脑电信号智能降噪方法、系统、设备及介质技术方案

技术编号：41007407 阅读：3 留言：0更新日期：2024-04-18 21:43

本发明专利技术公开了一种脑电信号智能降噪方法、系统、设备及存储介质，其技术方案要点在于，对预处理后的原始脑电信号进行信号分解得到多个信号分量矩阵；对信号分量矩阵中的信号分量进行特征提取得到高维特征向量；根据高维特征向量计算各个信号分量与其余信号分量之间的差异性指数；提取信号分量对应的时频转折点集；计算各个时频转折点集与标准噪声库中的噪声样本的匹配度，选取出信号分量的目标噪声和目标匹配度；根据各个信号分量对应的差异性指数和目标匹配度计算得到对应的噪声概率，根据噪声概率对信号分量矩阵进行重构得到降噪信号矩阵。本发明专利技术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。

全部详细技术资料下载

【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；</p>

6、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；

7、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；

8、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，根据所述匹配度选取出各个信号分量对应的目标噪声和目标匹配度；

9、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，根据所述噪声概率对信号分量矩阵进行重构，得到降噪信号矩阵。

10、在其中一些实施例中，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：

11、初始化线性全连接矩阵；

12、采用所述线性全连接矩阵对所述混合脑电信号矩阵进行转换，得到中间矩阵；

13、对所述中间矩阵进行非线性函数变换得到变换矩阵；

14、根据所述变换矩阵的独立性增长情况，更新所述线性全连接矩阵，进行迭代，直至独立性指标收敛，得到独立的不同脑区的多个信号分量矩阵。

15、在其中一些实施例中，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：

16、计算各个所述信号分量与其余信号分量之间的欧氏距离；

17、计算各个所述信号分量与其余信号分量之间的余弦相似度；

18、根据所述欧氏距离和余弦相似度得到各个信号分量与其余信号分量之间的差异性指数。

19、在其中一些实施例中，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：

20、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；

21、采用滑动窗口扫描所述时频曲线矩阵，得到各个滑动窗口对应的所有潜在转折点；

22、根据所述滑动窗口的潜在转折点的数量、距离分布及方向分布得到对应的保留指数；

23、根据所述保留指数和预设阈值对各个滑动窗口内的潜在转折点进行筛选，得到多个保留转折点；

24、对所有的保留转折点进行合并优化确定时频转折点，形成时频转折点集。

25、在其中一些实施例中，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：

26、对各个所述信号分量矩阵中的信号分量进行经验模态分解，以自适应地分解出对应的本征模态成分；

27、根据各个所述本征模态成分生成对应的解析信号和时域包络线；

28、将各个所述本征模态成分和对应的解析信号进行卷积，得到对应的时频能量分布；

29、根据各个所述本征模态成分和对应的时频能量分布，得到对应的时频分布图；

30、将各个所述信号分量对应的时频分布图和时域包络线结合，得到对应的时频曲线矩阵。

31、在其中一些实施例中，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：

32、对各个所述时频转折点集进行函数逼近，得到对应的目标向量；

33、计算各个所述噪声样本对应的时频坐标参数，进行函数逼近，得到对应的噪声向量；

34、计算目标向量和各个噪声向量之间的距离，得到对应的匹配度。

35、在其中一些实施例中，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：

36、采用噪声概率计算公式计算各个所述信号分量对应的噪声概率，其中，所述噪声概率计算公式为：

37、，

38、其中，所述pnoise表示噪声概率，w1表示第一权重系数，w2表示第二权重系数，diff表示差异性指数，d目表示目标匹配度。

39、本专利技术第二方面提供了一种脑电信号智能降噪系统，包括：

40、信号获取模块，用于获取原始脑电信号，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；

41、信号分解模块，用于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；

42、特征提取模块，用于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；

43、差异性计算模块，用于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；

44、转折点提取模块，用于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；

45、计算选取模块，用于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，根据所述匹配度选取出各个信号分量对应的目标噪声和目标匹配度；

46、计算重构模块，用于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，根据所述噪声概率对信号分量矩阵进行重构，得到降噪信号矩阵。

47、本专利技术第三方面提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述的方法的步骤。

48、本专利技术第四方面提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的方法的步骤。

49、本专利技术所提供的技术方案具有以下的优点及效果：通过分析每个独立的信号分量的时频特征与其他信号分量的差异性，可以测量该信本文档来自技高网...

【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.脑电信号智能降噪系统，其特征在于，包括：

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：

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：

...

【专利技术属性】
技术研发人员：胡方扬，魏彦兆，李越，
申请(专利权)人：小舟科技有限公司，
类型：发明
国别省市：

全部详细技术资料下载我是这个专利的主人