用于脑电信号的降噪方法、电子设备及程序产品

摘要: 本技术涉及生物信号处理,更具体地,涉及一种用于脑电信号的降噪方法、电子设备及程序产品。背景技术:1、脑电信号能够以毫秒级的时间分辨率直接反映大脑的神经活动,为解...
用于脑电信号的降噪方法、电子设备及程序产品

本技术涉及生物信号处理,更具体地,涉及一种用于脑电信号的降噪方法、电子设备及程序产品。

背景技术:

1、脑电信号能够以毫秒级的时间分辨率直接反映大脑的神经活动,为解析任务状态提供生理依据。由于脑电信号在采集过程中易受到多源噪声影响,不能直接将未进行脑电去噪的脑电信号用于任务状态解析。

2、虽然基于人工经验的数据处理方法可以用于脑电去噪,但难以有效处理复杂多源伪影,并可能削弱与任务状态相关的有效脑电特征。由此,利用经人工经验的数据处理方法去噪的脑电信号进行任务状态解析,解析不准确。

技术实现思路

1、有鉴于此,本技术实施例提供了一种用于脑电信号的降噪方法、电子设备及程序产品。

2、根据本技术实施例的一方面,提供了一种用于脑电信号的降噪方法,包括:重复执行以下操作,直至得到第0个中间状态信号,并将第0个中间状态信号作为目标脑电信号:利用条件映射模块分别对与处于预定状态的目标对象对应的任务频谱特征和第t个扩散时间步进行映射,并对映射结果进行拼接,得到条件向量,其中,任务频谱特征是根据与预定状态对应的多个预定干净脑电信号的功率谱密度得到的,t∈{t,t-l,......,l},t为大于1的整数,l为大于或等于1且小于t的整数;利用编码模块对第t个中间状态信号和处于预定状态的目标对象的脑电信号分别进行编码,得到扩散状态特征和参考特征,其中,第t个中间状态信号为随机噪声信号;利用注意力融合模块对扩散状态特征和参考特征进行多头注意力计算,得到第一融合特征,并对第一融合特征、扩散状态特征和参考特征进行融合,得到第二融合特征;利用条件调制模块对条件向量进行多层感知映射,得到调制参数,利用调制参数对第二融合特征进行线性调制,得到调制特征;利用条件扩散模块对调制特征执行去噪操作,得到第t个预测噪声,并根据第t个预测噪声和第t个中间状态信号,得到第t-l个中间状态信号。

3、根据本技术的实施例,上述注意力融合模块包括:预处理子模块、注意力融合子模块、卷积前馈细化子模块及调制融合子模块,上述利用注意力融合模块对扩散状态特征和参考特征进行多头注意力计算,得到第一融合特征,并对第一融合特征、扩散状态特征和参考特征进行融合,得到第二融合特征包括:利用预处理子模块对扩散状态特征和参考特征逐点相加,得到加和特征,并对加和特征进行第一卷积及第一归一化,得到空间融合特征;利用注意力融合子模块对空间融合特征进行多头注意力计算,得到注意力融合特征,并对注意力融合特征和空间融合特征进行残差连接,得到残差融合特征;利用卷积前馈细化子模块对残差融合特征进行第二卷积及第二归一化,得到细化特征;利用调制融合子模块对细化特征进行第三卷积及第三归一化,得到第一调制细化特征,对细化特征进行第四卷积及第四归一化,得到第二调制细化特征;对第一调制细化特征与扩散状态特征之间的乘积和第二调制细化特征与参考特征之间的乘积融合,得到第二融合特征。

4、根据本技术的实施例,条件扩散模型包括条件映射模块、编码模块、注意力融合模块、条件调制模块和条件扩散模块;上述条件扩散模型通过如下训练操作得到:将处于预定状态的训练对象的训练脑电信号、与处于预定状态的训练对象对应的任务频谱特征、训练时间步和第一训练中间状态信号均输入与条件扩散模型对应的初始条件扩散模型,得到训练预测噪声和基于训练预测噪声和第一训练中间状态信号得到第二训练中间状态信号,其中,第一训练中间状态信号是初始条件扩散模型对与处于预定状态的训练对象对应的干净脑电信号迭代加入训练时间步次高斯噪声得到的,干净脑电信号为多个预定干净脑电信号中的任一个;根据训练预测噪声和初始条件扩散模型对干净脑电信号在训练时间步加入的高斯噪声,确定扩散主损失;根据参考内容特征和去噪内容特征,确定内容一致损失,其中,参考内容特征是利用特征编码器对训练脑电信号进行特征提取得到的,去噪内容特征是利用特征编码器对第二训练中间状态信号进行特征提取得到的;根据与干净脑电信号对应的第一功率谱密度和与第二训练中间状态信号对应的第二功率谱密度,确定风格匹配损失;根据扩散主损失、内容一致性损失和风格匹配损失,调整初始条件扩散模型的模型参数,得到经训练的条件扩散模型。

5、根据本技术的实施例,上述第一功率谱密度是利用功率谱密度计算函数对干净脑电信号进行处理得到的,上述第二功率谱密度是利用功率谱密度计算函数对第二训练中间状态信号进行处理得到的;上述根据与干净脑电信号对应的第一功率谱密度和与第二训练中间状态信号对应的第二功率谱密度,确定风格匹配损失包括:根据第一功率谱密度与第二功率谱密度,得到第一差值特征;根据第一差值特征包括的多个第一差值的平方和,得到风格匹配损失。

