线上教学中学生脑电信号去噪方法技术

本发明专利技术涉及一种线上教学中学生脑电信号去噪方法，包括：构建脑电信号去噪网络模型，所述脑电信号去噪网络模型通过编码器对输入的有噪声的EEG信号进行编码，然后通过多个扩张残差块聚合更多的上下文信息，再通过信息融合块对不同层次的特征进行融合，最后通过解码器将融合特征还原成输入信号的大小，得到去噪后的EEG信号；使用数据集对所述脑电信号去噪网络模型进行训练，得到训练好的脑电信号去噪网络模型；利用训练好的脑电信号去噪网络模型对待处理的EEG信号进行去噪处理。该方法有利于快速、准确地去除脑电信号中的干扰噪声。准确地去除脑电信号中的干扰噪声。准确地去除脑电信号中的干扰噪声。

【技术实现步骤摘要】
线上教学中学生脑电信号去噪方法


[0001]本专利技术涉及脑电信号去噪
，具体涉及一种线上教学中学生脑电信号去噪方法。

技术介绍

[0002]网络教学是科技进步为现代教育创造的新契机，但同时也为教学效率带来新的挑战。跨跃空间的教学使得教师无法随时接收到学生的课堂反馈，从而降低教师的教学效果。因此，通过脑电信号提取反馈学生专注程度成为教师提高教学效率的一种有效手段。然而，脑电设备提取的脑电信号容易受到噪声干扰，影响模型对学生专注程度的判断，难以向教师反馈有效信息。所以如何快速且准确的去除噪声、保留神经元产生的原始脑电信号是一项重要的工作。EEG信号中包含的噪声主要包括肌源性伪影(EMG)和眼部伪影(EOG)，因此去噪工作是希望可以去除混杂着噪声的EEG中的EMG和EOG。
[0003]传统机器学习方法很早就已经在这个EEG去噪的研究中被运用，但是传统方法的去噪效果不够理想，输出信号存在明显失真的问题。近年来，随着算力的提升，很多人引入了深度学习模型。深度学习的方法在EEG去噪的任务中的性能可以与传统机器学习方法相媲美，有学者提出了一个用于脑电图去噪的端到端深度学习解决方案的基准数据集(EEGdenoiseNet)，并且在这个数据集的基础上评估了四种常见神经网络(全连接网络、简单以及复杂的卷积神经网络和递归神经网络)的去噪性能。但是，目前EEG去噪领域的神经网络算法还存在对噪声的去除不彻底、破坏EEG信号导致其失真、拟合速度慢从而不利于将来用于实时去噪的缺点。

