CN114190953A - 针对脑电采集设备的脑电信号降噪模型的训练方法和*** - Google Patents

针对脑电采集设备的脑电信号降噪模型的训练方法和*** Download PDF

Info

Publication number
CN114190953A
CN114190953A CN202111503309.9A CN202111503309A CN114190953A CN 114190953 A CN114190953 A CN 114190953A CN 202111503309 A CN202111503309 A CN 202111503309A CN 114190953 A CN114190953 A CN 114190953A
Authority
CN
China
Prior art keywords
electroencephalogram
signal
noise reduction
model
training
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.)
Pending
Application number
CN202111503309.9A
Other languages
English (en)
Inventor
张家伟
陈超
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.)
Sichuan Neosource Biotektronics Ltd
Original Assignee
Sichuan Neosource Biotektronics 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 Sichuan Neosource Biotektronics Ltd filed Critical Sichuan Neosource Biotektronics Ltd
Priority to CN202111503309.9A priority Critical patent/CN114190953A/zh
Publication of CN114190953A publication Critical patent/CN114190953A/zh
Priority to PCT/CN2022/137825 priority patent/WO2023104179A1/zh
Pending legal-status Critical Current

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
    • 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
    • A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
    • 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

Landscapes

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

Abstract

本说明书实施例提供一种针对脑电采集设备的脑电信号降噪模型的训练方法，该方法包括生成模拟脑电信号；通过脑电采集设备采集模拟脑电信号，得到对应的采集脑电信号，采集脑电信号带有脑电采集设备带来的噪声；基于采集脑电信号训练降噪模型，得到脑电采集设备对应的脑电信号降噪模型；训练包括：通过降噪模型处理采集脑电信号，得到降噪后脑电信号；通过判别模型处理降噪后脑电信号，得到对应的判别结果，判别结果反映判别模型判别被处理的数据为对应的干净脑电信号的概率；根据判别结果调整降噪模型的模型参数。

