DE202022100822U1

DE202022100822U1 - Ein hybrides System zur automatischen Entfernung von Augenblinzel-Artefakten aus Elektroenzephalogrammsignalen

Info

Publication number: DE202022100822U1
Application number: DE202022100822.1U
Authority: DE
Original assignee: Individual
Current assignee: Individual
Priority date: 2022-02-14
Filing date: 2022-02-14
Publication date: 2022-03-03
Anticipated expiration: 2032-02-15

Abstract

Ein hybrides System zur automatischen Entfernung von Augenblinzel-Artefakten aus Elektroenzephalogrammsignalen, wobei das System umfasst:
eine Vorverarbeitungseinheit umfassend eine diskrete Wavelet-Transformation, die so konfiguriert ist, dass ein Elektroenzephalogrammsignal in Wavelet-Koeffizienten zerlegt wird;
einen Klassifikator zur Identifizierung eines Augenzwinkerns in Wavelet-Koeffizienten;
einen vortrainierten Entrauschungs-Auto-Codierer, um den Augenblinzelteil zu korrigieren, wobei der Entrauschungs-Auto-Codierer einen Verfälschungsprozess unter Verwendung sauberer Trainingsmuster statistisch rückgängig macht; und
eine zentrale Verarbeitungseinheit umfassend eine inverse diskrete Wavelet-Transformation, um das artefaktfreie saubere EEG-Signal unter Verwendung der korrigierten Koeffizienten und der sauberen Koeffizienten zu rekonstruieren.

Description

BEREICH DER ERFINDUNG
Die vorliegende Offenlegung bezieht sich auf ein hybrides System zur automatischen Entfernung von Augenblinzel-Artefakten aus Elektroenzephalogrammsignalen. Die Kombination von Zeit-FrequenzAnalyse und neuronalem Netz ist vorteilhaft, da sie ein automatisches und intelligentes System zur Analyse von EEG-Signalen mit hohem Zufallswert darstellt.
HINTERGRUND DER ERFINDUNG
Das Gehirn ist ein sehr komplexer Teil des menschlichen Körpers. Immer wenn eine Person über etwas nachdenkt oder etwas tut, werden die Milliarden von Neuronen im Gehirn erregt und beginnen durch das Abfeuern von elektrischen Impulsen miteinander zu kommunizieren. Das EEG ist eine Messung der elektrochemischen Aktivität über Elektroden, die auf der Kopfhaut angebracht werden. In der Klinik wird das EEG bei der Diagnose von neuronalen Störungen wie Epilepsie und Schlafstörungen eingesetzt. Heutzutage wird das EEG aufgrund seiner schnellen und dynamischen Verarbeitung und seiner hohen zeitlichen Auflösung häufig in Brain-Computer-Interface-Systemen (BCI) eingesetzt. Heute stößt das EEG auch bei Systemen zur Erkennung menschlicher Emotionen und zur Überwachung der Aufmerksamkeit auf zunehmendes Interesse. Das EEG-Signal ist von Natur aus sehr zufällig, und die nicht-stationären Eigenschaften des EEG-Signals eröffnen eine breite Forschungsrichtung in der EEG-Signalverarbeitung.
Obwohl das EEG zur Überwachung der Hirnaktivität konzipiert ist, können elektrische Aktivitäten von anderen Orten als dem Gehirn das EEG stören. Diese aufgezeichneten nicht zerebralen Aktivitäten werden als Artefakte bezeichnet. Im Allgemeinen gibt es zwei Arten von Artefakten: biologische und umweltbedingte Artefakte verunreinigen die EEG-Signale.Die biologischen Artefakte entstehen durch nicht zerebrale Quellen wie Augenbewegungen, Augenblinzeln, Muskelbewegungen oder Herzaktivität. Andererseits können die Umgebungsartefakte durch die Verschiebung der Elektroden oder durch Störungen von externen Geräten entstehen. Sowohl die biologischen als auch die umweltbedingten Artefakte verschlechtern die Qualität des EEG-Signals und beeinträchtigen die klinische Diagnose sowie die BCI-Systeme erheblich. Für die mathematische Verarbeitung und Analyse der Signale zur Erkennung von Erkrankungen des menschlichen Gehirns sollten die Artefakte aus dem ursprünglichen, beschädigten EEG-Signal entfernt werden. Es ist ziemlich schwierig bis unmöglich, diese Artefakte mit minimalem Informationsverlust zu entfernen. Die Mischung aus Gehirnsignal und artefaktischem Signal ist in allen Aufzeichnungen von Elektroden vorhanden, aber nicht unbedingt im gleichen Verhältnis. Die EAs treten auf, wenn eine Person mit den Augen blinzelt. Die EAs sind oft dominant gegenüber anderen Artefakten und verzerren das ursprüngliche Signal, indem sie Artefakte mit sehr hoher Amplitude erzeugen. Die Frequenz der EAs ist von Natur aus sehr niedrig, und die Entfernung solcher niederfrequenten Komponenten des EEG-Signals ist ein breites Forschungsgebiet in der Signalverarbeitungsforschung. Die Entfernung niedriger Frequenzen ist ein schwieriges und sehr riskantes Verfahren, da die Gefahr eines Informationsverlustes besteht.
