基于SSDA的脑电信号的眼电伪迹去除方法.pdf

《基于SSDA的脑电信号的眼电伪迹去除方法.pdf》由会员分享，可在线阅读，更多相关《基于SSDA的脑电信号的眼电伪迹去除方法.pdf（11页完成版）》请在专利查询网上搜索。

1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 202010285650.0 (22)申请日 2020.04.13 (71)申请人 重庆邮电大学 地址 400065 重庆市南岸区南山街道崇文 路2号 (72)发明人 胡章芳刘鹏飞罗元张毅 (74)专利代理机构 重庆市恒信知识产权代理有 限公司 50102 代理人 陈栋梁 (51)Int.Cl. A61B 5/0476(2006.01) A61B 5/00(2006.01) G06K 9/00(2006.01) G06K 9/62(2006.01) (54)发明名称 一种基于SS。

2、DA的脑电信号的眼电伪迹去除 方法 (57)摘要 本发明请求保护一种基于SSDA的脑电信号 的眼电伪迹去除方法， 该方法包括步骤： S1,将纯 净的脑电信号进行归一化处理， 输入SSDA模型； S2,根据重构EEG信号与纯净脑电信号之间的误 差最小来不训练SSDA， 不断调整模型参数； S3， 将 含有眼电(EOG)伪迹脑电(EEG)信号归一化， 输入 训练完成的SSDA模型， 并对输出数据进行反归一 化处理， 就得到了去除EOG的EEG。 本发明能够避 免对眼电伪迹去除过程中使用眼电伪迹做参考 信号， 保证在去除眼电伪迹时的有效性和实时 性。 权利要求书3页 说明书6页 附图1页 CN 11。

3、1543984 A 2020.08.18 CN 111543984 A 1.一种基于SSDA的脑电信号的眼电伪迹去除方法， 其特征在于， 包括以下步骤： S1、 离线阶段， 将纯净的脑电信号作为训练集， 并进行归一化处理， 输入栈式稀疏去噪 自编码SSDA模型并进行预训练， SSDA由两个稀疏降噪自编码(SDA)通过首尾相连的方式组 成， 第一个SDA的输出为第二个SDA的输入， 将第二个SDA的输出进行反归一化处理， 就得到 了重构之后的脑电信号； S2、 获取重构EEG脑电信号与纯净脑电信号之间的误差， 使得误差最小， 不断训练SSDA， 并根据梯度下降法对模型参数进行微调； S3、 在线。

4、阶段， 获取含有眼电伪迹的脑电信号并进行归一化， 归一化完成后输入步骤S2 训练完成的SSDA模型， 并对输出数据进行反归一化处理， 得到去除眼电伪迹的脑电信号。 2.根据权利要求1所述的一种基于SSDA的脑电信号的眼电伪迹去除方法， 其特征在于， 所述步骤S1中纯净脑电信号归一化的计算公式为： 式中， EEGstd(i)表示归一化之后的值， i表示脑电信号采样点的个数， j1,2,.,i， EEGorg表示归一化之前的原始数值。 3.根据权利要求2所述的一种基于SSDA的脑电信号的眼电伪迹去除方法， 其特征在于， 所述步骤S2中根据重构EEG信号与纯净脑电信号之间的误差来训练SSDA， 具体。

5、如下： 预训练过程： (1)将归一化处理之后的EEG信号按照比例随机置零进行破坏， 得到 表示一个样本， n表示样本数量； (2)将w和b进行随机初始化， 根据式(3)-(5)得到模型第一个隐藏层的映射h(1)； hf(wx+b) (3) 式(3)-(5)中， h表示隐藏层的值， x表示脑电序列， JDAE(w,b)表示稀疏降噪自编码的损 失函数，f()和g()分别代表编码和解码的映射函 数， 通常是非线性的， w代表输入层与隐藏层之间的权值矩阵， wT代表隐藏层与输出层之间 的权值矩阵， b和b 分别代表隐藏层和输出层的偏置向量， n代表输入的样本数量， 代表受 污染的输入数据， hi代表隐。

