将不同通道对应的去噪模型作为一个整体，在该整体模型前对脑电通道进行判断，根据判断结果确定整体模型中使用哪个去噪模型作为目标去噪模型。
以通道A为例，将通道A下的矫正脑电切片数据及多个噪声参考信号输入编码器获得联合特征，将联合特征输入三层全连接层获得该通道A下的去噪后的脑电数据。
在一可选实施例中，编码器包括双向长短时记忆模型及卷积神经网络；将多个噪声参考信号及该通道下的矫正脑电切片数据输入编码器，获得联合特征，包括：将多个噪声参考信号及该通道下的矫正脑电切片数据输入双向长短时记忆模型，获得该通道下的组合特征；将组合特征输入卷积神经网络，获得该通道下的联合特征。
这里，卷积神经网络可指一维残差卷积神经网络。
双向长短时记忆模型可指Bi-LSTM（Bi-directional Long Short-Term Memory）模型。
组合特征可指多个噪声参考信号对应的特征与该通道下的矫正脑电切片数据对应的特征组合在一起得到的特征。
下面参照图2来介绍获取联合特征的过程。
图2示出了本申请实施例所提供的目标去噪模型的结构示意图。
如图2所示，以通道A为例，将通道A下的矫正脑电切片数据及多个噪声参考信号输入两层Bi-LSTM模型获得两类特征，在第三连接层将这两类特征组合后获得组合特征，将组合特征输入一维残差卷积神经网络中获得联合特征，最后将联合特征输入三层全连接层获得去噪后的脑电数据。
其中，获取联合特征的过程是：将多个噪声参考信号输入第一噪声模型得到的第一噪声隐藏层状态，将第一噪声隐藏层状态与通道A下的矫正脑电切片数据输入第一连接层得到第一综合隐藏层状态。将第一综合隐藏层状态输入第一脑电模型，得到第一脑电隐藏层状态。
将第一噪声隐藏层状态输入第二噪声模型获得第二噪声隐藏层状态，将第二噪声隐藏层状态与第一脑电隐藏层状态输入至第二连接层获得第二综合隐藏层状态。将第二综合隐藏层状态输入至第二脑电模型获得第二脑电隐藏层状态。
将第二脑电隐藏层状态及第二噪声隐藏层状态一起输入第三连接层获得组合特征。获得组合特征后，为了提取更高维的特征，将组合特征输入一维残差卷积神经网络，一维残差卷积神经网络包括两个一维卷积，经过两个一维卷积后获得联合特征。
最后，将获得的联合特征输入全连接层，经由三层FC获得去噪后的脑电数据。其中，两层Bi-LSTM模型及卷积神经网络为编码器，三层全连接层为解码器。
需要说明的是，在针对不同通道分别建立对应的去噪模型时，可使用EEGdenoiseNet数据集来进行去噪模型的训练，该数据集中包括了多种不同噪声类型的噪声数据。
与现有技术中脑电信号的去噪方法相比，本申请能够实现对不同脑电通道的特异化去噪，解决了ICA在处理导联数较少的脑电信号时，去噪效果不好的问题，同时，本申请还能够对多种不同类型的噪声信号进行去除，解决了现有技术中只能针对单一噪声进行去除的问题，提高了去噪的适用性。
基于同一发明构思，本申请实施例中还提供了与脑电信号的去噪方法对应的脑电信号的去噪装置，由于本申请实施例中的装置解决问题的原理与本申请实施例上述脑电信号的去噪方法相似，因此装置的实施可以参见方法的实施，重复之处不再赘述。
请参阅图3，图3为本申请实施例所提供的一种脑电信号的去噪装置的结构示意图。如图3中所示，所述脑电信号的去噪装置300包括：
预处理模块301，用于获取初始脑电波信号，对初始脑电波信号进行数据预处理获得去除工频干扰的脑电数据，脑电数据包括不同通道的脑电数据；
矫正处理模块302，用于针对每个通道下的脑电数据，对该通道下的脑电数据进行切片及矫正处理，获得该通道下的矫正脑电切片数据；
小波变换模块303，用于针对每种噪声类型，确定该噪声类型对应的母小波，利用母小波对不同通道下的矫正脑电切片数据进行小波变换，获得该噪声类型对应的多个小波系数矩阵；
矩阵重构模块304，用于对该噪声类型对应的多个小波系数矩阵进行逆变换处理，重构出该噪声类型对应的不同通道下的多个噪声参考信号；
去噪模块305，用于针对每个通道，将该通道下的矫正脑电切片数据及不同噪声类型对应的多个噪声参考信号输入至目标去噪模型，获得该通道下去噪后的脑电数据。
请参阅图4，图4为本申请实施例所提供的一种电子设备的结构示意图。如图4中所示，所述电子设备400包括处理器410、存储器420和总线430。
所述存储器420存储有所述处理器410可执行的机器可读指令，当电子设备400运行时，所述处理器410与所述存储器420之间通过总线430通信，所述机器可读指令被所述处理器410执行时，可以执行如上述图1所示方法实施例中的脑电信号的去噪方法的步骤，具体实现方式可参见方法实施例，在此不再赘述。
本申请实施例还提供一种计算机可读存储介质，该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可以执行如上述图1所示方法实施例中的脑电信号的去噪方法的步骤，具体实现方式可参见方法实施例，在此不再赘述。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（Read-OnlyMemory，ROM）、随机存取存储器（Random Access Memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：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，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围，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)
1.一种脑电信号的去噪方法，其特征在于，包括：
获取初始脑电波信号，对所述初始脑电波信号进行数据预处理获得去除工频干扰的脑电数据，所述脑电数据包括不同通道的脑电数据；