Description

针对脑电采集设备的脑电信号降噪模型的训练方法和***
技术领域
本说明书涉及脑电信号处理领域，特别涉及一种针对脑电采集设备的脑电信号降噪模型方法和***。
背景技术
脑电信号(例如脑电图)是将人体脑部微弱的生物电放大记录生成的信号，可以通过脑电采集设备采集得到。脑电信号被广泛应用于心理学、神经科学、精神病学以及脑机接口等方向的研究。
脑电信号具有多样性、非线性以及微弱性的特点，其频带主要在低频和超低频范围内，主要频率在0.5～100Hz之间，信号幅值范围为5～300μV。由于脑电信号相当微弱，很容易就被噪声所干扰和淹没，例如脑电采集设备在采集过程中自身带来的噪声，以及环境噪声、伪迹等其他噪声。所以，为了采集得到干净脑电信号，需要对脑电采集设备采集到的脑电波信号进行去噪处理，特别是去除脑电采集设备在采集过程中自身带来的噪声。
因此，需要一种针对脑电采集设备的脑电信号降噪模型的训练方法和***，以训练得到脑电信号降噪模型来去除脑电采集设备采集的脑电信号中的噪声，特别是脑电采集设备在采集过程中自身带来的噪声。
发明内容
本说明书实施例之一提供一种针对脑电采集设备的脑电信号降噪模型的训练方法。所述针对脑电采集设备的脑电信号降噪模型的训练方法包括：生成模拟脑电信号；通过脑电采集设备采集模拟脑电信号，得到对应的采集脑电信号，所述采集脑电信号带有所述脑电采集设备带来的噪声；基于所述采集脑电信号训练降噪模型，得到所述脑电采集设备对应的脑电信号降噪模型；所述训练包括：通过所述降噪模型处理所述采集脑电信号，得到降噪后脑电信号；通过判别模型处理所述降噪后脑电信号，得到对应的判别结果，所述判别结果反映所述判别模型判别被处理的数据为对应的干净脑电信号的概率；根据所述判别结果调整所述降噪模型的模型参数。
本说明书实施例之一提供一种针对脑电采集设备的脑电信号降噪模型的训练***，所述***包括：生成模块，用于生成模拟脑电信号；采集模块，用于通过脑电采集设备采集模拟脑电信号，得到对应的采集脑电信号，所述采集脑电信号带有所述脑电采集设备带来的噪声；训练模块，用于基于所述采集脑电信号训练降噪模型，以得到所述脑电采集设备对应的脑电信号降噪模型；所述训练包括：通过所述降噪模型处理所述采集脑电信号，得到降噪后脑电信号；通过判别模型处理所述降噪后脑电信号，得到对应的判别结果，判别结果反映所述判别模型判别被处理的数据为对应的干净脑电信号的概率；根据所述判别结果调整所述降噪模型的模型参数。
本说明书实施例之一提供一种针对脑电采集设备的脑电信号降噪模型的训练装置，包括处理器，所述处理器执行如上述实施例中任一项所述的针对脑电采集设备的脑电信号降噪模型的训练方法。
本说明书实施例之一提供一种计算机可读存储介质，所述存储介质存储计算机指令，当计算机读取存储介质中的计算机指令后，计算机执行如上述实施例中任一项所述的针对脑电采集设备的脑电信号降噪模型的训练方法。
附图说明
本说明书将以示例性实施例的方式进一步说明，这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的，在这些实施例中，相同的编号表示相同的结构，其中：
图1是根据本说明书一些实施例所示的针对脑电采集设备的脑电信号降噪模型的训练方法的应用场景示意图；
图2是根据本说明书一些实施例所示的针对脑电采集设备的脑电信号降噪模型的训练方法的示例性流程图；
图3是根据本说明书一些实施例所示的脑电采集设备对应的脑电信号降噪模型的训练的示例性流程图；
图4是根据本说明书一些实施例所示的分阶段进行训练降噪模型的训练方法的示意图；
图5是根据本说明书一些实施例所示的调整降噪模型的模型参数的示例性流程图；
图6是根据本说明书一些实施例所示的针对脑电采集设备的脑电信号降噪模型的训练***的示例性模块图。
具体实施方式
为了更清楚地说明本说明书实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本说明书的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。
应当理解，本文使用的“***”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语可实现相同的目的，则可通过其他表达来替换所述词语。
如本说明书和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其它的步骤或元素。
本说明书中使用了流程图用来说明根据本说明书的实施例的***所执行的操作。应当理解的是，前面或后面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各个步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
图1是根据本说明书一些实施例所示的针对脑电采集设备的脑电信号降噪模型的训练方法的应用场景示意图。
针对脑电采集设备的脑电信号降噪模型的训练方法可以用于训练降噪模型，以得到可以对脑电采集设备采集的采集脑电信号进行降噪的脑电信号降噪模型。如图1所示，针对脑电采集设备的脑电信号降噪模型的训练方法的应用场景100可以包括由脑电信号发生器生成的模拟脑电信号110、脑电采集设备120和处理器130。
脑电信号发生器可以包括能够生成模拟脑电信号的各种信号发生器。在一些实施例中，脑电信号发生器可以包括多通道脑电信号发生器，以模拟从不同脑部位采集得到的多通道脑电信号。
脑电采集设备120可以对模拟脑电信号110进行采集，得到对应的采集脑电信号。脑电采集设备120可以与处理器130连接(例如通过网络连接或直接连接)，以使得处理器130可以获取采集脑电信号并对其进行处理。脑电采集设备120可以指用于采集脑电信号的设备。例如，脑电采集设备可以是脑电仪、脑电图监测仪、便携式脑电采集设备等。脑电采集设备120可以包括多个电极片，电极片可以用于采集脑电信号，例如，电极片可以与脑电信号发生器的信号输出端连接以采集模拟脑电信号，还可以贴在人脑的各个部位以采集人脑的脑电信号。
处理器130可以处理各种数据或信息，进行计算，确定各种结果。在一些实施例中，处理器130可以对获取的脑电采集设备120的采集脑电信号进行处理，例如基于采集脑电信号训练降噪模型140，并得到脑电采集设备对应的脑电信号降噪模型。处理设备130可以处理从其他设备或***组成部分中获得的数据和/或信息。处理器可以基于这些数据、信息和/或处理结果执行程序指令，以执行一个或多个本申请中描述的功能。在一些实施例中，处理设备130可以包含一个或多个子处理设备(例如，单核处理设备或多核多芯处理设备)。
