本发明专利技术公开的一种决策树式脑电噪声识别系统,包括如下步骤,步骤一:采集原始脑电数据,对其做预处理;步骤二:通过预处理后的脑电数据基本特征判断噪声类别;步骤三:将步骤二中未能识别的脑电信号传入神经网络判断不易识别的噪声类别。本发明专利技术所设计决策树式噪声识别系统兼顾高识别率和低计算复杂度,并可实时区分噪声类别,噪声类别覆盖了大多数常见脑电噪声。本发明专利技术属于脑电信号处理技术领域,提供了一种解决当前脑电信号质量检测方法可区分种类少的缺点,能从脑电信号中自适应的识别噪声种类,具有计算量低、鲁棒性高等优点。鲁棒性高等优点。鲁棒性高等优点。
【技术实现步骤摘要】
一种决策树式脑电噪声识别系统
[0001]本专利技术属于脑电信号处理领域,涉及一种决策树式脑电噪声识别系统。
技术介绍
[0002]随着脑电采集设备的小型化、便携化,基于脑电技术的产品和应用越来越广泛,进而脑电信号的数据量呈现爆发式增长。不管是医疗级的脑电采集设备,还是商用便携式脑电采集设备,脑电数据都不可避免被各种噪声影响,包括以电子设备的工频和电路电流为主的环境噪声和来源于不同肌肉群的生理噪声,如眼部噪声,面部肌肉噪声,心脏噪声等。因此脑电信号常常淹没在包括上述以及众多未知的各种噪声中,使得获取干净有效的脑电信号难度剧增。因此,去除脑电信号中掺杂的噪声是极为自然的想法,但由于脑电采集设备性能的不同,去除噪声的难度也不相同。比如,以凝胶为主的湿电极脑电设备来说,信号质量比干电极的脑电采集设备要高很多,相对而言也容易去除一些噪声,当然也有很多无法去除的。干电极脑电设备由于电极与头皮的接触不良或不紧导致阻抗过高,因此信号质量相较于湿电极来说会差很多,噪声源也更明显。
[0003]目前所存在问题是,脑电信号质量检测普通通过硬件给出单一指标,而我们不仅需要判断脑电信号好坏,同时,若脑电信号里包含噪声的话也要知道噪声的种类,从而能采取措施去避免产生噪声。处理脑电信号中的噪声一般采取的措施是剔除,而识别是空白领域。并且剔除噪声的算法都有各自的缺陷,并不都能成功剔除噪声。我们的想法是尽可能识别脑电信号中的噪声,采取一些措施去主动避免噪声产生,尽可能保证每一次采集的脑电数据都有较高的信噪比。
[0004]进一步的,脑电信号降噪方法多是准对于多通道脑电设备而设计的,单通道脑电设备并不能适用大部分方法,所以说对于单通道脑电设备而已信号质量检测时必不可少的。
[0005]我们为解决上述问题而设计了一种决策树式脑电噪声识别系统,可实现在线自动化识别多种噪声种类。
技术实现思路
[0006]本专利技术目的在于提供一种决策树式脑电噪声识别系统,识别可用脑电信号,以提高脑电设备的信号采集效率,同时解决难以检测脑电信号质量的问题。系统框架包括脑电信号预处理子系统,脑电信号基本特征提取与识别子系统,脑电信号复杂特征识别子系统(即神经网络子系统),以上三个部分。基本的处理流程是,实时收集脑电信号并做初步预处理,包括带通滤波和降采样。之后通过信号的基本特征做出初步的判断,包括信号幅值和能量以及基于统计特征的峰度。最后根据上一步的判断是否再需要精细识别,这一步通过神经网络子系统识别。
[0007]神经网络具体来说由两个模块组成:
[0008]由卷积神经网络构成的初级特征提取模块,用以提取脑电特征;
[0009]由条件随机场构成的特征识别模块,用以在线判断特征类别;
[0010]两个模块按照初级特征提取模块、特征识别模块来组合,经初级特征提取模块提取噪声特征后传输至噪声识别模块做出判断,神经网络子系统也在线对脑电数据进行处理;
[0011]为了实现上述目的,本专利技术提供技术方案如下:一个在线脑电信号质量检测系统,用以检测噪声类别。本系统具体的分析识别步骤如下:
[0012]步骤一:在线采集原始脑电信号,将原始脑电信号传输至预处理子系统,对原始脑电信号做带通滤波和降采样,将处理好的数据传输到脑电信号基本特征提取与识别子系统;
[0013]步骤二:通过预处理后的脑电数据基本特征判断噪声类别,判断类别分为:环境噪声、眼电噪声、肌电噪声三种大类别,若无法判断则将数据传输到精细识别子系统做进一步特征提取;
[0014]对步骤二中未能识别的脑电信号做标准化也叫Z
‑
score化,后传输至神经网络子系统做进一步的判别;
[0015]步骤三:接收步骤二的数据,通过神经网络判断不易识别的噪声类别,判断类别分为:脑电信号、眼电噪声、肌电噪声三种大类别;
[0016]步骤二具体为,判断噪声类别的方法类似决策树式的步骤,其具体方法为:
[0017]根据信号幅值以及持续时间判断是否是环境噪声,若信号幅值超过阈值并且持续时间超过阈值则判断为环境噪声。进一步的,利用傅里叶变换将信号投影到频域,利用峰值检测算法计算频段及其谐波是否存在峰值,若存在则可判断为工频;
