一种基于分割-降噪网络的脑电伪迹去除方法

本发明涉及人工智能领域和脑电信号处理领域，具体涉及一种基于分割-降噪网络的脑电伪迹去除方法。

背景技术：

1、脑电图(electroencephalogram,eeg)是一种具有高时间分辨率和高安全性的便携式大脑活动记录技术，其提供了丰富的生理、心理和病理信息，并在认知科学、神经疾病诊疗、移动健康监护等领域有着广泛的应用。然而，eeg信号由于其较弱的幅值容易受到眼电、肌电等伪迹污染，这严重影响了后续基于eeg信号分析的准确性和可靠性，因此开发有效的方法来抑制伪迹，并重建干净的脑电信号是至关重要的。

2、滤波是最早被应用于去除脑电伪迹的方法之一，但由于伪迹的频带与脑电信号相互重叠，经典的滤波器并不能得到满意的去除结果。为了克服这些困难，一些新兴的滤波技术被提出，例如自适应滤波，它能够从噪声参考通道来估计伪迹，然后通过从原始脑电信号中减去估计的伪迹来得到降噪后的信号。然而在实际的脑电信号采集中，设置足够多的噪声参考通道是难以实现的。

3、另外，利用盲源分离(blind source separation,bss)进行eeg的伪迹去除已获得广泛的研究。作为最成功的bss方法之一，独立成分分析(independent componentanalysis,ica)可以根据高阶统计量来识别脑电的独立分量,并在重建过程中去除含噪的独立分量来实现伪迹去除。典型相关分析作为另一种bss方法，它能够根据脑电和伪迹的自相关差异，从脑电信号中分离伪迹。然而由于不同类型的伪迹之间的巨大差异，选择一个合适的标准来分离伪迹是极其困难的，几乎没有一种bss方法能够在未手动调整参数的情况下很好地去除多种伪迹。

4、相比之下，近年来一些基于深度学习技术开发的脑电降噪算法由于不需要先验知识，获得了研究人员的青睐。深度神经网络如卷积神经网络、递归神经网络和全连接网络都可以自动地从原始数据中提取特征，并通过数据驱动的方法优化模型，因此其在去除各种类型的伪迹时都能取得较好的效果。

5、然而目前大多数伪迹去除算法都专注于从整个周期都被完全污染的原始信号中重建干净的eeg，忽略了实际的eeg记录中除了噪声片段外，还可能包含干净的脑电信号片段。因此，一般的降噪方法直接应用于整个eeg记录可能会导致干净的脑电信号片段出现失真，进而可能破坏eeg中包含的有用信息，对于后续的分析与应用产生负面作用。

技术实现思路

1、本发明是为了解决上述现有技术存在的不足之处，提出一种基于分割-降噪网络的脑电伪迹去除方法，以期能够区分复杂环境下脑电信号中的含噪片段和干净片段，避免现有方法处理干净片段时可能造成的失真，降低损坏脑电信号中包含的信息的可能性，从而能获得更好的降噪效果。

2、本发明为达到上述发明目的，采用如下技术方案：

3、本发明一种基于分割-降噪网络的脑电伪迹去除方法的特点在于，包括以下步骤：

4、步骤1、获取一批单通道的干净脑电信号以及一批单通道的伪迹信号，并利用线性相加的方式对干净脑电信号与伪迹信号进行处理，获得n段时长为t的含噪脑电信号样本及其对应的含噪脑电信号样本，同时记录混入伪迹在含噪脑电信号中出现的位置，从而构成n个样本对的训练集；将所述训练集中的任意一个样本对记为{x,y,m|x∈r1×t,y∈r1×t,m∈{0,1}1×t}，其中，x表示单通道的含噪脑电信号样本，y表示x对应的干净脑电信号样本，m表示伪迹位置的掩码标签，且x＝[x0,x1,…,xt,…xt-1]，y＝[y0,y1,…,yt,…yt-1]，m＝[m0,m1,…,mt,…mt-1]，xt、yt和mt分别表示单通道含噪脑电信号样本x、干净脑电信号样本y和伪迹位置掩码标签m的第t个数据点；若mt＝0，则代表xt无伪迹，若mt＝1，则代表xt有伪迹；

