CN117100289A - 脑电信号处理方法、装置、电子设备及介质 - Google Patents

脑电信号处理方法、装置、电子设备及介质 Download PDF

Info

Publication number
CN117100289A
CN117100289A CN202311125620.3A CN202311125620A CN117100289A CN 117100289 A CN117100289 A CN 117100289A CN 202311125620 A CN202311125620 A CN 202311125620A CN 117100289 A CN117100289 A CN 117100289A
Authority
CN
China
Prior art keywords
electroencephalogram
electroencephalogram signal
signals
electroencephalogram signals
frequency bands
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
Application number
CN202311125620.3A
Other languages
English (en)
Inventor
李小俚
庄腾飞
邓文浩
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.)
Beijing Normal University
Original Assignee
Beijing Normal 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 Beijing Normal University filed Critical Beijing Normal University
Priority to CN202311125620.3A priority Critical patent/CN117100289A/zh
Publication of CN117100289A publication Critical patent/CN117100289A/zh
Pending legal-status Critical Current

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—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
    • A61B5/7235—Details of waveform analysis
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2131—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on a transform domain processing, e.g. wavelet transform
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Psychiatry (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Theoretical Computer Science (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Artificial Intelligence (AREA)
  • Pathology (AREA)
  • Data Mining & Analysis (AREA)
  • Signal Processing (AREA)
  • Physiology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Psychology (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本公开实施例公开一种脑电信号处理方法、装置、电子设备及介质，该方法包括：获取待处理脑电信号；对所述待处理脑电信号进行主成分分析变换，获得第一脑电信号；对所述第一脑电信号进行离散小波变换，获得第二脑电信号；其中，所述第二脑电信号包括不同频段脑电信号；根据与所述不同频段脑电信号分别对应的压缩感知模型，对所述不同频段脑电信号分别进行压缩处理，获得目标脑电信号；其中，所述目标脑电信号包括与所述不同频段脑电信号分别对应的压缩脑电信号。