针对每个通道下的脑电数据，对该通道下的脑电数据进行切片及矫正处理，获得该通道下的矫正脑电切片数据；
针对每种噪声类型，确定该噪声类型对应的母小波，利用所述母小波对不同通道下的矫正脑电切片数据进行小波变换，获得该噪声类型对应的多个小波系数矩阵；
对该噪声类型对应的多个小波系数矩阵进行逆变换处理，重构出该噪声类型对应的不同通道下的多个噪声参考信号；
针对每个通道，将该通道下的矫正脑电切片数据及不同噪声类型对应的多个噪声参考信号输入至目标去噪模型，获得该通道下去噪后的脑电数据。
2.根据权利要求1所述的方法，其特征在于，所述将该通道下的矫正脑电切片数据及不同噪声类型对应的多个噪声参考信号输入至目标去噪模型，获得该通道下去噪后的脑电数据，包括：
从多个候选去噪模型中选取该通道对应的去噪模型作为目标去噪模型，所述目标去噪模型包括编码器及解码器；
将所述多个噪声参考信号及该通道下的矫正脑电切片数据输入所述编码器，获得联合特征；
将所述联合特征输入所述解码器，获得去噪后的脑电数据。
3.根据权利要求1所述的方法，其特征在于，所述利用所述母小波对不同通道下的矫正脑电切片数据进行小波变换，获得该噪声类型对应的多个小波系数矩阵，包括：
利用所述母小波对不同通道下的矫正脑电切片数据进行小波变换，获得该噪声类型下不同通道对应的多个初始小波系数矩阵；
对每个初始小波系数矩阵进行系数重构，获得该噪声类型对应的多个小波系数矩阵。
4.根据权利要求3所述的方法，其特征在于，所述对每个初始小波系数矩阵进行系数重构，获得该噪声类型对应的多个小波系数矩阵，包括：
利用软阈值方法对所述初始小波系数矩阵的目标层中的初始小波系数进行重构，获得该噪声类型对应的小波系数矩阵。
5.根据权利要求2所述的方法，其特征在于，所述编码器包括双向长短时记忆模型及卷积神经网络；
所述将所述多个噪声参考信号及该通道下的矫正脑电切片数据输入所述编码器，获得联合特征，包括：
将所述多个噪声参考信号及该通道下的矫正脑电切片数据输入所述双向长短时记忆模型，获得该通道下的组合特征；
将所述组合特征输入所述卷积神经网络，获得该通道下的联合特征。
6.根据权利要求1所述的方法，其特征在于，所述对该通道下的脑电数据进行切片及矫正处理，获得该通道下的矫正脑电切片数据，包括：
按照第一预设时长，将该通道下的脑电数据切分为多个脑电切片数据，每个脑电切片数据包括多个第二预设时长的脑电子切片数据；
针对每个脑电切片数据，将该脑电切片数据对应的前一个脑电切片数据中处于最后一位的脑电子切片数据的均值作为基线值；
将该脑电切片数据与所述基线值的差值作为该脑电切片数据对应的矫正脑电切片数据。
7.根据权利要求1所述的方法，其特征在于，所述对所述初始脑电波信号进行数据预处理获得去除工频干扰的脑电数据，包括：
对所述初始脑电波信号进行数据采集，获取时域下的初始脑电数据；
计算所有通道的初始脑电数据的平均值获得初始脑电数据均值；
针对每个通道的初始脑电数据，将该通道下的初始脑电数据减去所述初始脑电数据均值，获得该通道下的均值处理后的脑电数据；
对所述均值处理后的脑电数据进行滤波及陷波处理，获得该通道下去除工频干扰的脑电数据。
8.一种脑电信号的去噪装置，其特征在于，包括：
预处理模块，用于获取初始脑电波信号，对所述初始脑电波信号进行数据预处理获得去除工频干扰的脑电数据，所述脑电数据包括不同通道的脑电数据；
矫正处理模块，用于针对每个通道下的脑电数据，对该通道下的脑电数据进行切片及矫正处理，获得该通道下的矫正脑电切片数据；
小波变换模块，用于针对每种噪声类型，确定该噪声类型对应的母小波，利用所述母小波对不同通道下的矫正脑电切片数据进行小波变换，获得该噪声类型对应的多个小波系数矩阵；
矩阵重构模块，用于对该噪声类型对应的多个小波系数矩阵进行逆变换处理，重构出该噪声类型对应的不同通道下的多个噪声参考信号；
去噪模块，用于针对每个通道，将该通道下的矫正脑电切片数据及不同噪声类型对应的多个噪声参考信号输入至目标去噪模型，获得该通道下去噪后的脑电数据。
9.一种电子设备，其特征在于，包括：处理器、存储介质和总线，所述存储介质存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储介质之间通过总线通信，所述处理器执行所述机器可读指令，以执行如权利要求1至7中任一项所述的脑电信号的去噪方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如权利要求1至7中任一项所述的脑电信号的去噪方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310861725.9A CN116602691B (zh) | 2023-07-14 | 2023-07-14 | 一种脑电信号的去噪方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310861725.9A CN116602691B (zh) | 2023-07-14 | 2023-07-14 | 一种脑电信号的去噪方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116602691A true CN116602691A (zh) | 2023-08-18 |
| CN116602691B CN116602691B (zh) | 2023-10-10 |
Family
ID=87685646
