System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于图像处理,具体涉及一种脑电信号智能降噪方法、系统、设备及介质。
技术介绍
1、脑电信号是反映脑细胞活动的电生理信号,通过读取人脑皮层神经元放电活动而获得。采集到的脑电信号可以反映体内不同脑区的工作和协同状态。
2、然而,由于生理和外界原因,采集到的脑电信号通常混入了各种噪声,降低了信号的质量,严重影响后续的信号分析与病理识别。常见的噪声来源有:眼电噪声、心电噪声、肌电噪声等生理性噪声,以及电源线接口噪声、机械运动噪声等外部噪声。
3、现有的脑电信号的滤波降噪方法主要采用带阻滤波器,通过设置信号通过的频率范围来达到去除噪声的目的。但该方法依赖固定的经验频带,去噪效果差,也有采用盲源分离算法对混合脑电信号分解,但对提取到的独立信号分量缺乏有效识别,易保留过多噪声,也就是说现有的脑电降噪方法对生理噪声的适应性不强,容易造成有效信号成分的丢失。
技术实现思路
1、本专利技术的目的在于提供一种脑电信号智能降噪方法、系统、设备及介质,提高了对生理噪声的适应性,有效抑制了噪声干扰的同时,最大程度保存了有效的脑电源信号。
2、本专利技术第一方面提供了一种脑电信号智能降噪方法,包括:
3、获取原始脑电信号,并对所述原始脑电信号进行预处理得到混合脑电信号矩阵;
4、对所述混合脑电信号矩阵进行信号分解,得到独立的不同脑区的多个信号分量矩阵;
5、对各个所述信号分量矩阵中的信号分量进行特征提取,得到对应的高维特征向量;<
...【技术保护点】
1.脑电信号智能降噪方法,其特征在于,包括:
2.如权利要求1所述脑电信号智能降噪方法,其特征在于,所述对所述混合脑电信号矩阵进行信号分解,得到独立的不同脑区的多个信号分量矩阵,包括:
3.如权利要求1所述脑电信号智能降噪方法,其特征在于,所述根据所述高维特征向量计算各个所述信号分量与其余信号分量之间的差异性指数,得到各个信号分量对应的平均差异性指数,包括:
4.如权利要求1所述脑电信号智能降噪方法,其特征在于,所述提取各个所述信号分量矩阵中的信号分量对应的时频转折点集,包括:
5.如权利要求4所述脑电信号智能降噪方法,其特征在于,所述获取各个所述信号分量矩阵中的信号分量对应的时频曲线矩阵,包括:
6.如权利要求1-5任一项所述脑电信号智能降噪方法,其特征在于,所述计算各个所述时频转折点集与标准噪声库中的噪声样本的匹配度,包括:
7.如权利要求1-5任一项所述脑电信号智能降噪方法,其特征在于,所述根据各个所述信号分量对应的平均差异性指数和目标匹配度计算得到对应的噪声概率,包括:
8.脑电信号智能降
9.计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1-7中任一项所述的方法的步骤。
10.计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1-7中任一项所述的方法的步骤。
...【技术特征摘要】
1.脑电信号智能降噪方法,其特征在于,包括:
2.如权利要求1所述脑电信号智能降噪方法,其特征在于,所述对所述混合脑电信号矩阵进行信号分解,得到独立的不同脑区的多个信号分量矩阵,包括:
3.如权利要求1所述脑电信号智能降噪方法,其特征在于,所述根据所述高维特征向量计算各个所述信号分量与其余信号分量之间的差异性指数,得到各个信号分量对应的平均差异性指数,包括:
4.如权利要求1所述脑电信号智能降噪方法,其特征在于,所述提取各个所述信号分量矩阵中的信号分量对应的时频转折点集,包括:
5.如权利要求4所述脑电信号智能降噪方法,其特征在于,所述获取各个所述信号分量矩阵中的信号分量对应的时频曲线矩阵,包括:
...
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。