CN115462803A - 一种基于BG-Attention的脑电信号去噪方法、装置及存储介质 - Google Patents
一种基于BG-Attention的脑电信号去噪方法、装置及存储介质 Download PDFInfo
- Publication number
- CN115462803A CN115462803A CN202210905421.3A CN202210905421A CN115462803A CN 115462803 A CN115462803 A CN 115462803A CN 202210905421 A CN202210905421 A CN 202210905421A CN 115462803 A CN115462803 A CN 115462803A
- Authority
- CN
- China
- Prior art keywords
- attention
- electroencephalogram signal
- attention mechanism
- model
- head
- 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
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]
- A61B5/386—Accessories or supplementary instruments therefor
-
- 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
- A61B5/7207—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal of noise induced by motion artifacts
-
- 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
- G06N3/08—Learning methods
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Veterinary Medicine (AREA)
- Medical Informatics (AREA)
- Heart & Thoracic Surgery (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Pathology (AREA)
- Public Health (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychology (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Fuzzy Systems (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BG‑Attention的脑电信号去噪方法、装置及存储介质,其中方法包括以下步骤:获取脑电信号;对脑电信号进行信号分割得到脑电信号段;建立BG‑Attention模型并进行训练,所述BG‑Attention模型的输入为脑电信号段,输出为去噪后的脑电信号,模型结构包括双向GRU网络和注意力机制模块,其中,双向GRU网络的输出作为注意力机制模块的输入;将每段脑电信号段输入训练完成的BG‑Attention模型,得到多段去噪后的脑电信号段;对去噪后的脑电信号段进行合成,得到去噪脑电信号。与现有技术相比,本发明具有去噪效果好、计算速度快等优点。
Description
技术领域
本发明涉及脑电信号预处理领域,尤其是涉及一种基于BG-Attention的脑电信号去噪方法、装置及存储介质。
背景技术
脑电图包含各种有用的信息,通过分析这些记录的信号可以获得丰富的心理和病理信息,并且还能显示身体***的健康状态。因此脑电信号在癫痫,心理学和脑机接口领域都有广泛的应用。
脑电图具有较高的时间分辨率,而且是一种高度随机的非线性非平稳信号,其信号容易受到各种噪声的污染,从而产生各种伪影。脑电图信号不仅包含大脑活动,而且还包含各种噪声和伪影,包括眼部、肌源性伪影,在极少数情况下,还包括心脏伪影。脑电信号的噪声对分析脑电内容和进行脑电分类会产生很大的影响。
脑电去噪主要包括基于回归的方法、基于自适应滤波器的方法和基于盲源分离(BSS)的方法。其中,基于回归的方法首先通过噪声模板获得噪声信号,然后从脑电图数据中减去估计的噪声信号,以消除伪影。基于回归的方法需要一个或多个优秀的回归参考通道,并不完全适合去噪肌肉噪声。基于自适应滤波器的方法依赖于基于输入的脑电图信号本身的动态估计滤波器系数,从而滤波出噪声。这种方法具有较高的计算成本,并且需要使用额外的传感器来提供参考输入。基于盲源分离(BSS)的方法对脑电图信号进行分解分成多个组件,将它们分配到神经源和人工源,并通过重组神经组件来重建一个干净的信号。然而,基于盲源分离(BSS)的方法只能在有大量的电极可用时使用,并不适合单通道去噪。
综上所述,现有的脑电信号去噪方法计算效率低,去噪效果不好,脑电信号输出精度低,影响了对脑电信号的进一步研究。
发明内容
本发明的目的就是为了提供一种基于BG-Attention的脑电信号去噪方法、装置及存储介质,不仅能快速准确地去除脑电信号噪声伪迹,提高脑电信号的去噪效果,还能很大程度上保留脑电信号特征,提高脑电信号的输出精度。
本发明的目的可以通过以下技术方案来实现:
一种基于BG-Attention的脑电信号去噪方法,包括以下步骤:
获取脑电信号;
对脑电信号进行信号分割得到脑电信号段;
建立BG-Attention模型并进行训练,所述BG-Attention模型的输入为脑电信号段,输出为去噪后的脑电信号,模型结构包括双向GRU网络和注意力机制模块,其中,双向GRU网络的输出作为注意力机制模块的输入;
