CN113208622A - 基于深度神经网络技术的脑电eeg信号去噪方法及*** - Google Patents

Abstract

本发明公开了一种基于深度神经网络技术的脑电EEG信号去噪方法及***。其中方法包括以下步骤：(1)通过EEG设备采集用户脑电EEG信号，并对脑电EEG信号进行传输；(2)通过瞬时噪声的判别与去除子***获取脑电EEG信号，对脑电EEG信号进行分割以及对噪声进行识别，并进行噪声的去除；(3)通过对脑电EEG信号整体状态进行判断，判别用户所处的状态，并使用去噪算法对整体的状态噪声进行去除；(4)通过报告子***，输出去噪过程中的噪声分析及去除结果。本方法具有适应性强，自动化的特点，可以适配于不同设备和被试状态，噪声去除过程可以全自动进行，无需人为判别，使用门槛低，并且易于广泛推广。

Description

基于深度神经网络技术的脑电EEG信号去噪方法及***

技术领域

本发明涉及的是深度神经网络技术领域，特别是一种基于深度神经网络技术的脑电EEG信号去噪方法及***。

背景技术

深度神经网络：深度神经网络(DNN)是深度学习的一种框架，它是一种具备至少一个隐层的神经网络。与浅层神经网络类似，深度神经网络也能够为复杂非线性***提供建模，但多出的层次为模型提供了更高的抽象层次，因而提高了模型的能力。当下常用的数种深度学习框架包括深度神经网络、卷积神经网络和深度置信网络和循环神经网络。由于脑电信号是大脑皮层神经元群同步放电经由皮层、脑脊液、硬膜、颅骨与头皮等多层组织传递到放置于头皮的电极采集得到，极易被污染，很可能使得EEG中隐含的大脑功能信息被噪声掩盖，甚至得出错误的结论。常见的噪声可以分为非生理性和生理性。在生理性噪声中，最突出的是眼睛运动引起的噪声，包括眨眼，眼球运动和额外的眼部肌肉活动。肌电(EMG)是EEG中另一个主要的噪声，由头颈部的肌肉运动引起的。头部的肌电噪声主要来自额、颞、耳后、枕部以及颈部肌肉的收缩，如颈部肌肉紧张(枕部导联)、吞咽(常出现在各个导联，以颞部导联最明显)、皱眉(额前部导联)、咬牙等运动。心电噪声在EEG中也较常见，每次心脏收缩都伴随出现心电，心电几乎在身体的任何部位都能检出，并可扩展到头部。非生理性噪声主要由被试运动、采集设备、环境干扰等引起的。环境中电磁场对脑电电极(EEGelectrodes)干扰很大，显著的电力线干扰(50Hz或60Hz)常常产生高的电极阻抗或阻抗不匹配。电极松动，或者被试运动，都会导致电极阻抗发生瞬时变化，出现尖峰脉冲。

现有的噪声去除算法主要采用剔除伪迹、时域滤波器、空域滤波器。剔除伪迹的缺点是：会导致EEG数据丢失，使得后续分析可用的试次数减少，甚至不具有代表性。时域滤波器主要缺点是：其中的有限冲击响应滤波器和无限冲击响应滤波器是较早用于去除伪迹的方法，但是当伪迹与感兴趣的EEG在特定频带上重叠时，不适合采用该方法；其中的回归方法和自适应滤波器，都需要采集伪迹的通道作为参考通道。主要缺点是：需要依赖于电极的空间位置信息，以及部分方法(ICA等方法)，不能自动去除伪迹，需要人工进行检验是否为噪声成分。

综上，上述已有方式都是基于噪声的特征进行直接去除或回归去除，会在去除过程中同时去除生理成分，并且部分去除方法需要人工进行判定，对于大量、长时间的EEG成本较高。

发明内容

本发明的目的是提供一种基于深度神经网络技术的脑电EEG信号去噪方法及***，以实现对设备采集的脑电EEG信号自动化进行噪声去除，并使信号进行输出，用于进一步生理、病理的分析。