Derzeit werden mehrere Methoden entwickelt, um Augenblinzel-Artefakte (EA) aus den ursprünglichen EEG-Signalen zu entfernen. Die bestehenden Methoden benötigen exogene Referenzkanäle, um die Artefakte zu bereinigen. Die regressionsbasierte Korrektur von EA-Ansätzen entweder im Zeit- oder im Frequenzbereich wird jedoch durch die bidirektionale Methode beeinflusst. Der Bedarf an einem oder mehreren Regressionskanälen schränkt ihre Fähigkeit zur Entfernung von EA aus dem Informationssignal ein. Vor diesem Hintergrund wird der Schluss gezogen, dass ICA, Wavelet-Transformation und hybride Methoden eine wichtige Rolle bei der Entfernung von Artefakten aus dem EEG spielen. Die Wavelet-basierte Methode eliminiert die Artefakte, während die Artefakte mit hoher Korrelation zum echten EEG erhalten bleiben, aber die Auswahl eines geeigneten Schwellenwerts ist eine anspruchsvolle Aufgabe. ICA zerlegt das ursprüngliche Signal unter bestimmten Voraussetzungen in mehrere unabhängige Komponenten, aber artefaktierte ICs enthalten auch zerebrale Informationen, und ihre Entfernung kann zu einem gewissen Informationsverlust führen. Außerdem sind die Methoden der Kombination von ICA und Wavelet, EEMD und ICA mit komplexen Berechnungen verbunden.
In Anbetracht der vorangegangenen Diskussion wird deutlich, dass ein hybrides System zur automatischen Entfernung von Augenblinzel-Artefakten aus Elektroenzephalogrammsignalen erforderlich ist.
ZUSAMMENFASSUNG DER ERFINDUNG
Die vorliegende Offenlegung zielt darauf ab, ein hybrides System bereitzustellen, bei dem die diskrete Wavelet-Transformation mit einem entrauschenden neuronalen Autoencoder-Netzwerk hybridisiert wird, um die Augenblinzel-Artefakte aus dem Elektroenzephalogramm-Signal mit minimalem Informationsverlust zu entfernen.
In einer Ausführungsform wird ein hybrides System zur automatischen Entfernung von Augenblinzel-Artefakten aus Elektroenzephalogrammsignalen offenbart. Das System umfasst eine Vorverarbeitungseinheit, die eine diskrete Wavelet-Transformation umfasst, die so konfiguriert ist, dass sie ein Elektroenzephalogrammsignal in Wavelet-Koeffizienten zerlegt. Das System enthält außerdem einen Klassifikator zur Identifizierung eines Augenblinzelteils in Wavelet-Koeffizienten. Das System enthält ferner einen vortrainierten Entrauschungs-Autoencoder, um den Augenblinzelteil zu korrigieren, wobei der Entrauschungs-Autoencoder einen Verfälschungsprozess statistisch rückgängig macht, indem er saubere Trainingsmuster verwendet. Das System enthält außerdem eine zentrale Verarbeitungseinheit, die eine inverse diskrete Wavelet-Transformation umfasst, um das artefaktfreie saubere EEG-Signal unter Verwendung der korrigierten Koeffizienten und der sauberen Koeffizienten zu rekonstruieren.
In einer anderen Ausführungsform werden ein Mutter-Wavelet und eine Zerlegungsebene durch eine Technik ausgewählt, bei der die Augenblinzel-Artefakte (EA) in den Wavelet-Koeffizienten (WCs) reflektiert werden.
In einer anderen Ausführungsform wird ein vorab trainierter Support-Vector-Machine-Klassifikator verwendet, um C-WCs zu identifizieren.
In einer anderen Ausführungsform wird eine Fenstertechnik verwendet, um den beschädigten Teil zu identifizieren, wobei nach der Identifizierung nur die beschädigten Fenster für verschiedene Ebenen in den vortrainierten Denoising-Autoencoder (DA) eingespeist werden, wodurch der DA den EA-Teil mit hoch korrelierten sauberen Segmenten korrigiert, und alle sauberen und korrigierten Wavelet-Koeffizienten werden dann in der inversen DWT-Operation verwendet, um die sauberen EEG-Signale zu rekonstruieren.
In einer anderen Ausführungsform hängt die Anzahl der DA von der Anzahl der Zersetzungsstufen ab, wobei für jede Stufe eine bestimmte DA zugewiesen wird.
In einer anderen Ausführungsform verwendet die DA ein unüberwachtes maschinelles Lernverfahren, um das Eingangsbild auf den Code abzubilden und das Bild aus dem Code mithilfe eines Decoders zu rekonstruieren.
In einer anderen Ausführungsform werden bei der Fenstertechnik mindestens fünf verschiedene Fenstergrößen gewählt, um eine maximale Identifizierung des beschädigten Teils zu gewährleisten, wobei die Größe der Fenster für Ebene 1 und Ebene 2 mit 0.35s gewählt wird, da die Dauer des Artefakts in Ebene 1 und Ebene 2 zwischen 0.2 und 0.3 Sekunden liegt, und die Fenstergröße für Ebene 3 mit 0.45s, Ebene 4 mit 0.55s und Ebene 5 mit 0.85s gewählt wird.
In einer anderen Ausführungsform identifiziert der vortrainierte Klassifikator automatisch das Fenster der C-WCs.
Ein Ziel der vorliegenden Offenlegung ist es, ein hybrides Verfahren zu entwickeln, bei dem die DWT mit einem neuronalen DA-Netzwerk kombiniert wird, um die EAs aus dem EEG-Signal zu entfernen.
Ein weiteres Ziel der vorliegenden Offenbarung ist es, das Verfahren vollautomatisch zu gestalten.
Ein weiteres Ziel der vorliegenden Offenbarung ist es, nur den OA-Teil zu identifizieren und diesen Teil mit der vorgeschlagenen Technik zu korrigieren, während der Rest unverändert bleibt.
Ein weiteres Ziel der vorliegenden Erfindung ist es, ein schnelles und kostengünstiges System zur Auswahl der geeigneten Mutter-Wavelet-Funktion und der Zerlegungsebene für die Zerlegung von EEG-Signalen mit DWT bereitzustellen.
Um die Vorteile und Merkmale der vorliegenden Offenbarung weiter zu verdeutlichen, wird eine genauere Beschreibung der Erfindung durch Bezugnahme auf bestimmte Ausführungsformen davon, die in den beigefügten Figuren dargestellt ist. Es wird davon ausgegangen, dass diese Figuren nur typische Ausführungsformen der Erfindung darstellen und daher nicht als Einschränkung ihres Umfangs zu betrachten sind. Die Erfindung wird mit zusätzlicher Spezifität und Detail mit den begleitenden Figuren beschrieben und erklärt werden.