处理器130训练得到的脑电信号降噪模型可以对脑电采集设备采集得到的采集脑电信号(例如对人脑采集的脑电信号)进行处理，得到对应的降噪后脑电信号150(例如干净脑电信号)。
图2是根据本说明书一些实施例所示的针对脑电采集设备的脑电信号降噪模型的训练方法的示例性流程图。如图2所示，流程200包括下述步骤：
步骤210，生成模拟脑电信号。在一些实施例中，步骤210可以由生成模块610执行。
模拟脑电信号是指模拟人体大脑的脑电信号的信号。在一些实施例中，可以通过各种模拟脑电信号生成方法生成模拟脑电信号的数字信号，例如脑电信号合成算法、生成模拟脑电信号的生成模型、生成网络、编码器等，然后由脑电信号发生器将数字信号转换为模拟信号输出。
在一些实施例中，模拟脑电信号可以包括干净的模拟脑电信号，其中可以包括反映脑电信号基础特征的第一模拟脑电信号，还可以包括模拟干净脑电信号的第二模拟脑电信号。在一些实施例中，模拟脑电信号还可以包括带有噪声的模拟脑电信号，具体地，可以包括在干净脑电信号上叠加有至少一种其它噪声的第三模拟脑电信号。
脑电信号基础特征可以包括幅值特征(如幅值范围)、频率特征(如频率范围)、等信号基础特征。第一模拟脑电信号可以包括波幅变化规律、标准，并能够反映脑电信号基础特征的模拟脑电信号。例如，第一模拟脑电信号可以包括满足脑电信号基础特征的正弦波信号。
第二模拟脑电信号是相对于第一模拟脑电信号更加复杂，其变化规律更符合真实脑电信号的模拟脑电信号。
在一些实施例中，第二模拟脑电信号可以通过生成模型生成。在一些实施例中，可以将任意数据例如随机白噪声输入生成模型，生成模型可以输出第二模拟脑电信号。
在一些实施例中，可以联合判别模型训练生成模型，以得到可以生成第二模拟脑电信号的生成模型。在一些实施例中，生成模型可以包括但不限于NN、RNN、CNN等各种可以生成模拟脑电信号的模型等。在一些实施例中，判别模型可以判断输入的数据是真实脑电信号还是模拟脑电信号。判别模型可以包括但不限于决策树、NN、KNN等各种可以用于判别输入数据类别的模型。在一些实施例中，生成模型的训练可以包括基于判别模型训练生成模型(可以称为生成模型训练阶段)，此时判别模型可以是经过训练的判别模型。在生成模型训练阶段中，可以固定判别模型的参数，将生成模型的生成的第二模拟脑电信号输入判别模型中进行判断，并根据判别模型的输出调整生成模型的参数，训练标签为判别模型输出的判别结果为真实，即判别模型将生成模型输出的第二模拟脑电信号判断为真实脑电信号。
在一些实施例中，生成模型的训练还可以包括训练判别模型(可以称为判别模型训练阶段)。在判别模型训练阶段，固定生成模型的参数，训练判别模型。可以基于生成模型生成多个第二模拟脑电信号，再从历史数据中选取多个真实脑电信号一同作为训练样本，将第二模拟脑电信号与真实脑电信号的对应的数据类型作为标签对判别模型进行训练，使得判别模型尽可能区分出第二模拟脑电信号和真实脑电信号。在一些实施例中，可以在训练中交替进行判别模型训练阶段和生成模型训练阶段。通过多次迭代训练，生成模型、判别模型的能力越来越强，当生成模型满足条件例如模型收敛，则可以获得训练好的生成模型。在一些实施例中，上述生成模型的训练过程中，训练样本中的第二模拟脑电信号与真实脑电信号对应的数据类型可以根据数据的来源不同自动进行标注，也可以通过人工标注。
噪声可以指对脑电信号产生干扰的信号。在本说明书中，其它噪声是指除脑电信号采集设备带来的噪声外的其余噪声，可以包括采集人体的脑电信号时人体的眨眼、心率和肌肉运动等产生的伪迹信号，还可以包括环境噪声等。
在一些实施例中，在干净脑电信号上叠加至少一种其他噪声，生成第三模拟脑电信号，可以包括在干净的真实脑电信号(例如将采集的真实脑电信号输入降噪模型，降噪模型输出的降噪后脑电信号)或干净的模拟脑电信号(例如第二模拟脑电信号)上叠加一种或多种其它噪声以生成第三模拟脑电信号。例如，可以在干净的真实脑电信号上叠加人工生成的环境噪声信号和人体心率所产生的伪迹信号，以生成第三模拟脑电信号。
在一些实施例中，通过在同一干净脑电信号上叠加不同的其他噪声生成不同的第三模拟脑电信号，可以基于少量的干净脑电信号得到大规模的训练数据，解决了训练数据少的问题。
步骤220，通过脑电采集设备采集模拟脑电信号，得到对应的采集脑电信号，采集脑电信号带有脑电采集设备带来的噪声。在一些实施例中，步骤220可以由采集模块620执行。
在一些实施例中，通过脑电采集设备采集人脑的脑电信号、脑电信号发生器的模拟脑电信号，可以得到对应的采集脑电信号。对于脑电采集设备，由于其电子元器件需要供电运行，在使用中通常会出现供电抖动、元器件温漂、各通道内部线路可能产生的窜扰以及外界电磁环境的改变等现象，这些现象都会在脑电采集记录过程中产生噪声信号，对脑电信号产生干扰，例如降低脑电信号信噪比。脑电采集设备自身运行时产生的噪声也即是所述的脑电采集设备带来的噪声。例如，通过脑电采集设备采集第三模拟脑电信号，其中，第三模拟脑电信号为在真实脑电信号上叠加了一个人工生成的环境噪声的脑电信号，采集得到的第三模拟脑电信号对应的采集脑电信号中同时带有原有的环境噪声和脑电采集设备带来的噪声。
步骤230，基于采集脑电信号训练降噪模型，得到脑电采集设备对应的脑电信号降噪模型。在一些实施例中，步骤230可以由训练模块630执行。
降噪模型是指可以对输入的采集脑电信号中的噪声进行去除，输出去噪后脑电信号(例如干净脑电信号)的模型。在一些实施例中，降噪模型可以包括但不限于NN、RNN、CNN等各种可以对脑电信号进行降噪处理的模型。
在一些实施例中，可以联合判别模型训练降噪模型，以得到所需的脑电采集设备对应的脑电信号降噪模型，其中，判别模型的主要作用是使得降噪模型输出的降噪后信号尽可能为干净的脑电信号。需要说明的是，降噪模型训练时联合的判别模型和生成第二模拟脑电信号的生成模型训练时联合的判别模型是不同的模型，不过其模型结构可以是相同的。参见图3，在一些实施例中，降噪模型的训练可以包括以下操作：
步骤231，通过降噪模型处理采集脑电信号，得到降噪后脑电信号。
将采集脑电信号输入降噪模型进行降噪处理，降噪模型输出的信号可以称为降噪后脑电信号。
步骤232，通过判别模型处理降噪后脑电信号，得到对应的判别结果，判别结果反映判别模型判别被处理的数据为对应的干净脑电信号的概率。
判别模型输出的判别结果可以用概率或者分值来表示，例如1表示被处理的数据即输入数据(例如降噪模型输出的降噪后脑电信号)为对应的干净信号，0表示被处理的数据即输入数据不为对应的干净脑电信号，即输入数据为含有噪声的脑电信号，判别模型输出概率或分值越高则表示输入数据为对应的干净脑电信号的概率越大。
