一种利用深度神经网络对EEG数据的噪声识别方法

一种利用深度神经网络对eeg数据的噪声识别方法
技术领域
1.本发明涉及神经网络算法技术领域，尤其涉及一种利用深度神经网络对eeg数据的噪声识别方法。


背景技术：

2.运动想象(motor imagery,mi)是指没有客观的肢体或肌肉运动时，使用大脑主观想象肢体或肌肉的运动，从而刺激相应的脑区。目前，mi主要应用于辅助卒后康复、肌肉萎缩等一些肢体功能障碍性疾病的训练和治疗中。
3.当下所普遍设计的mi范式多是想象左右双肢的运动，但脑卒中后的病人多为单侧运动障碍。因此，经典mi范式在一定程度上不能满足医生对病人患肢的训练和治疗。与此同时，为了获得良好的mi范式下的脑电信号(electroencephalogram,eeg)需要有经验的技术人员对原始信号进行诸如滤波、独立成分分析、重参考等操作，但是肢体康复需要将eeg实时地进行特征提取分类用于控制外骨骼等辅具。
4.针对于卒中后单肢运动障碍的mi范式以及eeg信号的自动去噪算法由此产生。考虑到卒后病人运动功能存在较大的障碍，对于范式中需要想象的动作应当由易入难。当下随着深度学习的兴起，将神经网络应用于eeg的去噪已存在不少的研究成果，然而单从eeg的时域考虑对于信号质量的提升并不能达到最大，同时对于信号长度的选择也导致了不同的结果。


