CN111493864B - Eeg信号混合噪声处理方法、设备和存储介质 - Google Patents

Eeg信号混合噪声处理方法、设备和存储介质 Download PDF

Info

Publication number
CN111493864B
CN111493864B CN202010192757.0A CN202010192757A CN111493864B CN 111493864 B CN111493864 B CN 111493864B CN 202010192757 A CN202010192757 A CN 202010192757A CN 111493864 B CN111493864 B CN 111493864B
Authority
CN
China
Prior art keywords
signal
representing
noise
eeg signal
model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010192757.0A
Other languages
English (en)
Other versions
CN111493864A (zh
Inventor
陈欣荣
杜东书
李俊瑞
李潇涵
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Suzhou Naowang Algorithm Intelligent Technology Co ltd
Original Assignee
Suzhou Naowang Algorithm Intelligent Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Suzhou Naowang Algorithm Intelligent Technology Co ltd filed Critical Suzhou Naowang Algorithm Intelligent Technology Co ltd
Priority to CN202010192757.0A priority Critical patent/CN111493864B/zh
Publication of CN111493864A publication Critical patent/CN111493864A/zh
Application granted granted Critical
Publication of CN111493864B publication Critical patent/CN111493864B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/369—Electroencephalography [EEG]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Surgery (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Veterinary Medicine (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Public Health (AREA)
  • Molecular Biology (AREA)
  • Physics & Mathematics (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Psychology (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明涉及一种基于压缩感知的EEG信号混合噪声处理方法，包括以下步骤：获取EEG信号，并建立噪声环境下多通道脑电模型；建立多通道脑电信号重构方法的优化模型，并采用所述优化模型进行优化，得到重构信号；使用高斯模型和均匀分布对重构信号匹配的偏差进行建模，并对重构信号中的异常信号进行识别。本发明还涉及基于压缩感知的EEG信号混合噪声处理设备。本发明能够有效消除噪声。

