一种脑电信号抗衰减方法、装置及存储介质

技术特征：
1.一种基于一维残差卷积网络和迁移学习的脑电信号抗衰减方法，其特征在于，包括以下步骤：获取脑电信号；对脑电信号进行信号分割得到脑电信号段；建立脑电信号抗衰减模型并进行训练，所述脑电信号抗衰减模型包括一维残差卷积网络和迁移学习模块，其中，所述一维残差卷积网络用于解码脑电信号段，包括卷积层和残差网络，卷积层通过残差网络进行连接；所述迁移学习模块基于源域的去噪网络得到目标域的去噪网络，并基于目标域的去噪网络和解码后的脑电信号段实现脑电信号段的还原；将每段脑电信号段输入训练完成的脑电信号抗衰减模型，得到多段还原的脑电信号段；对还原的脑电信号段进行合成，得到完整脑电信号。2.根据权利要求1所述的一种基于一维残差卷积网络和迁移学习的脑电信号抗衰减方法，其特征在于，所述信号分割的分割长度为2秒。3.根据权利要求1所述的一种基于一维残差卷积网络和迁移学习的脑电信号抗衰减方法，其特征在于，所述一维残差卷积网络的卷积层中，卷积核对上一层卷积层输出的特征向量进行卷积，并利用非线性激活函数构造输出的特征向量。4.根据权利要求3所述的一种基于一维残差卷积网络和迁移学习的脑电信号抗衰减方法，其特征在于，所述卷积层的卷积输出y
t
为：其中，x
t
(t＝1、...、n)为输入信号序列，n为输入信号序列的长度，w
k
为卷积核，m为卷积核的长度。5.根据权利要求4所述的一种基于一维残差卷积网络和迁移学习的脑电信号抗衰减方法，其特征在于，所述非线性激活函数为：f(y
t
)＝max(0,y
t
)。6.根据权利要求5所述的一种基于一维残差卷积网络和迁移学习的脑电信号抗衰减方法，其特征在于，所述卷积层中第l层的每个神经元只与第l-1层的局部窗口中的神经元连接，形成一个局部连接网络，第l层的第i个神经元的输入为：其中，w
l
为第l层的卷积核；b
i
为偏移参数，i＝1，
…
，n。7.根据权利要求1所述的一种基于一维残差卷积网络和迁移学习的脑电信号抗衰减方法，其特征在于，所述残差网络为垂直和水平扩展的rescnn结构，用于将不同尺度卷积核的残差块并行化，获取脑电信号段的尺度特征。8.根据权利要求1所述的一种基于一维残差卷积网络和迁移学习的脑电信号抗衰减方
法，其特征在于，所述迁移学习模块基于源域的去噪网络得到目标域的去噪网络具体为：固定源域的去噪网络的最后一个全连接层前的网络参数，对最后一个全连接层的参数进行训练，得到修正后的目标域的去噪网络。9.一种基于一维残差卷积网络和迁移学习的脑电信号抗衰减装置，包括存储器、处理器，以及存储于所述存储器中的程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-8中任一所述的方法。10.一种存储介质，其上存储有程序，其特征在于，所述程序被执行时实现如权利要求1-8中任一所述的方法。

技术总结
本发明涉及一种基于一维残差卷积网络和迁移学习的脑电信号抗衰减方法、装置及存储介质，其中方法包括：获取脑电信号；对脑电信号进行信号分割得到脑电信号段；建立脑电信号抗衰减模型并进行训练，所述脑电信号抗衰减模型包括一维残差卷积网络和迁移学习模块，其中，所述一维残差卷积网络用于解码脑电信号段，包括卷积层和残差网络，卷积层通过残差网络进行连接；所述迁移学习模块基于源域的去噪网络得到目标域的去噪网络，并基于目标域的去噪网络和解码后的脑电信号段实现脑电信号段的还原；将每段脑电信号段输入训练完成的模型，得到多段还原的脑电信号段并进行合成，得到完整脑电信号。与现有技术相比，本发明具有抗衰减效果好等优点。等优点。等优点。


技术研发人员：李保江 王文龙 王海燕 王西超
受保护的技术使用者：上海电机学院
技术研发日：2022.07.29
技术公布日：2022/12/12