6、藏层向量， w和b分别代表权值和偏置向量； (3)对隐藏层h(1)进行稀疏化处理， 根据式(6)和(7)获得h(1)的输出， 并确定模型参数 w1,b1来完成第一个SDA的训练； 权利要求书 1/3 页 2 CN 111543984 A 2 式中， 为稀疏惩罚因子权重、 s2为稀疏之后隐藏层神经元的数量、 KL为相对熵、 为稀疏 参数、 训练集的平均激活度、 为正则化参数权重、为输入层与隐藏层之间的权重、 sl 为正则化之后隐藏层神经元的数量， EEGnstd(i)为反归一化的EEG信号， EEGorg(i)和EEGout (i)分别代表模型输入和输出的信号， n代表信号样本的个数； (4)将。

7、隐藏层h(1)的值作为第二个SDA的输入， 并采用上一个SDA训练好的w1,b1替换随 机参数， w1、 b1分别表示第一个SDA输入层和输出层之间的权重和偏置值， 重复步骤(2)和(3) 确定第二个SDA的输出和参数w2,b2， w2、 b2分别表示第二个SDA输入层与隐藏层之间的权 重和偏置值， 至此， 本模型中的两个SDA已经训练完毕， 即完成了SSDA的预训练过程， 接下 来， 要对SSDA进行微调， 使参数值在整个网络上达到最优。 4.根据权利要求3所述的一种基于SSDA的脑电信号的眼电伪迹去除方法， 其特征在于， 所述微调过程具体包括： (1)对w1和b1进行初始化， w1、 b1。

8、分别表示第一个SDA输入层和隐藏层之间的权 重和偏置的增量值。 令w10， b10； (2)通过反向传播算法来计算和和分别指 和分别表示权重值和偏置值的对比 散度值； (3)令wl、 bl分别表示第l个SDA输入层与隐藏层权重和偏置 的增量值， 这里l1,2； (4)令 (5)对参数进行更新，其中 表示学习率； 至此， SSDA模型的微调过程完成， 也就是说整个模型的训练过程完成， 此时的参数在整 个模型上达到最优。 5.根据权利要求3所述的一种基于SSDA的脑电信号的眼电伪迹去除方法， 其特征在于， 所述步骤S3中的将含有眼电EOG)伪迹的EEG信号归一化， 输入训练完成的SSDA模型， 并。

9、对输 出数据进行反归一化处理， 就得到了去除EOG的EEG， 具体如下： 将含有EOG伪迹的EEG进行归一化处理， 归一化计算如式(8)所示： 权利要求书 2/3 页 3 CN 111543984 A 3 式中， EEGstd(i)表示归一化之后的值， EEGorg表示归一化之前的原始数值； 将归一化之后的信号输入训练完成的SSDA模型， 然后将模型的输出值进行反归一化处 理就得到了去除EOG之后的EEG信号， 反归一化计算的过程如式(9)所示： 式中， EEGnstd(i)表示反归一化的EEG信号， 即去除眼电伪迹之后的脑电信号， EEGorg(i) 和EEGout(i)分别代表模型输入和输。

10、出的信号， i表示脑电信号采样点的个数， j1,2,., i。 权利要求书 3/3 页 4 CN 111543984 A 4 一种基于SSDA的脑电信号的眼电伪迹去除方法 技术领域 0001 本发明属于脑机接口中脑电信号处理领域， 特别是一种基于SSDA的脑电信号的眼 电伪迹去除方法。 背景技术 0002 当前脑机接口研究中普遍采用非侵入式的研究方式， 但是这种方式存在一定的弊 端， 由于电极是直接贴敷在大脑皮层表面， 在采集信号的过程中， 受试者会出现眨眼现象， 这会带来眼电(EOG)伪迹。 大脑活动产生的电信号较弱， 伪迹的存在会掩盖真实的脑电信 号， 导致脑电信号质量急剧下降。 研究表明。

11、眼电伪迹与脑电信号在某些频率范围内频谱有 一定的重叠， 直接通过滤波器进行去除是行不通的。 因此， 如何有效地从脑电信号中去除眼 电伪迹是脑电信号分析的关键一步。 当前主成分分析(PCA)和独立分量分析(ICA)等盲源分 离方法常被应用到眼电伪迹去除中来， 但是这类方法需要对大量的脑电通道进行分析， 信 号分离过程十分费时。 另外， 盲源分离还容易造成脑电信号有效成分的损失和增加各个通 道之间的相似性。 随着神经网络的发展， FLN-RBF算法和FLNN-ANFIS被提出来， 这两种算法 都利用了神经网络良好的逼近性能， 达到了较好的眼电伪迹去除效果， 但是这两种算法都 需要额外的眼电电极采集。