Description

脑电信号处理方法、装置、电子设备及介质
技术领域
本公开涉及脑电信号处理技术领域，更具体地，涉及一种脑电信号处理方法、装置、电子设备及介质。
背景技术
脑电图(EEG，Electroencephalogram)是一种记录大脑电活动的电生理监测方法，其通常是非植入式的，电极沿着头皮放置，将大脑微弱的生物电信号放大显示，可以无创帮助多种疾病的诊断。
在实际的脑电监测中，动态的脑电图检测需要全天候持续检测，此时就需要病人佩戴便携式脑电检测仪。然而，采用便携式脑电监测仪进行动态脑电信号监测时，由于长时间的采集以及便携式脑电检测仪精度的提高，脑电信号数据量就会随之增加，这样不仅降低了数据传输可靠性，还增加了数据传输功耗。
发明内容
本公开实施例提供了一种脑电信号处理方法、装置、电子设备及介质。
根据本公开的第一方面，提供了一种脑电信号处理方法，所述方法包括：
获取待处理脑电信号；
对所述待处理脑电信号进行主成分分析变换，获得第一脑电信号；
对所述第一脑电信号进行离散小波变换，获得第二脑电信号；其中，所述第二脑电信号包括不同频段脑电信号；
根据与所述不同频段脑电信号分别对应的压缩感知模型，对所述不同频段脑电信号分别进行压缩处理，获得目标脑电信号；其中，所述目标脑电信号包括与所述不同频段脑电信号分别对应的压缩脑电信号。
可选地，所述方法还包括获取所述不同频段脑电信号分别对应的压缩感知模型的步骤，
所述获取所述不同频段脑电信号分别对应的压缩感知模型，包括：
获取所述不同频段脑电信号分别对应的最佳压缩率；
对于任一频段脑电信号，分别根据所述最佳压缩率确定对应的初始压缩感知模型的模型参数，获得对应的所述压缩感知模型。
可选地，所述方法还包括：
根据稀疏贝叶斯学习算法对所述目标脑电信号进行信号重构，获得第三脑电信号；
对所述第三脑电信号进行离散小波逆变换，获得第四脑电信号；
对所述第四脑电信号进行主成分分析逆变换，获得目标重构脑电信号。
可选地，所述获取所述不同频段脑电信号分别对应的最佳压缩率，包括：
获取所述待处理脑电信号和所述待处理脑电信号对应的任意重构脑电信号之间的相关系数；
以所述相关系数作为全局搜索算法的适应度函数，确定出与所述不同频段脑电信号分别对应的最佳压缩率。
可选地，所述对所述待处理脑电信号进行主成分分析变换，获得第一脑电信号，包括：
对所述待处理脑电信号进行主成分分析变换，获得M个主成分；其中，M为大于0的整数；
获取所述M个主成分的方差的和值，作为第一和值；
将所述M个主成分的方差降序排序，并获取前N个主成分的方差的和值，作为第二和值；其中，N为大于0且小于或等于M的整数；
根据所述第一和值和所述第二和值，确定当前累积贡献率；
在所述当前累积贡献率大于设定累积贡献率，且N满足设定条件的情况下，将所述前N个主成分作为第一脑电信号；
其中，所述设定条件包括：N为使得累积贡献率大于所述设定累积贡献率的最小主成分数量。
可选地，所述对所述第一脑电信号进行离散小波变换，获得第二脑电信号，包括：
获取所述第一脑电信号对应的小波基函数；
根据所述小波基函数对所述第一脑电信号进行离散小波变换，获得所述第二脑电信号。
可选地，所述模型参数包括测量矩阵、稀疏基矩阵和稀疏系数。
根据本公开的第二方面，提供一种脑电信号处理装置，所述装置包括：
获取模块，用于获取待处理脑电信号；
第一处理模块，用于对所述待处理脑电信号进行主成分分析变换，获得第一脑电信号；
第二处理模块，用于对所述第一脑电信号进行离散小波变换，获得第二脑电信号；其中，所述第二脑电信号包括不同频段脑电信号；
第三处理模块，用于根据与所述不同频段脑电信号分别对应的压缩感知模型，对所述不同频段脑电信号分别进行压缩处理，获得目标脑电信号；其中，所述目标脑电信号包括与所述不同频段脑电信号分别对应的压缩脑电信号。
根据本公开的第三方面，提供一种电子设备，包括存储器，用于存储可执行的计算机指令；处理器，用于根据所述可执行的计算机指令的控制，执行根据以上第一方面所述的脑电信号处理方法。
根据本公开的第四方面，提供了一种计算机可读存储介质，其上存储有计算机指令，所述计算机指令被处理器运行时执行以上第一方面所述的脑电信号处理方法。
根据本公开实施例的脑电信号处理方法，其获取待处理脑电信号之后，会对待处理脑电信号进行主成分分析变换得到第一脑电信号，并接续对第一脑电信号进行离散小波变换得到包括不同频段脑电信号的第二脑电信号，以及根据与不同频段脑电信号分别对应的压缩感知模型，对不同频段脑电信号分别进行压缩处理，进而得到包括与不同频段脑电信号分别对应的压缩脑电信号的目标脑电信号，这样便可降低脑电信号数据量，提高数据传输可靠性、降低数据传输功耗。
通过以下参照附图对本公开的示例性实施例的详细描述，本公开的其它特征及其优点将会变得清楚。
附图说明
被结合在说明书中并构成说明书的一部分的附图示出了本公开的实施例，并且连同其说明一起用于解释本公开的原理。
图1是根据本公开实施例的脑电信号处理系统的硬件配置示意图；
图2是根据本公开实施例的脑电信号处理方法的流程示意图；
图3是根据本公开另一实施例的脑电信号处理方法的流程示意图；
