基于宽度深度回声状态网络的脑电信号去噪方法技术

一种基于宽度深度回声状态网络的脑电信号去噪方法，由选取脑电信号样本、模拟含噪脑电信号样本、划分网络训练集和测试集、构建网络模型、训练网络模型、验证测试集步骤组成。本发明专利技术使用了回声状态网络，学习过程只计算输出权值W

EEG signal denoising method based on width depth echo state network

【技术实现步骤摘要】
基于宽度深度回声状态网络的脑电信号去噪方法
本专利技术属于脑电信号处理
，具体涉及到基于宽度深度回声状态网络的脑电信号去噪方法。技术背景使用几个安装在头皮上的电极记录人脑的电活动，记录称为脑电图信号，在采集过程极易受到基线漂移、肌电信号、眼电信号等各种噪声干扰，眼睛眨眼伪影在脑电信号中非常常见，它们产生的低频高振幅信号比脑电信号大得多，这些不希望的信号叠加严重损害脑电信号，导致降低脑电信号特征提取精度以及影响后续研究。由于脑电信号中部分噪声的时频域特征复杂且分布未知，传统方法难以滤除。回声状态网络由Jeager等人提出，是递归神经网络的典型范例，被视为模拟输入和输出序列之间时间相关性的工具，学习可以通过离线线性回归或在线方法来实现。与经典递归神经网络相比，回声状态网络具有更快的训练速度和更强的非线性逼近能力。脑电信号是多尺度、非线性、波动以及随机的时序信号，传统的回声状态网络仅包含一个水库，其应用范围有限，尤其是数据表现出多尺度和高度非线性动力学性能，对于多元时间序列，由于特征信息的增加，传统的回声状态网络不能满足降噪性能的要求。为了获得多元时间序列的较高降噪精度，从数据中提取更丰富的特征，捕获时间序列数据的多尺度动态并提取更复杂的特征，需增加储层的深度和宽度。考虑到传统油藏的分解机理，针对一类多元时间序列降噪提出了一种新型的具有多个平行和堆叠拓扑结构的储蓄池组成的回波状态网络，称为宽度深度回声状态网络，借助多储层可以充分反映多元时间序列的动态特征。在脑信号处理
，当前需迫切解决的技术问题提供一种宽度深度回声状态网络的脑电信号去噪方法。
技术实现思路
本专利技术所要解决的技术问题在于克服上述现有技术问题的缺点，提供一种降噪性能高、训练参数少、易于实现、能保持原有脑电信号非线性特征的基于宽度深度回声状态网络的信号去噪方法。解决上述技术问题所采用的技术方案由下述步骤组成：(1)选取脑电信号样本从Physionet数据库中选取s个脑电信号样本，作为深度宽度回声状态网络的输出；将每个脑电信号样本按下式进行归一化处理：式中xi为样本数据，其中1≤i≤s，s为有限的正整数。(2)模拟含噪脑电信号样本为脑电信号样本添加不同信噪比的噪声，模拟成含噪脑电信号样本，其中噪声采用基线噪声或高斯白噪声或眼电噪声，按式(1)对含噪脑电样本进行归一化处理,将此数据作为深度宽度回声状态网络的输入。(3)划分网络训练集和测试集用留出法分别对脑电信号样本和含噪脑电样本的70％～90％作为网络训练集、10％～30％作为网络测试集，测试集与训练集无交叉。