在一些实施例中，判别模型可以为多分类模型，其中多分类对应的多个类别可以包括带有各种类别噪声的脑电信号(例如带有眼动伪迹的脑电信号、带有肌肉运动伪迹的脑电信号、带有环境噪声的脑电信号等)以及干净脑电信号。判别结果还可以反映判别被处理的数据为带有各种类别噪声的脑电信号的概率。此时，判别结果可以包括降噪后脑电信号分别属于多个类别中各个类别的概率或分值，作为示例，将降噪模型得到的降噪后脑电信号输入判别模型，判别模型得到的判别结果(也可以称为多分类结果)可以包括该降噪后脑电信号属于多个类别的概率，例如判别模型得到该降噪脑电信号属于带有眼动伪迹的脑电信号的概率为0.2，属于带有肌肉运动伪迹的脑电信号的概率为0.2，属于带有环境噪声的脑电信号的概率为0.3，属于干净脑电信号的概率为0.6，一般来说，概率最大的类别会作为该降噪后脑电信号的分类结果。
可以理解的是，在训练的过程中，由于降噪模型的降噪能力由弱到强，在降噪能力弱时，降噪模型输出的降噪后信号中可能还存在噪声，所以在训练过程中，判别模型的输出可以随着降噪模型的能力变化而变化。
步骤233，根据判别结果调整降噪模型的模型参数。
在训练降噪模型时，可以固定判别模型的参数(此时可以认为判别模型是经过训练的判别模型)。通过训练调整降噪模型的模型参数的目标可以包括使得降噪模型尽可能去除采集脑电信号中的噪声，输出尽可能干净的降噪后脑电信号，以使得将降噪模型输出的降噪后脑电信号输入判别模型后，其得到的判别结果表示输入数据为对应的干净脑电信号的概率较大或为1。
在一些实施例中，如前所述，联合的判别模型可以是多分类模型，其中多分类对应的多个类别可以包括带有各种类别噪声的脑电信号以及干净脑电信号。将降噪模型得到的降噪后脑电信号输入判别模型，判别模型得到的判别结果(也可以称为多分类结果)可以包括该降噪后脑电信号属于多个类别的概率，一般来说，概率最大的类别会作为该降噪后脑电信号的分类结果。在基于采集脑电信号训练降噪模型中联合的判别模型是多分类模型时，基于判别结果(即多分类结果)调整降噪模型的优化目标可以是使得降噪模型输出的降噪后脑电信号的分类结果尽可能为干净脑电信号。具体地，可以基于判别结果(即多分类结果)确定关于多个类别的多个损失，基于多个损失确定降噪模型的损失函数，在一些实施例中，还可以确定关于各个类别的各个损失分别对应的权重，基于多个损失及各个损失对应的权重确定多个损失项，并基于多个损失项确定损失函数，进而基于损失函数调整降噪模型的模型参数。其中，关于某个分类类别的损失可以基于判别模型输出的该类别对应的概率与标签值的差异确定，带有各种类别噪声的脑电信号类别对应的标签值可以是0，干净脑电信号类别对应的标签值可以是1。
基于损失函数调整降噪模型的模型参数的目标可以包括使得各个损失或损失项的值最小化，即使得关于带有各种类别噪声的脑电信号类别的损失或损失项(例如关于带有各种伪迹的脑电信号类别的损失或损失项、关于带有环境噪声信号的脑电信号类别的损失或损失项)的值、关于干净脑电信号类别的损失或损失项的值的值最小化。通过本实施例，可以实现有针对性地调整降噪模型的参数，以针对性地提高降噪模型的去除某部分噪声的能力，例如若判别器输出分类结果为带有眼动伪迹的脑电信号，则可以有针对性地调整降噪模型的参数以提高降噪模型去除眼动伪迹的能力。
在一些实施例中，训练降噪模型的过程还可以包括训练判别模型。训练判别模型可以包括将多个降噪后脑电信号和干净脑电信号输入判别模型，判别模型分别输出降噪后脑电信号和干净脑电信号对应的判别结果，调整判别模型的模型参数，使得判别模型可以更好地区分降噪后脑电信号和干净脑电信号，即使得判别模型可以更好地判别输入信号是否为干净脑电信号。在一些实施例中，如前所述，判别模型可以是多分类器，此时可以调整判别模型的模型参数使得判别模型可以更好地区分多个类别，多个类别可以包括带有各种类别噪声的脑电信号(例如带有眼动伪迹的脑电信号、带有肌肉运动伪迹的脑电信号、带有环境噪声的脑电信号等)以及干净脑电信号。
通过多次迭代训练，当降噪模型满足条件例如模型收敛，则可以获得训练好的降噪模型，即为所需的脑电采集设备对应的脑电信号降噪模型。训练得到的脑电采集设备对应的脑电信号降噪模型可以对采集脑电信号中的噪声，特别是该脑电采集设备自身带来的噪声进行去除，得到干净的脑电信号。
在一些实施例中，可以基于一种模拟脑电信号对应的采集脑电信号对降噪模型进行训练。例如，可以基于第二模拟脑电信号对应的采集脑电信号或者第三模拟脑电信号对应的采集脑电信号对降噪模型进行训练。
在一些实施例中，可以基于多种模拟脑电信号对应的采集脑电信号对降噪模型进行训练。例如，可以基于第一模拟脑电信号对应的采集脑电信号、第二模拟脑电信号对应的采集脑电信号和第三模拟脑电信号对应的采集脑电信号对降噪模型进行训练。
在一些实施例中，可以分阶段地训练降噪模型，以随着训练阶段的递进，有针对性地逐步提高降噪模型的降噪能力。具体地，可以基于多种模拟脑电信号对应的采集脑电信号对降噪模型进行多个阶段的训练。关于基于多种模拟脑电信号对应的采集脑电信号对降噪模型进行多个阶段的训练的更多内容参见图4及其相关描述，此处不再赘述。
本说明书的一些实施例利用脑电采集设备采集模拟脑电信号，得到采集脑电信号，再通过联合判别模型对降噪模型进行训练，可以训练得到输出的降噪后脑电信号尽可能为干净脑电信号的去噪能力很强的降噪模型，即脑电采集设备对应的脑电信号降噪模型，从而实现通过训练得到的脑电采集设备对应的脑电信号降噪模型可以去除采集脑电信号中的噪声，特别是去除脑电采集设备带来的噪声。
图4是根据本说明书一些实施例所示的分阶段对降噪模型的进行训练的示意图。
在一些实施例中，可以分别基于第一模拟脑电信号对应的采集脑电信号、第二模拟脑电信号对应的采集脑电信号、第三模拟脑电信号对应的采集脑电信号对降噪模型进行多个阶段的训练，进而得到所述脑电采集设备对应的脑电信号降噪模型。如图4所示，此时，降噪模型的训练可以包括第一阶段410、第二阶段420和第三阶段430。
其中，对脑电信号降噪模型进行训练的第一阶段具体可以包括：
基于第一模拟脑电信号对应的采集脑电信号，对初始降噪模型进行训练。其中，初始降噪模型是指未经过训练的降噪模型。在第一阶段对初始降噪模型训练后，得到的降噪模型可以称为第一阶段降噪模型。第一阶段对初始降噪模型的训练可以采用与步骤230所述的降噪模型的训练相同的过程，关于训练的更多具体内容可以参见步骤230及其相关描述。由前述可知，第一模拟脑电信号是反映基础脑电信号特征的较规律或较简单的模拟脑电信号，可以理解，第一模拟脑电信号对应的采集脑电信号的降噪难度不高，基于第一模拟脑电信号对应的采集脑电信号训练得到的第一阶段降噪模型具备对较简单或较规律的采集脑电信号去噪的能力。
