一种脑电图伪影去除方法及装置制造方法及图纸

本发明专利技术提供了一种脑电图伪影去除方法及装置，利用预先训练得到的伪影去除模型对单通道脑电图信号进行伪影去除处理，不需要额外增加参考通道，能对单个电极采集得到的单通道脑电图信号实现伪影去除，降低了对采集设备的要求。并且，本发明专利技术的伪影去除模型为预先利用包括多个包含至少一种伪影的单通道脑电图的分段信号集的训练集对深度学习网络模型进行训练后得到的，能对包含多种不同伪影的脑电图信号进行伪影去除，提升了伪影去除的效果。

【技术实现步骤摘要】
一种脑电图伪影去除方法及装置
本专利技术涉及图像处理
，更具体的，涉及一种脑电图伪影去除方法及装置。
技术介绍
脑电图(EEG，Electroencephalogram)技术是一种被广泛使用的脑电生理信号探测技术，可以应用于神经病理学的诊断，也可以应用于认知科学研究、健康监测、驾驶疲劳检测等领域。由于脑电图是通过将电极贴附在人的头部，将收集的电信号经过机器放大并记录后得到的，可收集到的电信号非常微弱，且可能被多种人体和外部引入的噪声污染，导致采集到的脑电图存在伪影。目前有一种基于盲源分离算法的伪影去除方法，通过在一系列不同的参考电极和记录电极组合中选择对于每组源最优的参考电极，从而可以使用最佳的用于移除伪影的参考电极放置。但是该方法需要利用多通道的信号采集，对采集设备要求较高。
技术实现思路
有鉴于此，本专利技术提供了一种脑电图伪影去除方法及装置，实现基于单通道脑电图信号的伪影去除。为了实现上述专利技术目的，本专利技术提供的具体技术方案如下：一种脑电图伪影去除方法，包括：获取待处理单通道脑电图的分段信号集，所述待处理单通道脑电图的分段信号集包括包含伪影的单通道脑电图信号段；提取所述待处理单通道脑电图的分段信号集的特征向量集；将所述特征向量集输入到伪影去除模型中进行伪影去除处理，得到去除伪影的单通道脑电图的分段信号集，所述伪影去除模型为预先利用包括多个包含至少一种伪影的单通道脑电图的分段信号集的训练集对深度学习网络模型进行训练后得到的，所述伪影去除模型对应的深度学习网络模型包括注意力网络和解码器网络，所述解码器网络包括伪影特征去除神经网络和波形还原映射网络；对去除伪影的单通道脑电图的分段信号集进行信号重建，得到去除伪影的单通道脑电图信号。可选的，所述获取待处理单通道脑电图的分段信号集，包括：获取标准单通道脑电图的分段信号集；利用伪影检测模型对所述标准单通道脑电图的分段信号集进行伪影检测，所述伪影检测模型是预先利用包括多个包含至少一种伪影的单通道脑电图的分段信号集的训练集对深度学习网络模型进行训练后得到的，所述伪影检测模型对应的深度学习网络模型包括维度变换映射网络、分类特征提取GRU网络、特征集中网络和评价网络，所述维度变换映射网络用于将所述标准单通道脑电图的分段信号集变换为预设维度的信号向量集，所述分类特征提取网络用于对所述信号向量集进行特征提取得到特征向量集，所述特征集中网络用于对所述特征向量集进行加权操作，所述评价网络分别对加权操作后的所述特征向量集中的每个特征向量进行伪影检测；在检测出包含伪影的信号段的情况下，将所有包含伪影的信号段确定为所述待处理单通道脑电图的分段信号集。可选的，所述获取标准单通道脑电图的分段信号集，包括：对原始单通道脑电图信号进行预处理，得到所述标准单通道脑电图的分段信号集，所述预处理包括重采样、信号分段、标准化处理。可选的，所述提取所述待处理单通道脑电图的分段信号集的特征向量集，包括：将所述待处理单通道脑电图的分段信号集输入预设编码器，所述预设编码器包括维度变换映射网络和噪声特征提取GRU网络；利用所述维度变换映射网络将所述待处理单通道脑电图的分段信号集转换为预设维度的向量集；利用所述噪声特征提取GRU网络对所述向量集进行编码，得到深层特征向量集。