图4是根据本公开一个例子的脑电信号处理方法的流程示意图；
图5是根据本公开另一例子的脑电信号处理方法的流程示意图；
图6是根据本公开实施例的脑电信号处理装置的原理框图；
图7是根据本公开实施例的电子设备的硬件配置示意图。
具体实施方式
现在将参照附图来详细描述本公开的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本公开的范围。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本公开及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。
在这里示出和讨论的所有例子中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它例子可以具有不同的值。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
<硬件配置>
图1是根据本公开实施例的脑电信号处理系统100的硬件配置的框图。
根据图1所示，脑电信号处理系统100包括脑电信号采集设备1000和数据处理设备2000。其中，脑电信号采集设备1000可以是多通道脑电信号采集设备，用于采集多通道脑电信号作为待处理脑电信号，并对待处理脑电信号进行主成分分析变换得到第一脑电信号，以及，对第一脑电信号进行离散小波变换，得到包括不同频段脑电信号的第二脑电信号，进而根据与不同频段脑电信号分别对应的压缩感知模型，对不同频段脑电信号分别进行压缩处理，得到包括与不同频段脑电信号分别对应的压缩脑电信号的目标脑电信号，最后将目标脑电信号发送至数据处理设备2000。
数据处理设备2000用于根据稀疏贝叶斯学习算法对目标脑电信号进行信号重构得到包括不同频段重构脑电信号的第三脑电信号，并对第三脑电信号进行离散小波逆变换，得到包括与不同频段重构脑电信号分别对应的脑电信号的第四脑电信号，进而对第四脑电信号进行主成分分析逆变换得到目标重构脑电信号。
在一个实施例中，脑电信号采集设备1000可以是便携式脑电检测仪。
如图1所示，脑电信号采集设备1000至少可以包括处理器1100和存储器1200。处理器1100可以是移动版处理器。存储器1200例如包括ROM(只读存储器)、RAM(随机存取存储器)、诸如硬盘的非易失性存储器等。
应用于本公开的实施例中，脑电信号采集设备1000的存储器1200用于存储指令，该指令用于控制处理器1100执行本公开实施例提供的脑电信号处理方法。
在一个实施例中，数据处理设备2000可以是服务器或者终端设备。其中，服务器可以是整体式服务器或是跨多计算机或计算机数据中心的分散式服务器。终端设备可以是便携式电脑、台式计算机、可穿戴设备等，也可以是任意的具有处理器等计算装置和存储器等存储装置的其他设备，本实施例对此不做限定。
如图1所示，数据处理设备2000可以包括处理器2100、存储器2200、接口装置2300、通信装置2400、显示装置2500、输入装置2600、扬声器2700、麦克风2800等等。
处理器2100可以是移动版处理器。存储器2200例如包括ROM(只读存储器)、RAM(随机存取存储器)、诸如硬盘的非易失性存储器等。接口装置2300例如包括USB接口、耳机接口等。通信装置2400例如能够进行有线或无线通信，通信装置2400可以包括短距离通信装置，例如是基于Hilink协议、WiFi(IEEE 802.11协议)、Mesh、蓝牙、ZigBee、Thread、Z-Wave、NFC、UWB、LiFi等短距离无线通信协议进行短距离无线通信的任意装置，通信装置2400也可以包括远程通信装置，例如是进行WLAN、GPRS、2G/3G/4G/5G远程通信的任意装置。显示装置2500例如是液晶显示屏、触摸显示屏等。输入装置2600例如可以包括触摸屏、键盘等。终端设备2000可以通过扬声器2700输出音频信息，可以通过麦克风2800采集音频信息。
尽管在图1中对数据处理设备2000均示出了多个装置，但是，本公开可以仅涉及其中的部分装置，例如，数据处理设备2000只涉及存储器2200和处理器2100。
在上述描述中，技术人员可以根据本公开所公开方案设计指令。指令如何控制处理器进行操作，这是本领域公知，故在此不再详细描述。
网络3000可以是无线通信网络也可以是有线通信网络，可以是局域网也可以是广域网。在图1所示的脑电信号处理系统100中，脑电信号采集设备1000、数据处理设备2000可以通过网络3000进行通信。
应当理解的是，尽管图1仅示出一个脑电信号采集设备1000、数据处理设备2000，但不意味着限制各自的数量，脑电信号处理系统100中可以包含多个脑电信号采集设备1000、多个数据处理设备2000。
<方法实施例>
在本实施例中，提供一种脑电信号处理方法，该脑电信号处理方法可以由电子设备实施，该电子设备可以是如图1所示的脑电信号采集设备1000，也可以是图1所示的数据处理设备2000。即，本实施例的方法可以是由脑电信号采集设备实施，也可以是由数据处理设备实施，还可以是由脑电信号采集设备和数据处理设备共同实施。