对脑电信号降噪模型进行训练的第二阶段具体可以包括：
基于第二模拟脑电信号，对第一阶段训练得到的第一阶段降噪模型进行训练。在第二阶段对第一降噪模型进行训练后，得到的降噪模型可以称为第二阶段降噪模型。第二阶段对第一阶段降噪模型的训练可以采用与步骤230所述的降噪模型的训练相同的过程，关于训练的更多具体内容可以参见步骤230及其相关描述。由前述可知，第二模拟脑电信号是相对于第一模拟脑电信号更加复杂，其变化规律更符合真实脑电信号的模拟脑电信号，可以理解的是，第二模拟脑电信号对应的采集脑电信号的降噪难度稍大于第一模拟脑电信号对应的采集脑电信号的降噪难度，基于第二模拟脑电信号对应的采集脑电信号训练得到的第二阶段降噪模型具备对真实脑电信号对应的采集脑电信号进行去噪的能力。
本说明书的一些实施例通过对降噪模型进行第二阶段的训练，可以使降噪模型对真实脑电信号进行学习，使降噪模型可以识别出夹杂在真实脑电信号中的噪声。
对脑电信号降噪模型进行训练的第三阶段具体可以包括：
基于第三模拟脑电信号，对第二阶段训练得到的第二阶段降噪模型进行训练。在第三阶段对第二降噪模型进行训练后，得到脑电采集设备对应的脑电信号降噪模型。第三阶段对第二阶段降噪模型的训练可以采用与步骤230所述的降噪模型的训练相同的过程，关于训练的更多具体内容可以参见步骤230及其相关描述。由前述可知，第三模拟脑电信号是在干净脑电信号上叠加了其他噪音的脑电信号，其对应的采集脑电信号与实际情况中的采集脑电信号的情形更加接近，基于第三模拟脑电信号对应的采集脑电信号训练得到的脑电采集设备对应的脑电信号降噪模型具有较强的对实际情况中的采集脑电信号进行去噪的能力。
本说明书的一些实施例通过对降噪模型进行第一阶段的训练，可以使降噪模型学习脑电采集设备自身运行带来的噪声的概率分布，从而可以对该类噪声进行去除；通过第二阶段的训练得到的第二阶段降噪模型的去噪能力强于第一阶段降噪模型，可以对真实脑电信号在采集时叠加的脑电采集设备自身带来的噪声进行去除。通过第三阶段训练，可以使脑电信号降噪模型对实际情况中的采集脑电信号的去噪能力更强。通过分阶段使用不同的训练样本对脑电信号降噪模型进行训练的方法，可以使得脑电信号降噪模型的重点关注于如何对脑电采集设备采集的采集脑电信号进行去噪，避免脑电信号降噪模型的过拟合问题。
图5是根据本说明书一些实施例所示的调整降噪模型的模型参数的示例性流程图。在一些实施例中，流程500可以由训练模块执行。
在一些实施例中，降噪模型的各个阶段的训练还可以包括确定降噪模型输出的降噪后脑电信号与对应的干净脑电信号的差异，以及可以基于信号差异和判别结果调整降噪模型参数。
在第一阶段410，可以基于降噪模型对第一模拟脑电信号对应的采集脑电信号进行处理得到对应的降噪后脑电信号，该降噪后脑电信号对应的干净脑电信号为第一模拟脑电信号，此时，信号差异为降噪后脑电信号与第一模拟脑电信号的信号差异。在第二阶段420，可以基于降噪模型对第二模拟脑电信号对应的采集脑电信号进行处理得到对应的降噪后脑电信号，该降噪后脑电信号对应的干净脑电信号为第二模拟脑电信号，此时，信号差异为降噪后脑电信号与第二模拟脑电信号的信号差异。在第三阶段430，可以基于降噪模型对第三模拟脑电信号对应的采集脑电信号进行处理得到对应的降噪后脑电信号，该降噪后脑电信号对应的干净脑电信号为第三模拟脑电信号叠加其它噪声前的干净脑电信号，此时，信号差异为降噪后脑电信号与第三模拟脑电信号叠加其它噪声前的干净脑电信号的信号差异。
如图5所示，基于信号差异和判别结果调整降噪模型参数具体可以包括：
步骤510，确定当前训练所处阶段所对应的相关于信号差异的第一权重和相关于判别结果的第二权重。
第一权重可以表示信号差异对于当前训练阶段的模型优化的重要程度。
第二权重可以表示判别结果对于当前训练阶段的模型优化的重要程度。
在一些实施例中，第一权重和第二权重可以预设，并对于降噪模型训练的不同阶段，第一权重和第二权重的大小可以不同，以实现在不同训练阶段，信号差异和判别结果对模型优化的重要程度不同。
由前文可知，随着训练阶段的递进，采集脑电信号的降噪难度逐步提高，经过训练的降噪模型的去噪能力逐步提升，具体地，降噪模型由具备对简单或规律的采集脑电信号去噪的能力提升到具备对复杂采集脑电信号去噪的能力，再进一步提升到具备对复杂且带有多种不同噪声的采集脑电信号去噪的能力。在训练降噪模型具备对简单或规律的采集脑电信号去噪的能力时(即第一训练阶段)，可以设置较大的第一权重和较小的第二权重，以使得模型优化更多地关注信号差异而较少地关注判别结果，训练得到的降噪模型(第一阶段降噪模型)可以输出尽可能与输入信号对应的干净信号相同的降噪后脑电信号。在训练降噪模型具备对复杂采集脑电信号去噪的能力时(即第二阶段)，由于采集脑电信号的复杂度提高，此时希望降噪模型更好地学习并去除更真实、更复杂的噪声的分布而不再使得降噪模型尽可能输出与对应的干净信号相同的降噪后脑电信号，便可以在前一阶段的基础上减小第一权重并增大第二权重，令第二权重大于第一权重，以使得模型优化更多地关注判别结果而较少地关注信号差异。在训练降噪模型具备对复杂且带有多种不同噪声的采集脑电信号去噪的能力时(即第三阶段)，由于采集脑电信号的复杂度进一步提高，可以在前一阶段的基础上再进一步减小第一权重并增大第二权重。
示例性的，可以预设第一阶段的第一权重和第二权重分别为0.6和0.4，第二阶段的第一权重和第二权重分别为0.3和0.7，第三阶段的第一权重和第二权重分别为0.1和0.9。
步骤520，根据降噪后脑电信号与对应的干净脑电信号的信号差异、判别结果、第一权重和第二权重，确定目标损失。
在一些实施例中，目标损失可以表示为包括关于所述信号差异的第一损失项和关于判别结果的第二损失项的联合损失函数。示例性地，联合损失函数可以表示为：
Lossc＝XN*LossA+YN*LossB (1)
其中，LossA为关于所述信号差异的第一损失函数，LossB为关于判别结果的第二损失函数，Lossc为联合损失函数，XN为训练的第N阶段对应的第一权重，YN为训练的第N阶段对应的第二权重，XN*LossA为第一损失项，YN*LossB为第二损失项。
步骤530，根据目标损失调整降噪模型的模型参数。
在一些实施例中，根据目标损失调整降噪模型的模型参数的目标可以包括最小化目标损失。具体地，可以调整降噪模型的参数使得前述第一损失项的值最小化，同时也使得前述第二损失项的值最小化。
