基于CycleGAN模型的多导联脑电信号的眼电伪迹自动识别与去除方法技术

本发明专利技术涉及一种基于CycleGAN模型的多导联脑电信号的眼电伪迹自动识别与去除方法，属于生物电信号处理技术领域。该方法包括：采集被试人员的脑电信号数据并进行预处理；提取眼电伪迹并加入眼电伪迹信号库，将去除眼电伪迹的脑电信号加入干净脑电信号库；随机选取干净脑电信号和眼电伪迹，将眼电伪迹加入干净脑电信号得到含噪脑电信号，将干净脑电信号和含噪脑电信号输入CycleGAN模型中，对该模型进行训练；将采集的多导联脑电信号数据进行预处理再输入训练好的模型中，实现多导联脑电信号的眼电伪迹去除。本发明专利技术能够保留脑电信号中的有效信息用于其他脑电信号分析或应用，能够对多导联脑电信号中的眼电伪迹进行识别与去除。

【技术实现步骤摘要】

本专利技术属于基于生成对抗网络的生物电信号处理，涉及一种基于cyclegan模型的多导联脑电信号的眼电伪迹自动识别与去除方法。

技术介绍

1、脑电图(eeg)作为监测大脑电活动的重要手段，对于神经科学研究、临床诊断及认知功能评估具有不可估量的价值。然而，eeg信号的采集极易受到多种内外源性因素的干扰，这些干扰统称为伪迹，它们显著增加了数据分析的难度和准确性。eeg伪迹包括外源性伪迹和内源性伪迹两大类。

2、其中，外源性伪迹主要包括环境噪声(如电力线干扰、电磁辐射)、设备因素(如电极接触不良、放大器漂移)以及物理运动伪迹(如头部移动、电极线晃动)。其中，电力线干扰通常以50/60hz及其谐波形式存在，可通过特定频率的陷波滤波器有效滤除；而物理运动引起的伪迹则可能通过改进固定装置和信号处理技术来减轻。

3、内源性伪迹则是由受试者自身的生理活动产生的，包括眼动(如眨眼、扫视)、肌肉活动(如面部肌肉紧张、咀嚼)、心脏活动(心电图干扰)以及呼吸等。在内源性伪迹中，眼电伪迹(eog artifacts)尤为突出，因为眼睛的运动会产生显著的电位变本文档来自技高网...

【技术保护点】

1.一种基于CycleGAN模型的多导联脑电信号的眼电伪迹自动识别与去除方法，其特征在于，该方法包括：采集被试人员的脑电信号数据并进行预处理；

2.根据权利要求1所述的方法，其特征在于，所述采集被试人员的脑电信号数据包括，采集所述被试人员在情绪诱发下的脑电信号和所述被试人员左右手运动想象的脑电信号。

3.根据权利要求1或2所述的方法，其特征在于，对所采集的被试人员的脑电信号进行预处理，包括：对采集的每段数据进行基线矫正，消除基线漂移；对每段数据进行平均重参考处理，减少共用噪声；对每段数据进行去趋势化处理，移除线性趋势；对每段数据进行带通滤波，去除特定频率范围外的噪...

【技术特征摘要】

1.一种基于cyclegan模型的多导联脑电信号的眼电伪迹自动识别与去除方法，其特征在于，该方法包括：采集被试人员的脑电信号数据并进行预处理；

2.根据权利要求1所述的方法，其特征在于，所述采集被试人员的脑电信号数据包括，采集所述被试人员在情绪诱发下的脑电信号和所述被试人员左右手运动想象的脑电信号。

3.根据权利要求1或2所述的方法，其特征在于，对所采集的被试人员的脑电信号进行预处理，包括：对采集的每段数据进行基线矫正，消除基线漂移；对每段数据进行平均重参考处理，减少共用噪声；对每段数据进行去趋势化处理，移除线性趋势；对每段数据进行带通滤波，去除特定频率范围外的噪声；对每段数据进行带阻滤波，去除工频噪声；从脑电信号数据中提取清洗后的信号特征。

4.根据权利要求1所述的方法，其特征在于，根据眼电伪迹在脑电信号中的分布特征，即眼电伪迹在时域上有明显的大振幅电位变化且持续时间短的特征，检测脑电信号是否包含眼电伪迹，其过程包括：设置一个阈值xthre...

【专利技术属性】
技术研发人员：李沛洋，钟强健，黄伟杰，韩江渝，林睿婷，田银，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：