可选的，所述方法还包括：获取单通道仿真信号，所述单通道仿真信号为包括：模拟脑电图信号、模拟肌肉运动伪影和模拟眼部运动伪影；获取单通道半仿真信号，所述单通道半仿真信号包括：人工去除伪影的脑电图信号以及单独采集的肌电运动伪影和眼部运动伪影；获取单通道脑电图原始信号；对所述单通道仿真信号和所述单通道半仿真信号进行预处理，得到所述训练集，并对所述单通道脑电图原始信号进行预处理，得到验证集；利用所述训练集对所述伪影检测模型对应的深度学习网络模型进行训练，并利用所述验证集对训练后得到的模型进行验证，得到所述伪影检测模型；利用所述训练集对所述伪影去除模型对应的深度学习网络模型进行训练，并利用所述验证集对训练后得到的模型进行验证，得到所述伪影去除模型。一种脑电图伪影去除装置，包括：信号获取单元，用于获取待处理单通道脑电图的分段信号集，所述待处理单通道脑电图的分段信号集包括包含伪影的单通道脑电图信号段；特征提取单元，用于提取所述待处理单通道脑电图的分段信号集的特征向量集；伪影去除单元，用于将所述特征向量集输入到伪影去除模型中进行伪影去除处理，得到去除伪影的单通道脑电图的分段信号集，所述伪影去除模型为预先利用包括多个包含至少一种伪影的单通道脑电图的分段信号集的训练集对深度学习网络模型进行训练后得到的，所述伪影去除模型对应的深度学习网络模型包括注意力网络和解码器网络，所述解码器网络包括伪影特征去除神经网络和波形还原映射网络；信号重建单元，用于对去除伪影的单通道脑电图的分段信号集进行信号重建，得到去除伪影的单通道脑电图信号。可选的，所述信号获取单元，包括：信号预处理单元，用于获取标准单通道脑电图的分段信号集；伪影检测单元，用于利用伪影检测模型对所述标准单通道脑电图的分段信号集进行伪影检测，在检测出包含伪影的信号段的情况下，将所有包含伪影的信号段确定为所述待处理单通道脑电图的分段信号集；所述伪影检测模型是预先利用包括多个包含至少一种伪影的单通道脑电图的分段信号集的训练集对深度学习网络模型进行训练后得到的，所述伪影检测模型对应的深度学习网络模型包括维度变换映射网络、分类特征提取GRU网络、特征集中网络和评价网络，所述维度变换映射网络用于将所述标准单通道脑电图的分段信号集变换为预设维度的信号向量集，所述分类特征提取网络用于对所述信号向量集进行特征提取得到特征向量集，所述特征集中网络用于对所述特征向量集进行加权操作，所述评价网络分别对加权操作后的所述特征向量集中的每个特征向量进行伪影检测。可选的，所述信号预处理单元，具体用于：对原始单通道脑电图信号进行预处理，得到所述标准单通道脑电图的分段信号集，所述预处理包括重采样、信号分段、标准化处理。可选的，所述特征提取单元，具体用于：将所述待处理单通道脑电图的分段信号集输入预设编码器，所述预设编码器包括维度变换映射网络和噪声特征提取GRU网络；利用所述维度变换映射网络将所述待处理单通道脑电图的分段信号集转换为预设维度的向量集；利用所述噪声特征提取GRU网络对所述向量集进行编码，得到深层特征向量集。可选的，所述装置还包括信号采集单元和模型训练单元；所述信号采集单元，用于获取单通道仿真信号、单通道半仿真信号和单通道脑电图原始信号，所述单通道仿真信号为包括：模拟脑电图信号、模拟肌肉运动伪影和模拟眼部运动伪影，所述单通道半仿真信号包括：人工去除伪影的脑电图信号以及单独采集的肌电运动伪影和眼部运动伪影；所述信号预处理单元，还用于对所述单通道本文档来自技高网...