6、根据本技术的实施例,上述根据参考内容特征和去噪内容特征,确定内容一致损失包括:根据参考内容特征与去噪内容特征,得到第二差值特征;根据第二差值特征包括的多个第二差值的平方和,得到内容一致损失。

7、根据本技术的实施例,上述编码模块包括第一卷积子模块和第二卷积子模块,上述利用编码模块对第t个中间状态信号和处于预定状态的目标对象的脑电信号分别进行编码,得到扩散状态特征和参考特征包括:利用第一卷积子模块对第t个中间状态信号进行多次卷积操作,得到上述扩散状态特征;利用第二卷积子模块对脑电信号进行多次卷积操作,得到上述参考特征,其中,上述第一卷积子模块和上述第二卷积子模块的网络结构相同且与上述第一卷积子模块和上述第二卷积子模块分别对应的网络参数不同。

8、根据本技术的实施例,上述条件映射模块包括第一多层感知机子模块、余弦调度子模块、拼接子模块和第二多层感知机子模块,上述利用条件映射模块分别对与处于预定状态的目标对象对应的任务频谱特征和第t个扩散时间步进行映射,并对映射结果进行拼接,得到条件向量包括:利用第一多层感知机子模块对任务频谱特征进行多层感知映射,得到任务条件特征;利用余弦调度子模块中的预定余弦调度公式对第t个扩散时间步进行映射,得到时间条件特征;利用拼接子模块对任务条件特征和时间条件特征进行向量拼接,得到初始条件向量;利用第二多层感知机子模块对初始条件向量进行多层感知映射,得到上述条件向量。

9、根据本技术的实施例,上述条件调制模块包括第三多层感知机子模块、第四多层感知机子模块和条件调制子模块,上述调制参数包括缩放参数和平移参数;上述利用条件调制模块对条件向量进行多层感知映射,得到调制参数,利用调制参数对第二融合特征进行线性调制,得到调制特征包括:利用第三多层感知机子模块对条件向量进行多层感知映射,得到上述缩放参数;利用第四多层感知机子模块对条件向量进行多层感知映射,得到上述平移参数,其中,上述第三多层感知机子模块和上述第四多层感知机子模块的网络结构相同且与上述第三多层感知机子模块和上述第四多层感知机子模块分别对应的网络参数不同;利用条件调制子模块根据上述缩放参数和上述平移参数对上述第二融合特征进行线性映射,得到上述调制特征。

10、根据本技术实施例的另一方面,提供了一种电子设备,包括:一个或多个处理器;存储器,用于存储一个或多个程序,其中,当上述一个或多个程序被上述一个或多个处理器执行时,使得上述一个或多个处理器实现上述的方法。

11、根据本技术实施例的另一方面,提供了一种计算机可读存储介质,存储有计算机可执行指令,上述指令在被执行时用于实现上述的方法。

12、根据本技术实施例的另一方面,提供了一种计算机程序产品,上述计算机程序产品包括计算机可执行指令,上述指令在被执行时用于实现上述的方法。

13、根据本技术的实施例,由于任务频谱特征是根据与预定状态对应的多个预定干净脑电信号的功率谱密度得到的,通过利用条件映射模块分别对与处于预定状态的目标对象对应的任务频谱特征和第t个扩散时间步进行映射,并对映射结果进行拼接,得到条件向量,使得到的条件向量能够反映与预定状态对应的任务的统计特性及噪声级别。通过利用编码模块对第t个中间状态信号和处于预定状态的目标对象的脑电信号分别进行编码,得到扩散状态特征和参考特征;利用注意力融合模块对扩散状态特征和参考特征进行多头注意力计算,得到第一融合特征,并对第一融合特征、扩散状态特征和参考特征进行融合,得到第二融合特征,使得到的第二融合特征能够反映第t个中间状态信号的结构特征及与处于预定状态的目标对象的脑电信号对应的结构特征。

14、进而后续利用条件调制模块对条件向量进行多层感知映射,得到调制参数,利用调制参数对第二融合特征进行线性调制,得到调制特征;利用条件扩散模块对调制特征执行去噪操作,得到第t个预测噪声,并根据第t个预测噪声和第t个中间状态信号,得到第t-l个中间状态信号,循环执行上述操作,直至得到第0个中间状态信号,并将第0个中间状态信号作为目标脑电信号,能够在考虑不同任务状态下的脑电时频结构和分布特征存在差异的情况下,引入与处于预定状态的目标对象对应的任务频谱特征引导条件扩散模型的反向去噪操作,同时将带噪的目标对象的脑电信号作为参考,约束条件扩散模型的样本级输出,使得条件扩散模型不仅在不同任务状态下自适应抑制带噪的目标对象的脑电信号中的多源伪影,还能同时生成符合任务统计特性的目标脑电信号,并保持输出的目标脑电信号的结构特征与目标对象的脑电信号的结构特征一致。由此,为后续任务状态解析提供可靠信号基础,提高解析准确率。