Figurenliste
Diese und andere Merkmale, Aspekte und Vorteile der vorliegenden Offenbarung werden besser verstanden, wenn die folgende detaillierte Beschreibung unter Bezugnahme auf die beigefügten Figuren gelesen wird, in denen gleiche Zeichen gleiche Teile in den Figuren darstellen, wobei:

1 ein Blockdiagramm eines hybriden Systems zur automatischen Entfernung von Augenblinzel-Artefakten aus Elektroenzephalogrammsignalen in Übereinstimmung mit einer Ausführungsform der vorliegenden Offenbarung zeigt;
2 die Architektur eines hybriden Systems zur automatischen Entfernung von Augenblinzel-Artefakten aus Elektroenzephalogrammsignalen gemäß einer Ausführungsform der vorliegenden Offenbarung zeigt;
3 die Architektur eines SVM-Klassifikators gemäß einer Ausführungsform der vorliegenden Offenbarung zeigt;
4 illustriert Tabelle 1 die durchschnittlichen ESER-Werte für verschiedene EEG-Epochen zeigt; und
5 veranschaulicht Tabelle 2, die den Wert von R_j für jede Ebene darstellt.

Der Fachmann wird verstehen, dass die Elemente in den Figuren der Einfachheit halber dargestellt sind und nicht unbedingt maßstabsgetreu gezeichnet wurden. Die Flussdiagramme veranschaulichen beispielsweise das Verfahren anhand der wichtigsten Schritte, um das Verständnis der Aspekte der vorliegenden Offenbarung zu verbessern. Darüber hinaus können ein oder mehrere Komponenten der Vorrichtung in den Figuren durch herkömmliche Symbole dargestellt sein, und die Figuren können nur die spezifischen Details zeigen, die für das Verständnis der Ausführungsformen der vorliegenden Offenbarung von Bedeutung sind, um die Figuren nicht mit Details zu verdecken, die für Fachleute mit normalen Kenntnissen, die von der vorliegenden Beschreibung profitieren, ohne weiteres erkennbar sind.
DETAILLIERTE BESCHREIBUNG
Um das Verständnis der Erfindung zu fördern, wird nun auf die in den Figuren dargestellte Ausführungsform Bezug genommen und diese mit bestimmten Worten beschrieben. Es versteht sich jedoch von selbst, dass damit keine Einschränkung des Umfangs der Erfindung beabsichtigt ist, wobei solche Änderungen und weitere Modifikationen des dargestellten Systems und solche weiteren Anwendungen der darin dargestellten Grundsätze der Erfindung in Betracht gezogen werden, wie sie einem Fachmann auf dem Gebiet der Erfindung normalerweise einfallen würden auf die sich die Erfindung bezieht.
Es versteht sich für den Fachmann von selbst, dass die vorstehende allgemeine Beschreibung und die folgende detaillierte Beschreibung beispielhaft und erläuternd für die Erfindung sind und diese nicht einschränken sollen.
Wenn in dieser Beschreibung von „einem Aspekt“, „einem anderen Aspekt“ oder ähnlichem die Rede ist, bedeutet dies, dass ein bestimmtes Merkmal, eine bestimmte Struktur oder eine bestimmte Eigenschaft, die im Zusammenhang mit der Ausführungsform beschrieben wird, in mindestens einer Ausführungsform der vorliegenden Offenbarung enthalten ist. Daher können sich die Ausdrücke „in einer Ausführungsform“, „in einer anderen Ausführungsform“ und ähnliche Ausdrücke in dieser Beschreibung alle auf dieselbe Ausführungsform beziehen, müssen es aber nicht.
Die Ausdrücke „umfasst“, „enthaltend“ oder andere Variationen davon sollen eine nicht ausschließliche Einbeziehung abdecken, so dass ein Verfahren oder eine Methode, die eine Liste von Schritten umfasst, nicht nur diese Schritte einschließt, sondern auch andere Schritte enthalten kann, die nicht ausdrücklich aufgeführt sind oder zu einem solchen Verfahren oder einer solchen Methode gehören. Ebenso schließen eine oder mehrere Vorrichtungen oder Teilsysteme oder Elemente oder Strukturen oder Komponenten, die mit „umfasst...a“ eingeleitet werden, nicht ohne weitere Einschränkungen die Existenz anderer Vorrichtungen oder anderer Teilsysteme oder anderer Elemente oder anderer Strukturen oder anderer Komponenten oder zusätzlicher Vorrichtungen oder zusätzlicher Teilsysteme oder zusätzlicher Elemente oder zusätzlicher Strukturen oder zusätzlicher Komponenten aus.
Sofern nicht anders definiert, haben alle hierin verwendeten technischen und wissenschaftlichen Begriffe die gleiche Bedeutung, wie sie von einem Fachmann auf dem Gebiet, zu dem diese Erfindung gehört, allgemein verstanden wird. Das System, die Methoden und die Beispiele, die hier angegeben werden, dienen nur der Veranschaulichung und sind nicht als Einschränkung gedacht.
Ausführungsformen der vorliegenden Offenbarung werden im Folgenden unter Bezugnahme auf die beigefügten Figuren im Detail beschrieben.
In 1 ist ein Blockdiagramm eines hybriden Systems zur automatischen Entfernung von Augenblinzel-Artefakten aus Elektroenzephalogrammsignalen gemäß einer Ausführungsform der vorliegenden Offenbarung dargestellt. Das System 100 umfasst eine Vorverarbeitungseinheit 102 mit einer diskreten Wavelet-Transformation 104, die so konfiguriert ist, dass ein Elektroenzephalogrammsignal in Wavelet-Koeffizienten zerlegt wird.
