一种脑电信号抗衰减方法、装置及存储介质制造方法及图纸

本发明专利技术涉及一种基于一维残差卷积网络和迁移学习的脑电信号抗衰减方法、装置及存储介质，其中方法包括：获取脑电信号；对脑电信号进行信号分割得到脑电信号段；建立脑电信号抗衰减模型并进行训练，所述脑电信号抗衰减模型包括一维残差卷积网络和迁移学习模块，其中，所述一维残差卷积网络用于解码脑电信号段，包括卷积层和残差网络，卷积层通过残差网络进行连接；所述迁移学习模块基于源域的去噪网络得到目标域的去噪网络，并基于目标域的去噪网络和解码后的脑电信号段实现脑电信号段的还原；将每段脑电信号段输入训练完成的模型，得到多段还原的脑电信号段并进行合成，得到完整脑电信号。与现有技术相比，本发明专利技术具有抗衰减效果好等优点。等优点。等优点。

【技术实现步骤摘要】
一种脑电信号抗衰减方法、装置及存储介质


[0001]本专利技术涉及脑电信号预处理领域，尤其是涉及一种基于一维残差卷积网络和迁移学习的脑电信号抗衰减方法、装置及存储介质。

技术介绍

[0002]脑电图(EEG)是对大脑皮层或头皮表面的大脑神经元电活动的一般反映，包括丰富的生理、心理和病理数据。人类不同的身体运动、认知和情绪活动可能导致不同的脑电图信号。近年来，由于脑电图采集具有简单、成本低廉、信息含量高等特点，未来将采用更多的空间集成脑电图来实现实时控制，促进未来机器人的发展。然而，由于脑电图信号的非线性和非平稳性，在科学研究和实际应用中难以保证脑电图数据的质量。
[0003]脑电图数据质量问题主要包括数据失真和数据衰减。数据失真和数据衰减以不同的方式发生，但它们是相互关联的。由于脑电图信号具有较高的时间分辨率，是一种高度随机的非线性和非平稳信号，在整个采集过程中很容易受到身体其他部分和外部噪声的干扰，导致脑电图数据失真。这些伪影可能会干扰神经信息，甚至被用作正常现象，以误导性地驱动实际应用中的脑电信号处理设备，如BCI设备。此外，伪影也可能模仿认知或病理活动，从而偏向于临床研究中的视觉解释和诊断。数据失真是由噪声或伪影引起的信噪比差的问题，它增加了不相关组件的负面影响，而不影响独特的信息。数据衰落导致信息模糊化，使得特征提取后的聚类中心和模糊类边界发生位移，对脑电图分类结果产生不利影响。普通的过滤方法和阈值方法将无法修复由于数据失真和数据衰落导致损坏的数据。

