【技术实现步骤摘要】
本专利技术涉及医学信号处理领域和人工智能领域，尤其涉及一种基于评估-降噪两级网络的脑电降噪方法。
技术介绍
1、脑机接口是指一种不依赖于人脑的正常输出通路的脑-机通讯系统,是一种新的人机接口方式.它的实质为通过脑电信号推断人的想法或目的,从而实现人机交流。目前，脑机接口可以分为侵入式和非侵入式两大类，其中，由于非侵入式脑机接口具有的因时间分辨率高、无创、低成本等优点，已成为研究正常脑功能和脑疾病的广泛工具。
2、在运动康复治疗中，其可以促进患者的神经重塑，并获得远优于传统的单一运动康复方法的效果。然而，脑电信号的记录易受肌电、眼电、心电、呼吸以及外部环境等干扰，这些干扰严重影响了脑电信号的质量，增加了后续脑电信号分析和解码难度。随着深度学习在图像处理领域的成功应用，研究人员发现深度学习网络可以自适应地从大量数据中学习伪影特征，而不需要人工干预，即将深度学习方法应用在脑电信号降噪中，可以提升脑电降噪模型的泛化能力和鲁棒性。
3、如公开号为cn116035593a的中国专利申请公开的《一种基于生成对抗式并行神经网络的脑电降噪方法》，通过捕获脑电信号的局部和全局的时间依赖性，搭建干净脑电信号生成器，可应用于多种脑电伪影去除任务。
4、再如公开号为cn114947883a的中国专利申请公开的《一种时频域特征融合的深度脑电降噪方法》，该发方法考虑了脑电信号和伪影信号在不同域的信号差异，通过融合时域和频域的判别性特征，提高深度神经网络的降噪能力。
5、但上述基于深度学习网络的脑电信号降噪方法仍
6、1)忽略伪影在时域、频域及熵类等跨域特征上的不同表现形式，使得降噪模型对伪影识别能力不足，对脑电信号重构能力较差。
7、2)忽略脑电信号伪影的多样性及其发生和持续时间的随机性，将上述方法直接应用在整段采集到的脑电信号中，可能会导致原本干净的脑电信号失真。
技术实现思路
1、本专利技术的目的在于提供一种基于评估-降噪两级网络的脑电降噪方法，使用脑电信号评估网络对输入的脑电信号进行分类，提升了对脑电信号中伪影类型识别的准确率；根据分类结果选择对应的脑电信号降噪网络进行伪影去除，实现对多种类型噪声的准确去噪的同时，解决了重构脑电信号失真的问题。
2、为实现上述目的，本专利技术采用如下技术方案：
3、一种基于评估-降噪两级网络的脑电降噪方法，包括以下步骤：
4、步骤1、获取样本数据集，并将样本数据集划分为训练集、验证集和测试集；所述样本数据集由基于公开数据集生成的模拟脑电信号组成；
5、步骤2、构建评估-降噪两级网络模型，评估-降噪两级网络模型包括脑电信号评估网络和多个并行的脑电信号降噪网络；
6、所述脑电信号评估网络，用于对输入脑电信号进行分类，得到分类结果输出，分类结果包括干净的脑电信号、被肌电伪影污染的脑电信号、被眼电伪影污染的脑电信号、以及同时被肌电伪影和眼电伪影污染的脑电信号；
7、所述多个并行的脑电信号降噪网络，用于根据分类结果选择对应的脑电信号降噪网络进行伪影去除，以重构脑电信号，得到干净的脑电信号输出；
8、步骤3、基于训练集对评估-降噪两级网络模型进行训练，基于验证集对训练好的评估-降噪两级网络模型进验证，基于测试集对验证后的评估-降噪两级网络模型进行测试，从而确定出最终的评估-降噪网络模型；
9、步骤4、实时获取脑电信号，将其输入最终的评估-降噪网络模型中重构脑电信号，得到干净脑电信号输出。
10、进一步的，所述步骤3中训练评估-降噪两级网络模型的损失函数为：
11、loss＝ce+mse；
12、其中，ce为脑电信号评估网络的损失函数，mse为脑电信号降噪网络损失函数；
13、所述ce的计算公式为：其中，p为真实类别，q为预测类别，m表示类别数；
14、所述mse的计算公式为：其中，y表示eeg信号的真实值，表示降噪后的输出值，n表示脑电信号采样点数量。
15、进一步的，所述生成样本数据集中模拟脑电信号的方法包括以下步骤：
16、从公开数据集中随机选取一条干净脑电信号和伪影信号，并设定信噪比；所述伪影信号包括眼电伪影信号、肌电伪影信号等干扰信号；
17、根据设定信噪比序列，计算出伪影信号在干净脑电信号中的加权系数，按照计算出的加权系数，将伪影信号添加至干净脑电信中，从而生成模拟脑电信号；所述伪影信号在干净脑电信号中的加权系数计算公式为：
18、
19、yi＝xi+λinoisei
20、其中，snr为设定的信噪比，xi为干净脑电信号片段，noisei为选择的伪影信号，n为采样点个数，λi为计算出的噪声系数，yi为生成的模拟脑电信号，该模拟脑电信号为添加各类伪影的污染信号。