Description

EEG信号混合噪声处理方法、设备和存储介质
技术领域
本发明涉及脑电信号处理技术领域，特别是涉及一种EEG信号混合噪声处理方法、设备和存储介质。
背景技术
脑电(简称EGG)信号是最常用的生物医学信号之一，其是脑神经细胞电生理活动在大脑皮层或头皮表面的总体反映。EGG信号中包含了大量的生理与疾病信息，在临床医学方面，EGG信号处理不仅可为某些脑疾病提供诊断依据，而且还为某些脑疾病提供了有效的治疗手段。在工程应用方面，人们也尝试利用脑电信号实现脑-计算机接口(BCI)利用人对不同的感觉、运动或认知活动的脑电的不同，通过对脑电信号的有效的提取和分类达到某种控制目的。但由于脑电信号是不具备各态历经性的非平稳随机信号，而且其背景噪声也很强，因此脑电信号的分析和处理一直是非常吸引人但又是具有相当难度的研究课题。
自1932年Dietch首先用傅立叶变换进行了EEG分析之后，在脑电分析中相继引入了频域分析、时域分析等脑电图分析的经典方法。近年来，在脑电图分析中应用了小波分析、匹配跟踪方法、神经网络分析、混沌分析等方法以及各种分析方法的有机结合，有力地推动了脑电信号分析方法的发展。
实践中，脑电记录每天很容易产生1GB的数据，传输所需的能量非常高。传统的压缩方法是在传输前对数据进行压缩，由于大量的样本数据在压缩过程中被丢弃，严重浪费了资源。为了应对这一挑战，提出了压缩感知技术，此时模拟信号在奈奎斯特采样速率下不再是第一次采样，而是在压缩过程中直接以较低的采样率获得压缩信号，并通过非线性算法从压缩数据中恢复信号。
现有专利CN106388778B给出了一种睡眠状态分析中的脑电信号预处理方法和***，其中所述方法包括：采集用户在睡眠过程中产生的原始脑电信号；根据预设的中值滤波的窗口长度，对原始脑电信号进行中值滤波，滤除基线漂移；根据滤波后的脑电信号频率和幅值对中值滤波的窗口长度自适应调整，直至滤波后的脑电信号在经过小波分解后的设定频段内的能量最大，且脑电信号幅度的均值绝对值最小；输出滤除基线漂移的脑电信号。
然而，上述方法仅仅考虑了传输过程中产生的噪声影响，而在实际情况下，噪声是不可避免的因素，根据噪声分布的特点，可以分成稠密噪声和稀疏噪声，当处理从复杂噪声环境中采集到的压缩信号，以往的方法得到的脑电信号的性能都会下降，这对后续判断造成了影响。
发明内容
本发明所要解决的技术问题是提供一种基于压缩感知的EEG信号混合噪声处理方法及设备，能够有效消除噪声。
本发明解决其技术问题所采用的技术方案是：提供一种基于压缩感知的EEG信号混合噪声处理方法，包括以下步骤：
(1)获取EEG信号，并建立噪声环境下多通道脑电模型；
(2)建立多通道脑电信号重构方法的优化模型，并采用所述优化模型进行优化，得到重构信号；
(3)使用高斯模型和均匀分布对重构信号匹配的偏差进行建模，并对重构信号中的异常信号进行识别。
所述步骤(1)中建立的噪声环境下多通道脑电模型为Y＝ΦX+N+S，其中，
Figure GDA0004002823370000021
表示压缩后被噪声干扰的多通道脑电信号矩阵，
Figure GDA0004002823370000022
表示多通道脑电信号矩阵，N表示高斯噪声，S表示脉冲噪声，R表示脑电信号的通道数，m表示压缩后的数据长度，n表示每个通道的脑电信号数据长度。
所述步骤(2)中多通道脑电信号重构方法的优化模型为
Figure GDA0004002823370000023
min表示最小化算子，|| ||1表示信号矩阵中所有行和列元素绝对值的总和，Ω表示二阶差分矩阵生成的协稀疏分析字典，rank()表示秩函数，|| ||F表示弗罗贝尼乌斯规则化，λ,α,β均为规则化参数。
所述步骤(2)中采用所述优化模型进行优化时，令V1＝ΩX，V2＝X，优化过程如下：
Figure GDA0004002823370000024
Figure GDA0004002823370000025
Figure GDA0004002823370000026
Figure GDA0004002823370000031
V2 k+1＝Xk+1，其中，μ为惩罚系数。
所述步骤(3)具体为：将相匹配信号的偏差训练深度置信网络，学习得到相关性，其中相匹配信号的偏差使用高斯模型和均匀分布建模，即
Figure GDA0004002823370000032
其中，εi表示两点集相匹配后的偏差，θ＝{γ,σ2}为未知参数，σ2为高斯模型的协方差，D为维数，γ∈[0,1]表示内在点占的比例，
Figure GDA0004002823370000033
为均匀分布。
本发明解决其技术问题所采用的技术方案是：还提供一种基于压缩感知的EEG信号混合噪声处理设备，包括处理器和存储有计算机程序的存储器，所述计算机程序由所述处理器执行上述的基于压缩感知的EEG信号混合噪声处理方法的步骤。
本发明解决其技术问题所采用的技术方案是：还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序由处理器执行上述基于压缩感知的EEG信号混合噪声处理方法的步骤。
有益效果
由于采用了上述的技术方案，本发明与现有技术相比，具有以下的优点和积极效果：本发明根据多通道脑电信号的特点，结合高斯模型和均匀分布对相匹配信号的偏差进行建模，从而对异常信号能够有效识别，确保噪声的消除。
附图说明
图1是本发明的流程图。
具体实施方式
下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。
本发明的实施方式涉及一种基于压缩感知的EEG信号混合噪声处理方法，如图1所示，主要包括三个步骤：获取EEG信号，并建立噪声环境下多通道脑电模型；建立多通道脑电信号重构方法的优化模型，并采用所述优化模型进行优化，得到重构信号；使用高斯模型和均匀分布对重构信号匹配的偏差进行建模，并对重构信号中的异常信号进行识别。具体如下：
步骤1.通过干电极获取EEG信号，不仅存在高斯噪声，往往也存在多种噪声，例如脉冲噪声等。因此本实施方式为了克服多通道脑电信号在复杂噪声环境下压缩感知受到噪声干扰的问题，将获得的EEG信号表示为：Y＝ΦX+N+S，其中，
Figure GDA0004002823370000041
表示压缩后被噪声干扰的多通道脑电信号矩阵，
Figure GDA0004002823370000042
表示多通道脑电信号矩阵，N表示高斯噪声，S表示脉冲噪声，R表示脑电信号的通道数，m表示压缩后的数据长度，n表示每个通道的脑电信号数据长度。
步骤2.由于脉冲噪声存在稀疏属性，因此，优化模型可表示为
Figure GDA0004002823370000043
其中，min表示最小化算子，|| ||1表示信号矩阵中所有行和列元素绝对值的总和，Ω表示二阶差分矩阵生成的协稀疏分析字典，|| ||F表示弗罗贝尼乌斯规则化，α,β均为规则化参数。上式可写成
Figure GDA0004002823370000044
其中，rank()表示秩函数，λ为规则化参数。
采用所述优化模型进行优化时，令V1＝ΩX，V2＝X，优化过程如下：
Figure GDA0004002823370000045
Figure GDA0004002823370000046
Figure GDA0004002823370000047
Figure GDA0004002823370000048
V2 k+1＝Xk+1，其中，μ为惩罚系数。该优化模型基于脑电信号多通道以及多种噪声的特性，较好地解决了多通道脑电信号快速处理问题以及多种噪声降噪的问题。
步骤3.重构后的信号中异常信号产生的偏差满足均匀分布，为
Figure GDA0004002823370000049
该特征可用于训练DBN，学习得到相关性，即令X-Y作为DBN的输入，DBN网络的输出参数用于建模两点集之间的误差分布。因此，相匹配信号的偏差可使用高斯模型和均匀分布建模，即
Figure GDA0004002823370000051
其中，εi表示两点集相匹配后的偏差，θ＝{γ,σ2}为未知参数，σ2为高斯模型的协方差，D为维数，γ∈[0,1]表示内在点占的比例，
Figure GDA0004002823370000052
为均匀分布。采用基于深度学习网络实现异常信号的建模，可实现模型参数的自动估算，以及自动识别异常噪声。
本发明实施方式还提供了一种EEG信号混合噪声处理设备，包括处理器和存储有计算机程序的存储器，处理器用于运行计算机程序，其中，计算机程序运行时执行上述的EEG信号混合噪声的处理方法。
另外，在本发明中的各功能可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明实施方式所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
不难发现，本发明根据多通道脑电信号的特点，结合高斯模型和均匀分布对相匹配信号的偏差进行建模，从而对异常信号能够有效识别，确保噪声的消除。