根据图2所示，本公开实施例的脑电信号处理方法可以包括如下步骤S2100～S2400。
步骤S2100，获取待处理脑电信号。
其中，待处理脑电信号可以为脑电信号采集设备所采集的佩戴者的多通道脑电信号。
具体地，脑电信号采集设备1000可以采集佩戴者的多通道脑电信号，作为待处理脑电信号。
在执行步骤S2100获取待处理脑电信号之后，进入：
步骤S2200，对所述待处理脑电信号进行主成分分析变换，获得第一脑电信号。
其中，主成分分析(Principal Component Analysis，PCA)变换用于对待处理脑电信号进行降维处理。其核心思想是寻找方差最大的至少一个正交坐标轴，映射到至少一个坐标轴上的数据包含了原始数据的主要维度特征，这样降维后的数据能够保留原始数据中最重要的特征。
需要说明的是，脑电信号采集设备1000采集佩戴者的多通道脑电信号时，由于佩戴者头顶密集的电极分布，相邻通道脑电信号包含的信息会存在一定的冗余，采用PCA变换便可消除这种空间上的冗余性。
在一个可选地实施例中，本步骤S2200对所述待处理脑电信号进行主成分分析变换，获得第一脑电信号可以进一步包括如下步骤S2210～步骤S2250：
步骤S2210，对所述待处理脑电信号进行主成分分析变换，获得M个主成分；其中，M为主成分的总数量，且M为大于0的整数。
示例性地，以通道数量为64，且每通道采样点数为9600的待处理脑电信号为例，脑电信号采集设备1000对该待处理脑电信号执行PCA变换，得到M个主成分。
步骤S2220，获取所述M个主成分的方差的和值，作为第一和值。
继续上述示例，脑电信号采集设备1000获取M个主成分的方差的和值，作为第一和值P。
步骤S2230，将所述M个主成分的方差降序排序，并获取前N个主成分的方差的和值，作为第二和值；其中，N为大于0且小于或等于M的整数。
继续上述示例，脑电信号采集设备1000会将M个主成分分别对应的方差按照从大到小的顺序进行排序，并获取前N个主成分的方差的和值，作为第二和值Q。
步骤S2240，根据所述第一和值和所述第二和值，确定当前累积贡献率。
其中，当前累积贡献率表征选定的前N个主成分表示待处理脑电信号主要特征的能力。
本步骤S2240中，当前累积贡献率A满足如下公式：
其中，Q为前N个主成分的方差的和值，P为M个主成分的方差的和值。
步骤S2250，在所述当前累积贡献率大于设定累积贡献率，且N满足设定条件的情况下，将所述前N个主成分作为第一脑电信号。
其中，所述设定条件包括：N为使得累积贡献率大于所述设定累积贡献率的最小主成分数量。
其中，设定累积贡献率可以是根据实际场景设置的数值，该设定累积贡献率可以是0.99，表示寻找累积贡献率大于0.99的最小主成分数量。
继续上述示例，脑电信号采集设备1000所寻找到的最小主成分数量可以是32，这样，脑电信号采集设备1000便可将64*9600的待处理脑电信号转换为32*9600的第一脑电信号，实现对待处理脑电信号的降维处理。
根据以上步骤S2210～步骤S2250，由于待处理脑电信号中邻近脑电通道之间含有大量的交互信息，通过PCA降维后得到的第一脑电信号可在一定程度上减少数据的冗余性。
在执行以上步骤S2200对所述待处理脑电信号进行主成分分析变换，获得第一脑电信号之后，进入：
步骤S2300，对所述第一脑电信号进行离散小波变换，获得第二脑电信号；其中，所述第二脑电信号包括不同频段脑电信号。
其中，离散小波变换(Discrete Wavelet Transform，DWT)用于进行信号分解，DWT是一种基于小波分析的信号分解方法，其能够将信号分解成不同频率的小波分量，提取信号的局部时频信息。
需要说明的是，由于脑电信号中的低频信息能够反映出大脑许多有用信息，因此将经过降维处理得到的第一脑电信号进行离散小波变换，可以保留较多的低频信息，舍弃部分的高频信息。
在一个可选地实施例中，本步骤S2300对所述第一脑电信号进行离散小波变换，获得第二脑电信号可以进一步包括：获取所述第一脑电信号对应的小波基函数；根据所述小波基函数对所述第一脑电信号进行离散小波变换，获得所述第二脑电信号。
在执行以上步骤S2300对所述第一脑电信号进行离散小波变换，获得第二脑电信号之后，进入：
步骤S2400，根据与所述不同频段脑电信号分别对应的压缩感知模型，对所述不同频段脑电信号分别进行压缩处理，获得目标脑电信号；其中，所述目标脑电信号包括与所述不同频段脑电信号分别对应的压缩脑电信号。
其中，压缩感知模型可以表示为y＝ФΨs，其中，Ф表示测量矩阵，Ψ表示稀疏基矩阵，s表示稀疏系数，通常，测量矩阵Ф可以选择稀疏二值随机矩阵，稀疏基矩阵Ψ可以选择离散余弦矩阵。并且，每一频段脑电信号均对应有压缩感知模型。
实际应用中，通常是先基于全局搜索算法例如遗传算法确定不同频段脑电信号分别对应的最佳压缩率，然后针对任一频段脑电信号，分别根据对应的最佳压缩率，确定出对应的测量矩阵，以及根据测量矩阵确定对应的稀疏基矩阵，根据稀疏基矩阵确定对应的稀疏系数，这样便可确定出对应的压缩感知模型。