通过本说明书的一些实施例所述的分阶段训练降噪模型的方法，可以随着训练阶段的变化，调整信号差异与判别结果对应的权重。例如，可以随着训练过程中被采集的模拟脑电信号复杂程度的增大，降低降噪后脑电信号与对应的干净脑电信号的信号差异的第一权重，增大判别结果的第二权重，使得模型在训练前期可以更多对干净脑电信号进行学习，了解到什么是干净脑电信号，而在训练后期可以更多的对如何进行去噪进行学习，认识到如何采集脑电信号进行去噪。这样的方法，可以使得降噪模型在更好对干净脑电信号进行学习的基础上，避免过拟合，并且可以增强降噪模型的泛化能力。
图6是根据本说明书一些实施例所示的针对脑电采集设备的脑电信号降噪模型的训练***的示例性模块图。
在一些实施例中，针对脑电采集设备的脑电信号降噪模型的训练***600可以包括生成模块610、采集模块620和训练模块630。
生成模块610可以用于生成模拟脑电信号。关于模拟脑电信号的更多内容参见图2及其相关描述，此处不再赘述。
采集模块620可以用于通过脑电采集设备采集所述模拟脑电信号，得到对应的采集脑电信号，所述采集脑电信号带有所述脑电采集设备带来的噪声。关于脑电采集设备、采集脑电信号、噪声的更多内容参见图2及其相关描述，此处不再赘述。
训练模块630可以用于基于所述采集脑电信号训练降噪模型，以得到所述脑电采集设备对应的脑电信号降噪模型；所述训练包括：通过所述降噪模型处理所述采集脑电信号，得到降噪后脑电信号；通过判别模型处理所述降噪后脑电信号，得到对应的判别结果，判别结果反映判别模型判别被处理的数据为对应的干净脑电信号的概率；根据所述判别结果调整所述降噪模型的模型参数。关于脑电信号降噪模型、降噪后脑电信号、判别模型、判别结果、干净脑电信号的更多内容参见图2及其相关描述，此处不再赘述。在一些实施例中，当所述模拟脑电信号包括所述第一模拟脑电信号、所述第二模拟脑电信号以及所述第三模拟脑电信号时；训练模块还可以用于分别基于所述第一模拟脑电信号对应的采集脑电信号、所述第二模拟脑电信号对应的采集脑电信号、所述第三模拟脑电信号对应的采集脑电信号对所述降噪模型进行多个阶段的训练，进而得到所述脑电采集设备对应的脑电信号降噪模型。关于第一模拟脑电信号、第二模拟脑电信号、第三模拟脑电信号的更多内容参见图2及其相关描述，此处不再赘述。关于多个阶段的训练的更多内容参见图4及其相关描述，此处不再赘述。在一些实施例中，训练模块还可以用于确定当前训练所处阶段所对应的相关于所述信号差异的第一权重和相关于所述判别结果的第二权重；根据所述降噪后脑电信号与对应的干净脑电信号的信号差异、所述判别结果、所述第一权重和所述第二权重，确定目标损失；根据所述目标损失调整所述降噪模型的模型参数。关于信号差异、第一权重、第二权重、目标损失的更多内容参见图5及其相关描述，此处不再赘述。
应当理解，上述***及其模块可以利用各种方式来实现。
需要注意的是，以上对于针对脑电采集设备的脑电信号降噪模型的训练***及其模块的描述，仅为描述方便，并不能把本说明书限制在所举实施例范围之内。可以理解，对于本领域的技术人员来说，在了解该***的原理后，可能在不背离这一原理的情况下，对各个模块进行任意组合，或者构成子***与其他模块连接。在一些实施例中，针对脑电采集设备的脑电信号降噪模型的训练***中的各个模块可以是一个***中的不同模块，也可以是一个模块实现上述的两个或两个以上模块的功能。例如，各个模块可以共用一个存储模块，各个模块也可以分别具有各自的存储模块。诸如此类的变形，均在本说明书的保护范围之内。
本说明书实施例还提供一种针对脑电采集设备的脑电信号降噪模型的训练装置，包括处理器，所述处理器用于执行所述计算机指令中的至少一部分以实现前述的针对脑电采集设备的脑电信号降噪模型的训练方法。
本说明书实施例还提供一种计算机可读存储介质。所述存储介质存储计算机指令，当计算机读取存储介质中的计算机指令后，计算机实现前述的针对脑电采集设备的脑电信号降噪模型的训练的方法。
上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅仅作为示例，而并不构成对本说明书的限定。虽然此处并没有明确说明，本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议，所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。
同时，本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外，本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外，除非权利要求中明确说明，本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如，虽然以上所描述的***组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的***。
同理，应当注意的是，为了简化本说明书披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本说明书实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。
一些实施例中使用了描述成分、属性数量的数字，应当理解的是，此类用于实施例描述的数字，在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明，“大约”、“近似”或“大体上”表明所述数字允许有
±20％的变化。相应地，在一些实施例中，说明书和权利要求中使用的数值参数均为近似值，该近似值根据个别实施例所需特点可以发生改变。在一些实施例中，数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本说明书一些实施例中用于确认其范围广度的数值域和参数为近似值，在具体实施例中，此类数值的设定在可行范围内尽可能精确。
针对本说明书引用的每个专利、专利申请、专利申请公开物和其他材料，如文章、书籍、说明书、出版物、文档等，特此将其全部内容并入本说明书作为参考。与本说明书内容不一致或产生冲突的申请历史文件除外，对本说明书权利要求最广范围有限制的文件(当前或之后附加于本说明书中的)也除外。需要说明的是，如果本说明书附属材料中的描述、定义、和/或术语的使用与本说明书所述内容有不一致或冲突的地方，以本说明书的描述、定义和/或术语的使用为准。
最后，应当理解的是，本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此，作为示例而非限制，本说明书实施例的替代配置可视为与本说明书的教导一致。相应地，本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。