12、眼电信号作为网络的参考信号， 不利于以后的集成应用。 本发明 考虑到自编码强大的学习能力和信号重构能力， 用纯净的脑电信号去训练模型， 能够学习 到纯净脑电信号的特征， 因此不需要额外的眼电信号作为参考信号就能从含有眼电伪迹的 脑电信号中重构出纯净脑电信号。 为了降低自编码的复杂度， 本发明进一步对模型进行改 进， 提出了栈式稀疏去噪自编码SSDA模型。 发明内容 0003 本发明旨在解决以上现有技术的问题。 提出了一种基于SSDA的脑电信号的眼电伪 迹去除方法。 本发明的技术方案如下： 0004 一种基于SSDA的脑电信号的眼电伪迹去除方法， 其包括以下步骤： 0005 S1、 离线阶段， 。

13、将纯净的脑电信号作为训练集， 并进行归一化处理， 输入栈式稀疏 去噪自编码SSDA模型并进行训练， 栈式稀疏去噪自编码SSDA模型并进行预训练， SSDA由两 个稀疏降噪自编码(SDA)通过首尾相连的方式组成， 第一个SDA的输出为第二个SDA的输入， 将第二个SDA的输出进行反归一化处理， 就得到了重构之后的脑电信号。 0006 S2、 获取重构EEG信号与纯净脑电信号之间的误差， 使得误差最小， 不断训练SSDA， 并根据梯度下降法对模型参数进行微调； 0007 S3、 在线阶段， 获取含有眼电伪迹的脑电信号并进行归一化， 归一化完成后输入步 骤S2训练完成的SSDA模型， 并对输出数据进。

14、行反归一化处理， 得到去除眼电伪迹的脑电信 号。 0008 进一步的， 所述步骤S1中纯净脑电信号归一化的计算公式为： 说明书 1/6 页 5 CN 111543984 A 5 0009 0010 式中， EEGstd(i)表示归一化之后的值， i表示脑电信号采样点的个数， j1,2,., i， EEGorg表示归一化之前的原始数值。 0011 进一步的， 所述步骤S2中根据重构EEG信号与纯净脑电信号之间的误差来训练 SSDA， 具体如下： 0012 预训练过程： 0013 (1) 将归一 化处 理 之 后的 E EG 信号 按 照比 例随 机 置 零 进行 破 坏 ， 得 到 表示一个样本。

15、， n表示样本数量； 0014 (2)将w和b进行随机初始化， 根据式(3)-(5)得到模型第一个隐藏层的映射h(1)； 0015 hf(wx+b) (3) 0016 0017 0018 式(3)-(5)中， h表示隐藏层的值， x表示脑电序列， JDAE(w,b)表示稀疏降噪自编码 的损失函数，f()和g()分别代表编码和解码的映 射函数， 通常是非线性的， w代表输入层与隐藏层之间的权值矩阵， wT代表隐藏层与输出层 之间的权值矩阵， b和b 分别代表隐藏层和输出层的偏置向量， n代表输入的样本数量， 代 表受污染的输入数据， hi代表隐藏层向量， w和b分别代表权值和偏置向量； 0019。

16、 (3)对隐藏层h(1)进行稀疏化处理， 根据式(6)和(7)获得h(1)的输出， 并确定模型参 数w1,b1来完成第一个SDA的训练； 0020 0021 0022 式中， 为稀疏惩罚因子权重、 s2为稀疏之后隐藏层神经元的数量、 KL为相对熵、 为稀疏参数、训练集的平均激活度、 为正则化参数权重、为输入层与隐藏层之间的 权重、 sl为正则化之后隐藏层神经元的数量。 EEGnstd(i)为反归一化的EEG信号， EEGorg(i)和 EEGout(i)分别代表模型输入和输出的信号， n代表信号采样点的个数； 0023 (4)将隐藏层h(1)的值作为第二个SDA的输入， 并采用上一个SDA训练。