In einer Ausführungsform wird ein Klassifikator 106 mit der diskreten Wavelet-Transformation 104 verbunden, um einen Augenblinzelteil in Wavelet-Koeffizienten zu identifizieren.
In einer Ausführungsform wird ein vortrainierter Denoising-Autoencoder 108 mit dem Klassifikator 106 verbunden, um den Augenblinzelteil zu korrigieren, wobei der Denoising-Autoencoder 108 einen Verfälschungsprozess statistisch rückgängig macht, indem er saubere Trainingsmuster verwendet.
In einer Ausführungsform umfasst eine zentrale Verarbeitungseinheit 110 eine inverse diskrete Wavelet-Transformation 112, um das artefaktfreie saubere EEG-Signal unter Verwendung der korrigierten Koeffizienten und der sauberen Koeffizienten zu rekonstruieren.
In einer Ausführungsform werden ein Mutter-Wavelet und eine Zerlegungsebene durch eine Technik ausgewählt, bei der dieAugenblinzelartefakte (EA) in den Wavelet-Koeffizienten (WCs) reflektiert werden.
In einer Ausführungsform wird ein vorab trainierter Support-Vector-Machine-Klassifikator 106 verwendet, um C-WCs zu identifizieren.
In einer Ausführungsform wird eine Fenstertechnik verwendet, um den beschädigten Teil zu identifizieren, wobei nach der Identifizierung nur die beschädigten Fenster für verschiedene Ebenen in den vortrainierten Denoising-Autoencoder 108 (DA) eingespeist werden, wodurch der DA den EA-Teil mit hoch korrelierten sauberen Segmenten korrigiert, und alle sauberen und korrigierten Wavelet-Koeffizienten werden dann in der inversen DWT 112-Operation verwendet, um die sauberen EEG-Signale zu rekonstruieren.
In einer Ausführungsform hängt die Anzahl der DA von der Anzahl der Zerlegungsstufen ab, wobei für jede Stufe eine bestimmte DA zugewiesen wird.
In einer Ausführungsform verwendet die DA eine nicht überwachte maschinelle Lerntechnik, um das Eingangsbild auf den Code abzubilden und das Bild aus dem Code mithilfe eines Decoders zu rekonstruieren.
In einer Ausführungsform werden bei der Fenstertechnik mindestens fünf verschiedene Fenstergrößen gewählt, um eine maximale Identifizierung des beschädigten Teils zu gewährleisten, wobei die Größe der Fenster für Ebene 1 und Ebene 2 mit 0.35s gewählt wird, da die Dauer des Artefakts in Ebene 1 und Ebene 2 zwischen 0.2 und 0.3 Sekunden liegt, und die Fenstergröße für Ebene 3 mit 0.45s, Ebene 4 mit 0.55s und Ebene 5 mit 0.85s gewählt wird.
In einer Ausführungsform identifiziert der vortrainierte Klassifikator 106 automatisch das Fenster der C-WCs.
2 veranschaulicht die Architektur eines hybriden Systems zur automatischen Entfernung von Augenblinzel-Artefakten aus Elektroenzephalogrammsignalen gemäß einer Ausführungsform der vorliegenden Offenbarung: Das EEG-Signal wird zunächst mit DWT 104 in WCs zerlegt. Sowohl das Mutter-Wavelet als auch die Zerlegungsebene werden durch eine geeignete Technik ausgewählt. Die EAs spiegeln sich in den WCs wider. Die C-WCs (C-WCs) werden durch einen vortrainierten SVM-Klassifikator 106 (Support Vector Machine) identifiziert. Bei dieser Methode wird eine Fenstertechnik verwendet, um nur den beschädigten Teil zu identifizieren. Nach der Identifizierung werden nur die beschädigten Fenster für die verschiedenen Ebenen in den vortrainierten DA eingespeist. Die Anzahl der DA hängt von der Anzahl der Zersetzungsebenen ab.Für jede Ebene wird bei dieser Methode ein bestimmter DA zugewiesen. Die DA korrigieren den EA-Anteil mit hochkorrelierten sauberen Segmenten. Alle bereinigten und korrigierten Wavelet-Koeffizienten werden dann in der inversen DWT 112-Operation verwendet, um die bereinigten EEG-Signale zu rekonstruieren. Diese Technik ist vollautomatisch und kann sowohl mit Einkanal- als auch mit Mehrkanal-EEG-Daten durchgeführt werden.
3 veranschaulicht die Architektur eines SVM-Klassifikators 106 gemäß einer Ausführungsform der vorliegenden Offenbarung: Der SVM wird mit beschädigten Koeffizienten und nicht beschädigten Koeffizienten jeder Zerlegungsebene trainiert. Die Größe der Fenster für Ebene 1 und Ebene 2 wird mit 0.35s gewählt, da die Dauer des Artefakts in Ebene 1 und Ebene 2 zwischen 0.2 und 0.3 Sekunden liegt und somit die gesamte Dauer des Artefakts abdecken kann. Das Vorwärtsgleiten des Fensters mit 50 % Überlappung wird bei dieser Technik gewählt, da die durchschnittliche Dauer des Augenartefakts ((0.2+0.3)/2) = 0.25 Sekunden beträgt. Es besteht also keine Gefahr, dass ein Artefakt übersehen wird, da 50 % der Fenstergröße von 0.35 Sekunden 0.175 Sekunden beträgt, was jede Artefaktdauer in den WCs von Stufe 1 und Stufe 2 abdecken kann. In ähnlicher Weise wird die Fenstergröße für Ebene 3, Ebene 4 und Ebene 5 mit 0.45s, 0.55s bzw. 0.85s gewählt. In der Identifizierungsphase werden die Merkmale für eine bessere Klassifizierung extrahiert. Die folgenden drei Merkmale werden zur Unterscheidung von C-WCs und NC-WCs herangezogen.
