一种基于多尺度相位保持网络的单通道脑电伪迹去除方法
本发明属于脑电信号处理,具体涉及一种基于多尺度相位保持网络的单通道脑电伪迹去除方法。
背景技术:
1、脑电图(eeg)因其毫秒级的时间分辨率,在临床疾病诊断和高性能脑机接口(bci)应用中发挥着不可替代的作用。随着移动脑/体成像(mobi)技术的发展,eeg在真实复杂场景中的应用日益广泛。然而,脑电信号极其微弱,在采集过程中极易受到各类干扰源的污染,其中以眼电(eog)和肌电(emg)为代表的生理伪迹最为突出。这些伪迹通常在幅值上比纯净脑电信号高出数个数量级,且在时域和频域上与神经信号高度混叠,严重掩盖关键的神经生理特征,危及下游任务的解码可靠性。
2、过去几十年中,以独立成分分析(ica)、盲源分离(bss)和小波变换(wt)为代表的传统信号处理方法被广泛用于脑电去噪。这些方法虽然在特定条件下有效,但通常依赖于线性混合假设,在处理由高强度运动引起的非平稳伪迹时,分解质量显著下降。近年来,深度学习方法通过学习复杂的非线性映射显著提升了脑电去噪的精度。然而,现有的高性能深度学习模型在实际部署中面临三个关键挑战:
3、第一,多尺度表征与计算复杂度失衡。常规多尺度特征提取方法(如超大卷积核、深层级联结构或多尺度注意力权重矩阵)虽能扩大感受野,但其参数规模通常在数十兆以上(如tf-denoiser高达96m),不仅极度消耗可穿戴边缘计算资源,且在处理高频肌电与低频眼电等时空尺度跨度极大的复合伪迹时,多分支间由于缺乏物理对齐机制,特征拼接后极易在子采样级别引入相位失真,导致诱发电位的潜伏期畸变。
4、第二,常规时频损失下的信号谱能量失衡。常规基于短时傅里叶变换(stft)或快速傅里叶变换(fft)的绝对误差损失(如l1或mse),在应用于脑电信号的幂律分布生理特性时,由于低频段(如0.5-8hz的眼电和基线漂移)能量比高频段(如beta、gamma神经节律)高出数个数量级,网络训练的梯度更新将被低频大误差完全主导,导致去噪后的信号丢失大量关键的高频微弱神经生理节律。
5、第三,波形形态与相位锁定脱节。单一的时域回归损失无法约束复杂的非线性波形变化,而现有的两两联合损失由于缺乏“时域回归-频域谱平衡-波形相位形态”三维一体的协同约束,在去除高幅突变伪迹时,极易发生波形相位整体漂移或过度平滑现象,损害了重建脑电信号的临床诊断价值。
6、现有技术中,虽然已有采用多时间尺度并行卷积分支提取不同感受野特征的方法(例如面向晕动症脑电特征解码的多时间尺度时域编码),但其核心服务于多通道特征解码与分类/回归任务,采用大核卷积结合注意力权重重标定,未针对单通道脑电伪迹的物理时间尺度进行感受野设计,也未解决多膨胀率分支在通道拼接时引入的相对群延迟问题。另有双域交互注意力去噪方法公开了时域l1损失与短时傅里叶变换幅度谱l1损失的组合,以及跨域注意力融合机制,但其网络依赖残差连接与transformer结构,参数规模较大,且未针对脑电信号幂律分布特性引入对数缩放补偿,也未引入形态学相位对齐约束。还有基于状态空间模型的流式去噪方法通过动态置零离散化步长实现零相位畸变,但其任务聚焦于听觉诱发脑电的闭环采集,pearson相关系数仅作为质量评估软标签使用,并非用于重建损失中的波形关键点时间对齐。综上,现有技术仍无法在无注意力、无短残差的极轻量化纯一维卷积框架下,同时实现多尺度伪迹的自适应捕获、分支间零相对群延迟物理对齐、以及针对脑电幂律分布与erp潜伏期需求的高保真零相对群延迟去噪,难以满足可穿戴脑机接口设备的实时边缘部署需求。