(4)构建网络模型宽度深度回声状态网络由输入层、隐藏层、输出层组成，隐藏层由L×M个储蓄池组成，L和M为有限的正整数，隐藏层包含L层储蓄池，每一层储蓄池的总个数为M，同一层的M个储蓄池并联，不同层的储蓄池串联；输入层有K个输入神经元，隐藏层每个储蓄池神经元个数为N，输出层有H个输出神经元,输入层的状态矩阵为u(t)，隐藏层的状态矩阵为x(lm)(t)，输出层的状态矩阵为y(t)，K，N和H为有限的正整数，H与K相等；初始化储备池的内部参数，内部参数包括稀疏度SD，谱半径SR，输入尺度IS，稀疏度SD取值为1％～5％，谱半径SR取值为0.01～0.99，输入尺度IS取值为0.01～0.99；输入层、隐藏层、输出层之间的连接关系如下：输入层与第一层的第m个储蓄池的连接权值矩阵为W(m)in,为N×K的矩阵,1≤m≤M,m为整数,第lm个储蓄池的储蓄池内部连接权值矩阵为W(lm)，l为整数，第l(m-1)个储蓄池与第lm个储蓄池连接权值矩阵为隐藏层与输出层连接权值矩阵为Wout，Win(m)，W(lm)和是在网络建立前随机初始化的参数，并且在宽度深度回声状态网络的整个训练过程中保持不变。(5)训练网络模型从训练集中抽取100～500个样本对模型进行空转，将该模型的隐藏层状态初始化为0，训练集中的其他数据对模型进行降噪训练，得到训练后的网络模型。(6)验证测试集将测试集的脑电数据输入到训练好的深度宽度回声状态网络中，获取得输出的脑电信号。在本专利技术的构建网络模型步骤(4)中，在时刻t，输入层状态矩阵u(t)如下：u(t)＝[u1(t),u2(t),...,uK(t)]T隐藏层状态矩阵x(lm)(t)如下：x(lm)(t)＝[x(lm)1(t),x(lm)2(t),...,x(lm)N(t)]T输出层状态矩阵y(t)如下：y(t)＝[y1(t),y2(t),...,yH(t)]T其中，t为1,2,…,T，时刻T为输入时间的大小,uK(t)为第K个输入层神经元的第t个输入层状态，x(lm)N(t)为第N个隐藏层神经元的第t个隐藏层状态，yH(t)为第H个输出层神经元的第t个输出层状态。在本专利技术的训练网络模型步骤(5)中，所述的训练集中的其他数据对模型进行降噪训练包括：将输入训练集中的其他数据作为储蓄池状态更新式的输入，获取储蓄池状态值，获取输入层神经元和隐藏层的联合状态收集矩阵，将联合状态收集矩阵作为计算宽度深度回声状态网络隐藏层与输出层连接权值矩阵Wout的输入。储蓄池状态更新式包括：第一层储蓄池状态更新式为：其中u(t+1)和x(1m)(t+1)分别为当前的输入层和隐藏层的状态，x(1m)(t)表示当前隐藏层上一个状态；f(lm)(·)是神经元激活函数，在深度宽度回声状态网络中采用双曲正切函数；是储蓄池泄露参数矩阵，中每个元素取值为0.0001～0.99，第l层储蓄池状态更新式为：其中2≤l≤L，x(lm)(t+1)为当前的隐藏层的状态，x(lm)(t)表示当前隐藏层上一个状态。所述联合状态收集矩阵如下式：z(lm)(t)＝[u(t)；x(lm)(t)]采用岭回归方法得到隐藏层与输出层连接权值矩阵Wout：Wout＝(ZZT+λI)-1ZTY*上式中λ为正则项系数，取值为0.00000001～1，I为单位矩阵，Z矩阵为状态集合矩阵,如下式：Z＝(z(lm)(1),z(lm)(2),…,z(lm)(T))T其中Z为联合状态收集矩阵z(lm)(t)所有时刻的数据集合矩阵，z(lm)(T)为T时刻的联合状态收集矩阵,t为1,2,…,T。Y*为网络期望输出矩阵，Y*按下式确定：Y*＝(y*(1),y*(2),…,y*(T))T其中y*(t)为当前时刻的脑电信号，Y*为脑电信号y*(t)所有时刻的数据集合矩阵,y*(T)为T时刻的脑电信号,t为1,2,…,T。在本专利技术的训练网络模型步骤(6)中，所述的将测试集的脑电数据输入到训练好的深度宽度回声状态网络包括：输出层状态矩阵y(t)按下式确定：y(t)＝g(lm)(Wout×z(lm)(t))...