Das EEG-Signal ist von Natur aus nicht stationär. Die Wavelet-Transformation ist die am besten geeignete Methode zur Analyse des nicht-stationären Signals. Ihre Fähigkeit, ein Signal im Zeitbereich in eine Zeit-Frequenz-Lokalisierung umzuwandeln, bietet den Vorteil, dass alle Details eines Signals besser erkannt werden können. Die DWT 104, die bei der Zeit-Frequenz-Lokalisierung effizienter ist. Die DWT 104 bedeutet, dass die Teilmengen der Skalen „j“ und der Zeitverschiebung „k“ des Basis-Wavelets, d. h. des Mutter-Wavelets Ψ(t), ausgewählt werden: $Ψ_{j k} (t) = 2^{\frac{j}{2}} Ψ (2^{j} t - k)$
Die Wellenform kann aus WCs perfekt rekonstruiert werden. Die DWT 104 schneidet sogar noch besser ab, da das Signal bereits digital abgetastet wurde und eine endliche Dauer hat, so dass die Anzahl der Koeffizienten begrenzt ist. Um das EEG-Signal in WCs zu zerlegen, ist die Auswahl der richtigen Wavelet-Basisfunktion und der geeigneten Zerlegungsebene eine weitere anspruchsvolle Aufgabe bei der Wavelet-Analyse.In den letzten zehn Jahren wurden mehrere Wavelet-Funktionen entwickelt. Es stellt sich natürlich die Frage, wie eine geeignete Basis ausgewählt werden kann, die sich am besten für die Analyse eines Signals eignet. Jede Wavelet-Funktion wirkt sich auf das Ergebnis der Wavelet-Transformation aus. Da das Versuch-und-Irrtum-Verfahren zeitaufwendig ist. Für diese Erfindung wird eine auf Energie und Shannon-Entropie basierende Technik verwendet.
Der mathematische Ausdruck lautet wie folgt:
Die Energie und Entropie des Wavelet-Koeffizienten (wt) für eine bestimmte Skala wird wie folgt ausgedrückt: $E n e r g i e (s) = \sum_{i = 1}^{N} {‖ w t (i) ‖}^{2}$
$E n e r g i e (s) = \sum_{i = 1}^{N} p_{i} \times {log}_{2} p_{i}$
Dabei ist N die Länge der WCs. Und p_i ist die Energie-Wahrscheinlichkeitsverteilung der WCs und definiert als: $p_{i} = \frac{{‖ w t (i) ‖}^{2}}{E n e r g i e (s)}$
$\sum_{i = 1}^{N} p_{i} = 1$
$p_{i} \times {log}_{2} p_{i} = 0 i f p_{i} = 0$
Das Verhältnis von Energie zu Shannon-Entropie (ESER) ist: $E S E R (s) = \frac{E n e r g i e (s)}{E n t r o p i e (s)}$
Die Wavelet-Funktion, die das Maximum des oben genannten Verhältnisses ergibt, sollte als die geeignete Wavelet-Funktion für ein bestimmtes Signal ausgewählt werden. Die Wavelet-Funktion wird nach dem oben erwähnten Maß für das Energie-Shannon-Entropie-Verhältnis (ESER) ausgewählt. Die Wavelet-Funktion mit dem höchsten ESER-Wert wird ausgewählt. Die durchschnittlichen ESER-Werte für verschiedene EEG-Epochen sind in Tabelle 1 aufgeführt. Aus der Tabelle ist ersichtlich, dass die Wavelet-Funktion db8 im Vergleich zu anderen Wavelet-Funktionen das beste Verhältnis von Energie zu Shannon-Entropie aufweist. Daher wurde db8 als Mutter-Wavelet für die Wavelet-Zerlegung ausgewählt. Ein weiterer wichtiger Parameter sind die Zerlegungsstufen, die in der Regel willkürlich zwischen 2 und 5 gewählt werden. Die Auswahl eines niedrigeren Pegels führt zu einer schlechten Rauschunterdrückung und ein höherer Pegel zu einem hohen Rechenaufwand. In diesem Abschnitt wird ein geeignetes Verfahren zur Auswahl von Pegeln vorgeschlagen.
Der Wert des Spitzenwert-Summen-Verhältnisses (R_j) der Approximationskoeffizienten (A_j) kann bei der Auswahl der Zerlegungsstufe helfen.
Dabei ist N die Länge der Detailkoeffizienten in Bezug auf die j^th Stufe. Die maximale Stufe j wird gewählt, wenn das Artefakt nicht mehr von den Näherungskoeffizienten zu unterscheiden ist. In vielen Versuchen wurde festgestellt, dass das Artefakt ununterscheidbar ist, wenn R_j > 0.08. Die Zersetzungsstufe wird nach dem Grad des Verhältnisses von Spitzenwert zu Summe (R_j) bestimmt. Der Wert von R_j für jede Ebene ist in Tabelle 2 dargestellt. Die geeignete Zerlegungsebene (j) für die Analyse des wavelet-transformierten EEG-Signals wird vor R_j=0.08 ausgewählt. Daher wird in dieser vorgeschlagenen Methode die Ebene 5 als Wavelet-Zerlegungsebene gewählt, da der EA nach R_j=0.08 nicht mehr von den Koeffizienten zu unterscheiden ist.
Nach erfolgreicher Festlegung der geeigneten Wavelet-Funktion und der Zerlegungsebene wird das EEG-Eingangssignal bis zur Ebene 5 mit „db8“ als Mutter-Wavelet-Funktion zerlegt. Um die Artefakte in den WCs automatisch zu identifizieren, wird die SVM aufgrund ihrer Fähigkeit zur besseren Regularisierung ausgewählt, was den Benutzer dazu veranlasst, an die Vermeidung einer Überanpassung zu denken. Um die genaue Position der Artefakte in den WCs zu lokalisieren, wurde eine fensterbasierte Methode in dieser Methode angepasst. Die SVM scannt die WCs mit einem bestimmten Fenster für jede Ebene. Die Artefaktgröße in den WCs für verschiedene Ebenen ist unterschiedlich groß. Daher werden in dieser Erfindung 5 verschiedene SVMs und 5 verschiedene Fenstergrößen verwendet. Ein bestimmtes SVM wird mit beschädigten und nicht beschädigten Koeffizienten jeder Zerlegungsstufe trainiert.
