一种基于循环生成对抗网络的脑电伪迹修复的方法技术

本发明专利技术公开了一种基于循环生成对抗网络的脑电伪迹修复的方法。由于脑电数据没有严格一一对应的无伪迹EEG数据和有伪迹的EEG数据，传统的方法并不能很好验证是否将感兴趣的信息也一并去除。本发明专利技术设计了基于循环生产对抗网络，将有伪迹EEG数据处理后仍能保留住感兴趣的信息。首先根据设计的范式获取数据；其次并进行必要的预处理并将数据根据类别分离；然后设置训练参数，将数据导入训练网络，最后得到去除伪迹而保留兴趣信息的EEG数据。与传统的伪迹去除方法相比，基于循环生成对抗网络的脑电伪迹修复，在修复后的EEG数据上更能保留感兴趣的信息，有助于进行后续研究。有助于进行后续研究。有助于进行后续研究。

【技术实现步骤摘要】
一种基于循环生成对抗网络的脑电伪迹修复的方法


[0001]本专利技术涉及脑电信号处理领域，特别是一种基于循环生成对抗网络的脑电伪迹修复的方法。

技术介绍

[0002]脑电图(EEG)提供有关大脑中神经元活动的信息，从而提供有关人的精神状态的信息。脑电图是一种广泛使用的分析工具，具有许多应用。脑电图对于研究人脑的功能非常重要，但会受到伪迹的极大影响。伪迹产生的原因包括眼睛的运动、眨眼、肌肉活动和心跳等。电极存在的问题，电极阻抗高，导线噪声以及电子设备的干扰部可能引起技术上的伪迹。
[0003]根据目视检查和人工检查丢弃受污染的脑电图片段成本极高，而在脑机接口应用程序或在线精神状态监测中使用连续脑电图时，人工检查删除的方法是完全无法应用的。而现有的脑电伪迹去除技术大致可以分为二大类，伪迹规避、伪迹拒用和伪迹消除。伪迹消除是唯一的将目标设为将伪迹成分消除，而保留脑电的其他有效成分的方法，其利用回归的方法、滤波、小波变换、主成分分析、独立分量分析、典型相关分析、形态成分分析、经验模式分解等方法。