具体地，脑电信号采集设备1000会根据各频段脑电信号分别对应的压缩感知模型，分别对各频段脑电信号进行压缩处理，进而获得包括与各频段脑电信号分别对应的压缩脑电信号的目标脑电信号，并将目标脑电信号发送至数据处理设备2000，这样可较大降低数据量，以便提高数据传输可靠性、降低数据传输功耗。
根据本公开实施例的方法，其获取待处理脑电信号之后，会对待处理脑电信号进行主成分分析变换得到第一脑电信号，并接续对第一脑电信号进行离散小波变换得到包括不同频段脑电信号的第二脑电信号，以及根据与不同频段脑电信号分别对应的压缩感知模型，对不同频段脑电信号分别进行压缩处理，进而得到包括与不同频段脑电信号分别对应的压缩脑电信号的目标脑电信号，这样便可降低脑电信号数据量，提高数据传输可靠性、降低数据传输功耗。
在一个实施例中，参照图3，在执行以上步骤S2400根据与所述不同频段脑电信号分别对应的压缩感知模型，对所述不同频段脑电信号分别进行压缩处理，获得目标脑电信号之后，本公开实施例的脑电信号处理方法还进一步包括如下步骤S3100～步骤S3300：
步骤S3100，数据处理设备2000根据稀疏贝叶斯学习算法对所述目标脑电信号进行信号重构，获得第三脑电信号。
其中，稀疏贝叶斯学习算法可以是块稀疏贝叶斯学习算法。
具体地，数据处理设备2000接收到脑电信号采集设备1000传输的目标脑电信号之后，会先采用稀疏贝叶斯学习算法对目标脑电信号中的不同频段压缩脑电信号进行重构，获得第三脑电信号。
步骤S3200，数据处理设备2000对所述第三脑电信号进行离散小波逆变换，获得第四脑电信号。
具体地，数据处理设备2000接续对采用稀疏贝叶斯学习算法得到的不同频段重构脑电信号使用离散小波逆变换进行重构，获得第四脑电信号。
步骤S3300，数据处理设备2000对所述第四脑电信号进行主成分分析逆变换，获得目标重构脑电信号。
具体地，数据处理设备2000最后对采用离散小波逆变换进行重构得到的主成分重构脑电信号使用PCA逆变换进行处理，得到待处理脑电信号对应的目标重构脑电信号。
根据本实施例，数据处理设备接收目标脑电信号后，首先使用稀疏贝叶斯学习算法对不同频段压缩脑电信号进行信号重构，以及对得到的不同频段重构脑电信号使用离散小波逆变换进行重构，对得到的主成分重构脑电信号接续使用PCA逆变换的方法得到重构脑电信号。
在一个实施例中，参照图4，本公开实施例的脑电信号处理方法还包括：脑电信号采集设备1000获取所述待处理脑电信号和所述待处理脑电信号对应的任意重构脑电信号之间的相关系数；脑电信号采集设备1000以所述相关系数作为全局搜索算法的适应度函数，确定出与所述不同频段脑电信号分别对应的最佳压缩率。
其中，全局搜索算法可以是遗传算法。
示例性地，在使用遗传算法寻找不同频段脑电信号分别对应的最佳压缩率时，具体过程为：
步骤S401，为不同频段脑电信号分别随机设置0-1范围内的压缩率作为初始种群。
步骤S402，对待处理脑电信号进行压缩和重构后，获得该待处理脑电信号对应的任意重构脑电信号。
步骤S403，计算待处理脑电信号和该任意重构脑电信号之间的相关系数，作为适应度函数。
步骤S404，判断是否达到预设迭代次数或者适应度函数大于适应度函数阈值，是的话，流程结束，反之，执行步骤S405。
步骤S405，对当前种群进行选择和遗传操作，得到新一代种群并继续执行步骤S402。
根据本实施例，其会基于全局搜索算法来寻找不同频段脑电信号分别对应的最佳压缩率，使得基于对应压缩率所确定的压缩感知模型能够最大程度的对对应频段脑电信号进行压缩。
在一个实施例中，本公开实施例的脑电信号处理方法还进一步包括获取所述不同频段脑电信号分别对应的压缩感知模型的步骤，该获取所述不同频段脑电信号分别对应的压缩感知模型可以进一步包括：获取所述不同频段脑电信号分别对应的最佳压缩率；对于任一频段脑电信号，分别根据所述最佳压缩率确定对应的初始压缩感知模型的模型参数，获得对应的所述压缩感知模型。
其中，所述模型参数包括测量矩阵Ф、稀疏基矩阵Ψ和稀疏系数s。
具体地，通常是先基于全局搜索算法例如遗传算法确定不同频段脑电信号分别对应的最佳压缩率，然后针对任一频段脑电信号，分别根据对应的最佳压缩率，确定出对应的测量矩阵Φ，以及根据测量矩阵Φ确定对应的稀疏基矩阵Ψ，根据稀疏基矩阵Ψ确定对应的稀疏系数s，这样便可确定出对应的压缩感知模型y＝ΦΨs。
<例子>
接下来示出一个例子的脑电信号处理方法的流程示意图，参照图5，该脑电信号处理方法包括：
步骤501，脑电信号采集设备1000获取待处理脑电信号。
步骤502，脑电信号采集设备1000对待处理脑电信号进行主成分分析变换，获得第一脑电信号。
步骤503，脑电信号采集设备1000对第一脑电信号进行离散小波变换，获得包括不同频段脑电信号的第二脑电信号。
步骤504，脑电信号采集设备1000获取不同频段脑电信号分别对应的最佳压缩率，并对于任一频段脑电信号，分别根据最佳压缩率确定对应的初始压缩感知模型的测量矩阵、稀疏基矩阵和稀疏系数，获得对应的压缩感知模型。
