脑电信号去噪方法、装置和计算机可读存储介质与流程

本技术涉及信息处理技术，更具体地说，涉及一种脑电信号去噪方法、装置和计算机可读存储介质。

背景技术：

1、脑电图(electroencephalography，eeg)是通过记录大脑皮质电信号(脑电信号)动态反映脑功能状态的方法，在临床上用于对癫痫、阿尔茨海默症等疾病的诊断和定位及重症医学和新生儿领域的脑功能监测和预后评估，是临床医学和脑科学研究的重要方法。临床采集到的脑电信号是微伏量级的微弱电信号，会受到许多非脑源性电活动，即伪差的影响。伪差对脑电信号的分析与应用带来了巨大的挑战。例如，伪差会严重干扰脑电信号记录，导致大段的信号浪费；在某些情况下，伪差信号与异常脑电活动相似，可能使临床疾病的诊断产生偏差。在进行临床疾病诊断的时候，伪差的去除主要依赖医疗工作者对采集的脑电信号进行手动剔除坏段并基于专家经验进行目视检查，这种方法存在高度依赖专家经验、费时费力、容易产生误判等缺陷。因此，开展脑电信号去噪算法研究非常重要。

2、脑电信号去噪的目标是去除伪差，同时保留有用的生物信息，在处理时，需要平衡去伪差效果和对原始信号的保留，以确保不会过度滤除有用的生物信号。传统的脑电信号去噪技术为回归法、滤波法、小波变换法、经验模式分解法、盲源分离法等，主要用于去除肌电、眼电等常见伪差，通常需要额外信息或严重依赖于先验经验，有一定的适用条件及不足。例如，回归法需要良好的参考通道；滤波法易在滤除伪差的同时损失一部分有效信息；小波变换法无法识别与光谱特性完全重叠的伪差；经验模式分解法对噪声较敏感，模式混合较复杂；盲源分离法要求伪差与脑电信号在统计上相互独立。

3、在脑电信号数据大规模产生的时代，基于机器学习和深度学习的算法不断涌现，如简单卷积网络(simplecnn)、全连接网络(fcnn)、长短期记忆(lstm)网络等，此类算法无需手动设定先验假设且能显著提高性能，适用于大规模数据的处理。基于深度学习的去噪方法可以自动从原始数据中提取特征而不需要先验知识，实现端到端的功能，获得了研究人员的青睐。近年来一些基于深度神经网络的方法被提出，获得了较好的效果。然而现有的基于深度学习的脑电信号去噪网络，较少考虑到在特征提取过程中，随着模型深度的加深，最后输出的特征信息会丢失更多细节信息，造成难以平衡去噪效果和信号保留的问题。现有大多数方法较少考虑到脑电信号不同特征之间的非线性关系以及对所求解问题的重要程度的差异，这可能会造成信息的冗余等问题。此外，现有方法中较少考虑了脑电信号的每个时间点往往受到前后时间点的影响，即可能忽略了存在的脑电信号时序上的上下文关系。

技术实现思路

1、本技术要解决的技术问题在于，针对现有技术的上述缺陷，提供一种能减少脑电信号特征提取中的信息冗余问题、提升脑电信号的去噪效果的脑电信号去噪方法、装置和和计算机可读存储介质。

2、本技术为解决其技术问题在第一方面提出一种脑电信号去噪方法，所述方法包括如下步骤：

3、s1、对输入的原始脑电信号数据执行多层多尺度特征提取，其中每一层多尺度特征提取得到的多尺度融合特征作为下一层多尺度特征提取的输入；

4、s2、对每一层多尺度特征提取得到的多尺度融合特征执行时空特征融合，得到每一层对应的时空融合特征；

5、s3、将最后一层的时空融合特征和其上一层的时空融合特征执行基于注意力机制的特征融合后得到的自适应融合特征再与上上一层的时空融合特征执行基于注意力机制的特征融合，依此处理最后得到的自适应融合特征再与对原始脑电信号数据执行时空特征融合得到的时空融合特征执行基于注意力机制的特征融合，得到最终的自适应融合特征；

6、s4、对所述最终的自适应融合特征执行特征解码处理，输出去噪后脑电信号数据。

7、根据本技术第一方面所述的脑电信号去噪方法的一个实施例中，步骤s1中每一层多尺度特征提取进一步包括：s11、将该层的输入分别经过1x1、3x3、5x5、7x7的四个并列的卷积层和相应的relu激活函数层处理后得到的1x1尺度的特征和3x3尺度的特征执行第一次基于注意力机制的特征融合，5x5尺度的特征和7x7尺度的特征执行第二次基于注意力机制的特征融合，再将第一次和第二次特征融合的结果执行第三次基于注意力机制的特征融合，得到第一多尺度融合子特征；s12、将第一多尺度融合子特征执行与步骤s11相同的处理，得到第二多尺度融合子特征；s13、将第二多尺度融合子特征与该层的输入执行基于注意力机制的特征融合，得到所述多尺度融合特征。