技术实现要素：

5.针对现有算法的不足，本发明设计一种适用于卒后单肢运动障碍的mi范式，其主要针对病患右上肢的肩、肘、腕、指各关节进行单独训练和联动训练；并提出了利用利用一维卷积、二维卷积和密集连接卷积构建一种深度神经网络对eeg数据的噪声识别方法，并通过划窗方式对eeg数据进行噪声剔除。
6.范式设计是根据脑卒中后单侧运动障碍患者的需求，设计一种适用于卒后单肢运动障碍的mi范式，辅助病患进行不同程度的肢体训练，康复科医生通过brunnstrom偏瘫功能评价法、fugl-meyer法、上田敏法对卒中患者进行上肢运动功能评估，由评估后的分数诊断病患的关节灵活程度选择合适的范式。
7.eeg数据处理包括降采样、滤波、重参考和ica分析，将需要人为干预的部分通过深度神经网络变为自动的数据处理，人为干预是指在ica分析时，需要有经验的技术人员对ica的结果进行审查，判断出技术人员所认为的噪声，通过深度学习的方法降低主观意识带来的影响。
8.本发明所采用的技术方案是：一种利用深度神经网络对eeg数据的噪声识别方法，包括如下步骤：
9.s1、通过脑电帽采集被试卒中状态下肩、肘、腕、指四个关节的组合动作时诱发的eeg数据，并将动作划分为单关节训练和关节综合训练；
10.进一步的，单关节训练是通过刺激源为肩屈30
°
、肩展30
°
、肘屈90
°
、肘屈最大、腕左旋、腕右旋、指握拳共七种动作刺激脑运动功能区产生eeg数据；所述多关节综合训练是通过刺激源为前臂旋前、前臂旋后、上肢前屈90
°
、上肢后伸上抬触摸腰部、上肢外展90
°
、上肢前屈180
°
、触肩实验、指鼻实验共种八种动作刺激脑运动功能区产生eeg数据；
11.s2、对数据集中数据进行降采样、粗滤波和ica独立成分分解，得到多个独立成分的ic激活和ic地形图；
12.s3、将ic地形图进行裁剪，将ic激活按一定时间分割长度为一定的窗口，设置相邻窗口重叠时间；
13.s4、构建一维cnn卷积、二维cnn卷积和ddn卷积组成的深度神经网络将ic地形图送入二维cnn卷积网络，ic激活送入一维卷积网络，并将两个卷积网络的输出值送入dnn卷积网络，并设置超参数；
14.进一步的，所述一维cnn卷积包括：第一卷积层，内核宽度为20，滤波器个数为5，步长为2；第二卷积层，内核宽度为6，滤波器个数为16，步长为2；第三卷积层，内核宽度为15，滤波器个数为34，步长为1；第四卷积层，内核宽度为11，滤波器个数为21，步长为1；第五卷积层，内核宽度为6，滤波器个数为45，步长为1；第六卷积层，内核宽度为7，滤波器个数为30，步长为1；第一、第二、第三、第五、第六卷积层后均连接内核宽度为4、步长为2的池化层；激活函数均为prelu函数；最后再接入flatten层进行降维，得到ic激活的特征列向量；
15.进一步的，所述二维cnn卷积包括：ic地图第一卷积层，内核大小为20*20，滤波器个数40个，步长为2*2；ic地图第二卷积层，内核大小为5*5，滤波器个数50个，步长为2*2；ic地图第三卷积层，内核大小为6*6，滤波器个数为14个，步长1*1；ic地图第四卷积层，内核大小为9*9，滤波器个数35个，步长2*2；ic地图第五卷积层，内核大小为12*12，滤波器个数为21个，步长为1*1；ic地图第六卷积层，内核大小为16*16，滤波器个数为45个，步长为2*2；ic地图第七卷积层，内核大小为8*8，滤波器个数为30个，步长为2*2；ic地图第二、第三、第五、第七卷积层后均连接大小为2*2，步长为1*1的池化层；激活函数均为prelu函数；最后再接入flatten层进行降维，得到ic地形图的特征列向量。
16.进一步的，所述ddn卷积包括第一全连接层、第二全连接层和第三全连接，第一全连接输出维度为135、第二全连接输出维度为210和第三全连接输出维度为28；
17.s5、将dnn卷积网络输出值通过softmax分类器进行分类，并根据分类结果对eeg数据进行噪声筛选和剔除，并对剔除噪声后的eeg数据进行信噪比和均方根差计算，评价去噪效果。
18.分类结果为眼动噪声、心电噪声、头动噪声、肌电噪声；
19.将eeg数据按5000ms的时间长度为检测窗口，以softmax分类器所分类出的4种噪声为检测指标，按照检测窗口对eeg数据进行步进检测，筛选出具有包含噪声成分的时间窗，并将其剔除。
20.本发明的有益效果是：
21.1、设计的单肢运动想象范式能够辅助脑卒中后的病人进行患肢康复训练，有助于脑运动区功能恢复；同时，能够根据不同卒后康复进程选择不同的范式，形成分级式康复训练系统；
22.2、利用一维cnn卷积、二维cnn卷积和ddn卷积搭建深度神经网络可以有效分类出
噪声成分，对实时采集的eeg噪声敏感度高，能够有效的剔除噪声成分；
23.3、辅助不同程度的脑卒中患者进行康复训练，得到患者在进行康复训练时的实时无噪声eeg数据。
附图说明
24.图1是本发明利用深度神经网络对eeg数据的噪声识别方法；
25.图2为本发明所设计的两种单肢运动想象范式的时间流程示意图；
26.图3为数据通信与格式转化模块结构示意图；
27.图4为本发明具体实施流程图。
具体实施方式
28.下面结合附图和实施例对本发明作进一步说明，此图为简化的示意图，仅以示意方式说明本发明的基本结构，因此其仅显示与本发明有关的构成。
29.本发明中的范式设计部分使用windows环境的javascript语言开发完成，深度神经网络部分使用pycharm软件和带有keras 2.4.0、tensorflow 2.4.1深度学习环境的gpu算力单元。
30.如图2所示，被试手自然地放在大腿上，眼睛离屏幕1米远，由主试根据被试的肢体功能状况选择单关节训练或多关节综合训练；
31.单关节训练：刺激源分为肩屈30
°
、肩展30
°
、肘屈90
°
、肘屈最大、腕左旋、腕右旋、指握拳共七种动作，在刺激源出现前会有2000ms的提示，各刺激源随机出现4000ms，结束后会有2000ms的休息进入下一次2000ms的提示，每轮训练各动作随机出现20次，共计140次，整个康复训练范式共有5轮。
32.多关节综合训练：相对于单关节训练范式，多关节综合范式将四个关节组合，形成了诸如指鼻实验、触肩上举等8个复合型动作。在2000ms的提示后，多关节动作引导gif动图作为刺激源出现6000ms(循环播放两遍)，结束后同样的会有2000ms的休息。不同的是，由于训练动作的复杂性，每轮训练各动作随机出现10次，共计80次，整个康复训练范式共有5轮。
