基于卷积神经网络的脑电图去伪影方法技术

本发明专利技术涉及一种基于卷积神经网络的脑电图去伪影方法，包括：构建去伪影网络模型，去伪影网络模型包括上下文感知编码器、转换器和噪声解码器；上下文感知编码器通过多个并行卷积对含噪声脑电信号进行一次特征提取，再通过多层卷积聚合上下文信息；转换器通过多个残差块来防止梯度爆炸和维度过高，噪声解码器通过反置卷积增加信号长度，得到一个负残差信号；最将负残差信号与含噪声脑电信号相加，再经过卷积降维和全连接层，得到去噪后脑电信号；使用数据集对去伪影网络模型进行训练；利用训练好的去伪影网络模型对待处理的脑电信号进行去伪影操作。该方法有利于提高去伪影效果，保留更多的原始脑电信号，提高预测的脑电信号的质量。量。量。

【技术实现步骤摘要】
基于卷积神经网络的脑电图去伪影方法


[0001]本专利技术涉及脑电信号处理
，具体涉及一种基于卷积神经网络的脑电图去伪影方法。

技术介绍

[0002]脑电图(EEG)是记录大脑皮层中脑细胞电反应的一种方法，通常通过放置在头部的电极收集系统来收集。脑电信号具有许多重要的应用，其中一个重要的应用是神经科学研究。脑电信号可以用来研究脑部功能，例如认知过程、情绪和行为。这些信息可以帮助研究人员了解脑部如何工作，并有助于开发新的治疗方法。然而，脑电记录不仅包含神经活动，还包含各种噪声和伪影，包括眼部伪影、肌源性伪影、心脏伪影和非生理噪音。这些噪声和伪影可能会影响脑电信号的测量准确性，导致研究结果偏差。而使用脑电信号去噪技术可以帮助消除这些影响，从而提高测量的准确性，这对于神经科学研究和临床诊断至关重要。然而，伪影的波动情况与原始脑电信号的波动情况非常相似，这使得EEG去伪影成为一项极具有挑战性的任务。
[0003]在脑电图信号去伪影中，最常用的方法是伪影消除法，它可以有效地识别和去除信号中的伪影，以保留原始信号的神经学特征和现象的完整性。通常情况下，伪影消除算法有两种主要实现方式：一种是基于回归和过滤方法，另一种是利用现有的脑电图去噪技术，例如自动编码器、生成对抗网络、基于回归的方法、盲源分离方法以及小波变换等，将噪声数据分离或分解到其他域中，从而实现对伪影的消除。此外，脑电图信号一般较弱，通常在20mV范围内，需要放大。然而，信号的放大也会放大伪影。这些挑战强调了在脑电图信号分析过程中去除伪影的重要性。伪影去除阶段对于在保留大脑神经活动的同时消除原始脑电图信号中的伪影至关重要。现有的从脑电图信号中去除伪影的方法有几个局限性。其中一个主要缺点是，许多伪影去除技术的性能取决于在数据收集过程中使用的EEG通道或电极的数量。因此，在多通道EEG数据上表现良好的算法不一定在单通道EEG记录上表现良好。

