基于贝叶斯网络模型的脑电信号压缩编码方法及设备与流程

本申请涉及脑机接口，尤其涉及一种基于贝叶斯网络模型的脑电信号压缩编码方法及设备。

背景技术：

1、脑电信号记录了大脑皮层神经元群体的生物电活动,广泛应用于脑机接口、神经科学研究、临床辅助诊断等领域。然而,由于人体复杂的生理结构和外界环境的干扰,脑电信号往往包含大量噪声,且数据量庞大,给信号存储、传输和后续分析带来诸多挑战。因此,对脑电信号进行高效压缩编码极为重要。

2、传统的脑电信号压缩编码方法主要包括小波变换编码、主成分分析编码、自适应滤波编码等。其中,小波变换编码是最为广泛使用的方法之一。小波变换能够在时间和频率域同时对信号进行多尺度分析,适用于非平稳信号的处理。该方法通过选择合适的小波基函数和分解层数,对脑电信号进行多层次分解,保留有用的细节和近似分量,舍弃噪声分量,从而实现压缩编码。

3、小波变换编码具有一定的自适应性和抗噪性,但其压缩性能受限于小波基函数的选择、分解层数的确定,以及对信号的先验知识等因素,存在一定局限性，往往难以在保留信号质量的同时实现高压缩比,亟需新的技术方案来满足实际应用需求。

技术实现思路

1、本申请提供了一种基于贝叶斯网络模型的脑电信号压缩编码方法，旨在解决现有的小波变换编码的压缩性能受限于小波基函数的选择、分解层数的确定,以及对信号的先验知识等因素,存在一定局限性，往往难以在保留信号质量的同时实现高压缩比,亟需新的技术方案来满足实际应用需求。

2、第一方面，本申请提供了一种基于贝叶斯网络模型的脑电信号压缩编码方法，包括：

3、获取脑电设备采集的原始脑电信号，对原始脑电信号进行多尺度分解，获取多组小波系数；

4、对小波系数进行变换重构，获取目标脑电信号，对目标脑电信号进行信号分解，获取多个脑电分量信号；

5、将每个脑电分量信号输入至待构建的贝叶斯网络模型，以使每个脑电分量信号分别与贝叶斯网络模型的任务特征节点、任务状态节点和任务并行节点连接；

6、优化贝叶斯网络模型的节点连接权重，生成构建完成的目标贝叶斯模型，目标贝叶斯模型输出多个脑电分量信号对应的并行压缩任务关系；

7、根据并行压缩任务关系将多个脑电分量信号划分为多个任务集群，获取每个任务集群在脑电设备中的定位结果；

8、在原始脑电信号中提取出每个任务集群对应的原始分量信号，将任务集群和对应的原始分量信号输入至预置的压缩编码器，输出任务集群对应的目标任务负载数据，根据多个目标任务负载数据分别完成对多个原始分量信号的压缩编码。

9、第二方面，本申请提供了一种脑电信号压缩编码装置，包括：

10、数据获取模块，用于获取待对齐的原始脑电数据，对所述原始脑电数据进行预处理，获取标准脑电数据和标签信息；

11、矩阵构建模块，用于根据所述标准脑电数据对应的时间点信息和通道信息，构建所述原始脑电数据对应的脑电数据矩阵；

12、特征输出模块，用于将所述脑电数据矩阵输入至预设的卷积神经网络，输出所述脑电数据矩阵对应的全局特征；

13、特征分解模块，用于将所述全局特征输入至预设的广义低秩近似分解模型,将所述全局特征分解为低秩分量和稀疏分量，分别对所述低秩分量和稀疏分量进行特征选取，输出低秩特征通道数据和稀疏特征通道数据；

14、相似计算模块，用于分别计算所述低秩特征通道数据和稀疏特征通道数据与预设的专家知识数据的第一相似度，根据所述第一相似度在所述低秩特征通道数据和稀疏特征通道中确定目标特征通道数据；

15、数据对齐模块，用于根据迭代特征对齐算法对所述目标特征通道数据进行跨域数据的特征分布对齐,输出对齐后的所述目标特征通道数据；其中，在所述迭代特征对齐算法中，所述原始脑电数据为目标域数据，所述标准脑电数据和标签信息为源域数据，完成对所述原始脑电数据的特征分布对齐。

16、第三方面，本申请提供了一种计算机设备，所述计算机设备包括存储器和处理器；所述存储器用于存储计算机程序；所述处理器，用于执行所述计算机程序并在执行所述计算机程序时实现本申请实施例所提供的任一项基于贝叶斯网络模型的脑电信号压缩编码方法的步骤。