将每段脑电信号段输入训练完成的BG-Attention模型,得到多段去噪后的脑电信号段;
对去噪后的脑电信号段进行合成,得到去噪脑电信号。
所述信号分割的分割长度为2秒。
所述双向GRU网络由2层单向GRU网络构成,其中,第一层的隐藏层之间进行正向连接,第二层的隐藏层之间进行反向连接。
所述双向GRU网络的状态更新公式为:
Zt=O(XtWxz+Ht-1Whz+br)
其中,Xt为t时刻的样本向量,Wxz、Whz为更新门的参数矩阵,br为更新门的偏置参数,σ为激活函数。
其中,Wxh、Whh为候选状态的参数矩阵,bh为候选状态的偏置参数,Rt为重置门,控制前一时刻的状态对当前候选状态的贡献度,
Rt=σ(XtWxr+Ht-1Whr+br)
其中,Wxr、Whr为重置门的参数矩阵。
所述注意力机制模块包括自注意力机制、嵌入自注意力机制的多头注意力机制和嵌入多头注意力机制的点乘注意力机制。
所述点乘注意力机制为:
其中,Q、K、V为点乘注意力机制的输入,Q、K、V的维度相同,dk为K的维度。
所述多头注意力机制为:
MultiHead(Q,K,V)=Concat(head1,…,headh)WO
where headi=Attention(QWi Q,KWi K,VWi V)
其中,Concat(·)为拼接函数,Attention(·)为点乘注意力机制,Wi Q、Wi K、Wi V、WO为注意力机制的参数矩阵,Wi Q、Wi K、Wi V的矩阵维度均为dmodel×dk,WO的矩阵维度为(h*dv)×dmodel,dmodel为采样频率,dv为V的维度,h为多头注意力机制的层数。
一种基于BG-Attention的脑电信号去噪装置,包括存储器、处理器,以及存储于所述存储器中的程序,所述处理器执行所述程序时实现如上述所述的方法。
一种存储介质,其上存储有程序,所述程序被执行时实现如上述所述的方法。
与现有技术相比,本发明具有以下有益效果:
(1)本发明采用的基于BG-Attention的脑电信号去噪方法,采用双向的GRU网络来更好的学习类似脑电这类复杂信号之间存在的微妙关系,并通过注意力机制模块关注整个时间步中的信号特征,具有较小的MSE值和更好的信噪比,噪声抑制能力强,去噪效果好,且去噪后的脑电信号的与基准信号的相似性程度高,输出精度高。
(2)本发明的BG-Attention模型结构简单且可以离线训练,能够节约降噪时间,提高计算效率。
(3)本发明的脑电信号去噪方法可以处理单个或多个噪声信号,适用范围广,通用性强。
附图说明
图1为本发明的方法流程图;
图2为双向GRU网络的结构示意图;
图3为注意力机制模块的结构示意图;
图4为含有眼电噪声的脑电信号的处理结果图,其中,(a)为含有眼电噪声的脑电信号与BG-Attention模型处理后的脑电信号对比图,(b)为BG-Attention模型处理后的脑电信号与基准脑电信号的对比图;
图5为含有肌电噪声的脑电信号的处理结果图,其中,(a)为含有肌电噪声的脑电信号与BG-Attention模型处理后的脑电信号对比图,(b)为BG-Attention模型处理后的脑电信号与基准脑电信号的对比图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
一种基于BG-Attention的脑电信号去噪方法,如图1所示,包括以下步骤:
1)获取脑电信号;
所述脑电信号为受到噪声干扰的信号。
设脑电信号X=[x1,x2,…,xn]T,n为脑电信号的电极个数,x1,x2,...,xn分别为第1电极、第2电极、...第n电极输出的一段脑电信号,每段脑电信号包含N个采样点,N取决于采样频率。
眼电信号的采样频率为256Hz,肌电信号的采样频率为512Hz。在对BG-Attention模型进行训练时,眼电信号和肌电信号作为噪声信号,混叠无噪声脑电信号作为训练集数据。
2)对脑电信号进行信号分割得到每段2s的脑电信号段;
将脑电信号分割为2s的长度主要原因如下:
①2s的时间段足够长,可以恢复脑电图以及EOG和EMG的时间和光谱特征;
②由于随机眨眼或运动,很难获得超过2s的无伪影脑电图段。
3)建立BG-Attention模型并进行训练
所述BG-Attention模型的输入为脑电信号段,输出为去噪后的脑电信号,模型结构包括双向GRU网络和注意力机制模块,其中,双向GRU网络的输出作为注意力机制模块的输入。
①双向GRU网络
所述双向GRU网络由2层单向GRU网络构成,其中,第一层的隐藏层之间进行正向连接,第二层的隐藏层之间进行反向连接,其结构如图2所示。双向GRU网络能够同时利用来自历史和未来的信息。
双向GRU网络的状态更新公式为:
Zt=σ(XtWxz+Ht-1Whz+br)
其中,Xt为t时刻的样本向量,Wxz、Whz为更新门的参数矩阵,br为更新门的偏置参数,σ为激活函数。
其中,Wxh、Whh为候选状态的参数矩阵,bh为候选状态的偏置参数,Rt为重置门,控制前一时刻的状态对当前候选状态的贡献度,Rt值越小,对前一时刻的状态的贡献就越小。
Rt=σ(XtWxr+Ht-1Whr+br)
其中,Wxr、Whr为重置门的参数矩阵。
②注意力机制模块
所述注意力机制模块包括自注意力机制、嵌入自注意力机制的多头注意力机制和嵌入多头注意力机制的点乘注意力机制,如图3所示。
所述点乘注意力机制为:
其中,Q、K、V为点乘注意力机制的输入,Q、K、V的维度相同,dk为K的维度。
所述多头注意力机制为:
MultiHead(Q,K,V)=Concat(head1,…,headh)WO
where headi=Attention(QWi Q,KWi K,VWi V)
