多导联脑电信号的伪迹去除方法、装置及脑机接口制造方法及图纸

本申请公开了一种基于多导联脑电信号的伪迹去除方法、装置及脑机接口，涉及新一代信息技术领域，其中该方法包括：将待处理的多导联脑电信号预处理后，利用独立成分分析ICA算法分解为若干独立成分，并将若干独立成分转换为脑电特征图，依据预构建的伪迹识别模型识别出若干独立成分各自所属的预定成分，并去除属于伪迹的独立成分后进行重构，得到去除伪迹的纯净脑电信号；本申请通过增加输入至伪迹识别模型的图谱数量，起到了丰富提供给伪迹识别模型的信息，使伪迹识别模型能够综合考虑伪迹在不同图谱中分布特性的效果，实现通过保留信号在不同图谱中的局部特征，来提高伪迹识别精度的目的，提升了重构出的脑电信号的纯度。提升了重构出的脑电信号的纯度。提升了重构出的脑电信号的纯度。

【技术实现步骤摘要】
多导联脑电信号的伪迹去除方法、装置及脑机接口


[0001]本申请涉及新一代信息
，具体的涉及脑机接口数据的处理
，尤其涉及一种多导联脑电信号的伪迹去除方法、装置及脑机接口。

技术介绍

[0002]脑电信号(electroencephalograph，EEG)提供了一种反应大脑活动的生物电信号，在研究人脑领域具有非常重要的作用。脑电信号本身非常微弱且具有时变敏感性，采集过程易受到无关因素的影响，使采集到的脑电信号具有眼电、肌电、心电、噪声等伪迹。这些伪迹的存在极大地影响了对脑电信号的分析和识别。相关的伪迹去除技术存在一次只能识别一种伪迹，且因采用单一特征来识别该伪迹导致对该伪迹的识别精度差的问题。

技术实现思路

[0003]本申请提供了一种多导联脑电信号的伪迹去除方法、装置、电子设备、计算机可读存储介质、芯片以及脑机接口，可以解决上述至少一个技术问题。所述技术方案如下：
[0004]第一方面，提供了一种多导联脑电信号的伪迹去除方法，该方法包括：
[0005]获取待处理的多导联脑电信号；
[000本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多导联脑电信号的伪迹去除方法，其特征在于，包括：获取待处理的多导联脑电信号；利用预设的独立成分分析算法将所述多导联脑电信号分解为若干独立成分；对若干独立成分进行图谱转换，得到脑电特征图；依据预构建的伪迹识别模型对所述脑电特征图进行识别，得到若干独立成分各自属于各类预定成分分别对应的成分概率；基于若干独立成分各自属于各类预定成分分别对应的成分概率，确定若干独立成分各自所属的预定成分；若任一独立成分所属的预定成分为伪迹，则将该任一独立成分去除后对剩余的独立成分进行重构，得到去除伪迹的纯净脑电信号。2.根据权利要求1所述的方法，其特征在于，所述对若干独立成分进行图谱转换，得到脑电特征图的步骤，包括：对若干独立成分分别进行傅里叶变换并进行平方计算，得到若干独立成分分别对应的功率谱密度PSD图；和/或对若干独立成分分别按照通道相同成分进行功率谱提取并进行空间插值，构建出所述脑地形图。3.根据权利要求2所述的方法，其特征在于，所述依据预构建的伪迹识别模型对所述脑电特征图进行识别，得到若干独立成分各自属于各类预定成分分别对应的成分概率的步骤之前，所述方法还包括：确定对伪迹进行识别的模式；所述依据预构建的伪迹识别模型对所述脑电特征图进行识别，得到若干独立成分各自属于各类预定成分分别对应的成分概率的步骤，包括：若对伪迹进行识别的模式为对多种伪迹同时识别的模式，则利用所述伪迹识别模型对所述脑地形图和/或所述功率谱密度PSD图进行识别，得到若干独立成分各自属于各类预定成分分别对应的成分概率。4.根据权利要3所述的方法，其特征在于，所述基于若干独立成分各自属于各类预定成分分别对应的成分概率，确定若干独立成分各自所属的成分类别的步骤，包括：基于若干独立成分各自属于各类预定成分分别对应的成分概率，确定若干独立成分各自的成分概率的最大值；依据若干独立成分各自的成分概率的最大值，确定若干独立成分各自所属的预定成分。5.根据权利要求3所述的方法，其特征在于，所述依据预构建的伪迹识别模型对所述脑电特征图进行识别，得到若干独立成分各自属于各类预定成分分别对应的成分概率的步骤，包括：若对伪迹进行识别的模式为对各类伪迹逐个进行识别的模式，则利用预构建的各类伪迹分别对应的伪迹识别模型对所述脑地形图和所述功率谱密度PSD图进行识别，得到若干独立成分各自属于各类预定成分分别对应的成分概率。6.根据权利要求5所述的方法，其特征在于，所述基于若干独立成分各自属于各类预定
成分分别对应的成分概率，确定若干独立成分各自所属的预定成分的步骤，包括：基于若干独立成分各自属于各类预定成分分别对应的成分概率，确定各类预定成分各自的成分概率的最大值；依据各类预定成分各自的成分概率的最大值，确定若干独立成分各自所属的预定成分。7.根据权利要求1所述的方法，其特征在于，所述依据预构建的伪迹识别模型对所述脑电特征图进行识别，得到若干独立成分各自属于各类预定成分分别对应的成分概率的步骤之前，所述方法还包括：基于预定的模型框架，确定用于训练的神经网络模型，所述神经网络模型依次包括：输入层、Stem层、第一Inception层、第一Reduction层、第二Inception层、第二Reduction层、第三Inception层、平均池化层、dropout层和Softmax层。8.根据权利要求1所述的方法，其特征...

【专利技术属性】
技术研发人员：向绍鑫，郝慎才，王晓岸，
申请(专利权)人：北京脑陆科技有限公司，
类型：发明
国别省市：