【技术实现步骤摘要】
本专利技术涉及医学信号处理及人工智能领域，尤其涉及一种针对多通道脑电信号的任务驱动动态插值方法。
技术介绍
1、脑机接口(bci)技术在促进脑卒中患者神经重塑和提高康复训练效果方面均显示出巨大潜力。特别是在运动想象(mi)任务中，bci系统能够通过捕捉患者的脑电信号(eeg)，将用户意图转化为外部设备的控制信号，从而帮助恢复患者的运动功能。这一过程中，高质量的eeg信号采集分析则是bci系统从eeg中提取信息至关重要的环节。在实际的bci应用中，电极的脱落、阻塞或eeg通道损坏等问题会频繁发生，导致重要信号数据丢失，损害了eeg数据的完整性，影响了后续的信号处理和解码步骤，从而降低了bci系统性能和康复训练的有效性，因此，需要对原始egc信号进行处理，以便后续对eeg信号进行分析和解释。
2、传统的eeg信号处理方法包括n近邻、平面和球面样条插值、以及反距离权重法，这些传统技术通过不同方式估算丢失的信号值，各有其优势和局限。n近邻方法的实施简易但不适合复杂信号模式；而样条插值技术虽然考虑了空间分布，但对电极布局精确度要求高；反距离权重方法在空间分析中有其应用，但在实时性和参数选择上面临挑战。
3、随着深度学习在图像处理领域的成功应用，研究人员发现深度学习方法如gan及其变体、以及图神经网络等新技术，即通过复杂模型自适应地从大量样本数据中学习特征，来对eeg信号进行高级插值处理，可以提升信号处理的空间和时间精度、优化插值性能，得到更接近真实脑电数据的信号。但现有基于深度学习的的eeg信号处理方法仍然存在以下
4、1)忽略了康复任务中特定任务态下的eeg信号特征，而这些特征在意图解码和个性化康复中极为关键。
5、2)忽略了脑电信号的生理特性，没有考虑不同患者独有的脑电模式。
6、3)对非标准化电极布局或个性化电极帽的适应性均有限制，且在动态变化情况下，如运动想象任务中，灵敏度较低。
7、上述问题的存在导致插值模型对信号的复现能力不足，对真实脑电信号重构能力较差。
技术实现思路
1、本专利技术的目的在于提供一种针对多通道脑电信号的任务驱动动态插值方法，以提升重构脑电信号的准确性，实现真实脑电信号的任务态特征复现，为后续脑电信号的解码、分析提供了有力的辅助。
2、为实现上述目的，本专利技术采用如下技术方案：
3、一种针对多通道脑电信号的任务驱动动态插值方法，包括以下步骤：
4、步骤1、获取不同任务态的脑电信号；针对每个任务态：使用非重叠滑窗切割所有脑电信号，得到数段等距离的脑电信号片段并进行归一化处理，生成该任务态脑电数据集；
5、步骤2、构建脑电信号插值网络，脑电信号插值网络模型包括依次连接的序列输入层、三层cnn神经网络、长短期记忆网络和回归输出层；
6、步骤3、为脑电信号插值网络构建损失函数，所述损失函数包括重构误差项lrecon、任务态相关误差项ltask和通道协同误差项lcc；
7、所述重构误差项lrecon为：
8、
9、所述任务态相关误差项ltask为：
10、
11、所述通道协同误差项为：
12、
13、脑电信号插值网络的损失函数l为：
14、l＝lrecon+ltask+lcc
15、式中，yi为损坏通道原始真实信号；为脑电信号插值网络输出的重构信号，n为采样点个数；m为特征个数，θ(yi)为损坏通道的原始真实信号的任务态特征，为插值网络输出的重构信号的任务态特征；yp是与损坏通道(待插值通道)的通道相关系数大于0.6的其余通道，p为这些通道的数量，是为插值网络输出的重构信号。
16、步骤4、根据任务需求，采用步骤1获得的对应任务数据集和步骤3设计的损失函数对脑电信号插值网络进行训练优化，得到任务驱动动态插值(task-driven dynamicinterpolation,t-ddi)网络模型；利用任务驱动动态插值网络模型即可完成待处理脑电信号进行重构。
17、进一步的，所述步骤1是从公开数据中获取不同任务态的脑电信号，所述公开数据集包括：《eeg motor movement/imagery dataset》公开数据集、以及清华大学提供的ssvep公开脑电数据集。