步骤505，脑电信号采集设备1000根据与不同频段脑电信号分别对应的压缩感知模型，对不同频段脑电信号分别进行压缩处理，获得包括与不同频段脑电信号分别对应的压缩脑电信号的目标脑电信号，并将目标脑电信号发送至数据处理设备2000。
步骤506，数据处理设备2000根据稀疏贝叶斯学习算法对目标脑电信号进行信号重构，获得包括不同频段重构脑电信号的第三脑电信号。
步骤507，数据处理设备2000对第三脑电信号进行离散小波逆变换，获得包括与不同频段重构脑电信号分别对应的脑电信号的第四脑电信号。
步骤508，数据处理设备2000对第四脑电信号进行主成分分析逆变换，获得目标重构脑电信号。
<装置实施例>
本实施例中，提供一种脑电信号处理装置6000，如图6所示，该脑电信号处理装置6000可以包括获取模块6100、第一处理模块6200、第二处理模块6300和第三处理模块6400。
获取模块6100，用于获取待处理脑电信号；
第一处理模块6200，用于对所述待处理脑电信号进行主成分分析变换，获得第一脑电信号；
第二处理模块6300，用于对所述第一脑电信号进行离散小波变换，获得第二脑电信号；其中，所述第二脑电信号包括不同频段脑电信号；
第三处理模块6400，用于根据与所述不同频段脑电信号分别对应的压缩感知模型，对所述不同频段脑电信号分别进行压缩处理，获得目标脑电信号；其中，所述目标脑电信号包括与所述不同频段脑电信号分别对应的压缩脑电信号。
在一个实施例中，第三处理模块6400，还用于：获取所述不同频段脑电信号分别对应的最佳压缩率；对于任一频段脑电信号，分别根据所述最佳压缩率确定对应的初始压缩感知模型的模型参数，获得对应的所述压缩感知模型。
在一个实施例中，装置6000还包括第四处理模块、第五处理模块和第六处理模块(图中均未示出)。
第四处理模块，用于根据稀疏贝叶斯学习算法对所述目标脑电信号进行信号重构，获得第三脑电信号；
第五处理模块，用于对所述第三脑电信号进行离散小波逆变换，获得第四脑电信号；
第六处理模块，用于对所述第四脑电信号进行主成分分析逆变换，获得目标重构脑电信号。
在一个实施例中，第三处理模块6400，具体用于：获取所述待处理脑电信号和所述待处理脑电信号对应的任意重构脑电信号之间的相关系数；以所述相关系数作为全局搜索算法的适应度函数，确定出与所述不同频段脑电信号分别对应的最佳压缩率。
在一个实施例中，第一处理模块6200，具体用于：对所述待处理脑电信号进行主成分分析变换，获得M个主成分；其中，M为大于0的整数；获取所述M个主成分的方差的和值，作为第一和值；将所述M个主成分的方差降序排序，并获取前N个主成分的方差的和值，作为第二和值；其中，N为大于0且小于或等于M的整数；根据所述第一和值和所述第二和值，确定当前累积贡献率；在所述当前累积贡献率大于设定累积贡献率，且N满足设定条件的情况下，将所述前N个主成分作为第一脑电信号；
其中，所述设定条件包括：N为使得累积贡献率大于所述设定累积贡献率的最小主成分数量。
在一个实施例中，第二处理模块6300，具体用于：获取所述第一脑电信号对应的小波基函数；根据所述小波基函数对所述第一脑电信号进行离散小波变换，获得所述第二脑电信号。
在一个实施例中，所述模型参数包括测量矩阵、稀疏基矩阵和稀疏系数。
根据本实施例，其获取待处理脑电信号之后，会对待处理脑电信号进行主成分分析变换得到第一脑电信号，并接续对第一脑电信号进行离散小波变换得到包括不同频段脑电信号的第二脑电信号，以及根据与不同频段脑电信号分别对应的压缩感知模型，对不同频段脑电信号分别进行压缩处理，进而得到包括与不同频段脑电信号分别对应的压缩脑电信号的目标脑电信号，这样便可降低脑电信号数据量，提高数据传输可靠性、降低数据传输功耗。
<设备实施例>
图7是根据一个实施例的电子设备的硬件结构示意图。如图7所示，该电子设备7000包括处理器7100和存储器7200。
该存储器7200可以用于存储可执行的计算机指令。
该处理器7100可以用于根据所述可执行的计算机指令的控制，执行根据本公开方法实施例所述的脑电信号处理方法。
该电子设备7000可以是如图1所示的脑电信号采集设备1000，图1所示的数据处理设备2000，还可以是具备其他硬件结构的设备，在此不做限定。
在另外的实施例中，该电子设备7000可以包括以上脑电信号处理装置6000。
在一个实施例中，以上脑电信号处理装置6000的各模块可以通过处理器7100运行存储器7200中存储的计算机指令实现。
<计算机可读存储介质>
本公开实施例还提供了一种计算机可读存储介质，其上存储有计算机指令，所述计算机指令被处理器运行时执行本公开实施例提供的脑电信号处理方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。对于本领域技术人员来说公知的是，通过硬件方式实现、通过软件方式实现以及通过软件和硬件结合的方式实现都是等价的。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。本公开的范围由所附权利要求来限定。