【技术保护点】
1.一种基于宽度深度回声状态网络的脑电信号去噪方法，其特征在于由以下步骤组成：/n(1)选取脑电信号样本/n从Physionet数据库中选取s个脑电信号样本，作为宽度深度回声状态网络的输出；/n将每个脑电信号样本按下式进行归一化处理：/n

【技术特征摘要】
1.一种基于宽度深度回声状态网络的脑电信号去噪方法，其特征在于由以下步骤组成：
(1)选取脑电信号样本
从Physionet数据库中选取s个脑电信号样本，作为宽度深度回声状态网络的输出；
将每个脑电信号样本按下式进行归一化处理：



式中xi为样本数据，其中1≤i≤s，s为有限的正整数；
(2)模拟含噪脑电信号样本
为脑电信号样本添加不同信噪比的噪声，模拟成含噪脑电信号样本，其中噪声采用基线噪声或高斯白噪声或眼电噪声，按式(1)对含噪脑电样本进行归一化处理,将此数据作为宽度深度回声状态网络的输入；
(3)划分网络训练集和测试集
用留出法分别对脑电信号样本和含噪脑电样本的70％～90％作为网络训练集、10％～30％作为网络测试集，测试集与训练集无交叉；
(4)构建网络模型
宽度深度回声状态网络由输入层、隐藏层、输出层组成，隐藏层由L×M个储蓄池组成，L和M为有限的正整数，隐藏层包含L层储蓄池，每一层储蓄池的总个数为M，同一层的M个储蓄池并联，不同层的储蓄池串联；输入层有K个输入神经元，隐藏层每个储蓄池神经元个数为N，输出层有H个输出神经元,输入层的状态矩阵为u(t)，隐藏层的状态矩阵为x(lm)(t)，输出层的状态矩阵为y(t)，K，N和H为有限的正整数，H与K相等；初始化储备池的内部参数，内部参数包括稀疏度SD，谱半径SR，输入尺度IS，稀疏度SD取值为1％～5％，谱半径SR取值为0.01～0.99，输入尺度IS取值为0.01～0.99；输入层、隐藏层、输出层之间的连接关系如下：
输入层与第一层的第m个储蓄池的连接权值矩阵为W(m)in,为N×K的矩阵,1≤m≤M,m为整数,第lm个储蓄池的储蓄池内部连接权值矩阵为W(lm)，1≤l≤L，l为整数，第l(m-1)个储蓄池与第lm个储蓄池连接权值矩阵为隐藏层与输出层连接权值矩阵为Wout，Win(m)，W(lm)和是在网络建立前随机初始化的参数，并且在宽度深度回声状态网络的整个训练过程中保持不变；
(5)训练网络模型
从训练集中抽取100～500个样本对模型进行空转，将该模型的隐藏层状态初始化为0，训练集中的其他数据对模型进行降噪训练，得到训练后的网络模型；
(6)验证测试集
将测试集的脑电数据输入到训练好的宽度深度回声状态网络中，获取得输出的脑电信号。


2.根据权利要求1所述的基于宽度深度回声状态网络的脑电信号去噪方法，其特征在于在构建网络模型步骤(4)中，在时刻t，输入层状态矩阵u(t)如下：
u(t)＝[u1(t),u2(t),...,uK(t)]T
隐藏层状态矩阵x(lm)(t)如下：
x(lm)(t)＝[x(lm)1(t),x(lm)2(t),...,x(lm)N(t)]T
输出层状态矩阵y(t)如下：
y(t)＝[y1(t),y2(t),...,yH(t)]T
其中，t为1,2,…,T，时刻...

【专利技术属性】
技术研发人员：吴晓军，孙维彤，苏玉萍，
申请(专利权)人：陕西师范大学，
类型：发明
国别省市：陕西;61