33.如图3所示，数据通信与格式转化模块中的通信模块连接脑电帽的信号输出端与数据分析模块的输入端；通信模块将脑电帽硬件所采集到的数据通过socket协议传输到数据分析模块中，实现了数据的在线处理；格式转化主要是将64或128导的原始数据转化为.raw、.mff或.bdf格式的数据文件方便后续的可读化和可存储化。
34.如图1所示，一种利用深度神经网络对eeg数据的噪声识别方法，其主要步骤如下：
35.s1、通过脑电帽采集被试卒中状态下肩、肘、腕、指四个关节的组合动作时诱发的eeg数据，
36.s2、先将采集数据降采样至250hz，然后对数据流进行0.1～50hz的粗滤波后，进行独立成分分解(independent component analysis，ica)，独立成分(independent component，ic)个数根据导联数的不同选择8～24，本发明针对64导联数选择12个ic，得到每个成分的激活和地形图；
37.s3、将12个ic的地形图裁剪至160像素*160像素*3颜色；
38.将12个ic激活按8000ms的时间分割为若干个trail(试次)，相邻两个trail重叠
2000ms，当数据长度不足8000ms时，自动向前重叠至8000ms。
39.s4、对构建神经网络所需的超参数进行选择，构建包括一个一维卷积神经网络(convolutional neural networks,cnn)、一个二维cnn和一个密集卷积网络(dense convolutional network，densenet)组成的深度神经网络，具体为：
40.用于对ic地形图提取特征的二维cnn结构为：
41.layer1：卷积层，内核大小为20*20，滤波器个数40个，步长为2*2，激活函数为prelu，用于改善模型的过拟合；
42.layer2：卷积层，内核大小为5*5，滤波器个数50个，步长为2*2，激活函数同样设置为prelu，在layer2后加入一个最大池化层，大小为2*2，步长为1*1；
43.layer3：带prelu的卷积层，内核大小为6*6，滤波器个数为14个，步长1*1，在这层后加入和layer2同样大小的最大池化层；
44.layer4：带prelu的卷积层，内核大小为9*9，滤波器个数35个，步长2*2；
45.layer5：带prelu的卷积层，内核大小为12*12，滤波器个数为21个，步长为1*1，后接一个最大池化层，大小和layer3相同；
46.layer6：带prelu的卷积层，内核大小为16*16，滤波器个数为45个，步长为2*2；
47.layer7：带prelu的卷积层，内核大小为8*8，滤波器个数为30个，步长为2*2，后接一个最大池化层，池化大小为2*2，步长2*2；
48.layer8：ic地形图经过layer7后，对其结果进行降维，得到ic地形图的特征列向量；
49.用于对ic时间激活提取特征的一维cnn结构为：
50.layer1：卷积层，激活函数为prelu，内核宽度为20，滤波器个数为5，步长为2，后接一个内核宽度为4、步长为2的最大池化层；
51.layer2：带prelu的卷积层，内核宽度为6，滤波器个数为16，步长为2，后接与layer1相同的最大池化层；
52.layer3：带prelu的卷积层，内核宽度为15，滤波器个数为34，步长为1，后接与layer1相同的最大池化层；
53.layer4：带prelu的卷积层，内核宽度为11，滤波器个数为21，步长为1；
54.layer5：带prelu的卷积层，内核宽度为6，滤波器个数为45，步长为1，后接与layer1相同的最大池化层；
55.layer6：带prelu的卷积层，内核宽度为7，滤波器个数为30，步长为1，后接与layer1相同的最大池化层。
56.layer7：flatten层，ic的时间激活在经过一维cnn的layer6后，对结果进行降维，得到ic时间激活的特征列向量。
57.对ic地形图的特征和时间激活的特征进行合并，得到一个新的特征向量；输入到dense层，dense网络具体构成如下：
58.layer1：全连接层，对合并的特征向量进行进一步处理，输出维数135；
59.layer2：全连接层，输出维数210；
60.layer3：全连接层，输出维数28，后接softmax对结果进行输出，输出维数为4。
61.s5、将dnn卷积网络输出值通过softmax分类器进行分类，并根据分类结果对eeg数
据进行噪声筛选和剔除，并对剔除噪声后的eeg数据进行信噪比和均方根差计算，评价去噪效果。
62.去噪效果测试：eeg数据经过深度神经网络的噪声筛选与剔除后，需选择合适的指标对eeg数据的去噪效果进行评价；对于去噪效果的评价主要是考量噪声在整体信号的占比及去噪前后的偏差；
63.采用信噪比snr和均方根差rmsd评价本发明的去噪效果，公式如下：
[0064][0065][0066]
式中，x
eeg
[n]表示去噪后脑电中的有效成分，x
noise
[n]表示去噪后脑电中的噪声成分，表示去噪后脑电中的有效成分的功率，表示去噪后脑电中的噪声成分的功率，v
eeg
表示去噪后脑电中的有效成分的电压有效值，v
noise
表示去噪后脑电中的噪声成分的电压有效值；eegi表示去噪后的信号，eegi表示去噪前的脑电信号；
[0067]
其中，snr表示去噪后信号中有效成分与噪声成分的比值，比值越大所含有效成分就越多；rmse表示去噪后信号与原始信号之间的偏差，偏差越小则说明最大程度保留了有效成分。
[0068]
如图4所示，本实施例实验过程如下：
[0069]
1、主试为被试戴好脑电帽，根据被试的脑卒中后肢体运动功能情况选择合适的单肢运动想象范式；
[0070]
2、开始训练后，脑电帽采集得到被试实验过程中的实时eeg数据，由数据通信模块将数据从硬件传入软件，再由格式转化模块将数据转化为软件可处理的格式；
[0071]
3、格式转化完的数据传至eeg数据分析，在经过降采样、滤波、ica分解后，再由深度神经网络对其进行噪声筛选，最后将筛选出的噪声进行数据剔除；
[0072]
4、噪声剔除后的数据由无噪声eeg输出模块进行实时输出和存储。
[0073]
以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。