一种基于生成式对抗网络的脑电波信号降噪方法技术

本发明专利技术涉及脑电信号降噪技术领域，具体涉及一种基于生成式对抗网络的脑电波信号降噪方法；包括如下步骤：基于带噪声的标准脑电波信号对生成式对抗网络进行训练；通过训练好的生成式对抗网络，构建训练数据集；基于训练数据集，对深度神经卷积网络进行训练；采集混叠有带噪声的脑电波信号的原始脑电波信号；通过训练好的深度卷神经积网络从原始脑电波信号中降噪出带噪声的脑电波信号，从根本上让模型学习到脑电波的性质，可以适应各种各样的噪声，提高了模型的鲁棒性，确保模型在不同脑电波采集设备、不同环境下，都能具有较高的降噪精度。精度。精度。

【技术实现步骤摘要】
一种基于生成式对抗网络的脑电波信号降噪方法


[0001]本专利技术涉及脑电信号降噪
，尤其涉及一种基于生成式对抗网络的脑电波信号降噪方法。

技术介绍

[0002]脑电波信号(EEG)是中枢神经系统产生的生物电活动，人在主动思维或受到不同的感觉刺激时，能够产生特定模式的脑电信号，脑电波信号具有多样性、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μV级脑电波信号相当微弱，很容易就被mV级外界干扰和内部噪声所淹没，因此，脑电波信号的采集、噪声消除以及特征提取技术就成为脑电波信号处理系统设计的关键环节。
[0003]传统的时域或频域分析方法，如傅立叶变换，频域能量分析等，虽然可以进行信号的降噪和特征处理，但其多适于分析平稳信号，对非平稳的脑电波信号处理效果并不好，特别是在不同设备、不同环境下的脑电波的噪声表现会多种多样。