17、第四方面，本申请提供了一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时使所述处理器实现本申请实施例所提供的任一项基于贝叶斯网络模型的脑电信号压缩编码方法的步骤。

18、与现有技术相比，本申请至少具备以下有益效果：

19、 1. 实现了脑电信号的语义分群和认知功能定位；传统的脑电信号分析方法难以直接从原始混杂信号中分离出不同的认知功能成分及其对应的脑源位置。本发明利用小波分解、ica分离、贝叶斯网络分群等技术手段,能够自动将脑电信号划分为不同的任务集群,每个集群对应一种特定的认知功能,如视觉加工、运动想象、语言理解等。同时,通过loreta反算定位算法,可以精确确定每个任务集群的脑源位置在大脑皮层上的空间坐标。这种自动语义分群和认知功能定位能力,为脑电数据的解释和应用提供了新的分析视角。

20、2. 实现了基于认知功能负载的自适应压缩编码；本发明提出了一种基于认知功能负载的自适应压缩编码策略。具体来说,通过计算每个任务集群的功率谱密度,量化其对应的认知功能负载水平。然后采用分层编码,为功能负载越大的任务集群分配越高的码率,使其量化误差越小,从而在有限码率约束下,最大限度地保留了原始脑电信号中的关键认知负载信息。该自适应编码策略能够灵活权衡压缩率和信号保真度,在保证重建质量的前提下,实现了较高的压缩比。

21、3. 支持高质量的脑电数据无线传输和远程处理；由于脑电信号具有微弱的生物电特性,其无线传输和远程处理一直是制约脑机接口等应用发展的瓶颈。本发明通过自适应压缩编码策略,能够在不过多损失原始信号质量的情况下,将脑电数据的码率大幅降低。同时,编码后的数据还带有任务集群的认知功能标注和脑源定位信息,为后续的数据解码和认知分析提供了必要的元数据支持。这种低码率高质量的脑电数据特性,为构建高效脑机接口系统、实现远程脑电信号云端处理等提供了关键支撑。

22、应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。

技术特征：

1.一种基于贝叶斯网络模型的脑电信号压缩编码方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，每组所述小波系数包括细节系数和粗近似系数；所述对所述原始脑电信号进行多尺度分解，获取多组小波系数，包括：

3.根据权利要求2所述的方法，其特征在于，所述对所述小波系数进行变换重构，包括：

4.根据权利要求1所述的方法，其特征在于，在所述对所述小波系数进行变换重构之前，还包括：

5.根据权利要求1所述的方法，其特征在于，在所述将每个所述脑电分量信号输入至待构建的贝叶斯网络模型之前，还包括:提取每个所述脑电分量信号对应的时频特征，以将所述时频特征输入至所述贝叶斯网络模型；所述贝叶斯网络模型包括特征层、状态层和并行层；所述将每个所述脑电分量信号输入至待构建的贝叶斯网络模型，包括：

6.根据权利要求1所述的方法，其特征在于，所述脑电设备包括多个头皮电极；所述获取每个所述任务集群在所述脑电设备中的定位结果，包括：

7.根据权利要求1所述的方法，其特征在于，所述根据多个所述目标任务负载数据分别完成对多个所述原始分量信号的压缩编码，包括：

8.一种脑电信号压缩编码装置，其特征在于，包括：

9.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器；

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时使所述处理器实现如权利要求1至7中任一项所述的基于贝叶斯网络模型的脑电信号压缩编码方法的步骤。

技术总结本申请公开一种基于贝叶斯网络模型的脑电信号压缩编码方法及设备，方法通过获取待对齐的原始脑电数据并进行预处理，获取标准脑电数据和标签信息；根据标准脑电数据对应的时间点信息和通道信息，构建脑电数据矩阵并输入至预设的卷积神经网络，输出脑电数据矩阵对应的全局特征；将全局特征输入至预设的广义低秩近似分解模型,以分解为低秩分量和稀疏分量，分别对低秩分量和稀疏分量进行特征选取，分别计算输出的低秩特征通道数据和稀疏特征通道数据与预设的专家知识数据的相似度信息，根据相似度信息在低秩特征通道数据和稀疏特征通道中确定目标特征通道数据；根据迭代特征对齐算法对目标特征通道数据进行跨域数据的特征分布对齐。技术研发人员：李越,唐海波,迟硕受保护的技术使用者：小舟科技有限公司技术研发日：技术公布日：2024/8/1