8、根据本技术第一方面所述的脑电信号去噪方法的一个实施例中，所述时空特征融合进一步包括：将相应的输入经过四个串联的bigru层处理后再与该输入执行基于注意力机制的特征融合，得到所述时空融合特征。

9、根据本技术第一方面所述的脑电信号去噪方法的一个实施例中，所述基于注意力机制的特征融合进一步包括：将第一输入和第二输入相加得到的增强输入信息依次经过全局平均池化层、逐点卷积层、批量归一化层、relu激活函数层、逐点卷积层和批量归一化层，得到全局注意力输出；将第一输入和第二输入相加得到的增强输入信息依次经过逐点卷积层、批量归一化层、relu激活函数层、逐点卷积层和批量归一化层，得到局部注意力输出；将所述全局注意力输出和所述局部注意力输出相加并经过sigmoid激活函数层后得到对应第一输入的第一权重系数α，第二输入对应的第二权重系数即为1-α；将第一权重系数和第二权重系数分别与对应的第一输入和第二输入相乘后再相加，得到对应的融合特征。

10、根据本技术第一方面所述的脑电信号去噪方法的一个实施例中，步骤s4进一步包括：将最终得到的自适应融合特征依次经过1x1卷积层、批量归一化层、relu激活函数层以及全连接层处理后，输出去噪后脑电信号数据。

11、根据本技术第一方面所述的脑电信号去噪方法的一个实施例中，所述方法在步骤s1之前还包括：对输入的原始脑电信号数据执行卷积处理；步骤s3中所述对原始脑电信号数据执行时空特征融合得到的时空融合特征为对原始脑电信号数据执行卷积处理后再执行时空特征融合得到的时空融合特征。

12、本技术为解决其技术问题在第二方面提出一种脑电信号去噪装置，所述装置包括：

13、n个多尺度特征提取模块，用于对输入的原始脑电信号数据执行n层多尺度特征提取，其中每一个多尺度特征提取模块得到的多尺度融合特征作为下一个多尺度特征提取模块的输入，n为大于等于1的整数；

14、n+1个时空特征融合模块，其中n个分别用于对所述n个多尺度特征提取模块得到的多尺度融合特征执行时空特征融合，得到每一层对应的时空融合特征，余下的一个用于对原始脑电信号数据执行时空特征融合以得到对应的时空融合特征；

15、n个自适应特征融合模块，其中第n个自适应特征融合模块将第n层的时空融合特征和第n-1层的时空融合特征执行基于注意力机制的特征融合，得到的自适应融合特征再与第n-2层的时空融合特征一起输入第n-1个自适应特征融合模块执行基于注意力机制的特征融合，依此处理最后得到的自适应融合特征再与对原始脑电信号数据执行时空特征融合得到的时空融合特征一起输入第一个自适应特征融合模块执行基于注意力机制的特征融合，得到最终的自适应融合特征；

16、特征解码模块，用于对所述最终的自适应融合特征执行特征解码处理，输出去噪后脑电信号数据。

17、根据本技术第二方面所述的脑电信号去噪装置的一个实施例中，每个多尺度特征提取模块进一步包括：第一多尺度特征提取单元，用于将该多尺度特征提取模块的输入分别经过1x1、3x3、5x5、7x7的四个并列的卷积层和相应的relu激活函数层处理后得到的1x1尺度的特征和3x3尺度的特征执行第一次基于注意力机制的特征融合，5x5尺度的特征和7x7尺度的特征执行第二次基于注意力机制的特征融合，再将第一次和第二次特征融合的结果执行第三次基于注意力机制的特征融合，得到第一多尺度融合子特征；第二多尺度特征提取单元，用于将第一多尺度融合子特征执行与第一多尺度特征提取单元相同的处理，得到第二多尺度融合子特征；自适应特征融合单元，用于将第二多尺度融合子特征与该多尺度特征提取模块的输入执行基于注意力机制的特征融合，得到所述多尺度融合特征。

18、本技术为解决其技术问题在第三方面提出一种脑电信号去噪装置，包括处理器和存储器，所述存储器存储有计算机程序，所述计算机程序被处理器执行时实现如前所述的脑电信号去噪方法的步骤。

19、本技术为解决其技术问题在第四方面提出一种计算机可读存储介质，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前所述的脑电信号去噪方法的步骤。

20、实施本技术的脑电信号去噪方法、装置和计算机可读存储介质，具有以下有益效果：根据本技术实施例的脑电信号去噪方法和装置考虑了脑电信号不同特征之间的非线性关系，减少特征之间的信息冗余，减少模型的复杂度，平衡脑电信号的去噪效果和信号保留能力，提升了脑电信号的去噪效果；根据本技术实施例的脑电信号去噪方法和装置采用基于注意力机制的特征融合，融合了脑电信号浅层的高细节特征和深层的高语意特征，融合了多尺度空间特征和时序特征，提高了脑电信号特征的表示能力，进一步提升了脑电信号去噪性能。