其中,Concat(·)为拼接函数,Attention(·)为点乘注意力机制,Wi Q、Wi K、Wi V、WO为注意力机制的参数矩阵,Wi Q、Wi K、Wi V的矩阵维度均为dmodel×dk,W0的矩阵维度为(h*dv)×dmodel,dmodel为采样频率,dv为V的维度,h为多头注意力机制的层数。
4)将每段脑电信号段输入训练完成的BG-Attention模型,得到多段去噪后的脑电信号段;
一个实施例中,选择眼电信号作为噪声信号对基准脑电信号进行混叠,得到含有眼电噪声的脑电信号,测试BG-Attention模型的去噪效果,如图4所示。由于采样频率为256Hz,图中共有512个采样点,因此图4代表的是2s的脑电信号。
另一个实施例中,选择肌电信号作为噪声信号对基准脑电信号进行混叠,得到含有肌电噪声的的脑电信号,测试BG-Attention模型的去噪效果,如图5所示。由于采样频率为512Hz,图中共有1024个采样点,因此图5代表的是2s的脑电信号。
5)对去噪后的脑电信号段进行合成,得到去噪脑电信号。
上述功能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)执行本发明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。
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术人员无需创造性劳动就可以根据本发明的构思做出诸多修改和变化。因此,凡本技术领域中技术人员依据本发明的构思在现有技术的基础上通过逻辑分析、推理、或者有限的实验可以得到的技术方案,皆应在权利要求书所确定的保护范围内。
Claims (10)
1.一种基于BG-Attention的脑电信号去噪方法,其特征在于,包括以下步骤:
获取脑电信号;
对脑电信号进行信号分割得到脑电信号段;
建立BG-Attention模型并进行训练,所述BG-Attention模型的输入为脑电信号段,输出为去噪后的脑电信号,模型结构包括双向GRU网络和注意力机制模块,其中,双向GRU网络的输出作为注意力机制模块的输入;
将每段脑电信号段输入训练完成的BG-Attention模型,得到多段去噪后的脑电信号段;
对去噪后的脑电信号段进行合成,得到去噪脑电信号。
2.根据权利要求1所述的一种基于BG-Attention的脑电信号去噪方法,其特征在于,所述信号分割的分割长度为2秒。
3.根据权利要求1所述的一种基于BG-Attention的脑电信号去噪方法,其特征在于,所述双向GRU网络由2层单向GRU网络构成,其中,第一层的隐藏层之间进行正向连接,第二层的隐藏层之间进行反向连接。
6.根据权利要求1所述的一种基于BG-Attention的脑电信号去噪方法,其特征在于,所述注意力机制模块包括自注意力机制、嵌入自注意力机制的多头注意力机制和嵌入多头注意力机制的点乘注意力机制。
8.根据权利要求7所述的一种基于BG-Attention的脑电信号去噪方法,其特征在于,所述多头注意力机制为:
MultiHead(Q,K,V)=Concat(head1,...,headh)WO
where headi=Attention(QWi Q,KWi K,VWi V)
其中,Concat(·)为拼接函数,Attention(·)为点乘注意力机制,Wi Q、Wi K、Wi V、WO为注意力机制的参数矩阵,Wi Q、Wi K、Wi V的矩阵维度均为dmodel×dk,WO的矩阵维度为(h*dv)×dmodel,dmodel为采样频率,dv为V的维度,h为多头注意力机制的层数。
9.一种基于BG-Attention的脑电信号去噪装置,包括存储器、处理器,以及存储于所述存储器中的程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-8中任一所述的方法。
10.一种存储介质,其上存储有程序,其特征在于,所述程序被执行时实现如权利要求1-8中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210905421.3A CN115462803A (zh) | 2022-07-29 | 2022-07-29 | 一种基于BG-Attention的脑电信号去噪方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210905421.3A CN115462803A (zh) | 2022-07-29 | 2022-07-29 | 一种基于BG-Attention的脑电信号去噪方法、装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115462803A true CN115462803A (zh) | 2022-12-13 |
Family
ID=84368011
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210905421.3A Pending CN115462803A (zh) | 2022-07-29 | 2022-07-29 | 一种基于BG-Attention的脑电信号去噪方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115462803A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117708546A (zh) * | 2024-02-05 | 2024-03-15 | 北京智冉医疗科技有限公司 | 基于侵入式脑机接口的高通量神经信号的解码方法及装置 |
-
2022
- 2022-07-29 CN CN202210905421.3A patent/CN115462803A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117708546A (zh) * | 2024-02-05 | 2024-03-15 | 北京智冉医疗科技有限公司 | 基于侵入式脑机接口的高通量神经信号的解码方法及装置 |