Claims (5)

1.一种基于压缩感知的EEG信号混合噪声处理方法，其特征在于，包括以下步骤：
(1)获取EEG信号，并建立噪声环境下多通道脑电模型；其中，所述建立的噪声环境下多通道脑电模型为Y＝ΦX+N+S，
Figure FDA0004002823360000011
表示压缩后被噪声干扰的多通道脑电信号矩阵，
Figure FDA0004002823360000012
表示多通道脑电信号矩阵，Φ表示压缩测量矩阵，N表示高斯噪声，S表示脉冲噪声，R表示脑电信号的通道数，m表示压缩后的数据长度，n表示每个通道的脑电信号数据长度；
(2)建立多通道脑电信号重构方法的优化模型，并采用所述优化模型进行优化，得到重构信号；
(3)使用高斯和均匀分布混合模型对所述重构信号中异常信号产生的偏差εi进行建模，并对重构信号中的异常信号进行识别；具体为，采用所述重构信号中异常信号产生的偏差训练深度置信网络，学习得到相关性，其中所述重构信号中异常信号产生的偏差使用高斯和均匀分布混合模型建模，即
Figure FDA0004002823360000013
其中，εi＝yi-xi表示所述重构信号中异常信号产生的偏差，yi∈Y，xi∈X，θ＝{γ,σ2}，σ2为高斯模型的协方差，D为维数，γ∈[0,1]表示内在点占的比例，
Figure FDA0004002823360000014
为均匀分布。
2.根据权利要求1所述的基于压缩感知的EEG信号混合噪声处理方法，其特征在于，所述步骤(2)中多通道脑电信号重构方法的优化模型为
Figure FDA0004002823360000015
min表示最小化算子，|| ||1表示信号矩阵中所有行和列元素绝对值的总和，Ω表示二阶差分矩阵生成的协稀疏分析字典，rank()表示秩函数，|| ||F表示弗罗贝尼乌斯规则化，λ,α,β均为规则化参数。
3.根据权利要求2所述的基于压缩感知的EEG信号混合噪声处理方法，其特征在于，所述步骤(2)中采用所述优化模型进行优化时，令V1＝ΩX，V2＝X，优化过程如下：
Figure FDA0004002823360000016
Figure FDA0004002823360000017
Figure FDA0004002823360000021
Figure FDA0004002823360000022
V2 k+1＝Xk+1，其中，μ为惩罚系数，V1表示第一主分量信息，V2表示的第二主分量信息，k表示第k次迭代。
4.一种基于压缩感知的EEG信号混合噪声处理设备，包括处理器和存储有计算机程序的存储器，其特征在于，所述计算机程序由所述处理器执行如权利要求1-3中任一所述的基于压缩感知的EEG信号混合噪声处理方法的步骤。
5.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序由处理器执行如权利要求1-3中任一所述的基于压缩感知的EEG信号混合噪声处理方法的步骤。
CN202010192757.0A 2020-03-18 2020-03-18 Eeg信号混合噪声处理方法、设备和存储介质 Active CN111493864B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010192757.0A CN111493864B (zh) 2020-03-18 2020-03-18 Eeg信号混合噪声处理方法、设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010192757.0A CN111493864B (zh) 2020-03-18 2020-03-18 Eeg信号混合噪声处理方法、设备和存储介质