技术实现思路

[0004]本专利技术的目的在于提供一种线上教学中学生脑电信号去噪方法，该方法有利于快速、准确地去除脑电信号中的干扰噪声。
[0005]为了实现上述目的，本专利技术采用的技术方案是：一种线上教学中学生脑电信号去噪方法，包括：
[0006]构建脑电信号去噪网络模型，所述脑电信号去噪网络模型通过编码器对输入的有噪声的EEG信号进行编码，然后通过多个扩张残差块聚合更多的上下文信息，再通过信息融合块对不同层次的特征进行融合，最后通过解码器将融合特征还原成输入信号的大小，得到去噪后的EEG信号；
[0007]使用数据集对所述脑电信号去噪网络模型进行训练，得到训练好的脑电信号去噪网络模型；
[0008]利用训练好的脑电信号去噪网络模型对待处理的EEG信号进行去噪处理。
[0009]进一步地，所述脑电信号去噪网络模型包括编码器、四个扩张残差块、信息融合块和解码器；对于输入的有噪声的EEG信号，首先通过编码器对其进行编码，编码器的输出同时是第一个扩张残差块和信息融合块的输入，第一个扩张残差块的输出是第二个扩张残差
块的输入，第二个扩张残差块的输出同时是第三个扩张残差块和信息融合块的输入，第三个扩张残差块的输出是第四个扩张残差块的输入，第四个扩张残差块的输出是信息融合块的输入，从而实现通过信息融合块对不同层次的特征进行融合；最后通过解码器将信息融合块的输出还原成输入信号的大小。
[0010]进一步地，每个扩张残差块都包括一个空洞卷积层、一个归一化层和一个ReLU层，其中前三个扩张残差块均采用批归一化，以加快拟合速度并防止过拟合，第四个扩张残差块采用层归一化。
[0011]进一步地，所述脑电信号去噪网络模型利用不同层次的特征，通过加权求和得到融合特征输入解码器，这个过程可表示为：
[0012](M
l
,M
m
,M
h
)＝G(F
l
,F
m
,F
h
)
[0013]F0＝M
l
*F
l
+M
m
*F
m
+M
h
*F
h
[0014]其中，F
l
、F
m
、F
h
分别为编码器的输出、第二个扩张残差块的输出、第四个扩张残差块的输出，G(,,)表示门控函数，M
l
、M
m
、M
h
分别为动态掩码，它们的值依赖于每次的输入特征F
l
、F
m
、F
h
，F0为输出特征。
[0015]进一步地，所述编码器采用三个卷积块和一个池化层将输入的被噪声污染的EEG信号编码成特征映射，每个卷积块包含一个卷积层、一个归一化层和一个ReLU层。
[0016]进一步地，所述解码器包含两个卷积层、一个池化层和一个全连接层。
[0017]进一步地，所述脑电信号去噪网络模型用一个非线性映射函数描述可表述为：
[0018][0019][0020]其中，表示模型预测的无噪声的脑电信号，F(,)表示用于描述脑电信号去噪网络模型的映射函数，y表示有噪声的脑电信号，θ表示模型的可学习参数；x表示干净的脑电信号的真值，x
i
表示第i个样本的真值，表示模型对第i个样本的预测值，N表示样本总数，表示预测的无噪声脑电信号与脑电信号的真值之间的均方误差；
[0021]所述脑电信号去噪网络模型以为损失函数，通过数据集对脑电信号去噪网络模型进行训练，使最小化。
[0022]与现有技术相比，本专利技术具有以下有益效果：提供了一种线上教学中学生脑电信号去噪方法，该方法构建的脑电信号去噪网络模型通过多个扩张残差块聚合更多的上下文信息，在不增加参数量和计算量的情况下增加感受野，然后通过特征融合网络融合不同层次的特征，从而减少过拟合以及加速模型收敛，因此，本方法可以更加快速、准确地去除脑电信号中的干扰噪声。
附图说明
[0023]图1是本专利技术实施例中脑电信号去噪网络模型的架构图。
具体实施方式
[0024]下面结合附图及实施例对本专利技术做进一步说明。
[0025]应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属
的普通技术人员通常理解的相同含义。
[0026]需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
[0027]本实施例提供了一种线上教学中学生脑电信号去噪方法，包括：
[0028]1)构建脑电信号去噪网络模型，所述脑电信号去噪网络模型通过编码器对输入的有噪声的EEG信号进行编码，然后通过多个扩张残差块(Dilated Residual Block)聚合更多的上下文信息，再通过信息融合块(Information fusion)对不同层次的特征进行融合，最后通过解码器将融合特征还原成输入信号的大小，得到去噪后的EEG信号。本实施例中脑电信号去噪网络模型的架构如图1所本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种线上教学中学生脑电信号去噪方法，其特征在于，包括：构建脑电信号去噪网络模型，所述脑电信号去噪网络模型通过编码器对输入的有噪声的EEG信号进行编码，然后通过多个扩张残差块聚合更多的上下文信息，再通过信息融合块对不同层次的特征进行融合，最后通过解码器将融合特征还原成输入信号的大小，得到去噪后的EEG信号；使用数据集对所述脑电信号去噪网络模型进行训练，得到训练好的脑电信号去噪网络模型；利用训练好的脑电信号去噪网络模型对待处理的EEG信号进行去噪处理。2.根据权利要求1所述的线上教学中学生脑电信号去噪方法，其特征在于，所述脑电信号去噪网络模型包括编码器、四个扩张残差块、信息融合块和解码器；对于输入的有噪声的EEG信号，首先通过编码器对其进行编码，编码器的输出同时是第一个扩张残差块和信息融合块的输入，第一个扩张残差块的输出是第二个扩张残差块的输入，第二个扩张残差块的输出同时是第三个扩张残差块和信息融合块的输入，第三个扩张残差块的输出是第四个扩张残差块的输入，第四个扩张残差块的输出是信息融合块的输入，从而实现通过信息融合块对不同层次的特征进行融合；最后通过解码器将信息融合块的输出还原成输入信号的大小。3.根据权利要求2所述的线上教学中学生脑电信号去噪方法，其特征在于，每个扩张残差块都包括一个空洞卷积层、一个归一化层和一个ReLU层，其中前三个扩张残差块均采用批归一化，以加快拟合速度并防止过拟合，第四个扩张残差块采用层归一化。4.根据权利要求2所述的线上教学中学生脑电信号去噪方法，其特征在于，所述脑电信号去噪网络模型利用不同层次的特征，通过加权求和得到融合特征输入解码器，这个过程可表示为：(M
l
,M
m
,M
h
)＝G(F
l
,F
m
,F
h
...

【专利技术属性】
技术研发人员：张福泉，黄庭庆，王传胜，陈昭琪，
申请(专利权)人：闽江学院，
类型：发明
国别省市：