[0018]若信号幅值超过阈值但持续时间未超过阈值则判断为生理噪声。进一步的,利用傅里叶变换将信号投影到频域,若高频段能量超过阈值则可判断为肌电噪声。
[0019]若高频段未超过阈值,再根据计算信号的统计特征
‑
峰度,若峰度超过阈值则可判断为眼电,若未超过将信号传输到第三步的系统做进一步判断,其中峰度的计算公式为
[0020]步骤三,接收脑电信号基本特征提取与识别子系统未能识别出来的脑电信号,利用神经网络做更多种类的精细识别。先对脑电信号做标准化,再传输至神经网络子系统中。
[0021]步骤三所述神经网络子系统由两个模块组成,包括初级特征提取模块和噪声识别模块。
[0022]初级特征提取模块由三个卷积模块组成,每个卷积模块包括卷积层、最大池化层、非线性激活层构成。第一个卷积模块功能与带通滤波类似,提取某一频段的特征,再结合多个卷积核,可以自适应地提取多频段的特征图。后两个卷积模块的功能是进一步提取特征的同时,降低特征的维度以降低后续计算的复杂度;
[0023]进一步地,卷积层输出的特征图将输入到一层全链接层中,以满足条件随机场的参数需求;
[0024]最后地噪声识别功能由条件随机场完成。条件随机场接收全链接层的特征做最后的推理判断,输出结果即是噪声的类别。条件随机场支持不限长的时间序列,可以对每个时间点做出推断,构成在线噪声识别系统的最后一环。
附图说明
[0025]图1是本专利技术公开的一种决策树式脑电噪声识别系统的流程图。
[0026]图2是本专利技术公开的一种决策树式脑电噪声识别系统的基本识别系统流程图。
[0027]图3是本专利技术公开的一种决策树式脑电噪声识别系统的神经网络系统流程图。
具体实施方式
[0028]下面结合实施例和附图对本专利技术的决策树式脑电噪声识别系统做出详细说明。基于本专利技术中的实施例,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,都属于本专利技术保护的范围。
[0029]如图1所示,本专利技术主要步骤如下:
[0030]步骤一:设定2s的时间窗从脑电采集设备中获取原始脑电数据,将原始脑电数据输入到脑电信号预处理子系统;
[0031]步骤二:将预处理后的数据输入到脑电信号基本特征提取与识别子系统对信号做出判断;
[0032]步骤三:对步骤二中未能识别的信号输入到神经网络子系统做出最后的判断;
[0033]步骤一的具体方法为,利用窗函数设计有限冲击响应滤波器对获得数据块做带通滤波,带通滤波器长度为200,在保证数据不扭曲的同时尽量减少时延;之后将信号降采样到200Hz,减少运算量;
[0034]下面结合图2对神经网络做详细描述。
...
【技术保护点】
【技术特征摘要】
1.本发明是一种决策树式脑电噪声识别系统,其特征在于决策树式的噪声识别方式,可以区分多种噪声种类,且支持在线识别。该系统的主要包括:脑电信号预处理子系统,脑电信号基本特征提取与识别子系统,脑电信号复杂特征识别子系统。该系统的具体描述如下:1)脑电信号预处理子系统:此系统主要目的是接收原始脑电信号,预处理原始脑电信号为之后的识别做准备。具体而言,采用2s的时间窗用以实时获取脑电信号,原始脑电信号先经过1
‑
70Hz带通滤波器,再对滤波后的噪声降采样到200Hz。此系统主要目的在于,减少低频噪声影响,比如设备自身的零点漂移,其次降采样是为了减少在线识别的运算量。2)脑电信号基本特征提取与识别子系统:此系统是一种决策树式的构造。接收预处理后的脑电信号后,判断信号是否长时间超过幅值阈值,幅值阈值为100μV,此数值为临床脑电中判断信号是否式脑电的上限,超过100μV大概率不是脑电。若脑电信号超过2s以上幅值超过100μV,则判断为环境噪声,进一步的用FFT将信号变换到频域,检测在50Hz是否出现峰值,若出现则可判断为工频噪声。若脑电信号未超过2s以上幅值超过100μV,则判断为生理噪声,计算脑电信号的频域和峰度。若频域超过20Hz的频段能量整体升高同时峰度未超过20则可判断为肌电噪声,若频域超过20Hz的频段能量整体为未升高同时峰度超过3则判断为眼电噪声。频段能量阈值设定为140dB,若峰度大于20则直接判断为眼电。3)脑电信号复杂特征识别子系统:此系统主要用来进一步判断基本特征无法识别的脑电信号,结构由卷积神经网络和条件随机场组成。卷积神经网络由三个卷积模块、一个全链接层和一个条件随机场组成,每一个卷积模块由卷积层、批归一化层、最大池化层、非线性激活层组成。第一个卷积模块参数为:卷积层:卷...
【专利技术属性】
技术研发人员:陈军,于庆鹏,王若鹏,
申请(专利权)人:心仪脑上海信息技术有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。