【技术实现步骤摘要】
本申请涉及脑机接口，尤其涉及一种基于层级因果图模型的脑电数据去噪方法、装置及设备。
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层级因果图模型的脑电数据去噪方法、装置及设备，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层级因果图模型的脑电数据去噪方法，包括：
3、获取待去噪的原始脑电数据和所述原始脑电数据对应的时间序列；
4、根据所述时间序列对所述原始脑电数据进行分割，获取多个分段数据和每个所述分段数据对应的起始点特征向量；
5、基于因果发现算法，根据每个所述分段数据对应的起始点特征向量构建因果图模型；
6、根据所述因果图模型获取所述原始脑电数据对应的周期变动信息；
7、将所述因果图模型进行划分，获取多个层级；每个所述层级用于反映不同的因果机制；
8、根据所述因果图模型和预设的先验知识，获取每个所述层级对应的噪声信息；
9、获取多个所述层级的数据一致性信息，根据所述周期变动信息和所述数据一致性信息获取每个层级的失真程度；
10、基于预设的因果推理框架，根据所述噪声信息和失真程度构建目标滤波算法，根据所述目标滤波算法滤去所述原始脑电数据在每个所述层级对应的干扰噪声。
11、第二方面，本申请还提供一种脑电数据去噪装置，包括：
12、数据获取模块，用于获取待去噪的原始脑电数据和所述原始脑电数据对应的时间序列；
13、数据分割模块，用于根据所述时间序列对所述原始脑电数据进行分割，获取多个分段数据和每个所述分段数据对应的起始点特征向量；
14、模型构建模块，用于基于因果发现算法，根据每个所述分段数据对应的起始点特征向量构建因果图模型；
15、变动获取模块，用于根据所述因果图模型获取所述原始脑电数据对应的周期变动信息；
16、层级划分模块，用于将所述因果图模型进行划分，获取多个层级；每个所述层级用于反映不同的因果机制；
17、噪声获取模块，用于根据所述因果图模型和预设的先验知识，获取每个所述层级对应的噪声信息；
18、一致获取模块，用于获取多个所述层级的数据一致性信息，根据所述周期变动信息和所述数据一致性信息获取每个层级的失真程度；
19、去噪完成模块，用于基于预设的因果推理框架，根据所述噪声信息和失真程度构建目标滤波算法，根据所述目标滤波算法滤去所述原始脑电数据在每个所述层级对应的干扰噪声。
20、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层级因果图模型的脑电数据去噪方法。
21、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层级因果图模型的脑电数据去噪方法。
22、与现有技术相比，本申请至少具备以下有益效果：
23、1. 实现了全面高效的多源噪声分离与抑制
24、该方法融合了多种理论和技术,对各类噪声源头实行了全方位、多级别的识别和去除。通过层级因果建模和先验知识,该方法能够预估和量化每个层级受到的不同噪声类型及其影响程度,为噪声分离奠定基础。分层分块滤波和局部网络非同步噪声分离中,则实现了对不同层级、不同网络模块中的噪声进行针对性、差异化的处理,有效克服了传统"一刀切"滤波方法的缺陷。
25、该方法能够精准分离和移除各种常见的生理性噪声(如眼电、肌电)、外部噪声(如电磁干扰)和内在噪声源(如注意力分散),确保输出的脑电数据x^*(t)获得了最大限度的纯净化。同时,通过创新的层级失真度量、网络同步性分析等先导技术,该方法能够自动识别噪声影响范围,避免对未受污染的有效信号造成不必要的破坏。这种有侧重的、智能化的分层分块去噪范式,能够在最大限度消除干扰噪声的同时,也最大程度地保留了原始脑电数据的完整性和信号细节,实现了"去噪增强"双赢。
26、2.提高了信号稳健性和应用可靠性
27、由于该方法能够有效抑制多源噪声的叠加影响,因此必然会大幅提高输出数据x^*(t)的信号质量和稳健性。该方法通过时频振幅、相位等多维度综合分析,全面评估不同脑区之间的同步程度,快速识别出受噪声干扰而失去同步的区域,并对这些"异常"区域进行重点修复。这种基于同步性的分析范式,可以确保神经振荡信号在层级间、网络间的高效传递,维护大脑不同功能模块之间的正常协同。
28、此外,通过多技术融合的"无余加工"收尾流程(小波滤波、稀疏分解等),该方法还能够针对残留的小波噪声和瞬态瞬变噪声实施"扫尾"式的再次深度去噪,进一步提高纯净信号x^(t)的整体质量和稳健性。优质的x^(t)为后续的分析和应用提供了可靠的基础数据保证,能够显著提高脑电数据分析和解译的可信度和准确性。
29、应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。
本文档来自技高网...【技术保护点】
1.一种基于层级因果图模型的脑电数据去噪方法，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，所述基于因果发现算法，根据每个所述分段数据对应的起始点特征向量构建因果图模型，包括：
3.根据权利要求2所述的方法，其特征在于，所述在每个所述起始点特征向量中获取无向骨架构图，包括：
4.根据权利要求1所述的方法，其特征在于，所述根据所述因果图模型获取所述原始脑电数据对应的周期变动信息，包括:
5.根据权利要求1所述的方法，其特征在于，所述将所述因果图模型进行划分，获取多个层级，包括：
6.根据权利要求1所述的方法，其特征在于，所述获取每个所述层级对应的噪声信息，包括：
7.根据权利要求1所述的方法，其特征在于，在所述根据所述噪声信息和失真程度构建目标滤波算法之前，还包括：
8.根据权利要求7所述的方法，其特征在于，所述获取所述原始脑电数据对应的频域特征信息，包括：
9.一种基于层级因果图模型的脑电数据去噪装置，其特征在于，包括:
10.一种计算机设备，其特征在于，包
...【技术特征摘要】
1.一种基于层级因果图模型的脑电数据去噪方法，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，所述基于因果发现算法，根据每个所述分段数据对应的起始点特征向量构建因果图模型，包括：
3.根据权利要求2所述的方法，其特征在于，所述在每个所述起始点特征向量中获取无向骨架构图，包括：
4.根据权利要求1所述的方法，其特征在于，所述根据所述因果图模型获取所述原始脑电数据对应的周期变动信息，包括:
5.根据权利要求1所述的方法，其特征在于，所述将所述因果图模型进行划分，获取多个层级，包括：
6.根据权利...
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。