• Kurtosis:
Die Kurtosis ist das vierte standardisierte Moment, das für die Daten Y wie folgt definiert ist: $K u r t (Y) = E [{(\frac{Y - μ}{σ})}^{4}] = \frac{μ_{4}}{σ^{4}}$
µ₄ ist das vierte zentrale Moment und σ ist die Standardabweichung. E (.) bezeichnet die Erwartungsfunktion und µ ist der Mittelwert der Daten Y.
• Abweichung:
Mathematisch wird die Varianz wie folgt ausgedrückt: $V a r (Y) = E [{(Y - μ)}^{2}]$
• Peak-to-Peak-Amplitude:
Sie ist definiert als $p k = max (Y_{i}) - min (Y_{i})$
Diese drei statistischen Merkmale werden verwendet, um die C-WCs zu identifizieren. Um ihre Effektivität zu demonstrieren, wird ein SVM-Klassifikator 106 mit diesen drei Merkmalen von WCs beider Typen trainiert. Ein korrumpierter Wavelet-Koeffizient (C-WC) und ein nicht korrumpierter Wavelet-Koeffizient (NC-WC) und ihre drei Merkmalswerte werden verglichen, was zeigt, dass ein deutlicher Unterschied zwischen C-WC und NC-WC besteht.Nach erfolgreicher Identifizierung der C-WC aus den NC-WC wird das Fenster der C-WC in einen vortrainierten DA eingespeist. Ein Autoencoder 108 nutzt die Technik des unüberwachten maschinellen Lernens und lernt, seine Eingabe zu replizieren. Er besteht im Wesentlichen aus zwei Teilen: einem Encoder, der die Eingabe auf den Code abbildet, und einem Decoder, der den Code auf die Rekonstruktion der ursprünglichen Eingabe abbildet. DA ist eine stochastische Version des standardmäßigen Autoencoders 108. Im Falle des DA wird eine teilweise verfälschte Eingabe angenommen und darauf trainiert, die ursprüngliche unverfälschte Eingabe wiederherzustellen. Ziel des DA ist es, die Repräsentation (d. h. die Kodierung) für einen Datensatz zu erlernen, indem das Netz trainiert wird.
Die DA korrigiert das von der SVM identifizierte beschädigte Fenster mit hoch korreliertem NC-WC. Andere Fenster, in denen keine Artefakte vorhanden sind, werden durch die DA nicht verändert. Daher kann die vorgeschlagene Methode die Korrelation zwischen dem EEG-Eingangssignal und dem rekonstruierten EEG-Signal nach erfolgreicher Entfernung der Artefakte erhalten. Nun werden alle sauberen WCs und korrigierten WCs der inversen DWT112-Operation zugeführt, um das artefaktfreie EEG-Signal zu rekonstruieren.
Das System wird an einem in MATLAB simulierten, verfälschten Einkanal-EEG-Signal überprüft und an einem realen Mehrkanal-EEG-Datensatz getestet. Zum Vergleich der vorgeschlagenen Methode werden zwei neuere traditionelle Methoden verwendet. Vier statistische Parameter: Strukturähnlichkeit (SSIM), Korrelationskoeffizienten (CC), normalisierter mittlerer quadratischer Fehler (NMSE) und gegenseitige Information (MI) werden zum Vergleich der Leistung des vorgeschlagenen Modells verwendet.
• SSIM
Das SSIM gibt die strukturelle Ähnlichkeit zwischen dem ursprünglichen artefaktfreien Signal X und dem bereinigten X* an, wobei x* das nach Hinzufügen von EA zu X rekonstruierte Signal ist: $S S I M = (\frac{2 μ_{X} μ_{X *}}{μ_{X}^{2} + μ_{X *}^{2}}) \times (\frac{2 σ_{X} σ_{X *}}{σ_{X}^{2} + σ_{X *}^{2}}) \times (\frac{σ_{X X *}}{σ_{X} σ_{X *}})$
Dabei stehen µ_X und µ_X* für den Stichprobenmittelwert von X bzw. X*; σ_X und σ_X* sind die Standardabweichung von X bzw. X*; σ_XX* ist die Kreuzkorrelation der Null-Mittelwertdaten von X bzw. X*.
• NMSE
$N M S E = \frac{{‖ X - X * ‖}_{2}^{2}}{{‖ X ‖}_{2}^{2}}$
• CC
CC wird als der durchschnittliche Korrelationskoeffizient zwischen zwei Signalen gemessen: $C C = \frac{C (Y *, Y)}{\sqrt{C (y, Y) * C (Y *, Y *)}}$
Dabei ist Y das durch Augenblinzeln verfälschte EEG-Signal und Y* das rekonstruierte saubere EEG-Signal. C(Y*,Y) bezeichnet die Kovarianz zwischen Y* und Y. Ein höherer CC-Wert steht für eine gute Rekonstruktion des ursprünglichen EEG-Signals.
• MI
$M I = \int \int_{- \infty}^{\infty} P (Y, Y *) log (\frac{P (Y, Y *)}{P (Y) P (Y *)}) d Y d Y *$
Dabei ist P(Y,Y*) die gemeinsame Wahrscheinlichkeitsdichtefunktion und P(Y) und P(Y*) sind die Randwahrscheinlichkeitsdichtefunktion von Y bzw. Y*. Der Wert von MI impliziert die Ähnlichkeit zwischen den beiden Fenstern Y und X*.