为解决上述技术问题，一方面，本发明提供一种基于深度神经网络技术的脑电EEG信号去噪方法，该方法具体包括以下步骤：

第一步：通过脑电EEG设备采集用户脑电EEG信号，并对脑电EEG信号进行传输；

第二步：通过瞬时噪声的判别与去除子***获取脑电EEG信号，对脑电EEG信号进行分割以及对噪声进行识别，并进行噪声的去除；

第三步：通过对脑电EEG信号整体状态进行判断，判别被试所处的状态，并使用去噪算法对整体的状态噪声进行去除；

第四步：通过报告子***，输出去噪过程中的噪声分析及去除结果。

另一方面，本发明还提供了一种基于深度神经网络技术的脑电EEG信号去噪***，该***包括：

脑电EEG设备，用于采集用户脑电EEG信号，并对脑电EEG信号进行传输；

瞬时噪声的判别与去除子***，用于获取脑电EEG信号，并对脑电EEG信号进行分割以及对噪声进行识别，并进行噪声的去除；通过对脑电EEG信号的整体状态进行判断，判别用户所处的状态，并使用去噪算法对整体的状态噪声进行去除；

报告子***，用于输出去噪过程中的噪声分析及去除结果。

本发明具有适应性强，自动化的特点，可以适配于不同设备和被试状态，噪声去除过程可以全自动进行，无需人为判别，使用门槛低，并且易于广泛推广。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本发明所提供的一种基于深度神经网络技术的脑电EEG信号去噪方法的流程图；

图2为本发明所提供的不同噪声的特征变化示意图；

图3为本发明所提供的去噪算法原理图；

图4为本发明所提供的一种基于深度神经网络技术的脑电EEG信号去噪***的结构示意图。

具体实施方式

本发明的核心是提供一种基于深度神经网络技术的脑电EEG信号去噪方法及***，以实现对设备采集的脑电EEG信号自动化进行噪声去除，并使信号进行输出，用于进一步生理、病理的分析。

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

针对图1所示的脑电EEG设备，本方案对各类干电极和湿电极设备采集的脑电EEG信号均有效，在本发明中，用以下干电极设备采集的信号为案例进行说明，其特征为干电极高精度脑电EEG信号的采集装置，电极点位左右对称分布，电极具有较高的采样率，能够满足对脑电信号的精确刻画；该设备主要由生物传感器、前端电路设备等组成。

通过上述便携式BCI设备采集被试整晚睡眠过程中脑电EEG信号，其具体步骤包括：1.便携式BCI设备的佩戴、定位，阻抗调试，使其能够采集到平稳自发头皮脑；2.脑电信号预处理和编码；3.将处理后的数字信号数据压缩后，实时传输到终端设备。

通过瞬时噪声的判别于去除***，对于数据进行分割以及对应噪声的识别，并进行噪声的去除，具体步骤包括：

1.对于整体数据进行解码，分割。即将压缩的高频数字信号还原为波形数据，再使用包含重叠的窗口对于数据进行分割，将数据分割成小段以进行短时噪声的提取和分析。不同噪声的特征如图2所示，不用时间(可以秒为单位)对应的电压振幅不同。

2.使用深度神经网络判断单个数据片段中是否包含了瞬时噪声信号。如图3所示，通过输入单个片段的脑电EEG信号，并输出是否包含噪声以及噪声种类的分类结果，对于各个片段是否包含了噪声成分，以及噪声成分的种类进行分类；

3.使用深度自编码器模型对于噪声信号进行去除，并重构生理信号。其中，深度自编码器的输入是包含有噪声片段的信号，其输出为通过网络生成出的、与原信号对应的、去掉噪声成分的信号。深度自编码器通过噪声数据集、噪声数据的模拟等方法等进行训练的；将经过分段噪声去除的信号进行加权平均组合，以获得去除短时噪声信号成分的整体信号；