技术实现思路

[0004]本专利技术的目的在于提供一种基于生成式对抗网络的脑电波信号降噪方法，以解决现有技术中存在的对非平稳的脑电波信号处理效果并不好，导致鲁棒性不足的问题。
[0005]为实现上述目的，本专利技术提供了一种基于生成式对抗网络的脑电波信号降噪方法，包括如下步骤：
[0006]基于带噪声的标准脑电波信号对生成式对抗网络进行训练；
[0007]通过训练好的所述生成式对抗网络，构建训练数据集；
[0008]基于所述训练数据集，对深度神经卷积网络进行训练；r/>[0009]采集混叠有带噪声的脑电波信号的原始脑电波信号；
[0010]通过训练好的所述深度卷神经积网络从所述原始脑电波信号中降噪出所述带噪声的脑电波信号。
[0011]所述基于带噪声的标准脑电波信号对生成式对抗网络进行训练包括如下步骤：
[0012]输入随机噪声；
[0013]降噪网络基于所述随机噪声生成模拟脑电波信号；
[0014]判别网络根据标准脑电波信号确定所述模拟脑电波信号的真实性；
[0015]根据所述模拟脑电波信号的真实性更新所述降噪网络和所述判别网络；
[0016]如此循环，直至所述模拟脑电波信号的真实性满足要求。
[0017]所述训练数据集包括多个通过生成式对抗网络模拟的模拟脑电波信号，以及不同脑电波采集设备、在不同环境下采集到的带噪声的标准脑电波信号。
[0018]所述基于训练数据集，对深度神经卷积网络进行训练，包括如下步骤：
[0019]从训练数据集中随机选取训练数据；
[0020]将所述随机噪声与所述训练数据混合，生成样本脑电波；
[0021]对所述样本脑电波进行预处理后输入深度卷积神经网络中，得到样本降噪结果；
[0022]通过所述样本降噪结果确定所述深度卷积神经网络的降噪误差；
[0023]根据所述降噪误差修正所述深度卷积神经网络参数；
[0024]如此循环，直至所述降噪误差达到期望值。
[0025]所述通过训练好的所述深度卷神经积网络从所述原始脑电波信号中降噪出所述带噪声的脑电波信号，包括如下步骤：
[0026]对所述原始脑电波信号进行预处理，得到脑电波数据；
[0027]通过所述深度卷积神经网络对脑电波数据进行降噪，得到降噪数据；
[0028]根据所述降噪数据生成所述带噪声的脑电波信号。
[0029]所述采集混叠有带噪声的脑电波信号的原始脑电波信号是指利用多阵列电极帽采集原始脑电波信号。
[0030]本专利技术的一种基于生成式对抗网络的脑电波信号降噪方法，通过生成式对抗网络训练好的模型学习到无噪声的脑电波的概率分布，是从根本上让模型学习到脑电波的性质，可以适应各种各样的噪声，提高了模型的鲁棒性，确保模型在不同脑电波采集设备、不同环境下，都能具有较高的降噪精度。
附图说明
[0031]为了更清楚地说明本专利技术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。
[0032]图1是本专利技术提供的一种基于生成式对抗网络的脑电波信号降噪方法的步骤示意图。
[0033]图2是本专利技术提供的一种基于生成式对抗网络的脑电波信号降噪方法的基于带噪声的标准脑电波信号对生成式对抗网络进行训练的步骤示意图。
[0034]图3是本专利技术提供的一种基于生成式对抗网络的脑电波信号降噪方法的基于训练数据集，对深度神经卷积网络进行训练的步骤示意图。
[0035]图4是本专利技术提供的一种基于生成式对抗网络的脑电波信号降噪方法的通过训练好的所述深度卷神经积网络从所述原始脑电波信号中降噪出所述带噪声的脑电波信号的步骤示意图。
[0036]图5是本专利技术提供的一种基于生成式对抗网络的脑电波信号降噪方法的对所述原始脑电波信号进行预处理的步骤示意图。
[0037]图6是本专利技术提供的一种基于生成式对抗网络的脑电波信号降噪方法的输入随机噪声的步骤示意图。
[0038]图7是本专利技术提供的一种基于生成式对抗网络的脑电波信号降噪方法的判别网络根据无噪声脑电波信号学习其概率分布的步骤示意图。
具体实施方式
[0039]下面详细描述本专利技术的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。
[0040]请参阅图1至图7，本专利技术提供一种基于生成式对抗网络的脑电波信号降噪方法，包括如下步骤：
[0041]S101：基于带噪声的标准脑电波信号对生成式对抗网络进行训练；
[0042]S102：通过训练好的所述生成式对抗网络，构建训练数据集；
[0043]S103：基于所述训练数据集，对深度神经卷积网络进行训练；
[0044]S104：采集混叠有带噪声的脑电波信号的原始脑电波信号；
[0045]S105：通过训练好的所述深度卷神经积网络从所述原始脑电波信号中降噪出所述带噪声的脑电波信号。
[0046]所述基于带噪声的标准脑电波信号对生成式对抗网络进行训练包括如下步骤：
[0047]S201：输入随机噪声；
[0048]S202：降噪网络基于所述随机噪声生成模拟脑电波信号；
[0049]S203：判别网络根据标准脑电波信号确定所述模拟脑电波信号的真实性；
[0050]S204：根据所述模拟脑电波信号的真实性更新所述降噪网络和所述判别网络；
[0051]S205：如此循环，直至所述模拟脑电波信号的真实性满足要求。
[0052]所述训练数据集包括多个通过生成式对抗网络模拟的模拟脑电波信号，以及不同脑电波采集设备、在不同环境下采集到的带噪声的标准脑电波信号。
[0053]所述基于训练数据集，对深度神经卷积网络进行训练，包括如下步骤：
[0054]S301：从训练数据集中随机选取训练数据；
[0055]S302：将所述随机噪声本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于生成式对抗网络的脑电波信号降噪方法，其特征在于，包括如下步骤：基于带噪声的标准脑电波信号对生成式对抗网络进行训练；通过训练好的所述生成式对抗网络，构建训练数据集；基于所述训练数据集，对深度神经卷积网络进行训练；采集混叠有带噪声的脑电波信号的原始脑电波信号；通过训练好的所述深度卷神经积网络从所述原始脑电波信号中降噪出所述带噪声的脑电波信号。2.如权利要求1所述的一种基于生成式对抗网络的脑电波信号降噪方法，其特征在于，所述基于带噪声的标准脑电波信号对生成式对抗网络进行训练包括如下步骤：输入随机噪声；降噪网络基于所述随机噪声生成模拟脑电波信号；判别网络根据所述标准脑电波信号确定所述模拟脑电波信号的真实性；根据所述模拟脑电波信号的真实性更新所述降噪网络和所述判别网络；如此循环，直至所述模拟脑电波信号的真实性满足要求。3.如权利要求1所述的一种基于生成式对抗网络的脑电波信号降噪方法，其特征在于，所述训练数据集包括多个通过生成式对抗网络模拟的模拟脑电波信号，以及不同脑电波采集设备、在不同环境下采集到的带噪声的标准脑电波信号。4....

【专利技术属性】
技术研发人员：朱世宇，章蕊，孙令翠，李根，黄川峰，黄鑫，
申请(专利权)人：重庆工程学院，
类型：发明
国别省市：