Claims (10)

1.一种针对脑电采集设备的脑电信号降噪模型的训练方法，包括：
生成模拟脑电信号；
通过脑电采集设备采集所述模拟脑电信号，得到对应的采集脑电信号，所述采集脑电信号带有所述脑电采集设备带来的噪声；
基于所述采集脑电信号训练降噪模型，得到所述脑电采集设备对应的脑电信号降噪模型；所述训练包括：
通过所述降噪模型处理所述采集脑电信号，得到降噪后脑电信号；通过判别模型处理所述降噪后脑电信号，得到对应的判别结果，所述判别结果反映所述判别模型判别被处理的数据为对应的干净脑电信号的概率；根据所述判别结果调整所述降噪模型的模型参数。
2.如权利要求1所述的方法，所述模拟脑电信号包括以下中的至少一种：反映脑电信号基础特征的第一模拟脑电信号；模拟干净脑电信号的第二模拟脑电信号；在干净脑电信号上叠加有至少一种其它噪声的第三模拟脑电信号。
3.如权利要求2所述的方法，所述模拟脑电信号包括所述第一模拟脑电信号、所述第二模拟脑电信号以及所述第三模拟脑电信号；
所述基于所述采集脑电信号训练降噪模型，得到所述脑电采集设备对应的脑电信号降噪模型包括：
分别基于所述第一模拟脑电信号对应的采集脑电信号、所述第二模拟脑电信号对应的采集脑电信号、所述第三模拟脑电信号对应的采集脑电信号对所述降噪模型进行多个阶段的训练，进而得到所述脑电采集设备对应的脑电信号降噪模型。
4.如权利要求3所述的方法，所述根据所述判别结果调整降噪模型的模型参数包括：
确定当前训练所处阶段所对应的相关于所述信号差异的第一权重和相关于所述判别结果的第二权重；
根据所述降噪后脑电信号与对应的干净脑电信号的信号差异、所述判别结果、所述第一权重和所述第二权重，确定目标损失；
根据所述目标损失调整所述降噪模型的模型参数。
5.一种针对脑电采集设备的脑电信号降噪模型的训练***，所述***包括：
生成模块，用于生成模拟脑电信号；
采集模块，用于通过脑电采集设备采集所述模拟脑电信号，得到对应的采集脑电信号，所述采集脑电信号带有所述脑电采集设备带来的噪声；
训练模块，用于基于所述采集脑电信号训练降噪模型，得到所述脑电采集设备对应的脑电信号降噪模型；所述训练包括：
通过所述降噪模型处理所述采集脑电信号，得到降噪后脑电信号；通过判别模型处理所述降噪后脑电信号，得到对应的判别结果，所述判别结果反映所述判别模型判别被处理的数据为对应的干净脑电信号的概率；根据所述判别结果调整所述降噪模型的模型参数。
6.如权利要求5所述的***，所述模拟脑电信号包括以下中的至少一种：反映脑电信号基础特征的第一模拟脑电信号；模拟干净脑电信号的第二模拟脑电信号；在干净脑电信号上叠加有至少一种其它噪声的第三模拟脑电信号。
7.如权利要求6所述的***，所述模拟脑电信号包括所述第一模拟脑电信号、所述第二模拟脑电信号以及所述第三模拟脑电信号；所述训练模块还用于：
分别基于所述第一模拟脑电信号对应的采集脑电信号、所述第二模拟脑电信号对应的采集脑电信号、所述第三模拟脑电信号对应的采集脑电信号对所述降噪模型进行多个阶段的训练，进而得到所述脑电采集设备对应的脑电信号降噪模型。
8.如权利要求7所述的***，所述训练模块进一步用于：
确定当前训练所处阶段所对应的相关于所述信号差异的第一权重和相关于所述判别结果的第二权重；
根据所述降噪后脑电信号与对应的干净脑电信号的信号差异、所述判别结果、所述第一权重和所述第二权重，确定目标损失；
根据所述目标损失调整所述降噪模型的模型参数。
9.一种针对脑电采集设备的脑电信号降噪模型的训练装置，包括处理器，其特征在于，所述处理器用于执行如权利要求1～4任一项所述的针对脑电采集设备的脑电信号降噪模型的训练方法。
10.一种计算机可读存储介质，所述存储介质存储计算机指令，当计算机读取存储介质中的计算机指令后，计算机执行如权利要求1～4任一项所述的针对脑电采集设备的脑电信号降噪模型的训练方法。
CN202111503309.9A 2021-12-09 2021-12-09 针对脑电采集设备的脑电信号降噪模型的训练方法和*** Pending CN114190953A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202111503309.9A CN114190953A (zh) 2021-12-09 2021-12-09 针对脑电采集设备的脑电信号降噪模型的训练方法和***
PCT/CN2022/137825 WO2023104179A1 (zh) 2021-12-09 2022-12-09 针对脑电采集设备的脑电信号降噪模型的训练方法和***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111503309.9A CN114190953A (zh) 2021-12-09 2021-12-09 针对脑电采集设备的脑电信号降噪模型的训练方法和***