通过对脑电EEG信号整体状态进行判断，判别被试所处的状态，并使用去噪算法对整体的状态噪声进行去除，具体步骤包括：

1.使用滤波，小波变换等基于时域、频域的方法，提取信号的整体特征；

2.以提取到的特征作为输入，使用基于深度神经网络的分类模型，对于被试所处的状态进行分类，输出所判断出的状态，如注意，放松，疲劳等；

3.使用针对于不同状态所训练好的深度自编码器，对于经过分类后的整体信号进行重构，以生成去除整体噪声后的信号。

将去噪后的数据输出至用户所需设备，本实施例优选以图文形式同步输出去噪过程中的噪声分析及去除结果。

本发明还提供了一种基于深度神经网络技术的脑电EEG信号去噪***，如图4所示，该***用于实现上述方法，包括：

脑电EEG设备100，用于采集用户脑电EEG信号，并对脑电EEG信号进行传输；

瞬时噪声的判别与去除子***200，用于获取脑电EEG信号，对脑电EEG信号进行分割以及对噪声进行识别，并进行噪声的去除；通过对脑电EEG信号的整体状态进行判断，判别用户所处的状态，并使用去噪算法对整体的状态噪声进行去除；

报告子***300，用于输出去噪过程中的噪声分析及去除结果。

具体地，报告子***可以设置为显示器等具有显示屏的电子设备。

具体地，瞬时噪声的判别与去除子***可以设置在脑电EEG设备100本地，也可以设置在云端。

具体地，脑电EEG设备100可以通过无线传输技术，如WiFi协议，将脑电EEG信号传输至瞬时噪声的判别与去除子***。

本发明具有适应性强，自动化的特点，可以适配于不同设备和被试状态，噪声去除过程可以全自动进行，无需人为判别，使用门槛低，并且易于广泛推广。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。

专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。

以上对本发明所提供的一种基于深度神经网络技术的脑电EEG信号去噪方法及***进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

Claims (8)

1.一种基于深度神经网络技术的脑电EEG信号去噪方法，其特征在于，包括以下步骤：

第一步：通过脑电EEG设备采集用户脑电EEG信号，并对脑电EEG信号进行传输；

第二步：通过瞬时噪声的判别与去除子***获取脑电EEG信号，对脑电EEG信号进行分割以及对噪声进行识别，并进行噪声的去除；

第三步：通过对脑电EEG信号的整体状态进行判断，判别用户所处的状态，并使用去噪算法对整体的状态噪声进行去除；

第四步：通过报告子***，输出去噪过程中的噪声分析及去除结果。

2.如权利要求1所述的方法，其特征在于，通过对脑电EEG信号进行分割的步骤，具体包括：

对脑电EEG信号进行压缩，得到高频数字信号；

将高频数字信号还原为波形数据；

使用包含重叠的窗口对波形数据分割成小段，以进行短时噪声的提取和分析。

3.如权利要求1所述的方法，其特征在于，对脑电EEG信号的噪声进行识别的步骤，包括：

使用深度神经网络判断单个数据片段中是否包含了瞬时噪声信号。

4.如权利要求1所述的方法，其特征在于，对噪声的去除包括：

使用深度自编码器模型对于噪声信号进行去除，并重构生理信号。

5.如权利要求4所述的方法，其特征在于，所述深度自编码器模型是指具体特征噪声所训练的深度自编码器。

6.如权利要求1所述的方法，其特征在于：通过对脑电EEG信号整体状态进行判断的步骤，包括：

将分段去除的信号重构成整体信号，使用深度神经网络模型对脑电EEG信号所处的状态、环境进行判断。

7.如权利要求1所述的方法，其特征在于：所述去噪算法采用深度神经网络模型。

8.一种基于深度神经网络技术的脑电EEG信号去噪***，其特征在于，用于实现如权利要求1至7中任意一项所述的方法，包括：

脑电EEG设备，用于采集用户脑电EEG信号，并对脑电EEG信号进行传输；

瞬时噪声的判别与去除子***，用于获取脑电EEG信号，对脑电EEG信号进行分割以及对噪声进行识别，并进行噪声的去除；通过对脑电EEG信号的整体状态进行判断，判别用户所处的状态，并使用去噪算法对整体的状态噪声进行去除；

报告子***，用于输出去噪过程中的噪声分析及去除结果。

Images