Publications (2)

Publication Number Publication Date
CN111493864A CN111493864A (zh) 2020-08-07
CN111493864B true CN111493864B (zh) 2023-04-07

Family

ID=71848165

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010192757.0A Active CN111493864B (zh) 2020-03-18 2020-03-18 Eeg信号混合噪声处理方法、设备和存储介质

Country Status (1)

Country Link
CN (1) CN111493864B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113925509B (zh) * 2021-09-09 2024-01-23 杭州回车电子科技有限公司 基于脑电信号的注意力值计算方法、装置和电子装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109523486B (zh) * 2018-11-22 2021-04-02 合肥工业大学 噪声环境下基于鲁棒压缩感知的多通道脑电信号重构方法

Also Published As

Publication number Publication date
CN111493864A (zh) 2020-08-07

Similar Documents

Publication Publication Date Title
Chen et al. Removal of muscle artifacts from the EEG: A review and recommendations
Chen et al. The use of multivariate EMD and CCA for denoising muscle artifacts from few-channel EEG recordings
CN109784242B (zh) 基于一维残差卷积神经网络的脑电信号去噪方法
Chen et al. Removing muscle artifacts from EEG data: Multichannel or single-channel techniques?
Maddirala et al. Removal of EOG artifacts from single channel EEG signals using combined singular spectrum analysis and adaptive noise canceler
Gevins Analysis of the electromagnetic signals of the human brain: milestones, obstacles, and goals
CN110353672B (zh) 一种脑电信号中眼部伪迹去除***及去除方法
US8315970B2 (en) Method and rhythm extractor for detecting and isolating rhythmic signal features from an input signal using the wavelet packet transform
Roy et al. Image denoising by data adaptive and non-data adaptive transform domain denoising method using EEG signal
CN114266276B (zh) 一种基于通道注意力和多尺度时域卷积的运动想象脑电信号分类方法
CN111310570B (zh) 一种基于vmd和wpd的脑电信号情感识别方法及***
AU2020103949A4 (en) EEG Signal Mixed Noise Processing Method, Equipment and Storage Medium
CN114533086B (zh) 一种基于空域特征时频变换的运动想象脑电解码方法
Liu et al. Removal of EMG artifacts from multichannel EEG signals using combined singular spectrum analysis and canonical correlation analysis
Lopes et al. Automatic electroencephalogram artifact removal using deep convolutional neural networks
CN112861625B (zh) 一种堆叠去噪自编码器模型确定方法
Patil et al. Quality advancement of EEG by wavelet denoising for biomedical analysis
CN111631710B (zh) 一种状态相关的动态脑电信号中肌电伪迹的消除方法
Furui et al. Non-Gaussianity detection of EEG signals based on a multivariate scale mixture model for diagnosis of epileptic seizures
CN108143412B (zh) 一种儿童脑电情绪分析的控制方法、装置及***
CN113842115B (zh) 一种改进的eeg信号特征提取方法
CN113723557A (zh) 一种基于多频带时空卷积网络的抑郁脑电分类***
CN111493864B (zh) Eeg信号混合噪声处理方法、设备和存储介质
Hanrahan Noise reduction in EEG signals using convolutional autoencoding techniques
CN117064405A (zh) 一种单通道脑电信号伪迹去除方法、设备及介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant