CN113791691B - 一种脑电信号波段定位方法及装置 - Google Patents

一种脑电信号波段定位方法及装置 Download PDF

Info

Publication number
CN113791691B
CN113791691B CN202111111846.9A CN202111111846A CN113791691B CN 113791691 B CN113791691 B CN 113791691B CN 202111111846 A CN202111111846 A CN 202111111846A CN 113791691 B CN113791691 B CN 113791691B
Authority
CN
China
Prior art keywords
confidence
electroencephalogram signal
positioning
confidence coefficient
data
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
CN202111111846.9A
Other languages
English (en)
Other versions
CN113791691A (zh
Inventor
孙亚强
蒿杰
梁俊
史佳锋
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.)
Xintiao Technology Guangzhou Co ltd
Institute of Automation of Chinese Academy of Science
Guangdong Institute of Artificial Intelligence and Advanced Computing
Original Assignee
Xintiao Technology Guangzhou Co ltd
Institute of Automation of Chinese Academy of Science
Guangdong Institute of Artificial Intelligence and Advanced Computing
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 Xintiao Technology Guangzhou Co ltd, Institute of Automation of Chinese Academy of Science, Guangdong Institute of Artificial Intelligence and Advanced Computing filed Critical Xintiao Technology Guangzhou Co ltd
Priority to CN202111111846.9A priority Critical patent/CN113791691B/zh
Publication of CN113791691A publication Critical patent/CN113791691A/zh
Application granted granted Critical
Publication of CN113791691B publication Critical patent/CN113791691B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/011—Arrangements for interaction with the human body, e.g. for user immersion in virtual reality
    • G06F3/015—Input arrangements based on nervous system activity detection, e.g. brain waves [EEG] detection, electromyograms [EMG] detection, electrodermal response detection
    • 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]
    • A61B5/372—Analysis of electroencephalograms
    • 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
    • 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
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Psychiatry (AREA)
  • Surgery (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Signal Processing (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Animal Behavior & Ethology (AREA)
  • Pathology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Psychology (AREA)
  • Dermatology (AREA)
  • Neurology (AREA)
  • Neurosurgery (AREA)
  • Human Computer Interaction (AREA)
  • Fuzzy Systems (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本申请实施例提供一种脑电信号波段定位方法及装置，涉及脑机接口技术领域，该脑电信号波段定位方法包括：先获取待处理脑电信号；并对待处理脑电信号进行归一化处理，得到归一化信号；然后通过预构的波段定位网络对归一化信号进行处理，得到输出数据；再根据输出数据和预设的置信度阈值，确定定位数据；最后对定位信息进行连续性处理，以去除定位数据中的噪声，得到脑电信号波段定位结果，能够高效解决脑电信号的波段定位问题。

Description

一种脑电信号波段定位方法及装置
技术领域
本申请涉及脑机接口领域，具体而言，涉及一种脑电信号波段定位方法及装置。
背景技术
目前脑电信号分析在脑机接口的领域得到了越来越广泛的应用。现有的脑电信号分析绝大多数仍旧针对脑电信号分类问题而展开的，即给定一段固定的脑电信号，利用分类方法，从而判断这段信号的类。比如对于情绪分析任务，需要给出这段信号是高兴或者悲伤等；对于移动机械臂的脑机接口任务，需要给出这段信号是代表向前、还是向后等。现有的脑电信号分类方法，通常是利用如关联、分形维数等方法，只能实现对于一段信号进行分类分析，不能完成对一整段信号的波段定位。
发明内容
本申请实施例的目的在于提供一种脑电信号波段定位方法及装置，能够高效解决脑电信号的波段定位问题。
本申请实施例第一方面提供了一种脑电信号波段定位方法，包括：获取待处理脑电信号；
对所述待处理脑电信号进行归一化处理，得到归一化信号；
通过预构的波段定位网络对所述归一化信号进行处理，得到输出数据；
根据所述输出数据和预设的置信度阈值，确定定位数据；
对定位信息进行连续性处理，以去除所述定位数据中的噪声，得到脑电信号波段定位结果。
在上述实现过程中，先获取待处理脑电信号；并对待处理脑电信号进行归一化处理，得到归一化信号；然后通过预构的波段定位网络对归一化信号进行处理，得到输出数据；再根据输出数据和预设的置信度阈值，确定定位数据；最后对定位信息进行连续性处理，以去除定位数据中的噪声，得到脑电信号波段定位结果，能够高效解决脑电信号的波段定位问题。
进一步地，所述根据所述输出数据和预设的置信度阈值，确定定位数据，包括：
获取预设的第一置信度和预设的第二置信度；
将所述输出数据中小于所述置信度阈值的置信度调整为所述第一置信度，得到初步调整数据；所述输出数据包括各个采样点对应的置信度；
将所述初步调整数据中不小于所述置信度阈值的置信度调整为所述第二置信度，得到定位数据。
在上述实现过程中，通过预设的第一置信度和预设的第二置信度，能够实现对输出数据进行阈值调整，得到定位数据。
进一步地，所述对定位信息进行连续性处理，以去除所述定位数据中的噪声，得到脑电信号波段定位结果，包括：
第一步：判断所述定位数据中其中一个采样点对应的置信度是否为所述第二置信度；
第二步：如果是所述第二置信度，判断所述定位数据中，在预设采样范围内是否存在有其它采样点的置信度为所述第二置信度；
第三步：如果不存在，则将该采样点对应的置信度调整为第一置信度；
第四步：遍历所述定位数据中每个采样点对应的置信度，重复执行所述第一步至所述第三步，最终得到脑电信号波段定位结果。
在上述实现过程中，对定位数据进行连续性处理，能够去除定位数据中的噪声，有利于提升波段定位准确度。
进一步地，所述波段定位网络包括CBL模块、CRP模块以及CRU模块，其中，CBL模块包括第一卷积子模块、归一化子模块以及激活函数子模块，所述CRP模块包括所述CBL模块、第二卷积子模块以及池化子模块，所述CRU模块包括所述CBL模块、第三卷积子模块以及上采样模块。
进一步地，所述波段定位网络在训练的时候采用加权交叉熵损失函数，所述加权交叉熵损失函数的公式为：
Figure BDA0003270274370000031
其中，WCE表示所述加权交叉熵损失函数，n表示所述输出数据对应的采样点的数量，p为所述输出数据包括的置信度，βp表示所述输出数据中置信度为所述第二置信度对应采样点的总数量与所述输出数据中置信度为所述第一置信度对应采样点的总数量之间的比值，i＝1，2，…，n，ri表示第i个采样点对应的标签真实值。
进一步地，所述对所述待处理脑电信号进行归一化处理，得到归一化信号，包括：
计算所述待处理脑电信号的幅值最大值；
将所述待处理脑电信号的幅度真实值除以所述幅值最大值，得到归一化信号。
在上述实现过程中，对待处理脑电信号进行归一化处理，能够获得了单通道、一维的数据，使其适用于预构的波段定位网络。
本申请实施例第二方面提供了一种脑电信号波段定位装置，所述脑电信号波段定位装置包括：
获取单元，用于获取待处理脑电信号；
归一化单元，用于对所述待处理脑电信号进行归一化处理，得到归一化信号；
模型处理单元，用于通过预构的波段定位网络对所述归一化信号进行处理，得到输出数据；
确定单元，用于根据所述输出数据和预设的置信度阈值，确定定位数据；
连续性处理单元，用于对定位信息进行连续性处理，以去除所述定位数据中的噪声，得到脑电信号波段定位结果。
在上述实现过程中，获取单元先获取待处理脑电信号；归一化单元并对待处理脑电信号进行归一化处理，得到归一化信号；然后模型处理单元通过预构的波段定位网络对归一化信号进行处理，得到输出数据；确定单元再根据输出数据和预设的置信度阈值，确定定位数据；最后连续性处理单元对定位信息进行连续性处理，以去除定位数据中的噪声，得到脑电信号波段定位结果，能够高效解决脑电信号的波段定位问题。
进一步地，所述确定单元包括：
获取子单元，用于获取预设的第一置信度和预设的第二置信度；
调整子单元，用于将所述输出数据中小于所述置信度阈值的置信度调整为所述第一置信度，得到初步调整数据；所述输出数据包括各个信号采样点对应的置信度；以及将所述初步调整数据中不小于所述置信度阈值的置信度调整为所述第二置信度，得到定位数据。
在上述实现过程中，通过预设的第一置信度和预设的第二置信度，能够实现对输出数据进行阈值调整，得到定位数据。
本申请实施例第三方面提供了一种电子设备，包括存储器以及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行本申请实施例第一方面中任一项所述的脑电信号波段定位方法。
本申请实施例第四方面提供了一种计算机可读存储介质，其存储有计算机程序指令，所述计算机程序指令被一处理器读取并运行时，执行本申请实施例第一方面中任一项所述的脑电信号波段定位方法。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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，还可以根据这些附图获得其他相关的附图。
图1为本申请实施例一提供的一种脑电信号波段定位方法的流程示意图；
图2为本申请实施例二提供的一种脑电信号波段定位方法的流程示意图；
图3为本申请实施例三提供的一种脑电信号波段定位装置的结构示意图；
图4为本申请实施例四提供的一种脑电信号波段定位装置的结构示意图；
图5为本申请实施例一提供的一种波段定位网络的网络示意图；
图6为本申请实施例一提供的一种脑电信号波段的定位流程示意图；
图7为本申请实施例二提供的一种波段定位网络的具体结构示意图；
图8为本申请实施例二提供的一种CBL模块、CRP模块以及CBL模块的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
实施例1
请参看图1，图1为本申请实施例提供了一种脑电信号波段定位方法的流程示意图。其中，该脑电信号波段定位方法包括：
S101、获取待处理脑电信号。
本申请实施例中，该待处理脑电信号具体可以为原始信号，也可以为经过基础预处理如滤波、去工频干扰等后的脑电信号等，对此本申请实施例不作限定。
S102、对待处理脑电信号进行归一化处理，得到归一化信号。
本申请实施例中，为获得能够适于分割模型(即预构的波段定位网络)的数据，需要对数据进行归一化处理，将数据整体归一化某个固定范围，如-1到+1之间。由于在去基线漂移时已经将信号幅值处理到0附近，因此只需要对幅值范围进行限定即可，即求出幅值数据的最大值，通过对数据集中的数据求去绝对值最大值即可，最后将真实值除以最大值，就是归一化后的数据，从而获得了单通道、一维的数据。
S103、通过预构的波段定位网络对归一化信号进行处理，得到输出数据。
本申请实施例中，预构的波段定位网络具体可以为全卷积分割模型，请一并参阅图5，图5是本申请实施例提供的一种波段定位网络的网络示意图。如图5所示，输入端为归一化信号，输入信号(即归一化信号)的信号长度可变，举例来说，归一化信号的信号长度可以为1*M，如过采样频率为1000HZ，采样时长为60S时，对应输入信号的信号长度即为1*60000，后续的均以这个尺寸为例。
本申请实施例中，输出数据的输出尺寸与输入对应，当输入的归一化信号的信号长度为1*M时，则输出数据的尺寸也为1*M，对于无精度变化的输出，其尺寸与输入相同，图5中输入信号的信号长度为1*60000，则输出数据的尺寸也为1*60000，输出数据包括各个采样点对应的置信度。
S104、根据输出数据和预设的置信度阈值，确定定位数据。
本申请实施例中，基于输出数据，可以实现对脑电信号波段的定位，具体流程如图6所示，由于输出数据包括各个采样点对应的置信度，对于预设的置信度阈值r(可以设置为0.5)，大于等于置信度阈值r的设置为1，小于置信度阈值r的设置为0；完成阈值处理后，即得到相应的定位数据，如6所示的5～10和16两部分即为阈值处理后的定位数据。
S105、对定位信息进行连续性处理，以去除定位数据中的噪声，得到脑电信号波段定位结果。
本申请实施例中，在实际过程中，在得到定位数据之后，该定位数据中可能会出现预测噪声，比如图6中的16单点明显属于预测噪声，因此需要进行连续性处理，以去除预测结果(即定位数据)中的噪声。
本申请实施例中，连续性处理的具体方法为：对于i点的阈值处理结果为1，若i-k到i+k范围内无置1的结果，那么将i点置0，同时，k范围约束下连续置1的长度需要大于给定长度阈值L。
本申请实施例中，该方法的执行主体可以为计算机、服务器等计算装置，对此本实施例中不作任何限定。
在本申请实施例中，该方法的执行主体还可以为智能手机、平板电脑等智能设备，对此本实施例中不作任何限定。
可见，实施本实施例所描述的脑电信号波段定位方法，能够高效解决脑电信号的波段定位问题。
实施例2
请参看图2，图2为本申请实施例提供的一种脑电信号波段定位方法的流程示意图。如图2所示，其中，该脑电信号波段定位方法包括：
S201、获取待处理脑电信号。
S202、计算待处理脑电信号的幅值最大值。
S203、将待处理脑电信号的幅度真实值除以幅值最大值，得到归一化信号。
本申请实施例中，实施上述步骤S202～步骤S203，能够对待处理脑电信号进行归一化处理，得到归一化信号。
本申请实施例中，为获得能够适于分割模型的数据，需要对数据进行归一化处理，将数据整体归一化某个固定范围，如-1到+1之间。由于在去基线漂移时已经将信号幅值处理到0附近，因此只需要对幅值范围进行限定即可，即求出幅值数据的最大值，通过对数据集中的数据求去绝对值最大值即可，最后将真实值除以最大值，就是归一化后的数据，从而获得了单通道、一维的数据。
在步骤S203之后，还包括以下步骤：
S204、通过预构的波段定位网络对归一化信号进行处理，得到输出数据。
请一并参阅图7和图8，图7是本申请实施例提供的一种波段定位网络的具体结构示意图，图8是本申请实施例提供的一种CBL模块、CRP模块以及CBL模块的结构示意图。如图7和图8所示，波段定位网络包括CBL模块、CRP模块以及CRU模块，其中，CBL模块包括第一卷积子模块、归一化子模块以及激活函数子模块，CRP模块包括CBL模块、第二卷积子模块以及池化子模块，CRU模块包括CBL模块、第三卷积子模块以及上采样模块。
在上述实施方式中，波段定位网络的网络核心包含CRP模块以及CRU模块两个模块，网络前半部分以CRP模块为主，其中包含卷积等操作，并包含一个用于降采样的池化操作，可以使特征输出维度减少；网络后半部分以CRU模块为主，除卷积等操作外，包含一个上采样模块，该上采样模块可以通过双线性差值、反卷积等实现。其中，CRU模块能够使特征维度提升，关于特征维度的减少和提升，可参见图5。
在上述实施方式中，CRP模块数量和CRU模块数量可以为多个，具体数量不作限定。
在上述实施方式中，CRU模块的数量如果与CRP模块的数量相同，则输出定位精度与原始数据采样分辨率相同；若CRU模块的数量少于CRP模块的数量，则可实现更低分辨率的定位精度；比如1KHZ的采样率，若CRU模块的数量和CRP模块的数量相同，则实现0.001秒的时间分辨率精度；每少一个CRU模块，时间分辨率将降低2倍。
本申请实施例中，预构的波段定位网络的具体结构如图7所示，其中卷积表示1*3的一维卷积，BN表示BatchNorm，激活函数可使用Leaky Relu。
S205、获取预设的第一置信度和预设的第二置信度。
本申请实施例中，具体地，该预设的第一置信度可以为0，预设的第二置信度可以为1，对此本申请实施例不作限定。
作为一种可选的实施方式，波段定位网络在训练的时候采用加权交叉熵损失函数，加权交叉熵损失函数的公式为：
Figure BDA0003270274370000091
其中，WCE表示加权交叉熵损失函数，n表示输出数据对应的采样点的数量，p为输出数据包括的置信度，βp表示输出数据中置信度为第二置信度对应采样点的总数量与输出数据中置信度为第一置信度对应采样点的总数量之间的比值，i＝1，2，…，n，ri表示第i个采样点对应的标签真实值。
本申请实施例中，
Figure BDA0003270274370000092
举例来说，当第一置信度为0，第二置信度为1时，
Figure BDA0003270274370000101
本申请实施例中，对于第i个采样点，该采样点存在预设类别的信号，则将该采样点对应的标签真实值设置为第二置信度，如果该采样点不存在预设类别的信号，则将该采样点对应的标签真实值设置为第一置信度。其中，该预设类别为信号类别，为预先设置。举例来说，当第一置信度为0，第二置信度为1时，对于第i个采样点，如果该采样点i存在预设类别的信号，则将采样点i对应的标签真实值设置为1，如果采样点i不存在预设类别的信号，则将采样点对应的标签真实值设置为0。
本申请实施例中，信号类别可以按数学关系、取值特征、能量功率、处理分析、所具有的时间函数特性、取值是否为实数等进行确定，对此本申请实施例中。
在步骤S205之后，还包括以下步骤：
S206、将输出数据中小于置信度阈值的置信度调整为第一置信度，得到初步调整数据；输出数据包括各个采样点对应的置信度。
S207、将初步调整数据中不小于置信度阈值的置信度调整为第二置信度，得到定位数据。
本申请实施例中，基于输出数据，可以实现对脑电信号波段的定位，具体流程如图6所示，由于输出数据包括各个采样点对应的置信度，对于预设的置信度阈值r(可以设置为0.5)，大于等于置信度阈值r的设置为预设的第二置信度，小于置信度阈值r的设置为预设的第一置信度；完成阈值处理后，即得到相应的定位数据，如6所示的5～10和16两部分即为阈值处理后的定位数据。
本申请实施例中，实施上述步骤S205～步骤S207，能够根据输出数据和预设的置信度阈值，确定定位数据。
在步骤S207之后，还包括以下步骤：
S208、对定位信息进行连续性处理，以去除定位数据中的噪声，得到脑电信号波段定位结果。
作为一种可选的实施方式，对定位信息进行连续性处理，以去除定位数据中的噪声，得到脑电信号波段定位结果，包括：
第一步：判断定位数据中其中一个采样点对应的置信度是否为第二置信度；
第二步：如果是第二置信度，判断定位数据中，在预设采样范围内是否存在有其它采样点的置信度为第二置信度；
第三步：如果不存在，则将该采样点对应的置信度调整为第一置信度；
第四步：遍历定位数据中每个采样点对应的置信度，重复执行第一步至第三步，最终得到脑电信号波段定位结果。
在上述实施方式中，预设采样范围为预先设置，具体可以设置为i-k到i+k，其中i表示当前所处理的采样点的采样位置。
在上述实施方式中，当第一置信度为0，第二置信度为所述第二置信度，预设采样范围为i-k到i+k时，对于定位数据中的其中一个采样点i，i点对应的置信度为所述第二置信度时，若i-k到i+k范围内无置1的结果，那么将i点置0，同时，k范围约束下连续置1的长度需要大于给定长度阈值L。
可见，实施本实施例所描述的脑电信号波段定位方法，能够高效解决脑电信号的波段定位问题。
实施例3
请参看图3，图3为本申请实施例提供的一种脑电信号波段定位装置的结构示意图。如图3所示，该脑电信号波段定位装置包括：
获取单元310，用于获取待处理脑电信号；
归一化单元320，用于对待处理脑电信号进行归一化处理，得到归一化信号；
模型处理单元330，用于通过预构的波段定位网络对归一化信号进行处理，得到输出数据；
确定单元340，用于根据输出数据和预设的置信度阈值，确定定位数据；
连续性处理单元350，用于对定位信息进行连续性处理，以去除定位数据中的噪声，得到脑电信号波段定位结果。
本申请实施例中，对于脑电信号波段定位装置的解释说明可以参照实施例1或实施例2中的描述，对此本实施例中不再多加赘述。
可见，实施本实施例所描述的脑电信号波段定位装置，能够高效解决脑电信号的波段定位问题。
实施例4
请一并参阅图4，图4是本申请实施例提供的一种脑电信号波段定位装置的结构示意图。其中，图4所示的脑电信号波段定位装置是由图3所示的脑电信号波段定位装置进行优化得到的。如图4所示，确定单元340包括：
获取子单元341，用于获取预设的第一置信度和预设的第二置信度；
调整子单元342，用于将输出数据中小于置信度阈值的置信度调整为第一置信度，得到初步调整数据；输出数据包括各个信号采样点对应的置信度；以及将初步调整数据中不小于置信度阈值的置信度调整为第二置信度，得到定位数据。
作为一种可选的实施方式，连续性处理单元350，包括：
第一判断子单元351，用于判断定位数据中其中一个采样点对应的置信度是否为第二置信度；
第二判断子单元352，用于当第一判断子单元351判断出该置信度是第二置信度时，判断定位数据中，在预设采样范围内是否存在有其它采样点的置信度为第二置信度；
调整子单元353，用于当第二判断子单元352判断出不存在时，则将该采样点对应的置信度调整为第一置信度；
循环子单元354，用于遍历定位数据中每个采样点对应的置信度，重复触发第一判断子单元351、第二判断子单元352以及调整子单元353执行相应的操作，最终得到脑电信号波段定位结果。
作为一种可选的实施方式，波段定位网络包括CBL模块、CRP模块以及CRU模块，其中，CBL模块包括第一卷积子模块、归一化子模块以及激活函数子模块，CRP模块包括CBL模块、第二卷积子模块以及池化子模块，CRU模块包括CBL模块、第三卷积子模块以及上采样模块。
作为一种可选的实施方式，所述波段定位网络在训练的时候采用加权交叉熵损失函数，所述加权交叉熵损失函数的公式为：
Figure BDA0003270274370000131
其中，WCE表示所述加权交叉熵损失函数，n表示所述输出数据对应的采样点的数量，p为所述输出数据包括的置信度，βp表示输出数据中置信度为所述第二置信度对应采样点的总数量与所述输出数据中置信度为所述第一置信度对应采样点的总数量之间的比值，i＝1，2，…，n，ri表示第i个采样点对应的标签真实值。
作为一种可选的实施方式，归一化单元320包括：
第一计算子单元321，用于计算待处理脑电信号的幅值最大值；
第二计算子单元322，用于将待处理脑电信号的幅度真实值除以幅值最大值，得到归一化信号。
本申请实施例中，对于脑电信号波段定位装置的解释说明可以参照实施例1或实施例2中的描述，对此本实施例中不再多加赘述。
可见，实施本实施例所描述的脑电信号波段定位装置，能够高效解决脑电信号的波段定位问题。
本申请实施例提供了一种电子设备，包括存储器以及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行本申请实施例1或实施例2中任一项脑电信号波段定位方法。
本申请实施例提供了一种计算机可读存储介质，其存储有计算机程序指令，所述计算机程序指令被一处理器读取并运行时，执行本申请实施例1或实施例2中任一项脑电信号波段定位方法。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的***来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块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存储介质中。基于这样的理解，本申请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(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

Claims (10)

1.一种脑电信号波段定位方法，其特征在于，包括：
获取待处理脑电信号；
对所述待处理脑电信号进行归一化处理，得到归一化信号；
通过预构的波段定位网络对所述归一化信号进行处理，得到输出数据；
根据所述输出数据和预设的置信度阈值，确定定位数据；
对定位信息进行连续性处理，以去除所述定位数据中的噪声，得到脑电信号波段定位结果。
2.根据权利要求1所述的脑电信号波段定位方法，其特征在于，所述根据所述输出数据和预设的置信度阈值，确定定位数据，包括：
获取预设的第一置信度和预设的第二置信度；
将所述输出数据中小于所述置信度阈值的置信度调整为所述第一置信度，得到初步调整数据；所述输出数据包括各个采样点对应的置信度；
将所述初步调整数据中不小于所述置信度阈值的置信度调整为所述第二置信度，得到定位数据。
3.根据权利要求2所述的脑电信号波段定位方法，其特征在于，所述对定位信息进行连续性处理，以去除所述定位数据中的噪声，得到脑电信号波段定位结果，包括：
第一步：判断所述定位数据中其中一个采样点对应的置信度是否为所述第二置信度；
第二步：如果是所述第二置信度，判断所述定位数据中，在预设采样范围内是否存在有其它采样点的置信度为所述第二置信度；
第三步：如果不存在，则将该采样点对应的置信度调整为第一置信度；
第四步：遍历所述定位数据中每个采样点对应的置信度，重复执行所述第一步至所述第三步，最终得到脑电信号波段定位结果。
4.根据权利要求1所述的脑电信号波段定位方法，其特征在于，所述波段定位网络包括CBL模块、CRP模块以及CRU模块，其中，CBL模块包括第一卷积子模块、归一化子模块以及激活函数子模块，所述CRP模块包括所述CBL模块、第二卷积子模块以及池化子模块，所述CRU模块包括所述CBL模块、第三卷积子模块以及上采样模块。
5.根据权利要求2所述的脑电信号波段定位方法，其特征在于，所述波段定位网络在训练的时候采用加权交叉熵损失函数，所述加权交叉熵损失函数的公式为：
Figure FDA0003270274360000021
其中，WCE表示所述加权交叉熵损失函数，n表示所述输出数据对应的采样点的数量，p为所述输出数据包括的置信度，βp表示所述输出数据中置信度为所述第二置信度对应采样点的总数量与所述输出数据中置信度为所述第一置信度对应采样点的总数量之间的比值，i＝1，2，…，n，ri表示第i个采样点对应的标签真实值。
6.根据权利要求1所述的脑电信号波段定位方法，其特征在于，所述对所述待处理脑电信号进行归一化处理，得到归一化信号，包括：
计算所述待处理脑电信号的幅值最大值；
将所述待处理脑电信号的幅度真实值除以所述幅值最大值，得到归一化信号。
7.一种脑电信号波段定位装置，其特征在于，所述脑电信号波段定位装置包括：
获取单元，用于获取待处理脑电信号；
归一化单元，用于对所述待处理脑电信号进行归一化处理，得到归一化信号；
模型处理单元，用于通过预构的波段定位网络对所述归一化信号进行处理，得到输出数据；
确定单元，用于根据所述输出数据和预设的置信度阈值，确定定位数据；
连续性处理单元，用于对定位信息进行连续性处理，以去除所述定位数据中的噪声，得到脑电信号波段定位结果。
8.根据权利要求7所述的脑电信号波段定位装置，其特征在于，所述确定单元包括：
获取子单元，用于获取预设的第一置信度和预设的第二置信度；
调整子单元，用于将所述输出数据中小于所述置信度阈值的置信度调整为所述第一置信度，得到初步调整数据；所述输出数据包括各个信号采样点对应的置信度；以及将所述初步调整数据中不小于所述置信度阈值的置信度调整为所述第二置信度，得到定位数据。
9.一种电子设备，其特征在于，所述电子设备包括存储器以及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行权利要求1至6中任一项所述的脑电信号波段定位方法。
10.一种可读存储介质，其特征在于，所述可读存储介质中存储有计算机程序指令，所述计算机程序指令被一处理器读取并运行时，执行权利要求1至6任一项所述的脑电信号波段定位方法。
CN202111111846.9A 2021-09-18 2021-09-18 一种脑电信号波段定位方法及装置 Active CN113791691B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111111846.9A CN113791691B (zh) 2021-09-18 2021-09-18 一种脑电信号波段定位方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111111846.9A CN113791691B (zh) 2021-09-18 2021-09-18 一种脑电信号波段定位方法及装置