技术实现思路

[0004]本专利技术的目的在于提供一种基于循环生成对抗网络的脑电伪迹修复的方法，实现本专利技术目的的技术解决方案包括如下步骤：
[0005]步骤1：数据获取。
[0006]根据需求设计目标伪迹采集范式，通过脑电帽采集脑电数据。
[0007]步骤2：数据预处理。
[0008]步骤2-1：对采集到的脑电数据进行包括凹陷滤波、带通滤波在内的滤波器进行处理。
[0009]步骤2-2：根据数据标签对处理后的数据进行分段存储，用于后续模型训练。
[0010]步骤3：利用Cycle GAN网络模型，设计训练相应的循环生成对抗网络模型，并生成包含必要信息的脑电信号。
[0011]步骤1中的数据采集可根据想要去除的伪迹设置相应范式，主要任务有左侧摇头动作、右侧摇头动作和保持静止姿态二种命令。
[0012]步骤3中的核心是优化目标函数：
[0013][0014]其中，G是用于从域X到生成到域Y的生成器，F是用于从域Y到生成到域X的生成器，D
X
，D
Y
是判别器，分别判别是否符合域X或域Y分布。
[0015]本专利技术基于循环生成对抗网络的脑电伪迹修复，在修复后的EEG数据上更能保留
感兴趣的信息，有助于进行后续研究。
附图说明
[0016]图1是本专利技术范式设计图
[0017]图2是本专利技术采用网络结构图
[0018]图3是本专利技术生成器结构图
[0019]图4是本专利技术判别器结构图
具体实施方式
[0020]下面结合附图和实施例对本专利技术作进一步说明。
[0021]如图1-4所示，一种基于循环生成对抗网络的脑电伪迹修复的方法，具体实现如下：
[0022]步骤1：数据获取。
[0023]根据需求设计目标伪迹采集范式，通过脑电帽采集脑电数据。范式的具体设计如下：
[0024]如图1所示，受试者坐在有扶手的椅子上。任务是根据提示执行左侧摇头动作、右侧摇头动作和保持静止姿态二种命令。提示的顺序是随机的。该实验包含多组实验采集(不少于6次)，每次包含60次。试验开始后，前2秒黑屏，在t＝2s，声音刺激指示试验开始，并显示十宁“+”。然后从t＝3s开始显示向左箭头、向右箭头或圆形提示标志1秒钟；同时要求受试者执行向左摇头一次、向右摇头一次或保持静止的命令，摇头回到初始位置时保持静止，直到十宁在t＝7s消失。在每次实验中，以随机顺序将3个提示中的每个提示显示20次。
[0025]步骤2：数据预处理。
[0026]利用Python脚本将获取的数据进行预处理(包括凹陷滤波、带通滤波等算法等，将50赫兹的市电，以及高频噪声过滤)，并根据脑电数据中的标记将数据分段为带有目标伪迹的脑电数据集X和不带有目标数据集Y，用于后续模型训练。
[0027]步骤3：根据Cycle GAN网络模型设计思想，设计训练相应的，取名为EEG-Cycle GAN的循环生成对抗网络模型，并生成包含必要信息的脑电信号，如图2所示。具体实现如下：
[0028]这里用(x
i
，y
i
)代表一对有伪迹EEG信号和无伪迹EEG信号，即(x
i
，y
i
)|x
i
∈X，y
i
∈Y。在EEG-Cycle GAN中使用生成器：G将带有目标伪迹的EEG信号作为输入，输出生成的无伪迹EEG信号：判别器：D输入是成对的带有目标伪迹的EEG信号和无伪迹EEG信号，D的目标是学习映射：D(x
i
，y
i
)
→
1和将真实的一对具有目标伪迹的EEG信号和无伪迹EEG信号映射为1，将带有目标伪迹的EEG信号和生成的无伪迹EEG信号映射为0。而G的目标是学习映射：D(x
i
，G(x
i
，z))
→
1，即让生成的无伪迹EEG信号更加“真实”，且能和输入的带有目标伪迹的EEG信号组成一对。
[0029]由于难以在域Y中找到对应的关系，所以引入循环一致损失(Cycle-consistency loss)，利用另外一个生成器F：Y
→
X，将再次转回域X中得到则F生成的
应当和x保持域一致。则有
[0030]X
→
Y的判别器损失：
[0031][0032]其中，G尝试生成的G(x)是“看起来”符合域Y的数据。D
Y
就是用来判别G(x)和真实样本y的。G的目标在最小化它，而D的目标是最大话它，即
[0033][0034]同理，Y
→
X的判别器损失：
[0035][0036]再循环回来“对抗”一轮有：
[0037][0038]合并后就是：
[0039][0040]其中，可以用η控制两个目标函数的权重，通常n取2。
[0041]最后的目标函数就是：
[0042][0043]生成器如图3所示，具体实现如下：
[0044]编码：第一步利用卷积神经网络从输入图象中提取特征。具体采用五层一维卷积层，其中前四层每层一维卷积层采用长度为4的卷积核(kernel)滑动窗口，并设置步长(Stride)为2，填充(Padding)值为1，最后一层采用其中这一层的卷积核为114，步长为1，填充为0的设置，用于特征的提取编码。
[0045]转换：通过组合矩阵的不相近特征，将图像在域X中的特征向量转换为域Y中的特征向量。这里使用了多层残差块，每个残差块是一个由两个卷积层构成的神经网络层，能够达到在转换时同时保留原始图像特征的目标。
[0046]解码：利用反卷积层完成从特征向量中还原出低级特征的工作，这里采用五层一维反卷积层，其中第一个卷积层的卷积核为114，步长为1本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于循环生成对抗网络的脑电伪迹修复的方法，其特征在于包括如下步骤：步骤1：数据获取；根据需求设计目标伪迹采集范式，通过脑电帽采集脑电数据；步骤2：数据预处理；步骤2-1：对采集到的脑电数据进行包括凹陷滤波、带通滤波在内的滤波器进行处理；步骤2-2：根据数据标签对处理后的数据进行分段存储，用于后续模型训练；步骤3：利用Cycle GAN网络模型，设计训练相应的循环生成对抗网络模型，并生成包含必要信息的脑电信号。2.根据权利要求1所述的一种基于循环生成对抗网络的脑电伪迹修复的方法，其特征在于步骤1中的数据采集根据想要去除的伪迹设置相应范式，任务有左侧摇头动作、右侧摇头动作和保持静止姿态三种命令。3.根据权利要求2所述的一种基于循环生成对抗网络的脑电伪迹修复的方法，其特征在于步骤1的相应范式的具体设计如下：受试者坐在有扶手的椅子上，任务是根据提示执行左侧摇头动作、右侧摇头动作和保持静止姿态三种命令；提示的顺序是随机的；该实验包含多组实验采集，每次包含60次；试验开始后，前2秒黑屏，在t＝2s，声音刺激指示试验开始，并显示十字“+”；然后从t＝3s开始显示向左箭头、向右箭头或圆形提示标志1秒钟；同时要求受试者执行向左摇头一次、向右摇头一次或保持静止的命令，摇头回到初始位置时保持静止，直到十字在t＝7s消失；在每次实验中，以随机顺序将3个提示中的每个提示显示20次。4.根据权利要求3所述的一种基于循环生成对抗网络的脑电伪迹修复的方法，其特征在于步骤3中的核心是优化目标函数是：其中，G是用于从域X到生成到域Y的生成器，F是用于从域Y到生成到域X的生成器，D
X
，D
Y
分别是判别属于是否符合域X或域Y分布的判别器。5.根据权利要求4所述的一种基于循环生成对抗网络的脑电伪迹修复的方法，其特征在于步骤3具体实现如下：用(x
i
，y
i
)代表一对有伪迹EEG信号和无伪迹EEG信号，即(x
i
，y
i
)|x
i
∈X，y
i
∈Y；在EEG-Cycle GAN中使用生成器：G将带有目标伪迹的EEG信号作为输入，输出生成的无伪迹EEG信号：判别器：D输入是成对的带有目标伪迹的EEG信号和无伪迹EEG信号，D的目标是学习映射：D(x
i
，y
i
)
→
1和将真实的一对具有目标伪迹的EEG信号和无伪迹EEG信号映射为1，将带有目标伪迹的EEG信号和生成的无伪迹EEG信号映射为0；而G的目标是学习映射：D(x
i
，G(x
i
，z))
→
1，即让生成的无伪迹EEG信号更加“真实”，且能和输入的带有目标伪迹的EEG信号组成一对；由于难以在域Y中找到对应的关系，所以引入循环一致损失，利用另外一个生成器F：Y
→
X，将再次转回域X中得到则F生成的应当和x保持域一致；则有X
...

【专利技术属性】
技术研发人员：曾虹，张振炎，赵月，吴琪，金燕萍，刘洋，夏念章，李秀峰，吴振华，张佳明，孔万增，戴国骏，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：