CN117708546B (zh) * | 2024-02-05 | 2024-05-10 | 北京智冉医疗科技有限公司 | 基于侵入式脑机接口的高通量神经信号的解码方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | Removal of muscle artifacts from the EEG: A review and recommendations | |
Lakshmi et al. | Survey on EEG signal processing methods | |
Xie et al. | A review of processing methods and classification algorithm for EEG signal | |
CN110353672B (zh) | 一种脑电信号中眼部伪迹去除***及去除方法 | |
Naderi et al. | Analysis and classification of EEG signals using spectral analysis and recurrent neural networks | |
Roy et al. | Image denoising by data adaptive and non-data adaptive transform domain denoising method using EEG signal | |
Ranjan et al. | Ocular artifact elimination from electroencephalography signals: A systematic review | |
Bouallegue et al. | A dynamic filtering DF-RNN deep-learning-based approach for EEG-based neurological disorders diagnosis | |
Satpathy et al. | Advance approach for effective EEG artefacts removal | |
CN114224360B (zh) | 一种基于改进emd-ica的eeg信号处理方法、设备及存储介质 | |
Huang et al. | A review of electroencephalogram signal processing methods for brain-controlled robots | |
CN112861625B (zh) | 一种堆叠去噪自编码器模型确定方法 | |
CN111543984B (zh) | 一种基于ssda的脑电信号的眼电伪迹去除方法 | |
Mathe et al. | Intelligent approach for artifacts removal from EEG signal using heuristic-based convolutional neural network | |
Geng et al. | [Retracted] A Fusion Algorithm for EEG Signal Processing Based on Motor Imagery Brain‐Computer Interface | |
Molla et al. | Data-adaptive spatiotemporal ERP cleaning for single-trial BCI implementation | |
CN113842115B (zh) | 一种改进的eeg信号特征提取方法 | |
CN115462803A (zh) | 一种基于BG-Attention的脑电信号去噪方法、装置及存储介质 | |
Gandhi et al. | Denoising time series data using asymmetric generative adversarial networks | |
Paul et al. | EEG based automated detection of six different eye movement conditions for implementation in personal assistive application | |
Gabardi et al. | A multi-artifact EEG denoising by frequency-based deep learning | |
Upadhyay et al. | Application of wavelet fractal features for the automated detection of epileptic seizure using electroencephalogram signals | |
CN115017960B (zh) | 一种基于时空联合mlp网络的脑电信号分类方法及应用 | |
Nguyen et al. | A deep sparse autoencoder method for automatic EOG artifact removal | |
Jannat et al. | Eeg motor signal analysis-based enhanced motor activity recognition using optimal de-noising algorithm |
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 |