Publications (2)

Publication Number Publication Date
CN113791691A CN113791691A (zh) 2021-12-14
CN113791691B true CN113791691B (zh) 2022-05-20

Family

ID=79184123

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111111846.9A Active CN113791691B (zh) 2021-09-18 2021-09-18 一种脑电信号波段定位方法及装置

Country Status (1)

Country Link
CN (1) CN113791691B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4083365A (en) * 1976-06-10 1978-04-11 Don Robert Yancey Dual integrator EEG analyzer
US5715452A (en) * 1993-12-27 1998-02-03 Hitachi, Ltd. Process of transferring file, process of gaining access to data and process of writing data
CN109247917A (zh) * 2018-11-21 2019-01-22 广州大学 一种空间听觉诱发p300脑电信号识别方法及装置
CN110069958A (zh) * 2018-01-22 2019-07-30 北京航空航天大学 一种密集深度卷积神经网络的脑电信号快速识别方法
CN110353702A (zh) * 2019-07-02 2019-10-22 华南理工大学 一种基于浅层卷积神经网络的情感识别方法及***
CN112070111A (zh) * 2020-07-28 2020-12-11 浙江大学 一种适配多波段图像的多目标检测方法和***

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140020089A1 (en) * 2012-07-13 2014-01-16 II Remo Peter Perini Access Control System using Stimulus Evoked Cognitive Response
US11717686B2 (en) * 2017-12-04 2023-08-08 Neuroenhancement Lab, LLC Method and apparatus for neuroenhancement to facilitate learning and performance

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4083365A (en) * 1976-06-10 1978-04-11 Don Robert Yancey Dual integrator EEG analyzer
US5715452A (en) * 1993-12-27 1998-02-03 Hitachi, Ltd. Process of transferring file, process of gaining access to data and process of writing data
CN110069958A (zh) * 2018-01-22 2019-07-30 北京航空航天大学 一种密集深度卷积神经网络的脑电信号快速识别方法
CN109247917A (zh) * 2018-11-21 2019-01-22 广州大学 一种空间听觉诱发p300脑电信号识别方法及装置
CN110353702A (zh) * 2019-07-02 2019-10-22 华南理工大学 一种基于浅层卷积神经网络的情感识别方法及***
CN112070111A (zh) * 2020-07-28 2020-12-11 浙江大学 一种适配多波段图像的多目标检测方法和***

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于FastICA和卷积神经网络的脑电信号分类算法;陈宇等;《黑龙江大学自然科学学报》;20180625(第03期);全文 *
基于时频域分析的运动想象脑电信号分类;穆振东等;《中国组织工程研究与临床康复》;20090625(第26期);全文 *

Also Published As

Publication number Publication date
CN113791691A (zh) 2021-12-14

Similar Documents

Publication Publication Date Title
CN110246490B (zh) 语音关键词检测方法及相关装置
KR20190005217A (ko) 신경망을 이용한 주파수 기반 오디오 분석
CN110718228B (zh) 语音分离方法、装置、电子设备及计算机可读存储介质
CN113327626B (zh) 语音降噪方法、装置、设备及存储介质
CN113870334B (zh) 深度检测方法、装置、设备以及存储介质
CN106294331A (zh) 音频信息检索方法及装置
CN110633594A (zh) 一种目标检测方法和装置
CN113284001A (zh) 用电量预测方法、装置、计算机设备和存储介质
CN114820351A (zh) 高光谱噪声滤波方法、装置、设备和存储介质
CN113791691B (zh) 一种脑电信号波段定位方法及装置
CN113642710A (zh) 一种网络模型的量化方法、装置、设备和存储介质
CN107894837A (zh) 动态情感分析模型样本处理方法及装置
CN111353526A (zh) 一种图像匹配方法、装置以及相关设备
CN113688655B (zh) 干扰信号的识别方法、装置、计算机设备和存储介质
CN113139561B (zh) 一种垃圾分类方法、装置、终端设备及存储介质
CN114420108A (zh) 一种语音识别模型训练方法、装置、计算机设备及介质
CN105513587B (zh) 一种mfcc提取方法及装置
CN113724720A (zh) 一种基于神经网络和mfcc的嘈杂环境下非人声语音过滤方法
CN112861874A (zh) 一种基于多滤波器去噪结果的专家场去噪方法及***
CN111090723A (zh) 一种基于知识图谱的电网安全生产内容推荐方法
CN115035897B (zh) 一种关键词检测方法及***
Goh et al. Robust speech recognition system using multi-parameter bidirectional Kalman filter
CN113807413A (zh) 对象的识别方法、装置、电子设备
CN114757360A (zh) 数据的特征分析方法、装置及电子设备
CN116402115A (zh) 一种基于强化学习框架的自动剪枝量化方法及***

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