脑电信号处理方法技术

本公开实施例公开一种脑电信号处理方法

【技术实现步骤摘要】
脑电信号处理方法、装置、电子设备及介质


[0001]本公开涉及脑电信号处理
，更具体地，涉及一种脑电信号处理方法
、
装置
、
电子设备及介质
。

技术介绍

[0002]脑电图
(EEG
，
Electroencephalogram)
是一种记录大脑电活动的电生理监测方法，其通常是非植入式的，电极沿着头皮放置，将大脑微弱的生物电信号放大显示，可以无创帮助多种疾病的诊断
。
[0003]在实际的脑电监测中，动态的脑电图检测需要全天候持续检测，此时就需要病人佩戴便携式脑电检测仪
。
然而，采用便携式脑电监测仪进行动态脑电信号监测时，由于长时间的采集以及便携式脑电检测仪精度的提高，脑电信号数据量就会随之增加，这样不仅降低了数据传输可靠性，还增加了数据传输功耗
。

技术实现思路

[0004]本公开实施例提供了一种脑电信号处理方法
、
装置
、
电子设备及介质
。
[0005]根据本公开的第一方面，提供了一种脑电信号处理方法，所述方法包括：
[0006]获取待处理脑电信号；
[0007]对所述待处理脑电信号进行主成分分析变换，获得第一脑电信号；
[0008]对所述第一脑电信号进行离散小波变换，获得第二脑电信号；其中，所述第二脑电信号包括不同频段脑电信号；
[0009]根据与所述不同频段脑电信号分别对应的压缩感知模型，对所述不同频段脑电信号分别进行压缩处理，获得目标脑电信号；其中，所述目标脑电信号包括与所述不同频段脑电信号分别对应的压缩脑电信号
。
[0010]可选地，所述方法还包括获取所述不同频段脑电信号分别对应的压缩感知模型的步骤，
[0011]所述获取所述不同频段脑电信号分别对应的压缩感知模型，包括：
[0012]获取所述不同频段脑电信号分别对应的最佳压缩率；
[0013]对于任一频段脑电信号，分别根据所述最佳压缩率确定对应的初始压缩感知模型的模型参数，获得对应的所述压缩感知模型
。
[0014]可选地，所述方法还包括：
[0015]根据稀疏贝叶斯学习算法对所述目标脑电信号进行信号重构，获得第三脑电信号；
[0016]对所述第三脑电信号进行离散小波逆变换，获得第四脑电信号；
[0017]对所述第四脑电信号进行主成分分析逆变换，获得目标重构脑电信号
。
[0018]可选地，所述获取所述不同频段脑电信号分别对应的最佳压缩率，包括：
[0019]获取所述待处理脑电信号和所述待处理脑电信号对应的任意重构脑电信号之间
的相关系数；
[0020]以所述相关系数作为全局搜索算法的适应度函数，确定出与所述不同频段脑电信号分别对应的最佳压缩率
。
[0021]可选地，所述对所述待处理脑电信号进行主成分分析变换，获得第一脑电信号，包括：
[0022]对所述待处理脑电信号进行主成分分析变换，获得
M
个主成分；其中，
M
为大于0的整数；
[0023]获取所述
M
个主成分的方差的和值，作为第一和值；
[0024]将所述
M
个主成分的方差降序排序，并获取前
N
个主成分的方差的和值，作为第二和值；其中，
N
为大于0且小于或等于
M
的整数；
[0025]根据所述第一和值和所述第二和值，确定当前累积贡献率；
[0026]在所述当前累积贡献率大于设定累积贡献率，且
N
满足设定条件的情况下，将所述前
N
个主成分作为第一脑电信号；
[0027]其中，所述设定条件包括：
N
为使得累积贡献率大于所述设定累积贡献率的最小主成分数量
。
[0028]可选地，所述对所述第一脑电信号进行离散小波变换，获得第二脑电信号，包括：
[0029]获取所述第一脑电信号对应的小波基函数；
[0030]根据所述小波基函数对所述第一脑电信号进行离散小波变换，获得所述第二脑电信号
。
[0031]可选地，所述模型参数包括测量矩阵
、
稀疏基矩阵和稀疏系数
。
[0032]根据本公开的第二方面，提供一种脑电信号处理装置，所述装置包括：
[0033]获取模块，用于获取待处理脑电信号；
[0034]第一处理模块，用于对所述待处理脑电信号进行主成分分析变换，获得第一脑电信号；
