【技术实现步骤摘要】
本申请涉及脑机接口，尤其涉及一种基于小波域能量调制的脑电失真检测与恢复方法及设备。
技术介绍
1、脑电(eeg)技术作为一种直接测量大脑神经活动的重要手段,在医疗诊断、brain-computer interface(bci)、认知功能分析等领域都有着广泛的应用前景。与其他影像学技术(如功能磁共振成像fmri等)相比,脑电具有时间分辨率高、无辐射、操作简便等优势,能够实时反映大脑神经元群体的生物电活动。然而,由于脑电信号本身幅度极为微弱(通常在微伏至毫伏量级),极易受到各种生理性和外部噪声源的干扰,因此去除脑电数据中的混杂噪声分量一直是该领域的一大挑战。
2、传统的脑电去噪方法主要包括基于小波变换、独立分量分析(ica)、经验模态分解(emd)等数据驱动的统计建模方法,以及基于贝叶斯估计、粒子滤波等概率框架方法。这些技术在简单的实验室环境中表现良好,但在真实场景下,由于缺乏对复杂噪声来源和大脑内在机制的建模约束,其去噪性能往往无法令人满意。近年来,借助深度学习技术的迅猛发展,研究人员开始尝试基于卷积神经网络、递归神经网络、生成对抗网络等方法来自动从数据中提取特征并预测纯净脑电信号,取得了一定成效。然而,这些方法要么缺乏足够的生物解释能力,要么无法充分利用先验领域知识,去噪效果存在一定的局限性。
3、因此亟需一种方法，以解决上述至少一个问题。
技术实现思路
1、本申请实施例提供了一种基于小波域能量调制的脑电失真检测与恢复方法及设备，旨在解决现有方法要么缺乏足够
2、第一方面，本申请实施例提供了一种基于小波域能量调制的脑电失真检测与恢复方法，包括：
3、获取原始脑电数据并进行时频变换，获取所述原始脑电数据对应的能量谱，基于所述能量谱中不符合预设强度阈值的分量进行调制处理，获取调制后的小波系数；
4、在所述小波系数中根据每个脑电类型对应的小波系数参数特征提取每个脑电类型对应的小波系数数据；
5、采用预设时间窗口对所述小波系数数据进行频谱加权平均计算，获取频谱重心值和对应的频率变化状态，以提取每个所述脑电类型的小波特征数据；
6、获取所述脑电数据对应的预设正常特征，将每个所述小波特征数据与预设正常特征进行相似度计算，根据每个所述小波特征数据对应的相似度计算结果，确定目标相似度计算结果和所述目标相似度计算结果对应的失真模式特征；
7、获取所述脑电数据对应当前操作阶段，根据所述当前操作阶段确定每个所述失真模式特征对应的权重值，获取所述失真模式特征的特征向量，根据多个所述特征向量和对应的权重值生成综合失真特征描述；
8、获取所述综合失真特征对应的小波系数调整控制指令，根据所述小波系数调整控制指令对所述原始脑电信号进行重构，获取恢复后的脑电信号。
9、第二方面，本申请还提供一种脑电失真检测与恢复装置，包括：
10、系数获取模块，用于获取原始脑电数据并进行时频变换，获取所述原始脑电数据对应的能量谱，基于所述能量谱中不符合预设强度阈值的分量进行调制处理，获取调制后的小波系数；
11、数据提取模块，用于在所述小波系数中根据每个脑电类型对应的小波系数参数特征提取每个脑电类型对应的小波系数数据；
12、状态获取模块，用于采用预设时间窗口对所述小波系数数据进行频谱加权平均计算，获取频谱重心值和对应的频率变化状态，以提取每个所述脑电类型的小波特征数据；
13、特征获取模块，用于获取所述脑电数据对应的预设正常特征，将每个所述小波特征数据与预设正常特征进行相似度计算，根据每个所述小波特征数据对应的相似度计算结果，确定目标相似度计算结果和所述目标相似度计算结果对应的失真模式特征；
14、阶段获取模块，用于获取所述脑电数据对应当前操作阶段，根据所述当前操作阶段确定每个所述失真模式特征对应的权重值，获取所述失真模式特征的特征向量，根据多个所述特征向量和对应的权重值生成综合失真特征描述；
15、信号获取模块，用于获取所述综合失真特征对应的小波系数调整控制指令，根据所述小波系数调整控制指令对所述原始脑电信号进行重构，获取恢复后的脑电信号。
16、第三方面，本申请还提供一种计算机设备，包括处理器和存储器，所述存储器用于存储计算机程序，所述计算机程序被所述处理器执行时实现如第一方面所述的基于小波域能量调制的脑电失真检测与恢复方法。
17、第四方面，本申请还提供一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面所述的基于小波域能量调制的脑电失真检测与恢复方法。
18、与现有技术相比，本申请至少具备以下有益效果：