Training von SVM-Klassifikatoren und neuronalen DA-Netzen:
Um beide Modelle zu trainieren, wird der öffentlich zugängliche DEAP-Datensatz verwendet. In diesem Datensatz sind mehrere EEG-Daten mit Augenblinzeln kontaminiert. Diese mit Augenblinzeln kontaminierten EEG-Daten werden mithilfe von DWT 104 mit „db8“ als Mutter-Wavelet und bis zu Level 5 in WCs zerlegt. Dann wird der beschädigte Teil in den WCs von jeder Ebene aus segmentiert. Diese beschädigten Abschnitte werden entsprechend der Fenstergröße für die jeweilige Ebene segmentiert, wie oben erwähnt. Diese beschädigten Segmente werden als +1 (C-WC) gekennzeichnet. Die unmittelbar vor und nach diesen beschädigten Abschnitten liegenden Segmente werden ebenfalls extrahiert und als -1 (NC-WC) gekennzeichnet. Die drei oben genannten Merkmalswerte werden aus diesen Segmenten extrahiert. Für jede Ebene wird eine bestimmte SVM mit einem Merkmal-Label-Paar trainiert. Für 5 Stufen werden also 5 SVM-Klassifikatoren 106 trainiert.Für jede Ebene werden auch 5 DAs nur mit NC-WC trainiert. Alle DAs sind mit 20 versteckten Knoten konfiguriert, und die log-sigmoidale („logsig“) und die rein lineare („purelin“) Funktion werden als Übertragungsfunktion für Encoder bzw. Decoder verwendet. Die Funktion „trainscg“ wird als Trainingsfunktion für das Training der DA verwendet.
Die Funktion ‚logsig‘ wird wie folgt angegeben: $f (z) = \frac{1}{1 + e^{- z}}$
Die Funktion „purelin“ wird wie folgt beschrieben: $f (z) = z$
Test mit Ein-Kanal-EEG-Daten:
Nach der Identifizierung des Augenblinzelns in Form von WCs für jede Ebene wird das C-WCs-Fenster an die entsprechende vortrainierte DA weitergeleitet. Die DA korrigiert das beschädigte Fenster mit hochkorrelierten NC-WC-Segmenten. Schließlich werden alle sauberen WCs und korrigierten WCs der inversen DWT112-Operation zugeführt, um das artefaktfreie Signal zu rekonstruieren. Zur Überprüfung der Erfindung wird ein einkanaliges, durch Augenblinzeln gestörtes EEG-Signal von 15 Sekunden Länge in MATLAB simuliert. Die Augenblinzeln werden mit einem zufälligen Rauschen modelliert, das mit einem Bandpass (FIR) von 1 bis 3 Hz gefiltert wird. Im ersten Schritt werden die EEG-Daten mit Hilfe der DWT 104-Zerlegung mit „db8“ als Mutter-Wavelet-Funktion in WCs bis zur Stufe 5 zerlegt. Für jede Ebene werden die WCs dem entsprechenden vortrainierten SVM-Klassifikator 106 zugeführt. Der Klassifikator 106 identifiziert automatisch das Fenster der C-WCs. Es fällt auf, dass die vorgeschlagene Technik nur den Bereich identifiziert, in dem Augenblinzeln die WCs verunreinigt.
4 veranschaulicht Tabelle 1 die durchschnittlichen ESER-Werte für verschiedene EEG-Epochen zeigt. 5 veranschaulicht Tabelle 2 die den Wert von R_j für jede Stufe zeigt.
Das entwickelte hybride System besteht aus einer DWT 104 in Verbindung mit einem Denoising Autoencoder 108 (DA), einem neuronalen Netzwerk, das die Entfernung von Augenblinzel-Artefakten (EAs) aus dem EEG-Signal mit minimalem Informationsverlust ermöglicht.
In einer beispielhaften Ausführungsform umfasst ein Arbeitsverfahren des Hybridsystems:

Auswahl von db8 als Wavelet-Funktion (Mutter-Wavelet);
Auswahl der Zersetzungsstufe 5;
Training des DA mit 500 OA-freien Wavelet-Koeffizienten, wobei die Anzahl der versteckten Knoten im Autoencoder 108 ist 20;
Auswahl von „logsig“ und „purelin“ als Übertragungsfunktion für Encoder bzw. Decoder im Autoencoder 108;
Auswahl von „trainscg“ als Netz-Trainingsfunktion für den Autoencoder 108;
Identifizierung des beschädigten Teils von den sauberen Segmenten mithilfe einer linearen Support Vector Machine (SVM);

Die Zerlegungsebene und das Mutter-Wavelet für die EEG-Signalanalyse werden durch geeignete Techniken ausgewählt. Das Verfahren ändert nur den mit Artefakten behafteten Teil und lässt den sauberen Teil unverändert, wodurch die wahre Struktur des ursprünglichen EEG erhalten bleibt. Die Technik ist vollautomatisch und kann in Echtzeit implementiert werden. Das Verfahren kann sowohl für einkanalige als auch für mehrkanalige EEG-Daten angewendet werden. Die Technik erfordert keine Einstellung der Parameter während der Anwendung durch den Benutzer. Die Technik zeigt einen durchschnittlichen Korrelationskoeffizienten (CC) von: 0.8325, gegenseitige Information (MI) als: 2.7528, Strukturähnlichkeit (SSIM) als: 0.098, normalisierter mittlerer quadratischer Fehler (NMSE) als: 0.0924.
