【技术实现步骤摘要】
一种脑电信号自适应压缩重建方法及装置
[0001]本专利技术涉及通信领域和数据压缩领域，具体涉及一种脑电信号自适应压缩重建方法、装置、电子设备及存储介质。
技术介绍
[0002]脑机接口技术的无线方向发展有一个显著的优势，即用户可以长期方便地穿戴使用。在测试过程中，用户的活动范围不受限制，且可以监测一整天的神经活动，这为医学专家和神经科学家的深入研究提供了更大的可能性。
[0003]然而，这些无线设备收集的数据越多，从无线系统的传感器端到解码器端传输的数据量越大，意味着传输设备需要更高的带宽，这将占用大量的无线带宽资源，也给传输模块带来巨大计算压力和传输功耗，不利于可穿戴脑机接口的实现。
[0004]针对海量和个性化的脑电信号数据，现有技术很难平衡压缩率和准确率，例如，对海量脑电信号具有较高的压缩率但准确率却不高，现有技术中还没有相应的技术方案在实现脑电信号高压缩率的同时保证脑电信号的高准确率。
技术实现思路
[0005]鉴于上述问题，本专利技术提供了一种脑电信号自适应压缩重建方法、装置、电子...
【技术保护点】
【技术特征摘要】
1.一种脑电信号自适应压缩重建方法，包括：将所述脑电信号进行预处理，得到多个等时长的脑电信号片段，并对每个所述脑电信号片段进行N点离散余弦变换，得到多个离散余弦变换结果，其中，N为正整数；选取每个离散余弦变换结果的前M点作为主成分，得到多个主成分，并将每个所述主成分输入到训练完成的神经网络中，其中，M为小于或等于N的正整数；利用所述训练完成的神经网络的压缩器对每个所述主成分进行压缩，得到多个压缩结果，并利用所述训练完成的神经网络的解压器对每个所述压缩结果进行解压，得到多个解压结果；将每个所述解压结果进行补零操作，得到多个离散余弦变换重建结果，并将每个对应于同一个脑电信号片段的所述离散余弦变换重建结果和所述离散余弦变换结果进行作差运算，得到多个差值结果；将每个所述差值结果进行非均匀量化处理，并将非均匀量化处理的结果进行算数编码，得到多个算数编码结果；对每个所述算数编码结果进行非均匀反量化处理，得到多个非均匀反量化结果，并将每个对应于同一个脑电信号片段的所述非均匀反量化结果和所述离散余弦变换重建结果进行相加运算，得到多个所述脑电信号片段的离散余弦变换的估计信号；对每个所述脑电信号的离散余弦变换的估计信号进行反离散余弦变换处理，得到多个所述脑电信号片段的重建信号；将所有的所述脑电信号片段的重建信号进行拼接，得到所述脑电信号的重建信号。2.根据权利要求1所述的方法，其中，所述将每个所述差值结果进行非均匀量化处理包括：计算所述差值结果的最优划分点集合，并根据所述最优划分点确定所述差值结果的量化表；根据所述量化表，对所述差值结果进行非均匀量化处理，得到非均匀量化处理的结果。3.根据权利要求2所述的方法，其中，所述计算计算所述差值结果的最优划分点集合包括：获取所述差值结果的数据个数；根据初始划分值，对所述差值结果进行划分，得到多个划分结果，其中，每个所述划分结果包括多个差值结果区间；计算每个所述划分结果的总变差并进行比较，得到总变差最小的划分结果，并将所述总变差最小的划分结果作为最优划分点并更新初始划分值；迭代进行划分操作、计算操作、比较操作和更新操作，直到所述迭代次数满足所述差值结果的数据个数，得到所述差值结果的最优划分点集合。4.根据权利要求1所述的方法，其中，所述训练完成的神经网络通过基于Smooth L1的损失函数和基于Adam算法的优化器进行训练得到。5.根据权利要求4所述的方法，其中，所述训练完成的神经网络通过如下方式进行训练得到：对所述神经网络进行参数初始化；选取多个基础数据集对所述神经网络进行训练，并利用所述损失函数和所述优化器更
新所述神经网络的参数；利用个性化数据对更新后的神经网络进行增量训练，并利用所述损失函数和所述优化器迭代优化所述神经网络的参数，得到所述训练完成的神经网络。6.根据权利要求1所述的方法，其中，所述离散余弦变换结果由公式(1)～公式(3)确定：F
N
＝{f1,f2,
...
【专利技术属性】
技术研发人员：刘鸣，张思韬，马凯南，
申请(专利权)人：中国科学院半导体研究所，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。