基于深度神经网络的脑电信号伪影分类还原方法与流程
本发明涉及脑电信号处理,尤其涉及基于深度神经网络的脑电信号伪影分类还原方法。
背景技术:
1、脑电信号是大脑神经元电活动在头皮表面的记录,广泛应用于临床诊断、脑机接口、认知科学研究等领域。但实际采集过程中,脑电信号极易受到眨眼、眼球转动产生的眼电伪影,以及面部肌肉收缩产生的肌电伪影干扰,这类伪影幅值远大于真实脑电信号,会严重掩盖脑电的生理特征,导致后续分析结果出现偏差。
2、然而,传统伪影去除方法多依赖人工预设的特征规则,如基于独立成分分析的方法需要人工识别伪影成分,基于小波变换的方法需要预先设定伪影的频带范围,不仅自动化程度低,且在多种伪影混合叠加的复杂场景下,容易误将脑电有用成分当作伪影去除,导致信号保真度下降。
3、针对上述的技术缺陷,现提出解决方案。
技术实现思路
1、本发明的目的在于:用于解决传统伪影去除方法多依赖人工预设的特征规则,自动化程度低,且在多种伪影混合叠加的复杂场景下,容易误将脑电有用成分当作伪影去除,导致信号保真度下降的问题。
2、为了实现上述目的,本发明采用了如下技术方案:基于深度神经网络的脑电信号伪影分类还原方法,包括以下步骤:
3、步骤一、采集待处理的多通道原始脑电信号,对原始信号进行基线校正、工频陷波与固定窗长分段切分预处理,得到标准化的时序信号片段;
4、步骤二、将标准化时序信号片段输入预先训练完成的端到端时空特征提取架构进行特征提取,通过空间维度与时间维度的并行特征提取支路,自动挖掘多通道脑电信号的通道间拓扑关联与时序动态依赖特征,生成高维时空融合特征;
5、步骤三、将时空融合特征输入伪影分类识别模块进行识别,自动识别信号中包含的伪影类别与发生时段、对应通道,输出通道-时间维度的伪影掩膜矩阵;
6、步骤四、基于伪影掩膜矩阵与时空融合特征,通过信号分离网络解耦混合信号中的脑电源信号成分与各类伪影成分,生成纯净脑电信号的初步重构结果;
7、步骤五、对初步重构结果施加时域连续性约束与通道空间一致性约束,进行全局优化校正,最终输出还原后的高保真脑电信号。
8、所述预处理的具体过程为:首先采用带通滤波去除原始脑电信号中的直流漂移与高频噪声,再采用陷波滤波去除工频干扰,随后以固定时间窗长对连续信号进行无重叠分段切分,对每个信号片段逐通道进行z-score标准化处理,消除不同通道的幅值差异对后续特征提取的影响,标准化后的信号片段直接输入后续深度神经网络,无需额外进行人工特征工程处理,实现全流程的自动化运算。
9、端到端时空特征提取架构的特征提取过程具体包括如下步骤:
10、s11、构建空间特征提取支路,采用一维卷积神经网络作为基础骨干,以多通道脑电信号的通道维度为卷积输入维度,通过三层不同感受野的卷积核并行运算,捕捉不同电极通道间的空间拓扑关联与局部空间模式,输出多尺度空间特征矩阵;
11、s12、构建时间特征提取支路,采用双向长短期记忆网络作为基础骨干,对每个通道的独立时序信号进行序列建模,通过前向与反向的时序记忆单元捕捉脑电信号的长短期时域依赖关系,输出包含上下文信息的时序特征序列;
12、s13、通过特征融合层对空间特征矩阵与时序特征序列进行维度对齐后,采用通道注意力机制进行自适应加权融合,生成同时包含空间拓扑信息与时序动态信息的高维时空融合特征。
13、伪影分类识别模块的识别过程具体包括如下步骤:
14、s21、将输入的时空融合特征输入全连接分类层,通过两层感知机对特征进行非线性映射,输出每个信号片段对应的伪影类别概率向量,类别包括纯净脑电、眼电伪影、肌电伪影三类;