【技术保护点】
1.一种脑电图伪影去除方法，其特征在于，包括：/n获取待处理单通道脑电图的分段信号集，所述待处理单通道脑电图的分段信号集包括包含伪影的单通道脑电图信号段；/n提取所述待处理单通道脑电图的分段信号集的特征向量集；/n将所述特征向量集输入到伪影去除模型中进行伪影去除处理，得到去除伪影的单通道脑电图的分段信号集，所述伪影去除模型为预先利用包括多个包含至少一种伪影的单通道脑电图的分段信号集的训练集对深度学习网络模型进行训练后得到的，所述伪影去除模型对应的深度学习网络模型包括注意力网络和解码器网络，所述解码器网络包括伪影特征去除神经网络和波形还原映射网络；/n对去除伪影的单通道脑电图的分段信号集进行信号重建，得到去除伪影的单通道脑电图信号。/n

【技术特征摘要】
1.一种脑电图伪影去除方法，其特征在于，包括：
获取待处理单通道脑电图的分段信号集，所述待处理单通道脑电图的分段信号集包括包含伪影的单通道脑电图信号段；
提取所述待处理单通道脑电图的分段信号集的特征向量集；
将所述特征向量集输入到伪影去除模型中进行伪影去除处理，得到去除伪影的单通道脑电图的分段信号集，所述伪影去除模型为预先利用包括多个包含至少一种伪影的单通道脑电图的分段信号集的训练集对深度学习网络模型进行训练后得到的，所述伪影去除模型对应的深度学习网络模型包括注意力网络和解码器网络，所述解码器网络包括伪影特征去除神经网络和波形还原映射网络；
对去除伪影的单通道脑电图的分段信号集进行信号重建，得到去除伪影的单通道脑电图信号。


2.根据权利要求1所述的方法，其特征在于，所述获取待处理单通道脑电图的分段信号集，包括：
获取标准单通道脑电图的分段信号集；
利用伪影检测模型对所述标准单通道脑电图的分段信号集进行伪影检测，所述伪影检测模型是预先利用包括多个包含至少一种伪影的单通道脑电图的分段信号集的训练集对深度学习网络模型进行训练后得到的，所述伪影检测模型对应的深度学习网络模型包括维度变换映射网络、分类特征提取GRU网络、特征集中网络和评价网络，所述维度变换映射网络用于将所述标准单通道脑电图的分段信号集变换为预设维度的信号向量集，所述分类特征提取网络用于对所述信号向量集进行特征提取得到特征向量集，所述特征集中网络用于对所述特征向量集进行加权操作，所述评价网络分别对加权操作后的所述特征向量集中的每个特征向量进行伪影检测；
在检测出包含伪影的信号段的情况下，将所有包含伪影的信号段确定为所述待处理单通道脑电图的分段信号集。


3.根据权利要求2所述的方法，其特征在于，所述获取标准单通道脑电图的分段信号集，包括：
对原始单通道脑电图信号进行预处理，得到所述标准单通道脑电图的分段信号集，所述预处理包括重采样、信号分段、标准化处理。


4.根据权利要求1所述的方法，其特征在于，所述提取所述待处理单通道脑电图的分段信号集的特征向量集，包括：
将所述待处理单通道脑电图的分段信号集输入预设编码器，所述预设编码器包括维度变换映射网络和噪声特征提取GRU网络；
利用所述维度变换映射网络将所述待处理单通道脑电图的分段信号集转换为预设维度的向量集；
利用所述噪声特征提取GRU网络对所述向量集进行编码，得到深层特征向量集。


5.根据权利要求1和3所述的方法，其特征在于，所述方法还包括：
获取单通道仿真信号，所述单通道仿真信号为包括：模拟脑电图信号、模拟肌肉运动伪影和模拟眼部运动伪影；
获取单通道半仿真信号，所述单通道半仿真信号包括：人工去除伪影的脑电图信号以及单独采集的肌电运动伪影和眼部运动伪影；
获取单通道脑电图原始信号；
对所述单通道仿真信号和所述单通道半仿真信号进行预处理，得到所述训练集，并对所述单通道脑电图原始信号进行预处理，得到验证集；
利用所述训练集对所述伪影检测模型对应的深度学习网络模型进行训练，并利用所述验证集对训练后得到的模型进行验证，得到所述伪影检测模型；
利用所述训练集对所述伪影去除模型对应的深度学习网络模型进行训练，并利用所述验证集对训练后得到的模型进行验证，得到所述伪影去除模型。


6.一种脑电图伪影去除装置，其特征在...

【专利技术属性】
技术研发人员：梁凯晴，张闻哲，杨文轩，秦熙，杜江峰，
申请(专利权)人：中国科学技术大学，
类型：发明
国别省市：安徽;34