一种多通道脑电信号伪迹去除方法
- 国知局
- 2024-08-22 15:10:03
本发明涉及一种多通道脑电信号伪迹去除方法。
背景技术:
1、生理伪迹去除的传统方法有:回归、滤波、小波变换分解、盲源分离和混合方法。回归方法主要依赖于设置参考通道,使用线性变换将被伪影污染的脑电信号去估计出的伪迹,从而得到纯净的脑电信号。若是没有参考信号,则伪影去除的性能显著下降。滤波方法有两个限制,一是肌电信号与脑电信号中感兴趣部分的频谱有很大的重叠,二是需要将伪迹信号设置为参考。盲源分离的方法包括主成分分析、独立成分分析、经验模式分解、规范相关分析等,这些方法与小波变换分解通过将被伪迹污染的信号通过一定的变换映射到另一个新的数据空间,使用一些既定的标准或者手动检查去除掉伪影分量,再将未去除的成分重建为纯净的脑电信号。即使是将多种盲源分离方法相结合能够提高部分性能,但仍旧无法避免盲源分离算法的缺点,即需要大量的通道数量、充足的先验知识和手动检查剔除。
2、申请号为202211690128.6的中国发明专利申请公开了基于ica和异常值检测的脑电伪迹去除方法、系统及设备(公开日为2023.05.05),其使用盲源分离方法中的独立成分分析(ica)技术将脑电分解成多个独立的估计源信号,根据设定阈值检索异常值,并将异常值去除;此方法复杂低较低、鲁棒性好,但是精确度与与所选阈值有关,需要大量的先验知识。申请号为202210203921.2的中国发明专利申请公开了一种多通道脑电信号中眼电伪迹去除方法(公开日为2023.09.12),其使用快速独立成分分析(fastica)与经验小波变换(ewt)去除眼电伪迹,该方法将脑电信号转换为独立成分分量,通过自适应样本熵找出包含眼电伪迹的分量,将这类分量通过经验小波变换与自相关技术找到含有眼电伪迹的经验模态分量,去除其中眼电伪迹后重建脑电。此方法不需要人工参与,且计算效率较高,但是只针对于单一伪迹眼电,应用领域较为狭窄。
3、随着深度学习的神经网络模型性能的巨大提升,泛化能力的显著提高,人们开始使用基于深度学习的方法进行脑电伪影去除。一维残差卷积神经网络(1d-rescnn)使用三个不同尺度的卷积核分别对原始脑电信号进行特征提取,从而实现脑电信号的伪迹去除。接着一个用于肌电和眼电伪影去除的半模拟基准数据集eegdenoisenet出现,同时eegdenoisenet使用了四个不同架构的网络,分别是全连接网络(fc)、单路不具有残差连接的简单卷积神经网络(simplecnn)、具有残差连接的多分支的复杂卷积神经网络(complexcnn)、递归神经网络(rnn)进行伪迹去除。后来新型卷积神经网络(novelcnn)被设计专门应用在肌电伪迹的去除;基于transformer的eegdnet被设计专门用于眼电伪迹的去除,可以同时关注到局部特征与非局部特征用于伪影去除。申请号为202310198897.2的中国发明专利申请公开了一种基于多模块神经网络的脑电信号伪迹去除方法(公开日为2023.05.30),使用多模块的神经网络结合残差网络思想设计出一种脑电伪迹去除模型,该模型可以有效区分脑电于伪迹,但是训练过程中只对于单一通道脑电信号,且仅使用肌电伪迹训练测试,在多通道脑电伪迹去除任务中表现如何还尚未可知;申请号为202310171586.7的中国发明专利申请公开了一种基于分割-降噪网络的脑电伪迹去除方法(公开日为2023.02.22),设计出分割-降噪模型sdnet,可以在在无先验知识的情况下去除多种伪迹,但是使用的数据为人工合成的带有伪迹的脑电数据,未在真实数据集上测试。
4、基于深度学习的方法克服了传统方法需要设置参考通道或需要手动检查的局限性,实现了自动化的伪影去除。脑电信号是以时序信号的方式被记录,但是上述神经网络忽略掉脑电信号的时序特征,只提取形态特征,并且只针对于单一通道。因此,多通道脑电信号伪迹去除的网络结构设计有着更多的可能性。
技术实现思路
1、本发明的目的在于克服现有技术中的不足之处,提供一种多通道脑电信号伪迹去除方法。
2、为了实现本发明的目的,本发明将采用如下所述的技术方案加以实施。
3、一种多通道脑电信号伪迹去除方法,包括如下步骤:
4、s1、获取被伪迹污染的脑电数据;
5、s2、将被伪迹污染的脑电数据输入去除网络模型,得到去除伪迹的脑电数据;
6、其中,所述去除网络模型是基于神经网络,通过引入多尺度注意力机制模块建立的;所述去除网络模型是利用具有识别标签的被伪迹污染的脑电数据样本进行训练、测试后得到的;