[0035]第二处理模块，用于对所述第一脑电信号进行离散小波变换，获得第二脑电信号；其中，所述第二脑电信号包括不同频段脑电信号；
[0036]第三处理模块，用于根据与所述不同频段脑电信号分别对应的压缩感知模型，对所述不同频段脑电信号分别进行压缩处理，获得目标脑电信号；其中，所述目标脑电信号包括与所述不同频段脑电信号分别对应的压缩脑电信号
。
[0037]根据本公开的第三方面，提供一种电子设备，包括存储器，用于存储可执行的计算机指令；处理器，用于根据所述可执行的计算机指令的控制，执行根据以上第一方面所述的脑电信号处理方法
。
[0038]根据本公开的第四方面，提供了一种计算机可读存储介质，其上存储有计算机指令，所述计算机指令被处理器运行时执行以上第一方面所述的脑电信号处理方法
。
[0039]根据本公开实施例的脑电信号处理方法，其获取待处理脑电信号之后，会对待处理脑电信号进行主成分分析变换得到第一脑电信号，并接续对第一脑电信号进行离散小波变换得到包括不同频段脑电信号的第二脑电信号，以及根据与不同频段脑电信号分别对应的压缩感知模型，对不同频段脑电信号分别进行压缩处理，进而得到包括与不同频段脑电信号分别对应的压缩脑电信号的目标脑电信号，这样便可降低脑电信号数据量，提高数据
传输可靠性
、
降低数据传输功耗
。
[0040]通过以下参照附图对本公开的示例性实施例的详细描述，本公开的其它特征及其优点将会变得清楚
。
附图说明
[0041]被结合在说明书中并构成说明书的一部分的附图示出了本公开的实施例，并且连同其说明一起用于解释本公开的原理
。
[0042]图1是根据本公开实施例的脑电信号处理系统的硬件配置示意图；
[0043]图2是根据本公开实施例的脑电信号处理方法的流程示意图；
[0044]图3是根据本公开另一实施例的脑电信号处理方法的流程示意图；
[0045]图4是根据本公开一个例子的脑电信号处理方法的流程示意图；
[0046]图5是根据本公开另一例子的脑电信号处理方法的流程示意图；
[0047]图6是根据本公开实施例的脑本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种脑电信号处理方法，其特征在于，所述方法包括：获取待处理脑电信号；对所述待处理脑电信号进行主成分分析变换，获得第一脑电信号；对所述第一脑电信号进行离散小波变换，获得第二脑电信号；其中，所述第二脑电信号包括不同频段脑电信号；根据与所述不同频段脑电信号分别对应的压缩感知模型，对所述不同频段脑电信号分别进行压缩处理，获得目标脑电信号；其中，所述目标脑电信号包括与所述不同频段脑电信号分别对应的压缩脑电信号
。2.
根据权利要求1所述的方法，其特征在于，所述方法还包括获取所述不同频段脑电信号分别对应的压缩感知模型的步骤，所述获取所述不同频段脑电信号分别对应的压缩感知模型，包括：获取所述不同频段脑电信号分别对应的最佳压缩率；对于任一频段脑电信号，分别根据所述最佳压缩率确定对应的初始压缩感知模型的模型参数，获得对应的所述压缩感知模型
。3.
根据权利要求1所述的方法，其特征在于，所述方法还包括：根据稀疏贝叶斯学习算法对所述目标脑电信号进行信号重构，获得第三脑电信号；对所述第三脑电信号进行离散小波逆变换，获得第四脑电信号；对所述第四脑电信号进行主成分分析逆变换，获得目标重构脑电信号
。4.
根据权利要求2所述的方法，其特征在于，所述获取所述不同频段脑电信号分别对应的最佳压缩率，包括：获取所述待处理脑电信号和所述待处理脑电信号对应的任意重构脑电信号之间的相关系数；以所述相关系数作为全局搜索算法的适应度函数，确定出与所述不同频段脑电信号分别对应的最佳压缩率
。5.
根据权利要求1所述的方法，其特征在于，所述对所述待处理脑电信号进行主成分分析变换，获得第一脑电信号，包括：对所述待处理脑电信号进行主成分分析变换，获得
M
个主成分；其中，
M
为大于0的整数；获取所述
M
个主成分的方差的和值，作为第一和值；将所述
M
个主成分的方差降序排序，并获取前

【专利技术属性】
技术研发人员：李小俚，庄腾飞，邓文浩，
申请(专利权)人：北京师范大学，
类型：发明
国别省市：