5、步骤2、构建分割-降噪网络模型sdnet，包括：分割子网络和降噪子网络；

6、步骤2.1、建立分割子网络，并将含噪脑电信号样本x输入到所述分割子网络中进行处理，得到估计的伪迹位置掩码标签

7、步骤2.2、建立降噪子网络，并将含噪脑电信号样本x输入到所述降噪子网络中进行处理，得到降噪后的脑电信号d；

8、步骤2.3、计算重构的脑电信号其中，⊙是哈达玛积；

9、步骤2.4、根据式(1)构建所述估计的伪迹位置掩码标签与对应的伪迹位置掩码标签m之间的二分类交叉熵损失；

10、

11、步骤2.5、根据式(2)构建所述重构的脑电信号与对应的干净脑电信号样本y之间的均方误差损失；

12、

13、式(2)中，yt为干净脑电信号样本y的第t个数据点，为重构的脑电信号的第t个数据点，t为样本的时长；

14、步骤2.6、联合所述的二分类交叉熵损失和均方误差损失，然后利用adam优化器来优化分割-降噪网络模型sdnet的参数，当损失函数收敛时停止训练，从而得到训练好的分割-降噪网络模型sdnet；

15、步骤3、以所述训练好的分割-降噪网络模型sdnet对一批含噪脑电信号进行降噪处理，从而得到去噪后的脑电信号。

16、本发明所述的基于分割-降噪网络的脑电伪迹去除方法的特点也在于，

17、所述步骤2.1中的分割子网络是由一个编码器、一个解码器和一个一维输出卷积单元组成，所述编码器使用a个卷积单元，每个卷积单元包含一个一维卷积层，一个正则化层和一个激活函数层；所述解码器由对应的a个反卷积单元组成，每个反卷积单元包含一个一维转置卷积层，一个正则化层和一个激活函数层；所述解码器还通过将编码器每层卷积单元输出的特征图映射到对称的解码器的输入处，并通过在通道维度上的拼接，将其与解码器的上一层的输入特征图连接起来，以构成对应的编码器与解码器之间的跳跃连接结构；

18、将含噪脑电信号样本x作为分割子网络的输入，在经过所述编码器进行特征提取与所述解码器进行特征解析后，最后通过一维输出卷积单元的非线性映射处理，得到估计的伪迹位置掩码

19、所述步骤2.2中的降噪子网络是由b1个长短时记忆网络单元，b2个全连接单元和b3个全连接层组成，每个长短时记忆网络单元包含一个长短时记忆网络层，每个全连接单元包含一个全连接层，一个激活函数层和一个正则化层；

20、将含噪脑电信号样本x作为降噪子网络的输入，经过b1个长短时记忆网络单元的提取后，得到时序脑电特征序列，再经过b2个全连接单元和b3个全连接层进行非线性的特征解码与映射后，得到降噪后的脑电信号d。

21、本发明一种电子设备，包括存储器以及处理器的特点在于，所述存储器用于存储支持处理器执行任一所述脑电伪迹去除方法的程序，所述处理器被配置为用于执行所述存储器中存储的程序。

22、本发明一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序的特点在于，所述计算机程序被处理器运行时执行任一所述脑电伪迹去除方法的步骤。

23、与现有技术相比，本发明的有益效果在于：

24、1、本发明将语义分割的思想引入脑电降噪领域，设计了一个用于伪迹评估的一维语义分割网络，该网络能够提取脑电信号中的浅层以及深层语义特征，并通过解码上述语义信息来区分含噪的脑电片段和干净的脑电片段，从而能够针对含噪的脑电片段进行降噪，克服了传统降噪方法对干净片段降噪带来的信息损失，提升了脑电信号质量。

25、2、本发明提出了一个用于伪迹去除的分割-降噪网络模型sdnet，其由分割子网络与降噪子网络组成，它能够根据分割子网络提取的伪迹位置信息，来判断脑电片段是否需要降噪，并自动地重建高质量的干净脑电信号，相较于一般的脑电伪迹去除算法，sdnet能够避免一般方法处理干净脑电片段时可能带来的失真，获得更高质量的降噪效果。

26、3、本发明提出的sdnet能够在无先验知识的情况下去除多种伪迹。大量的实验结果表明，本发明提出的方法可以在多个公开数据集上达到最先进的伪迹去除效果。