17、好的w1,b1替 换随机参数， w1、 b1分别表示第一个SDA输入层和输出层之间的权重和偏置值， 重复步骤(2) 说明书 2/6 页 6 CN 111543984 A 6 和(3)确定第二个SDA的输出和参数w2,b2， w2、 b2分别表示第二个SDA输入层与隐藏层之间 的权重和偏置值。 至此， 本模型中的两个SDA已经训练完毕， 即完成了SSDA的预训练过程， 接 下来， 要对SSDA进行微调， 使参数值在整个网络上达到最优。 0024 进一步的， 所述微调过程具体包括： 0025 (1)对w1和b1进行初始化， w1、 b1分别表示第一个SDA输入层和隐藏层之间 的权重和偏置的增量值。。

18、 令w10， b10； 0026(2)通过反向传播算法来计算和和分 别指和分别表示权重值和偏置值的 对比散度值； 0027(3)令wl、 bl分别表示第l个SDA输入层与隐藏层权重和 偏置的增量值， 这里l1,2； 0028(4)令 0029(5)对参数进行更新，其中 表示学习率。 0030 至此， SSDA模型的微调过程完成， 也就是说整个模型的训练过程完成， 此时的参数 在整个模型上达到最优。 0031 进一步的， 所述步骤S3中的将含有眼电EOG伪迹的EEG信号归一化， 输入训练完成 的SSDA模型， 并对输出数据进行反归一化处理， 就得到了去除EOG的EEG， 具体如下： 0032 将。

19、含有EOG伪迹的EEG进行归一化处理， 归一化计算如式(8)所示： 0033 0034 式中， EEGstd(i)表示归一化之后的值， EEGorg表示归一化之前的原始数值； 0035 将归一化之后的信号输入训练完成的SSDA模型， 然后将模型的输出值进行反归一 化处理就得到了去除EOG之后的EEG信号， 反归一化计算的过程如式(9)所示： 0036 0037 式中， EEGnstd(i)表示反归一化的EEG信号， 即去除眼电伪迹之后的脑电信号， EEGorg(i)和EEGout(i)分别代表模型输入和输出的信号， i表示脑电信号采样点的个数， j 1,2,.,i。 0038 本发明的优点及有。

20、益效果如下： 0039 本发明提供了一种基于SSDA的脑电信号的眼电伪迹去除方法， 在不需要眼电伪迹 信号作参考信号的前提下， 通过自编码网络强大的学习能力和信号重构能力， 能够学习到 纯净脑电信号的特征， 进而能够从含有眼电伪迹的脑电信号中重构出纯净的脑电信号， 达 说明书 3/6 页 7 CN 111543984 A 7 到去除眼电伪迹的目的， 且能够对任意通道的脑电信号的眼电伪迹进行去除。 具体步骤是： 首先， 将纯净的脑电信号作为训练集， 并进行归一化处理， 输入栈式稀疏去噪自编码SSDA模 型并进行预训练， SSDA由两个稀疏降噪自编码(SDA)通过首尾相连的方式组成， 第一个SDA。

21、 的输出为第二个SDA的输入， 将第二个SDA的输出进行反归一化处理， 就得到了重构之后的 脑电信号。 其次， 获取重构脑电信号与纯净脑电信号之间的误差， 使得误差最小， 不断训练 SSDA， 并根据梯度下降法对模型参数进行微调， 完成SSDA模型的训练。 最后， 将含有眼电伪 迹的脑电信号并进行归一化， 归一化完成后输入训练完成的SSDA模型， 并对输出数据进行 反归一化处理， 得到去除眼电伪迹的脑电信号。 本发明相比于其他方法不仅能够降低去除 脑电信号中眼电伪迹的时间， 而且能够提高脑电信号的信噪比。 附图说明 0040 图1是本发明提供优选实施例提供的SSDA模型的结构图； 0041 图。

22、2是本发明提供的一种基于SSDA的脑电信号的眼电伪迹去除方法的流程图。 具体实施方式 0042 下面将结合本发明实施例中的附图， 对本发明实施例中的技术方案进行清楚、 详 细地描述。 所描述的实施例仅仅是本发明的一部分实施例。 0043 本发明解决上述技术问题的技术方案是： 0044 一种基于SSDA的脑电信号的眼电伪迹去除方法， 其包括如下步骤： 0045 S1， 将纯净的脑电信号作为训练集， 并进行归一化处理， 输入SSDA模型。 0046 0047 式中， EEGstd(i)表示归一化之后的值， i表示脑电信号采样点的个数， j1,2,., i， EEGorg表示归一化之前的原始数值。 。