技术实现思路

[0004]本专利技术的目的在于提供一种基于卷积神经网络的脑电图去伪影方法，该方法有利于提高去伪影效果，保留更多的原始脑电信号，提高预测的脑电信号的质量。
[0005]为了实现上述目的，本专利技术采用的技术方案是：一种基于卷积神经网络的脑电图去伪影方法，包括：
[0006]构建去伪影网络模型，所述去伪影网络模型包括上下文感知编码器、转换器和噪声解码器；所述上下文感知编码器通过多个并行卷积对含有噪声的脑电信号进行一次特征提取，以获得多维度的信号特征，再通过多层卷积来聚合上下文信息；所述转换器通过多个由若干具有不同滤波器大小的卷积层组成的残差块来防止梯度爆炸和维度过高，所述噪声解码器通过反置卷积增加信号长度，以获取更丰富的的信号特征，得到一个负残差信号；最后将负残差信号与原始的含噪声脑电信号相加，再经过卷积降维和全连接层，得到去噪后
的脑电信号；
[0007]使用数据集对去伪影网络模型进行训练，得到训练好的去伪影网络模型；
[0008]利用训练好的去伪影网络模型对待处理的脑电信号进行去伪影操作。
[0009]进一步地，所述去伪影网络模型以长度为512个时间点、1个通道的含噪声脑电信号为输入。
[0010]进一步地，所述上下文感知编码器通过三个并行的内核大小分别为3、5和7的一维卷积进行一次特征提取，然后将经过三个卷积提取到的信号通过Concat层连接在一起，通过这个操作，将三个不同的卷积结果在通道维度上进行合并，从而获得一个具有更多特征通道的信号特征，再进行批归一化和ReLU激活，得到第一层卷积的结果；将第一层卷积的结果输入第二层3
×
3卷积中进行卷积并进行批归一化和ReLU激活，得到第二层卷积的结果；将第二层卷积的结果再输入第三层3
×
3卷积中进行卷积并进行批归一化和ReLU激活，得到第三层卷积的结果，从而提取到深层次的信号特征；最后将处理结果输入转换器。
[0011]进一步地，所述转换器包括7个残差块，即瓶颈构建块，每个残差块由3个具有不同滤波器大小的卷积层组成，每个卷积层后进行一次批归一化和ReLU激活；最后一个残差块的输出被输入到噪声解码器。
[0012]进一步地，所述瓶颈构建块执行如下映射：
[0013]x
i+1
＝RPReLU(F(x
i
,w
i
)+I(x
i
))
[0014]在每个瓶颈构建块中，输入和输出分别表示为x
i
和x
i+1
；w
i
表示与第i块相关的权重和偏差集合；I()表示恒等函数；F()表示三层卷积；RPReLU()表示非线性激活函数。
[0015]进一步地，所述噪声解码器包括三个一维转置卷积层，所述三个一维转置卷积层的滤波器数量不断减少，每个一维转置卷积层后进行一次批归一化和ReLU激活，最终输出一个负残差信号。
[0016]进一步地，所述去伪影网络模型将得到的负残差信号与原始的含噪声脑电信号相加，再经过卷积降维将输出扁平化，然后送入一个由512个神经元和一个dropout层组成的全连接层，得到去噪后的脑电信号。
[0017]进一步地，在所述去伪影网络模型的训练过程中，以均方误差为损失函数来量化网络模型的预测输出和真实干净信号之间的差异，并优化网络参数以最小化所述差异；所述去伪影网络模型以最小化预测去噪信号与真实干净信号之间的误差为目标，使用梯度下降法，通过反向传播更新网络参数，从而使损失函数更小，进而提高网络模型的去伪影网络的性能和泛化能力，实现网络模型的训练。
[0018]与现有技术相比，本专利技术具有以下有益效果：提供了一种基于卷积神经网络的脑电图去伪影方法，该方法从一个新的角度去解决脑电信号去噪问题，将图像去噪技术应用于脑电信号去噪，对去伪影网络模型的上下文感知编码器、转换器和噪声解码器进行创新设计，解决了现有传统神经网络过拟合和效果不好的问题，提高了去伪影，特别是去除眼部伪影的效果，保留了更多的原始脑电信号，提高预测的脑电信号的质量，具有很强的实用性和广阔的应用前景。
附图说明
[0019]图1是本专利技术实施例中去伪影网络模型的架构图；
[0020]图2是本专利技术实施例中转换器的结构图。
[0021]图3是本专利技术实施例中肌原伪影去除的时域性能示例段。
[0022]图4是本专利技术实施例中眼部伪影去除的时域性能示例段。
[0023]图5是本专利技术实施例中肌源性伪影的损失。
[0024]图6是本专利技术实施例中眼部伪影的损失。
具体实施方式
[0025]下面结合附图及实施例对本专利技术做进一步说明。
[0026]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。
[0027]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本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于卷积神经网络的脑电图去伪影方法，其特征在于，包括：构建去伪影网络模型，所述去伪影网络模型包括上下文感知编码器、转换器和噪声解码器；所述上下文感知编码器通过多个并行卷积对含有噪声的脑电信号进行一次特征提取，以获得多维度的信号特征，再通过多层卷积来聚合上下文信息；所述转换器通过多个由若干具有不同滤波器大小的卷积层组成的残差块来防止梯度爆炸和维度过高，所述噪声解码器通过反置卷积增加信号长度，以获取更丰富的的信号特征，得到一个负残差信号；最后将负残差信号与原始的含噪声脑电信号相加，再经过卷积降维和全连接层，得到去噪后的脑电信号；使用数据集对去伪影网络模型进行训练，得到训练好的去伪影网络模型；利用训练好的去伪影网络模型对待处理的脑电信号进行去伪影操作。2.根据权利要求1所述的基于卷积神经网络的脑电图去伪影方法，其特征在于，所述去伪影网络模型以长度为512个时间点、1个通道的含噪声脑电信号为输入。3.根据权利要求1所述的基于卷积神经网络的脑电图去伪影方法，其特征在于，所述上下文感知编码器通过三个并行的内核大小分别为3、5和7的一维卷积进行一次特征提取，然后将经过三个卷积提取到的信号通过Concat层连接在一起，通过这个操作，将三个不同的卷积结果在通道维度上进行合并，从而获得一个具有更多特征通道的信号特征，再进行批归一化和ReLU激活，得到第一层卷积的结果；将第一层卷积的结果输入第二层3
×
3卷积中进行卷积并进行批归一化和ReLU激活，得到第二层卷积的结果；将第二层卷积的结果再输入第三层3
×
3卷积中进行卷积并进行批归一化和ReLU激活，得到第三层卷积的结果，从而提取到深层次的信号特征；最后将处理结果输入转换器。4.根据权利要求1所述的基于卷积神经网络的脑电图去伪影方法，其特征在于，所述转换器包括7个残差块，...

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