Claims (10)

1.一种脑电信号处理方法，其特征在于，所述方法包括：
获取待处理脑电信号；
对所述待处理脑电信号进行主成分分析变换，获得第一脑电信号；
对所述第一脑电信号进行离散小波变换，获得第二脑电信号；其中，所述第二脑电信号包括不同频段脑电信号；
根据与所述不同频段脑电信号分别对应的压缩感知模型，对所述不同频段脑电信号分别进行压缩处理，获得目标脑电信号；其中，所述目标脑电信号包括与所述不同频段脑电信号分别对应的压缩脑电信号。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括获取所述不同频段脑电信号分别对应的压缩感知模型的步骤，
所述获取所述不同频段脑电信号分别对应的压缩感知模型，包括：
获取所述不同频段脑电信号分别对应的最佳压缩率；
对于任一频段脑电信号，分别根据所述最佳压缩率确定对应的初始压缩感知模型的模型参数，获得对应的所述压缩感知模型。
3.根据权利要求1所述的方法，其特征在于，所述方法还包括：
根据稀疏贝叶斯学习算法对所述目标脑电信号进行信号重构，获得第三脑电信号；
对所述第三脑电信号进行离散小波逆变换，获得第四脑电信号；
对所述第四脑电信号进行主成分分析逆变换，获得目标重构脑电信号。
4.根据权利要求2所述的方法，其特征在于，所述获取所述不同频段脑电信号分别对应的最佳压缩率，包括：
获取所述待处理脑电信号和所述待处理脑电信号对应的任意重构脑电信号之间的相关系数；
以所述相关系数作为全局搜索算法的适应度函数，确定出与所述不同频段脑电信号分别对应的最佳压缩率。
5.根据权利要求1所述的方法，其特征在于，所述对所述待处理脑电信号进行主成分分析变换，获得第一脑电信号，包括：
对所述待处理脑电信号进行主成分分析变换，获得M个主成分；其中，M为大于0的整数；
获取所述M个主成分的方差的和值，作为第一和值；
将所述M个主成分的方差降序排序，并获取前N个主成分的方差的和值，作为第二和值；其中，N为大于0且小于或等于M的整数；
根据所述第一和值和所述第二和值，确定当前累积贡献率；
在所述当前累积贡献率大于设定累积贡献率，且N满足设定条件的情况下，将所述前N个主成分作为第一脑电信号；
其中，所述设定条件包括：N为使得累积贡献率大于所述设定累积贡献率的最小主成分数量。
6.根据权利要求1所述的方法，其特征在于，所述对所述第一脑电信号进行离散小波变换，获得第二脑电信号，包括：
获取所述第一脑电信号对应的小波基函数；
根据所述小波基函数对所述第一脑电信号进行离散小波变换，获得所述第二脑电信号。
7.根据权利要求2所述的方法，其特征在于，所述模型参数包括测量矩阵、稀疏基矩阵和稀疏系数。
8.一种脑电信号处理装置，其特征在于，所述装置包括：
获取模块，用于获取待处理脑电信号；
第一处理模块，用于对所述待处理脑电信号进行主成分分析变换，获得第一脑电信号；
第二处理模块，用于对所述第一脑电信号进行离散小波变换，获得第二脑电信号；其中，所述第二脑电信号包括不同频段脑电信号；
第三处理模块，用于根据与所述不同频段脑电信号分别对应的压缩感知模型，对所述不同频段脑电信号分别进行压缩处理，获得目标脑电信号；其中，所述目标脑电信号包括与所述不同频段脑电信号分别对应的压缩脑电信号。
9.一种电子设备，其特征在于，包括：
存储器，用于存储可执行的计算机指令；
处理器，用于根据所述可执行的计算机指令的控制，执行根据权利要求1-7中任意一项所述的脑电信号处理方法。
10.一种计算机可读存储介质，其上存储有计算机指令，所述计算机指令被处理器运行时执行权利要求1-7中任意一项所述的脑电信号处理方法。
CN202311125620.3A 2023-09-01 2023-09-01 脑电信号处理方法、装置、电子设备及介质 Pending CN117100289A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311125620.3A CN117100289A (zh) 2023-09-01 2023-09-01 脑电信号处理方法、装置、电子设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311125620.3A CN117100289A (zh) 2023-09-01 2023-09-01 脑电信号处理方法、装置、电子设备及介质