19、1. 实现了对多种eeg失真情况的智能自适应检测与恢复
20、传统的eeg失真检测和恢复方法通常仅针对特定类型的失真,如基线漂移、肌电干扰等,缺乏对复杂多变失真情况的综合处理能力。而本专利技术方法通过对eeg信号的时频能量谱进行调制处理,能够自适应地检测出各种可能的失真模式,包括基线漂移、认知加工异常、情绪状态变化等导致的失真。
21、具体来说,该方法首先将eeg信号的时频能量谱划分为多个频域片段,每个片段对应不同的调制特征(如特定频率范围和能量强度范围)。然后,对于满足调制特征的频域片段,保留其能量值;对于不满足的频域片段,则对其能量值进行调制处理,从而实现了对能量谱的自适应调制。通过这种调制处理,那些与特定失真模式相关的频率和能量成分就会被选择性地保留或去除,从而实现了对多种失真情况的自适应检测。
22、此外,该方法还将失真检测结果融合为综合失真特征描述,并将其与预设的失真属性相匹配,确定eeg数据对应的具体失真属性,从而进一步提高了失真检测的准确性和针对性。根据匹配得到的失真属性,该方法还能生成控制小波系数变化的控制指令,实现了对eeg信号的自适应恢复,有效克服了现有技术仅针对特定失真类型进行恢复的缺陷。
23、2. 充分利用了eeg信号的时频特征,提高了失真检测与恢复的精度和鲁棒性
24、现有的大部分eeg失真检测和恢复技术主要工作在时域信号上,难以有效捕捉和利用eeg信号丰富的时频特征信息,导致检测精度和恢复效果受到一定限制。而本专利技术方法则以eeg信号的小波域特征为基础,充分利用了其时频信息,因此具有较高的失真检测精度和恢复能力。
25、具体来说,该方法首先对原始eeg数据进行小波变换,获取其对应的小波系数初始状态,并对eeg数据进行时频变换,计算频域信号对应的能量谱。小波变换能够在时间和频率两个方向上对信号进行多尺度分解,从而有效捕捉eeg信号的时频特征;而时频变换则能够将eeg信号映射到时间-频率二维平面,使其时频结构更加明显。
26、在此基础上,该方法对能量谱进行调制处理,进而获得eeg小波系数的调制结本文档来自技高网...
【技术保护点】
1.一种基于小波域能量调制的脑电失真检测与恢复方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述基于所述能量谱中不符合预设强度阈值的分量进行调制处理，获取调制后的小波系数，包括：
3.根据权利要求2所述的方法，其特征在于，所述对所述高能量强度频域片段和中等能量强度频域片段中不符合预设强度阈值的分量进行调制处理，包括：
4.根据权利要求1所述的方法，其特征在于，所述在所述小波系数中根据每个脑电类型对应的小波系数参数特征提取每个脑电类型对应的小波系数数据，包括：
5.根据权利要求1所述的方法，其特征在于，所述采用预设时间窗口对所述小波系数数据进行频谱加权平均计算，获取频谱重心值和对应的频率变化状态，以提取每个所述脑电类型的小波特征数据，包括：
6.根据权利要求1所述的方法，其特征在于，所述获取所述综合失真特征对应的小波系数调整控制指令，包括：
7.根据权利要求1所述的方法，其特征在于，所述根据所述小波系数调整控制指令对所述原始脑电信号进行重构，获取恢复后的脑电信号，包括：
8.根
9.根据权利要求8所述的方法，其特征在于，所述获取所述脑电数据对应当前操作阶段，包括：
10.一种计算机设备，其特征在于，包括存储器和处理器；所述存储器用于存储计算机程序；所述处理器，用于执行所述计算机程序并在执行所述计算机程序时实现如权利要求1至9中任一项所述的方法。
...【技术特征摘要】
1.一种基于小波域能量调制的脑电失真检测与恢复方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述基于所述能量谱中不符合预设强度阈值的分量进行调制处理，获取调制后的小波系数，包括：
3.根据权利要求2所述的方法，其特征在于，所述对所述高能量强度频域片段和中等能量强度频域片段中不符合预设强度阈值的分量进行调制处理，包括：
4.根据权利要求1所述的方法，其特征在于，所述在所述小波系数中根据每个脑电类型对应的小波系数参数特征提取每个脑电类型对应的小波系数数据，包括：
5.根据权利要求1所述的方法，其特征在于，所述采用预设时间窗口对所述小波系数数据进行频谱加权平均计算，获取频谱重心值和对应的频率变化状态，以提取每个所述...
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。