15、s22、基于类别概率向量与滑动窗口机制,对连续信号片段进行逐时间点伪影检测,生成逐采样点的伪影类型标签,同时标注伪影发生的对应通道编号,生成包含通道-时间维度的二值化伪影掩膜矩阵;
16、s23、对伪影掩膜矩阵进行形态学开运算平滑处理,消除孤立的误检点,并对伪影边界进行修正,输出最终的伪影定位与分类结果。
17、所述信号分离网络采用编码器-解码器结构,编码器对时空融合特征与原始混合信号进行三层下采样编码,提取混合信号的深层抽象特征,同时结合伪影掩膜矩阵引导特征分离,在编码特征空间中区分脑电源特征与伪影特征;解码器对分离后的脑电源特征进行三层上采样解码,逐步恢复信号的时域分辨率与通道维度,输出与原始信号维度一致的纯净脑电信号初步重构结果;编码器与解码器之间设置跳跃连接,将底层细节特征直接传递至解码层,保留脑电信号的细微波形特征,避免重构过程中有用生理信息的丢失。
18、全局优化校正的过程为:
19、s31、对初步重构结果施加时域连续性约束,计算相邻采样点间的信号差值平方和,约束重构信号的时域平滑度,避免伪影去除后出现突变噪点;
20、s32、施加通道空间一致性约束,基于脑电信号的空间分布先验,约束相邻通道间重构信号的相关性符合正常脑电的空间拓扑规律;
21、s33、通过加权求和将时域连续性约束项与空间一致性约束项整合为正则化损失,结合原始信号的保真约束,通过梯度下降迭代优化求解最优重构信号,在去除伪影的同时最大程度保留脑电信号的原始生理特征。
22、所述端到端时空特征提取架构、伪影分类识别模块与信号分离网络采用端到端方式联合训练,无需人工预设伪影的时域、频域特征规则;
23、端到端联合训练的过程具体为:
24、s41、构建包含纯净脑电信号、叠加已知眼电与肌电伪影的混合信号的训练数据集,以混合信号为输入,以对应纯净脑电信号与伪影类别标签为监督标签;
25、s42、采用联合损失函数作为训练优化目标,联合损失函数包含信号重构损失与伪影分类损失两部分,其中信号重构损失采用均方误差计算重构信号与真实纯净信号的幅值差异,伪影分类损失采用交叉熵损失计算分类结果与真实伪影标签的类别差异;
26、s43、通过反向传播算法同时更新时空特征提取架构、伪影分类识别模块与信号分离网络的全部网络参数,直至联合损失函数收敛且验证集精度不再提升。
27、综上所述,由于采用了上述技术方案,本发明的有益效果是:
28、该基于深度神经网络的脑电信号伪影分类还原方法,通过采用端到端的深度神经网络架构处理脑电信号伪影,无需人工预设伪影的时域、频域特征规则,也无需额外进行人工特征工程处理,即可自动完成从原始多通道脑电信号输入到纯净信号输出的全流程自动化运算,大幅提升伪影去除的处理效率与自动化程度,同时通过空间与时间维度的并行特征提取支路,精准挖掘多通道脑电信号的通道间拓扑关联与时序动态依赖特征,结合伪影分类识别模块可精准识别眼电、肌电等多类伪影的发生时段与对应通道,生成高精度的通道-时间伪影掩膜矩阵,在多种伪影混合叠加的复杂干扰场景下,能够有效区分脑电源信号与各类伪影成分,避免误将脑电有用生理成分当作伪影去除,进而通过带跳跃连接的编码器-解码器结构信号分离网络解耦混合信号,在分离过程中保留脑电信号的细微波形特征,再辅以时域连续性约束与通道空间一致性约束的全局优化校正,保障重构信号的时域平滑度与空间拓扑合理性,最终实现原始脑电信号的精准重构,显著提升复杂干扰下的信号保真度。
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