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310861725.9A Active CN116602691B (zh) | 2023-07-14 | 2023-07-14 | 一种脑电信号的去噪方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116602691B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102302365A (zh) * | 2011-06-21 | 2012-01-04 | 西安电子科技大学 | 人体精神压力脑电测量及放松训练的方法与装置 |
| CN106236027A (zh) * | 2016-08-23 | 2016-12-21 | 兰州大学 | 一种脑电与温度相结合的抑郁人群判定方法 |
| CN107260166A (zh) * | 2017-05-26 | 2017-10-20 | 昆明理工大学 | 一种实用化在线脑电伪迹剔除方法 |
| CN107518894A (zh) * | 2017-10-12 | 2017-12-29 | 公安部南昌警犬基地 | 一种动物脑电分类模型的构建方法及装置 |
| CN107704881A (zh) * | 2017-10-12 | 2018-02-16 | 公安部南昌警犬基地 | 一种基于动物脑电识别的数据可视化处理方法及装置 |
| CN109620218A (zh) * | 2019-01-29 | 2019-04-16 | 杭州妞诺科技有限公司 | 脑电波智能筛查方法及系统 |
| CN111657936A (zh) * | 2020-06-16 | 2020-09-15 | 河南大学 | 基于小波变换和全变差正则化的信号去噪方法 |
| CN112244876A (zh) * | 2020-09-30 | 2021-01-22 | 北京工业大学 | 一种基于可变遗忘因子的自适应滤波器的脑电信号时序随机噪声去除方法 |
| CN112890834A (zh) * | 2021-03-01 | 2021-06-04 | 福州大学 | 面向注意力识别的基于机器学习的眼电信号分类器 |
| DE202022100822U1 (de) * | 2022-02-14 | 2022-03-03 | Rajdeep Ghosh | Ein hybrides System zur automatischen Entfernung von Augenblinzel-Artefakten aus Elektroenzephalogrammsignalen |
| US20230039900A1 (en) * | 2021-08-07 | 2023-02-09 | Fuzhou University | Method for realizing a multi-channel convolutional recurrent neural network eeg emotion recognition model using transfer learning |
-
2023
- 2023-07-14 CN CN202310861725.9A patent/CN116602691B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102302365A (zh) * | 2011-06-21 | 2012-01-04 | 西安电子科技大学 | 人体精神压力脑电测量及放松训练的方法与装置 |
| CN106236027A (zh) * | 2016-08-23 | 2016-12-21 | 兰州大学 | 一种脑电与温度相结合的抑郁人群判定方法 |
| CN107260166A (zh) * | 2017-05-26 | 2017-10-20 | 昆明理工大学 | 一种实用化在线脑电伪迹剔除方法 |
| CN107518894A (zh) * | 2017-10-12 | 2017-12-29 | 公安部南昌警犬基地 | 一种动物脑电分类模型的构建方法及装置 |
| CN107704881A (zh) * | 2017-10-12 | 2018-02-16 | 公安部南昌警犬基地 | 一种基于动物脑电识别的数据可视化处理方法及装置 |
| CN109620218A (zh) * | 2019-01-29 | 2019-04-16 | 杭州妞诺科技有限公司 | 脑电波智能筛查方法及系统 |
| CN111657936A (zh) * | 2020-06-16 | 2020-09-15 | 河南大学 | 基于小波变换和全变差正则化的信号去噪方法 |
| CN112244876A (zh) * | 2020-09-30 | 2021-01-22 | 北京工业大学 | 一种基于可变遗忘因子的自适应滤波器的脑电信号时序随机噪声去除方法 |
| CN112890834A (zh) * | 2021-03-01 | 2021-06-04 | 福州大学 | 面向注意力识别的基于机器学习的眼电信号分类器 |
| US20230039900A1 (en) * | 2021-08-07 | 2023-02-09 | Fuzhou University | Method for realizing a multi-channel convolutional recurrent neural network eeg emotion recognition model using transfer learning |
| DE202022100822U1 (de) * | 2022-02-14 | 2022-03-03 | Rajdeep Ghosh | Ein hybrides System zur automatischen Entfernung von Augenblinzel-Artefakten aus Elektroenzephalogrammsignalen |
