一种利用深度神经网络对EEG数据的噪声识别方法技术

本发明专利技术涉及神经网络算法技术领域，尤其涉及一种利用深度神经网络对EEG数据的噪声识别方法，包括S1、通过脑电帽采集被试卒中关节的组合动作时诱发的EEG数据；S2、对数据集中数据进行降采样、粗滤波和独立成分分解；S3、将IC地形图进行裁剪；S4、将IC地形图送入二维CNN卷积网络，IC激活送入一维卷积网络，并将两个卷积网络的输出值送入DNN卷积网络；S5、将DNN卷积网络输出值通过softmax分类器进行分类，并对EEG数据进行噪声剔除。本发明专利技术利用一维CNN卷积、二维CNN卷积和DDN卷积搭建深度神经网络可以有效分类出噪声成分，对实时采集的EEG噪声敏感度高，能够有效的剔除噪声成分。能够有效的剔除噪声成分。能够有效的剔除噪声成分。

【技术实现步骤摘要】
一种利用深度神经网络对EEG数据的噪声识别方法


[0001]本专利技术涉及神经网络算法
，尤其涉及一种利用深度神经网络对EEG数据的噪声识别方法。

技术介绍

[0002]运动想象(Motor Imagery,MI)是指没有客观的肢体或肌肉运动时，使用大脑主观想象肢体或肌肉的运动，从而刺激相应的脑区。目前，MI主要应用于辅助卒后康复、肌肉萎缩等一些肢体功能障碍性疾病的训练和治疗中。
[0003]当下所普遍设计的MI范式多是想象左右双肢的运动，但脑卒中后的病人多为单侧运动障碍。因此，经典MI范式在一定程度上不能满足医生对病人患肢的训练和治疗。与此同时，为了获得良好的MI范式下的脑电信号(Electroencephalogram,EEG)需要有经验的技术人员对原始信号进行诸如滤波、独立成分分析、重参考等操作，但是肢体康复需要将EEG实时地进行特征提取分类用于控制外骨骼等辅具。
[0004]针对于卒中后单肢运动障碍的MI范式以及EEG信号的自动去噪算法由此产生。考虑到卒后病人运动功能存在较大的障碍，对于范式中需要想象的动作应当由易本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种利用深度神经网络对EEG数据的噪声识别方法，其特征在于，包括以下步骤：S1、通过脑电帽采集被试卒中状态下肩、肘、腕、指四个关节的组合动作时诱发的EEG数据，并将动作划分为单关节训练和关节综合训练；S2、对EEG数据进行降采样、粗滤波和ICA独立成分分解，得到多个独立成分的IC激活和IC地形图；S3、将IC地形图进行裁剪，将IC激活按一定时间分割为若干个trail，并设置相邻窗口重叠时间；S4、构建一维CNN卷积、二维CNN卷积和DDN卷积组成的深度神经网络将IC地形图送入二维CNN卷积网络，IC激活送入一维卷积网络，并将两个卷积网络的输出值送入DNN卷积网络，并设置超参数；S5、将DNN卷积网络输出值通过softmax分类器进行分类，并根据分类结果对EEG数据进行噪声筛选和剔除，并对剔除噪声后的EEG数据进行信噪比和均方根差计算，评价去噪效果。2.根据权利要求1所述的利用深度神经网络对EEG数据的噪声识别方法，其特征在于，所述单关节训练是通过刺激源为肩屈30
°
、肩展30
°
、肘屈90
°
、肘屈最大、腕左旋、腕右旋、指握拳共七种动作刺激脑运动功能区产生EEG数据；所述多关节综合训练是通过刺激源为前臂旋前、前臂旋后、上肢前屈90
°
、上肢后伸上抬触摸腰部、上肢外展90
°
、上肢前屈180
°
、触肩实验、指鼻实验共种八种动作刺激脑运动功能区产生EEG数据。3.根据权利要求1所述的利用深度神经网络对EEG数据的噪声识别方法，其特征在于：所述一维CNN卷积包括：第一卷积层，内核宽度为20，滤波器...

【专利技术属性】
技术研发人员：邹凌，杨亮宇，周天彤，李文杰，
申请(专利权)人：常州大学，
类型：发明
国别省市：