技术实现思路

[0004]本专利技术的目的就是为了提供一种基于一维残差卷积网络和迁移学习的脑电信号抗衰减方法、装置及存储介质，还原衰减的脑电信号，并极大程度的保留脑电信号的特征信息，提高抗衰减精度。
[0005]本专利技术的目的可以通过以下技术方案来实现：
[0006]一种基于一维残差卷积网络和迁移学习的脑电信号抗衰减方法，包括以下步骤：
[0007]获取脑电信号；
[0008]对脑电信号进行信号分割得到脑电信号段；
[0009]建立脑电信号抗衰减模型并进行训练，所述脑电信号抗衰减模型包括一维残差卷积网络和迁移学习模块，其中，所述一维残差卷积网络用于解码脑电信号段，包括卷积层和残差网络，卷积层通过残差网络进行连接；所述迁移学习模块基于源域的去噪网络得到目标域的去噪网络，并基于目标域的去噪网络和解码后的脑电信号段实现脑电信号段的还原；
[0010]将每段脑电信号段输入训练完成的脑电信号抗衰减模型，得到多段还原的脑电信号段；
[0011]对还原的脑电信号段进行合成，得到完整脑电信号。
[0012]所述信号分割的分割长度为2秒。
[0013]所述一维残差卷积网络的卷积层中，卷积核对上一层卷积层输出的特征向量进行卷积，并利用非线性激活函数构造输出的特征向量。
[0014]所述卷积层的卷积输出y
t
为：
[0015][0016]其中，x
t
(t＝1、...、n)为输入信号序列，n为输入信号序列的长度，w
k
为卷积核，m为卷积核的长度。
[0017]所述非线性激活函数为：
[0018]f(y
t
)＝max(0,y
t
)
[0019]。
[0020]所述卷积层中第L层的每个神经元只与第L
‑
1层的局部窗口中的神经元连接，形成一个局部连接网络，第L层的第i个神经元的输入为：
[0021][0022]其中，w
L
为第L层的卷积核；b
i
为偏移参数，i＝1，
…
，n。
[0023]所述残差网络为垂直和水平扩展的ResCNN结构，用于将不同尺度卷积核的残差块并行化，获取脑电信号段的尺度特征。
[0024]所述迁移学习模块基于源域的去噪网络得到目标域的去噪网络具体为：固定源域的去噪网络的最后一个全连接层前的网络参数，对最后一个全连接层的参数进行训练，得到修正后的目标域的去噪网络。
[0025]一种基于一维残差卷积网络和迁移学习的脑电信号抗衰减装置，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。
[0026]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。
[0027]与现有技术相比，本专利技术具有以下有益效果：
[0028](1)本专利技术以衰减脑电的一维时域信号为输入信号，构建抗衰减模型，以一种端到端的方式实现了将衰减的脑电信号还原为基准信号，该模型不仅具有很好的信噪比和MSE值，还能产生清晰的还原脑电信号输出波形，极大程度的保留了脑电信号的特征信息，提高了抗衰减精度。
[0029](2)本专利技术采用的脑电信号抗衰减模型使用具有不同权值系数的多层次残差连接结构，将卷积神经网络的底层特征转移到上层，提高了特征学习能力。
[0030](3)本专利技术基于迁移学习对去噪网络进行训练，仅训练最后一层全连接层的参数，减小了计算量，提高了计算效率。
附图说明
[0031]图1为本专利技术的方法流程图；
[0032]图2为一维残差卷积网络的结构示意图；
[0033]图3为迁移学习模块的结构示意图；
[0034]图4为含有眼电信号的衰减脑电信号的处理结果图，其中，(a)为衰减脑电信号与脑电信号抗衰减模型处理后的脑电信号对比图，(b)为脑电信号抗衰减模型处理后的脑电信号与基准脑电信号的对比图；
[0035]图5为含有肌电信号的衰减脑电信号的处理结果图，其中，(a)为衰减脑电信号与脑电信号抗衰减模型处理后的脑电信号对比图，(b)为脑电信号抗衰减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
[0036]下面结合附图和具体实施例对本专利技术进行详细说明。本实施例以本专利技术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，但本专利技术的保护范围不限于下述的实施例。
[0037]一种基于一维残差卷积网络和迁移学习的脑电信号抗衰减方法，如图1所示，包括以下步骤：
[0038]1)获取脑电信号；
[0039]所述脑电信号为受到噪声或其他干扰的衰减脑电信号。
[0040]设脑电信号X＝[x1,x2,
…
,x
n
]T
，n为脑电信号的电极个数，x1,x2,...,x
n
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。
[0041]眼电信号的采样频率为256Hz，肌电信号的采样频率为512Hz。在对脑电信号抗衰减模型进行训练时，眼电信号和肌电信号作为噪声信号，混叠无衰减脑电信号作为训练集数据。
[0042]2)对每个电极输出的脑电信号进行信号分割得到每段2s的脑电信号段；
[0043]将脑电本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于一维残差卷积网络和迁移学习的脑电信号抗衰减方法，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；建立脑电信号抗衰减模型并进行训练，所述脑电信号抗衰减模型包括一维残差卷积网络和迁移学习模块，其中，所述一维残差卷积网络用于解码脑电信号段，包括卷积层和残差网络，卷积层通过残差网络进行连接；所述迁移学习模块基于源域的去噪网络得到目标域的去噪网络，并基于目标域的去噪网络和解码后的脑电信号段实现脑电信号段的还原；将每段脑电信号段输入训练完成的脑电信号抗衰减模型，得到多段还原的脑电信号段；对还原的脑电信号段进行合成，得到完整脑电信号。2.根据权利要求1所述的一种基于一维残差卷积网络和迁移学习的脑电信号抗衰减方法，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所述的一种基于一维残差卷积网络和迁移学习的脑电信号抗衰减方法，其特征在于，所述一维残差卷积网络的卷积层中，卷积核对上一层卷积层输出的特征向量进行卷积，并利用非线性激活函数构造输出的特征向量。4.根据权利要求3所述的一种基于一维残差卷积网络和迁移学习的脑电信号抗衰减方法，其特征在于，所述卷积层的卷积输出y
t
为：其中，x
t
(t＝1、...、n)为输入信号序列，n为输入信号序列的长度，w
k
为卷积核，m为卷积核的长度。5.根据权利要求4所述的一种基于一维残差卷积网络和迁移学习的脑电信号抗衰减方法，其特征在于，所述非线性激活函数...

【专利技术属性】
技术研发人员：李保江，王文龙，王海燕，王西超，
申请(专利权)人：上海电机学院，
类型：发明
国别省市：