Publications (1)

Publication Number Publication Date
CN114190953A true CN114190953A (zh) 2022-03-18

Family

ID=80651833

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111503309.9A Pending CN114190953A (zh) 2021-12-09 2021-12-09 针对脑电采集设备的脑电信号降噪模型的训练方法和***

Country Status (2)

Country Link
CN (1) CN114190953A (zh)
WO (1) WO2023104179A1 (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114742116A (zh) * 2022-06-13 2022-07-12 四川新源生物电子科技有限公司 一种模拟采集脑电信号的生成方法和***
WO2023104179A1 (zh) * 2021-12-09 2023-06-15 四川新源生物电子科技有限公司 针对脑电采集设备的脑电信号降噪模型的训练方法和***
CN116636817A (zh) * 2023-07-26 2023-08-25 四川新源生物电子科技有限公司 一种麻醉深度评估方法、***、装置和存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110840445A (zh) * 2019-12-12 2020-02-28 山东省计算中心（国家超级计算济南中心） 一种动态心电信号的自动降噪方法
CN112244876A (zh) * 2020-09-30 2021-01-22 北京工业大学 一种基于可变遗忘因子的自适应滤波器的脑电信号时序随机噪声去除方法
CN113208622A (zh) * 2021-04-07 2021-08-06 北京脑陆科技有限公司 基于深度神经网络技术的脑电eeg信号去噪方法及***
CN113208614A (zh) * 2021-04-30 2021-08-06 南方科技大学 脑电降噪的方法及装置、可读存储介质
CN113412491A (zh) * 2018-12-18 2021-09-17 诺基亚技术有限公司 基于机器学习的数据降噪

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6876966B1 (en) * 2000-10-16 2005-04-05 Microsoft Corporation Pattern recognition training method and apparatus using inserted noise followed by noise reduction
CN110531861B (zh) * 2019-09-06 2021-11-19 腾讯科技（深圳）有限公司 运动想象脑电信号的处理方法和装置及存储介质
CN111598805A (zh) * 2020-05-13 2020-08-28 华中科技大学 一种基于vae-gan的对抗样本防御方法及***
CN112545532B (zh) * 2020-11-26 2023-05-16 中国人民解放军战略支援部队信息工程大学 用于脑电信号分类识别的数据增强方法及***
CN113081002B (zh) * 2021-03-31 2023-03-31 灵犀医学科技(北京)有限公司 脑电信号的伪差去除方法、装置及电子设备
CN114190953A (zh) * 2021-12-09 2022-03-18 四川新源生物电子科技有限公司 针对脑电采集设备的脑电信号降噪模型的训练方法和***

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113412491A (zh) * 2018-12-18 2021-09-17 诺基亚技术有限公司 基于机器学习的数据降噪
CN110840445A (zh) * 2019-12-12 2020-02-28 山东省计算中心（国家超级计算济南中心） 一种动态心电信号的自动降噪方法
CN112244876A (zh) * 2020-09-30 2021-01-22 北京工业大学 一种基于可变遗忘因子的自适应滤波器的脑电信号时序随机噪声去除方法
CN113208622A (zh) * 2021-04-07 2021-08-06 北京脑陆科技有限公司 基于深度神经网络技术的脑电eeg信号去噪方法及***
CN113208614A (zh) * 2021-04-30 2021-08-06 南方科技大学 脑电降噪的方法及装置、可读存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
陈灿: "前额柔性干式电极及单通道脑电预处理技术研究", 中国优秀硕士学位论文全文数据库 信息科技辑(月刊), no. 12, 15 December 2018 (2018-12-15), pages 136 - 109 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023104179A1 (zh) * 2021-12-09 2023-06-15 四川新源生物电子科技有限公司 针对脑电采集设备的脑电信号降噪模型的训练方法和***
CN114742116A (zh) * 2022-06-13 2022-07-12 四川新源生物电子科技有限公司 一种模拟采集脑电信号的生成方法和***
CN114742116B (zh) * 2022-06-13 2022-09-02 四川新源生物电子科技有限公司 一种模拟采集脑电信号的生成方法和***
CN116636817A (zh) * 2023-07-26 2023-08-25 四川新源生物电子科技有限公司 一种麻醉深度评估方法、***、装置和存储介质
CN116636817B (zh) * 2023-07-26 2023-11-03 四川新源生物电子科技有限公司 一种麻醉深度评估方法、***、装置和存储介质

Also Published As

Publication number Publication date
WO2023104179A1 (zh) 2023-06-15

Similar Documents

Publication Publication Date Title
CN114190953A (zh) 针对脑电采集设备的脑电信号降噪模型的训练方法和***
CN111709267B (zh) 深度卷积神经网络的脑电信号情感识别方法
CN110555468A (zh) 一种联合递归图和cnn的脑电信号识别方法及***
CN112022153B (zh) 基于卷积神经网络的脑电信号检测方法
Dutta et al. Automated classification of non-motor mental task in electroencephalogram based brain-computer interface using multivariate autoregressive model in the intrinsic mode function domain
CN111797804A (zh) 一种基于深度学习的信道状态信息人类活动识别方法及***
CN110399846A (zh) 一种基于多通道肌电信号相关性的手势识别方法
CN114190944A (zh) 基于脑电信号的鲁棒情绪识别方法
CN113974627B (zh) 一种基于脑机生成对抗的情绪识别方法
Hussein et al. Robust human activity recognition using generative adversarial imputation networks
CN114091529A (zh) 一种基于生成对抗网络数据增强的脑电情感识别方法
CN114129163A (zh) 基于脑电信号的多视图深度学习的情绪分析方法和***
Barreto et al. On the classification of mental tasks: a performance comparison of neural and statistical approaches
CN117883082A (zh) 一种异常情绪识别方法、***、设备及介质
Zhang et al. A pruned deep learning approach for classification of motor imagery electroencephalography signals
Yang et al. Optimal Fuzzy Logic Enabled EEG Motor Imagery Classification for Brain Computer Interface
Mohamed et al. Recurrent Neural Networks (RNNs) to improve EEG-based person identification
CN112438741A (zh) 一种基于脑电特征迁移学习的驾驶状态检测方法及***
Navea et al. Classification of wavelet-denoised musical tone stimulated EEG signals using artificial neural networks
CN116616796A (zh) 脑电信号的分类处理方法、装置、设备及介质
Rahman et al. Classification of motor imagery using a time-localised approach
CN117556194B (zh) 基于改进的yolo网络的脑电图伪影检测方法
CN115137312B (zh) 睡眠质量评估方法、装置及穿戴设备
CN115700104B (zh) 基于多尺度原型学习的本身可解释的脑电信号分类方法
CN113349796B (zh) 基于多源信号的睡眠监控方法、设备及存储介质

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