23、0048 S2， 根据重构EEG信号与纯净脑电信号之间的误差最小来不训练SSDA， 不断调整模 型参数。 0049 预训练过程： 0050 (1)将归一化处理之后的EEG信号按照一定比例随机置零进行破坏， 得到 表示一个样本， n表示样本数量； 0051 (2)将w和b进行随机初始化， 根据式(19)-(21)得到模型第一个隐藏层的映射h(1)。 0052 hf(wx+b) (19) 0053 0054 0055 式(19)-(21)中， h表示隐藏层的值， x表示脑电序列， JDAE(w,b)表示稀疏降噪自编 码的损失函数，f()和g()分别代表编码和解码的 说明书 4/6 页 8 CN 1。

24、11543984 A 8 映射函数， 通常是非线性的， w代表输入层与隐藏层之间的权值矩阵， wT代表隐藏层与输出 层之间的权值矩阵， b和b 分别代表隐藏层和输出层的偏置向量， n代表输入的样本数量， 代表受污染的输入数据， hi代表隐藏层向量， w和b分别代表权值和偏置向量； 0056 (3)对隐藏层h(1)进行稀疏化处理， 根据式(22)和(23)获得h(1)的输出， 并确定模型 参数w1,b1来完成第一个SDA的训练。 0057 0058 0059 式中， 为稀疏惩罚因子权重、 s2为稀疏之后隐藏层神经元的数量、 KL为相对熵、 为稀疏参数、训练集的平均激活度、 为正则化参数权重、为输。

25、入层与隐藏层之间的 权重、 sl为正则化之后隐藏层神经元的数量。 EEGnstd(i)为反归一化的EEG信号， EEGorg(i)和 EEGout(i)分别代表模型输入和输出的信号， n代样本个数； 0060 (4)将隐藏层h(1)的值作为第二个SDA的输入， 并采用上一个SDA训练好的w1,b1替 换随机参数， 重复步骤(2)和(3)确定第二个SDA的输出和参数w2,b2。 至此， 本模型中的两 个SDA已经训练完毕， 即完成了SSDA的预训练过程。 接下来， 要对SSDA进行微调， 使参数值在 整个网络上达到最优。 0061 微调过程： 0062 (1)对w1和b1进行初始化， w1、 b。

26、1分别表示第一个SDA输入层和隐藏层之间 的权重和偏置的增量值。 令w10， b10； 0063(2)通过反向传播算法来计算和和分 别指和分别表示权重值和偏置值的对 比散度值； 0064(3)令wl、 bl分别表示第l个SDA输入层与隐藏层权重和 偏置的增量值， 这里l1,2； 0065(4)令 0066(5)对参数进行更新，其中 表示学习率。 0067 至此， SSDA模型的微调过程完成， 也就是说整个模型的训练过程完成， 此时的参数 在整个模型上达到最优。 0068 S3， 将含有眼电(EOG)伪迹EEG信号归一化， 输入训练完成的SSDA模型， 并对输出数 说明书 5/6 页 9 CN 。

27、111543984 A 9 据进行反归一化处理， 就得到了去除EOG的EEG。 0069 0070 式中， EEGstd(i)表示归一化之后的值， EEGorg表示归一化之前的原始数值。 0071 将归一化之后的信号输入训练完成的SSDA模型， 然后将模型的输出值进行反归一 化处理就得到了去除EOG之后的EEG信号。 反归一化计算的过程如式(25)所示： 0072 0073 式中， EEGnstd(i)表示反归一化的EEG信号， 即去除眼电伪迹之后的脑电信号， EEGorg(i)和EEGout(i)分别代表模型输入和输出的信号， i表示脑电信号采样点的个数， j 1,2,.,i。 0074 以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。 在 阅读了本发明的记载的内容之后， 技术人员可以对本发明作各种改动或修改， 这些等效变 化和修饰同样落入本发明权利要求所限定的范围。 说明书 6/6 页 10 CN 111543984 A 10 图1 图2 说明书附图 1/1 页 11 CN 111543984 A 11 。