一种基于生成对抗式并行神经网络的脑电降噪方法技术

本发明专利技术公开了一种基于生成对抗式并行神经网络的脑电降噪方法，包括：1对数据集中的脑电信号和伪影信号进行预处理，获得含噪脑电及其标签；2建立基于生成对抗式并行神经网络的脑电降噪网络，该网络包括生成器和判别器，生成器由并行的CNN块和Transformer块组成，用于捕获局部和全局的时间依赖性；判别器用于约束干净脑电信号和生成的降噪脑电信号之间的全局不一致性；3设计生成损失和判别损失，建立判别器和生成器的模型优化目标；4对判别器和生成器进行交替训练，获得最优降噪模型。本发明专利技术深度脑电降噪网络可应用于多种脑电伪影移除任务，如眼电、肌电、心电和混合伪影等，对脑机接口和医疗健康等领域具有重要意义。接口和医疗健康等领域具有重要意义。接口和医疗健康等领域具有重要意义。

【技术实现步骤摘要】
一种基于生成对抗式并行神经网络的脑电降噪方法


[0001]本专利技术涉及医学信号处理领域，尤其涉及一种基于生成对抗式并行神经网络的脑电降噪方法。

技术介绍

[0002]脑电图(Electroencephalograph,EEG)是一种常用的测量大脑皮层电活动的技术，具有时间分辨率高、便携、无创等优点，被广泛应用于情绪识别、睡眠检测、脑部疾病治疗等任务中。然而，采集到的EEG信号通常受到多种生理活动的干扰，如心脏、眼球和肌肉活动，这严重影响了后续任务的分析。因此，有效的伪影去除对EEG信号分析至关重要。近年来，随着技术的发展，基于深度神经网络的EEG降噪方法能够自动学习伪影特征，无需人工参与，受到广大研究人员的青睐。然而，目前基于深度学习的EEG降噪网络还存在以下问题：1)现有的结构设计没有充分考虑伪影的时间特性；2)现有的训练策略通常忽略了去噪脑电信号与真实干净信号之间的全局一致性；上述问题的出现使降噪模型容易获得次优的降噪效果。

技术实现思路

[0003]有鉴于此，本专利技术提出了一种基于生成对抗式并行神经网络的脑电降噪方法，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于生成对抗式并行神经网络的脑电降噪方法，其特征在于，包括以下步骤：步骤1、从数据集中获取干净的脑电数据和伪影数据并进行预处理，再对预处理后的脑电数据和伪影数据进行混合，得到含噪脑电信号及其标签，其中，任意一对含噪脑电信号及其标签记为{(X,Y)|X∈1
×
T
s
,Y∈1
×
T
s
}，X表示任意一个含噪脑电信号，Y表示X的标签，T
s
表示信号长度；步骤2、构建基于CNN
‑
Transformer的降噪模型作为生成器，并包括：一个预处理模块，L个CNN
‑
Transformer模块和一个特征解码模块；所述预处理模块包含：一个预处理卷积单元，一个CNN单元和一个特征融合层；每个CNN
‑
Transformer模块，包含一个CNN单元，一个Transformer单元和一个特征融合层；所述特征解码模块包含：m1个卷积核为k1×
1的卷积层；步骤2.1、将所述预处理好的含噪脑电信号X输入生成器中，并经过预处理模块的预处理卷积单元的处理后，获得特征图将所述预处理好的含噪脑电信号X再经过预处理模块中的CNN单元的处理后，获得特征图将与送入特征融合层中进行处理，获得预处理模块输出的融合特征图Z0；步骤2.2、将预处理模块输出的融合特征图Z0依次经过L个CNN
‑
Transformer模块的处理后，获得CNN
‑
Transformer模块输出的特征图Z
L
；其中，第l个CNN
‑
Transformer模块输出的特征图记为Z
l
，l∈[1,L]；步骤2.3、将第L个CNN
‑
Transformer模块输出的特征图Z
L
输入特征解码模块中进行处理，获得降噪脑电信号Y'；步骤3、构建基于CNN的判别器，用于区分生成器生成的降噪脑电信号Y'和干净脑电信号Y；所述判别器由m2个卷积核为k2×
1的卷积层和一个全连接层组成；将降噪脑电信号Y'和干净脑电信号Y分别作为假样本和真样本输入所述判别器中进行处理，获得判别结果；步骤4、构建判别损失和生成损失，用于对判别器和生成器交替训练得到最优降噪模型：步骤4.1、利用式(1)构建判别损失L
D
：式(1)中，D(
·
)表示判别器的映射函数，G(
·
)表示生成器的映射函数；表示期望；P(X,Y)表示X和Y的联合概率分布；步骤4.2、利用式(2)构建生成损失L
G
：L
G
＝L
mse
+λ1L
feat
+λ2L
adv
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)式(2)中，L
mse
表示生成器的MSE损失，并由式(3)得到，L
feat
表示特征损失，并由式(4)得到，L
adv
表示对抗损失，并由式(5)得到，λ1和λ2分别为特征损失L
feat
和对抗损失L
adv
的权重；
式(4)中，表示判别...

【专利技术属性】
技术研发人员：陈勋，尹瑾，刘爱萍，钱若兵，孙启彬，吴曼青，
申请(专利权)人：中国科学技术大学，
类型：发明
国别省市：