Die Figuren und die vorangehende Beschreibung geben Beispiele für Ausführungsformen. Der Fachmann wird verstehen, dass eines oder mehrere der beschriebenen Elemente durchaus zu einem einzigen Funktionselement kombiniert werden können. Alternativ dazu können bestimmte Elemente in mehrere Funktionselemente aufgeteilt werden. Elemente aus einer Ausführungsform können einer anderen Ausführungsform hinzugefügt werden. Die Reihenfolge der hier beschriebenen Prozesse kann beispielsweise geändert werden und ist nicht auf die hier beschriebene Weise beschränkt. Außerdem müssen die Handlungen eines Flussdiagramms nicht in der dargestellten Reihenfolge ausgeführt werden; auch müssen nicht unbedingt alle Handlungen durchgeführt werden. Auch können die Handlungen, die nicht von anderen Handlungen abhängig sind, parallel zu den anderen Handlungen ausgeführt werden. Der Umfang der Ausführungsformen ist durch diese spezifischen Beispiele keineswegs begrenzt. Zahlreiche Variationen sind möglich, unabhängig davon, ob sie in der Beschreibung explizit aufgeführt sind oder nicht, wie z. B. Unterschiede in der Struktur, den Abmessungen und der Verwendung von Materialien. Der Umfang der Ausführungsformen ist mindestens so groß wie in den folgenden Ansprüchen angegeben.
Vorteile, andere Vorzüge und Problemlösungen wurden oben im Hinblick auf bestimmte Ausführungsformen beschrieben. Die Vorteile, Vorzüge, Problemlösungen und Komponenten, die dazu führen können, dass ein Vorteil, ein Nutzen oder eine Lösung auftritt oder ausgeprägter wird, sind jedoch nicht als kritisches, erforderliches oder wesentliches Merkmal oder Komponente eines oder aller Ansprüche zu verstehen.
Bezugszeichenliste

100: Ein hybrides System zur automatischen Entfernung von Augenblinzel-Artefakten aus Elektroenzephalogrammsignalen
102: Eine Vorverarbeitungseinheit
104: Eine diskrete Wavelet-Transformation
106: Ein Klassifikator
108: Ein vortrainierter Autoencoder zur Entrauschung
110: Eine zentrale Verarbeitungseinheit
112: Eine inverse Wavelet-Transformation
202: EEG-Eingangssignal
204: DWT-Zerlegung auf Ebene j
206: Mutter-Wavelet-Funktion und Auswahl der Zerlegungsebene
208: Wavelet-Koeffizienten
210: Identifizierung von beschädigten Fenstern der Wavelet-Koeffizienten mit SVM-Klassifikator
212: Korrektur der beschädigten Fenster mit Hilfe eines vortrainierten Autoencoders
214: Korrigierte Wavelet-Koeffizienten
216: Inverse DWT
218: Sauberes EEG-Signal
302: Training
304: Beschriftete Signale
306: Eingangssignal (WC-Epochen)
308: Merkmalsextraktion
310: Merkmale
312: Algorithmus für maschinelles Lernen
314: Vorhersage
316: Testsignal
318: SVM
320: C-WCs
322: NC-WCs

Claims

Ein hybrides System zur automatischen Entfernung von Augenblinzel-Artefakten aus Elektroenzephalogrammsignalen, wobei das System umfasst: eine Vorverarbeitungseinheit umfassend eine diskrete Wavelet-Transformation, die so konfiguriert ist, dass ein Elektroenzephalogrammsignal in Wavelet-Koeffizienten zerlegt wird; einen Klassifikator zur Identifizierung eines Augenzwinkerns in Wavelet-Koeffizienten; einen vortrainierten Entrauschungs-Auto-Codierer, um den Augenblinzelteil zu korrigieren, wobei der Entrauschungs-Auto-Codierer einen Verfälschungsprozess unter Verwendung sauberer Trainingsmuster statistisch rückgängig macht; und eine zentrale Verarbeitungseinheit umfassend eine inverse diskrete Wavelet-Transformation, um das artefaktfreie saubere EEG-Signal unter Verwendung der korrigierten Koeffizienten und der sauberen Koeffizienten zu rekonstruieren.
System nach Anspruch 1, wobei ein Mutter-Wavelet und eine Zerlegungsebene durch eine Technik ausgewählt werden, bei der die Augenblinzel-Artefakte (EA) in den Wavelet-Koeffizienten (WCs) reflektiert werden.
System nach Anspruch 1, wobei zur Identifizierung von C-WCs ein vortrainierter Support-Vector-Machine-Klassifikator verwendet wird.
System nach Anspruch 1, wobei das System eine Fenstertechnik umfasst, um den beschädigten Teil zu identifizieren, wobei nach der Identifizierung nur die beschädigten Fenster für verschiedene Ebenen in den vortrainierten Entrauschungs-Autoencoder (DA) eingespeist werden, wodurch der DA den EA-Teil mit hochkorrelierten sauberen Segmenten korrigiert und alle sauberen und korrigierten Wavelet-Koeffizienten dann in der inversen DWT112-Operation verwendet werden, um die sauberen EEG-Signale zu rekonstruieren.
System nach Anspruch 1, wobei die Anzahl der DA von der Anzahl der Zersetzungsstufen abhängt, wobei jeder Stufe eine bestimmte DA zugeordnet ist.
System nach Anspruch 1, wobei die DA eine nicht überwachte maschinelle Lerntechnik verwendet, um das Eingangsbild auf den Code abzubilden und das Bild aus dem Code unter Verwendung eines Decoders zu rekonstruieren.
System nach Anspruch 4, wobei bei der Fenstertechnik mindestens fünf verschiedene Fenstergrößen gewählt werden, um eine maximale Identifizierung des beschädigten Teils zu gewährleisten, wobei die Größe der Fenster für Stufe 1 und Stufe 2 auf 0.35s gewählt wird, da die Dauer des Artefakts in Stufe 1 und Stufe 2 zwischen 0.2 und 0.3 Sekunden liegt, und die Fenstergröße für Stufe 3 auf 0.45s, Stufe 4 auf 0.55s und Stufe 5 auf 0.85s gewählt wird.
System nach Anspruch 1, wobei der vorab trainierte Klassifikator automatisch das Fenster der C-WCs identifiziert.