Publications (1)

Publication Number Publication Date
CN117100289A true CN117100289A (zh) 2023-11-24

Family

ID=88796248

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311125620.3A Pending CN117100289A (zh) 2023-09-01 2023-09-01 脑电信号处理方法、装置、电子设备及介质

Country Status (1)

Country Link
CN (1) CN117100289A (zh)

Similar Documents

Publication Publication Date Title
Elgendi et al. Efficient ECG compression and QRS detection for e-health applications
US8473438B2 (en) Combined-model data compression
KR101528541B1 (ko) 신호들의 저 복잡도 압축을 위한 방법 및 장치
Chua et al. Mixed bio-signal lossless data compressor for portable brain-heart monitoring systems
KR100866215B1 (ko) 뇌파를 이용한 단말의 구동 방법 및 장치
JP6038981B2 (ja) データを処理および再構成するための方法および装置
KR102632136B1 (ko) 오디오 코더 윈도우 사이즈 및 시간-주파수 변환
Higgins et al. EEG compression using JPEG2000: How much loss is too much?
Lin et al. Multichannel EEG compression based on ICA and SPIHT
Grossi et al. High-rate compression of ECG signals by an accuracy-driven sparsity model relying on natural basis
KR20190111570A (ko) 확률모델 및 기계학습과 함께 특징추출을 이용한 뇌전도 신호의 멀티 주파수 대역 계수 기반 간질 발작파 검출 시스템
EP3038261A1 (fr) Procédé de prétraitement de compression de données adapté à des données de mesures de signaux électro-corticographiques (ecog) et système d&#39;acquisition et de transmission de données ecog
Campobello et al. A simple and efficient near-lossless compression algorithm for multichannel EEG systems
Mohammadi et al. A novel hybrid medical data compression using huffman coding and LZW in IoT
US20210026449A1 (en) Neurofeedback focus and productivity system, process, and method of use
CN117100289A (zh) 脑电信号处理方法、装置、电子设备及介质
Pal et al. An effective ECG signal compression algorithm with self controlled reconstruction quality
JP7385913B2 (ja) 生体電位測定装置及び生体電位測定プログラム
KR101661116B1 (ko) 프로그래머블 멀티모달 생체신호 처리 모듈 및 이를 이용한 헬스케어 플랫폼
Liu et al. Studying the effects of compression in eeg-based wearable sleep monitoring systems
US20210109908A1 (en) Computer-implemented method, an apparatus and a computer program product for processing a data set
Li et al. Effect of epoch length on compressed sensing of EEG
Lai et al. An efficient method of ECG signal compression by using a DCT-IV spectrum
US20210145346A1 (en) Systems, methods, and media for efficient real-time embedded processing of physiological signals using s transforms
CN113827253A (zh) 计算设备和从脑电信号中去除噪声的方法

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