Non-Patent Citations (1)
| Title |
|---|
| 彭宏: "普适化脑电信息感知关键问题的研究", pages 35 - 55 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116602691B (zh) | 2023-10-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Mahajan et al. | Unsupervised eye blink artifact denoising of EEG data with modified multiscale sample entropy, kurtosis, and wavelet-ICA | |
| Strasser et al. | Motion artifact removal in ECG signals using multi-resolution thresholding | |
| CN110353672B (zh) | 一种脑电信号中眼部伪迹去除系统及去除方法 | |
| CN108113665B (zh) | 一种心电信号自动降噪方法 | |
| US9364160B2 (en) | Systems and methods for ECG monitoring | |
| Patil et al. | Quality advancement of EEG by wavelet denoising for biomedical analysis | |
| Yadav et al. | Denoising and SNR improvement of ECG signals using wavelet based techniques | |
| Sharma | EEG signal denoising based on wavelet transform | |
| Mahajan et al. | Sample Entropy enhanced wavelet-ICA denoising technique for eye blink artifact removal from scalp EEG dataset | |
| CN115153588B (zh) | 融合密集残差和注意力机制的脑电时空去噪方法 | |
| Hossain et al. | A deep convolutional autoencoder for automatic motion artifact removal in electrodermal activity | |
| CN113081002A (zh) | 脑电信号的伪差去除方法、装置及电子设备 | |
| Mingai et al. | Removing ocular artifacts from mixed EEG signals with FastKICA and DWT | |
| Yong et al. | Artifact removal in EEG using morphological component analysis | |
| Qureshi et al. | Performance analysis of adaptive algorithms for removal of low frequency noise from ECG signal | |
| Majmudar et al. | Autonomous OA removal in real-time from single channel EEG data on a wearable device using a hybrid algebraic-wavelet algorithm | |
| CN113208614A (zh) | 脑电降噪的方法及装置、可读存储介质 | |
| CN116602691B (zh) | 一种脑电信号的去噪方法、装置、电子设备及存储介质 | |
| CN116035593B (zh) | 一种基于生成对抗式并行神经网络的脑电降噪方法 | |
| Heydari et al. | Adaptive wavelet technique for EEG de-noising | |
| Yous et al. | Automated detection and removal of artifacts from sEMG signals based on fuzzy inference system and signal decomposition methods | |
| CN111493864B (zh) | Eeg信号混合噪声处理方法、设备和存储介质 | |
| Kaur et al. | Adaptive wavelet thresholding for noise reduction in electrocardiogram (ECG) signals | |
| El Bouny et al. | Removal of 50Hz PLI from ECG signal using undecimated wavelet transform | |
| CN114569140A (zh) | 一种纺锤波提取方法、系统、计算机设备、存储介质及程序产品 |
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 |