21、进一步的，所述脑电信号评估网络包括跨域特征提取模块、自注意力模块和门控循环模块；
22、所述跨域特征提取模块的输入为步骤1获取的脑电信号，用于从输入的脑电信号中提取出跨域特征输出，跨域特征包括时域类特征、频域类特征以及熵类特征；所述时域类特征反映脑电信号的原始特性，包括脑电信号的方差、峰峰值、平均整流值和过零率；所述频域类特征包括脑电信号中δ(0.5-4hz),θ(4-8hz),α(8-13hz),β(13-30hz),γ(≥30hz)五个频带的能量特征；所述熵类特征包括脑电信号的样本熵及排列熵，其中样本熵用于描述脑电信号的随机程度和复杂性，以反映脑电信号的不规则性，排列熵用于评估信号序列中含有的随机噪声；
23、所述自注意力模块的输入为跨域特征，用于确定跨域特征中不同域的脑电信号和伪影的注意力信息，并进行自适应融合得到融合特征输出；
24、所述门控循环模块，其输入为融合特征，用于对融合特征进行分类，得到脑电信号的分类结果输出。
25、更进一步的，所述跨域特征提取模块采用多层神经网络提取跨域特征。
26、更进一步的，所述自注意力模块由多个自注意力层堆叠而成。
27、更进一步的，所述门控循环模块由依次连接的序列输入层、门控循环层、全连接层、drop-out层以及softmax层构成；其中，序列输入层输入维度为1×t，其中t为采样点个数；门控循环层包含若干个层叠设置的门控单元，全连接层维度为1×4，drop-out层参数设置为0.5。
28、进一步的，所述脑电信号降噪网络包括四个并行的脑电信号降噪网络，每个脑电信号降噪网络均包括依次连接的输入层、序列折叠层、双向长短期记忆网络层、序列展开层、全连接层、drop-out层以及回归输出层。
29、本专利技术针对伪影的多样性，使用脑电信号评估网络，从时域、频域及熵的特征分析脑电信号，可以捕捉到脑电信号中的不同类型的信息，获取更全面、准确的脑电信号特征，提升了对脑电信号中伪影类型识别的准确率，提高模型本文档来自技高网...
【技术保护点】
1.一种基于评估-降噪两级网络的脑电降噪方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于评估-降噪两级网络的脑电降噪方法，其特征在于，所述步骤3中训练评估-降噪两级网络模型的损失函数为：
3.根据权利要求1所述的一种基于评估-降噪两级网络的脑电降噪方法，其特征在于，所述生成样本数据集中模拟脑电信号的方法包括以下步骤：
4.根据权利要求1所述的一种基于评估-降噪两级网络的脑电降噪方法，其特征在于：所述脑电信号评估网络包括跨域特征提取模块、自注意力模块和门控循环模块；
5.根据权利要求4所述的一种基于评估-降噪两级网络的脑电降噪方法，其特征在于：所述跨域特征提取模块采用多层神经网络提取跨域特征。
6.根据权利要求5所述的一种基于评估-降噪两级网络的脑电降噪方法，其特征在于：所述自注意力模块由多个自注意力层堆叠而成。
7.根据权利要求6所述的一种基于评估-降噪两级网络的脑电降噪方法，其特征在于：所述门控循环模块由依次连接的序列输入层、门控循环层、全连接层、drop-out层以及Softmax层构成
8.根据权利要求1所述的一种基于评估-降噪两级网络的脑电降噪方法，其特征在于：所述脑电信号降噪网络包括四个并行的脑电信号降噪网络，每个脑电信号降噪网络均包括依次连接的输入层、序列折叠层、双向长短期记忆网络层、序列展开层、全连接层、drop-out层以及回归输出层。
...【技术特征摘要】
1.一种基于评估-降噪两级网络的脑电降噪方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于评估-降噪两级网络的脑电降噪方法，其特征在于，所述步骤3中训练评估-降噪两级网络模型的损失函数为：
3.根据权利要求1所述的一种基于评估-降噪两级网络的脑电降噪方法，其特征在于，所述生成样本数据集中模拟脑电信号的方法包括以下步骤：
4.根据权利要求1所述的一种基于评估-降噪两级网络的脑电降噪方法，其特征在于：所述脑电信号评估网络包括跨域特征提取模块、自注意力模块和门控循环模块；
5.根据权利要求4所述的一种基于评估-降噪两级网络的脑电降噪方法，其特征在于：所述跨域特征提取模块采用多层神经网络提取跨域特征。
6.根据权利要求5所述的一种基于评估...
【专利技术属性】
技术研发人员：黄瑞，李哲，施柯丞，穆逢君，李文江，张静婷，程洪，
申请(专利权)人：电子科技大学，
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。