7、此外,近年来虽有基于u-net结构、多尺度卷积或时频联合损失的脑电去噪方法公开(包括使用eegdenoisenet合成数据训练的多尺度卷积基线、以及tf-denoiser、cleaneeg、faru-net等时频域或u型网络模型),但这些方法普遍存在以下不足:一是多尺度分支多采用经验性大核或注意力重标定,未将感受野与肌电、眼电等伪迹的物理时间尺度直接绑定;二是未专门解决不同膨胀率分支在特征拼接时引入的相对群延迟问题;三是频域损失多为原始幅度谱或功率谱的l1/mse,未针对脑电信号幂律分布特性引入对数缩放补偿;四是网络参数量通常较大,难以满足可穿戴边缘设备的实时轻量化部署需求。因此,现有公开技术仍无法在无注意力、无短残差的极轻量化纯卷积框架下,同时实现多尺度伪迹的物理时间尺度匹配捕获、分支间零相对群延迟对齐以及针对幂律分布与erp相位需求的高保真去噪。
8、因此,本领域迫切需要一种同时满足高保真、相位保持和极轻量化要求的单通道脑电伪迹去除方法。
技术实现思路
1、为解决上述现有技术问题,本发明采用一种基于多尺度相位保持网络的单通道脑电伪迹去除方法,包括:获取脑电信号,将脑电信号输入训练好的多尺度相位保持去噪网络,得到预测的去噪脑电信号;多尺度相位保持去噪网络的训练过程包括:
2、s1、构建脑电信号集,脑电信号集包括:噪声脑电信号及其干净脑电信号;
3、s2、将脑电信号集中的噪声脑电信号输入多尺度相位保持去噪网络,得到预测的去噪脑电信号;
4、多尺度相位保持去噪网络包括多尺度并行模块;多尺度并行模块包括四条并行分支和一个融合模块;四条并行分支分别为眼电伪迹分支、节律性伪迹分支、肌电伪迹分支以及特征聚合分支;四条并行分支均为卷积层;眼电伪迹分支、节律性伪迹分支以及肌电伪迹分支的卷积层的感受野大小分别由对应伪迹的物理时间尺度计算得到;
5、s3、根据预测的去噪脑电信号和干净脑电信号计算损失函数值,根据损失函数值更新模型参数,当损失函数值最小时,得到训练好的多尺度相位保持去噪网络。
6、有益效果:
7、1、现有的多尺度特征提取网络的各个尺度通过经验试凑确定,各尺度未与对应脑电伪迹建立对应关系,导致特征提取的效果不够好;而本发明构建眼电伪迹分支、节律性伪迹分支以及肌电伪迹分支,各伪迹分支的卷积层的感受野大小直接从目标伪迹的物理时间尺度和采样率导出而非通过经验试凑确定,从而提高了特征提取效果;
8、2、本发明引入严格对称填充约束,确保各伪迹分支在提取不同感受野特征时,其卷积核的几何中心始终对齐于同一信号采样点,从而消除各伪迹分支输出之间的相对时间偏移;该设计有效避免了多尺度特征拼接时引入的相对相位畸变,对事件相关电位(erp)潜伏期分析具有重要应用价值;
9、3、本发明突破脑电幂律分布导致的高频特征丢失难题,创设频域对幅值率谱一致性损失,频域对幅值率谱一致性损失采用的非线性缩放机制,在物理上“拉平”脑电信号的频域能量谱线,强制使高频微弱脑电节律与低频伪迹具有均衡的梯度贡献,使所述网络能够学习并重建精细的神经节律特征;
10、4、本发明的三域联合损失函数融合了时域smooth l1损失、频域对幅值率谱一致性损失以及皮尔逊形态学损失;频域对数功率谱一致性损失解决了传统mse或单纯时频l1损失导致的频谱畸变,皮尔逊相关系数对信号的绝对幅值比例不敏感,但对信号的相位偏移、波峰波谷的时域漂移及波形轮廓高度敏感,因此皮尔逊形态学损失聚焦于相位一致性与波形形态对齐,保证了波形关键点的时间对齐,二者在“幅值谱重构”与“波形相位相干”上形成互补协同,避免了仅优化频域导致的相位畸变或仅优化形态导致的能量分布偏差,共同保障了去噪信号在波形形态与生理节律上的高保真度;
11、5、本发明通过动态权重叠加和宽范围信噪比分布映射构建噪声脑电信号集,使单一网络能够学习解耦不同频率和波形的混合伪迹分量,展现出良好的分布外泛化能力。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com