18、进一步的，所述步骤1采用的归一化处理方法为min-max归一化方法，对数段不重叠脑电信号片段进行归一化处理，使其值在[-1，1]的区间之间。
19、进一步的，所述脑电信号插值网络的序列输入层根据任务需求接收相应任务态的脑电信号数据集；
20、三层cnn神经网络中每一层均由依次连接的cnn卷积层、batchnormalization层和relu层构成，卷积层用于提取脑电信号的空域特征，batchnormalization层用于进行批数据标准化处理，relu层用于对batchnormalization层的输出做非线性激活操作；
21、长短期记忆(lstm)网络由依次连接的lsmt层、drop out层以及全连接层构成，lsmt层用于捕捉脑电信号的长短期时域特征，drop out层用于防止训练过程中产生的过拟合现象，全连接层含有与输出维度相同的神经元个数；
22、回归输出层用于输出脑电信号插值网络的插值结果，即重构的脑电信号。
23、根据长短期记忆(lstm)网络提供脑电信号的长短期时域特征对待处理脑电信号进行插值处理，以完成脑电信号重构。
24、进一步的，所述步骤4脑电信号插值网络的训练优化策略为adam优化器。
25、上述方法还可以用于心电信号、肌电信号等各种易受干扰的生理电信号处理。
26、本专利技术提供的一种针对多通道脑电信号的任务驱动动态插值方法，通过构建脑电信号插值网络提取脑电信号在空间和时间维度上的特征，通过设计的新损失函数优化网络权重和提升插值性能。基于新的损失函数对上述网络进行训练，获得任务驱动动态插值网络模型，利用其即可完成待处理脑电信号进行重构。由于本专利技术设计的损失函数中结合了深度学习的数据处理能力和与特定任务态相关的eeg信号特性，不仅整合了任务相关的先验知识，并且利用了通道间关系和历史任务态信息进行误差分析，提升了重构脑电信号的准确性，复现了真实脑电信号的任务态特征，为后续脑电信号的解码、分析提供了有力的辅助。
本文档来自技高网...【技术保护点】
1.一种针对多通道脑电信号的任务驱动动态插值方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种针对多通道脑电信号的任务驱动动态插值方法，其特征在于，所述步骤1是从公开数据集《EEG Motor Movement/ImageryDataset》、以及清华大学提供的SSVEP公开脑电数据集中获取不同任务态脑电信号。
3.根据权利要求1所述的一种针对多通道脑电信号的任务驱动动态插值方法，其特征在于，所述步骤1采用的归一化处理方法为Min-Max归一化方法，对数段不重叠脑电信号片段进行归一化处理，使其值在[-1，1]的区间之间。
4.根据权利要求1所述的一种针对多通道脑电信号的任务驱动动态插值方法，其特征在于，所述脑电信号插值网络的序列输入层用于接收需求任务态的脑电信号数据集；
5.根据权利要求1所述的一种针对多通道脑电信号的任务驱动动态插值方法，其特征在于，所述步骤4脑电信号插值网络的训练优化策略为Adam优化器。
6.根据权利要求1至5任一项所述的一种针对多通道脑电信号的任务驱动动态插值方法，其特征在于；该方法还
...【技术特征摘要】
1.一种针对多通道脑电信号的任务驱动动态插值方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种针对多通道脑电信号的任务驱动动态插值方法，其特征在于，所述步骤1是从公开数据集《eeg motor movement/imagerydataset》、以及清华大学提供的ssvep公开脑电数据集中获取不同任务态脑电信号。
3.根据权利要求1所述的一种针对多通道脑电信号的任务驱动动态插值方法，其特征在于，所述步骤1采用的归一化处理方法为min-max归一化方法，对数段不重叠脑电信号片段进行...
【专利技术属性】
技术研发人员：黄瑞，李哲，施柯丞，李文江，于烨玮，常婉停，程洪，
申请(专利权)人：电子科技大学，
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。