7、所述神经网络包括卷积神经网络、和与所述卷积神经网络串联的全连接神经网络,其中,所述卷积神经网络采用双分支结构,每个分支包括依次串联的多个形态学特征提取与时序特征强化模块,每一个所述形态学特征提取与时序特征强化模块包括依次串联的一个一维卷积模块、一个多尺度注意力机制模块和一个池化模块,其中,所述一维卷积模块用于提取形态学特征;所述多尺度注意力机制模块用于保留强化时序特征;所述池化模块用于在保留时序特征的同时降低脑电数据维度;
8、所述全连接神经网络的主干网络采用双分支结构,每一分支的最后一个全连接层后添加长短时记忆层,构成时序特征提取模块,用于提取脑电数据的时序特征;
9、其中,所述多尺度注意力机制模块负责对输入的特征图进行特征分组,得到分组特征图,之后采用双并行路径分别对分组特征图进行通道信息编码并融合、捕获多尺度特征表示,通过跨空间学习将批标准化后的通道关系编码为全局空间信息,同时将多尺度的特征表示直接转换维度形状,融合全局空间信息,输出与输入的特征图大小相同的多尺度空间注意力权重图。
10、作为本发明的优选方案,所述多尺度注意力机制模块包括分组卷积层、左尺度分支和右尺度分支的双并行路径、跨空间学习和权重融合,其中:
11、所述分组卷积层用于对输入特征图的通道进行分组,每一组学习不同区域的特征,并在特征增强后输出分组特征图;
12、所述右尺度分支用于提取分组特征图的全局特征,获得全局特征图,具体来说,通过卷积和平均池化将不同尺度的信息进行融合,获得全局视角下的特征表示;
13、所述左尺度分支负责利用分组特征图关注不同通道间的依赖关系,通过建立通道注意力机制,求解获得局部注意力权重图,并将局部注意力权重图和分组特征图融合为局部融合特征图;
14、所述跨空间学习将所述左尺度分支输出的局部融合特征图与所述右尺度分支输出的全局特征图,经标准化后编码为全局空间信息,同时,将通道融合特征图与全局特征图调整形状,分别通过矩阵点积操作获得包含全局与局部信息的、两个不同颗粒度的多尺度空间注意力特征图;
15、所述权重融合用于将所述两个不同颗粒度的多尺度空间注意力特征图,通过sigmoid函数融合为多尺度空间注意力权重图,并将其融入分组特征图。作为本发明的优选方案,所述脑电数据样本的获取方法,包括如下步骤:
16、s31、在执行任务的时候,采集被测试者的脑电数据,并打上标签;
17、s32、对采集到的脑电数据进行预处理;
18、s33、根据任务标签对经预处理的脑电数据进行分段;
19、s34、采用独立成分分析分离剔除质量差和不可用的脑电数据;
20、s35、对经分离剔除后的脑电数据进行数据扩增,并将数据扩增后的脑电数据按照一定比例随机生成训练集、验证集和测试集。
21、作为本发明的优选方案,所述神经网络的权重参数和偏置参数随机初始化,并设置学习率、加载数据量和训练轮次。
22、作为本发明的优选方案,所述权重参数与偏置参数采用adam优化器进行更新,直至完成训练轮次结束。
23、作为本发明的限定方案,所述伪迹去除方法还包括验证所述多尺度注意力机制有效性的方法,所述方法是根据评价指标来验证的。
24、作为本发明的优选方案,所述评价指标包括信噪比snr,时域的相对均方根误差rrmset,频域的相对均方根误差rrmsef和平均相关系数cc,其中:
25、,
26、,
27、,
28、,
29、式中,表示纯净的脑电集合,表示网络模型重建出的脑电数据,rms为均方根函数,psd为功率谱密度计算函数,cov和var分别是协方差函数与方差函数。
30、本发明技术方案的有益效果如下:
31、1.使用双分支并行的一维卷积模块。包含不同大小卷积核的卷积模块,能有效区别脑电信号与生理伪迹,并提取脑电信号的形态学特征。由于形态学特征提取过程中可能破坏掉脑电信号的时序特征,本发明使用设计的高效多尺度注意力模块,在卷积模块后,维护脑电信号的时序特征,并将其强化,以便后续提取。使用池化模块将数据降维,减少计算量,提高计算速度。
32、2.使用长短时记忆网络对数据进行时序特征进行提取。在前序步骤中已将时序特征强化,此时更容易提取,只需使用一次的长短时记忆网络层。
33、3.整个网络可以实现对多通道的脑电信号伪迹去除,不仅仅限于单通道。同时本发明不是针对某一特别的生理伪迹设计,它可以实现多种伪迹的同时去除,包括肌电伪迹、心电伪迹、眼电伪迹等。
本文地址:https://www.jishuxx.com/zhuanli/20240822/281461.html
版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 YYfuon@163.com 举报,一经查实,本站将立刻删除。
下一篇
返回列表