[發明專利]魯棒性腦電信號的生成方法及裝置

有效

• 申請號: 202110151980.5
• 申請日: 2021-02-04
• 公開（公告）號: CN112807000B
• 公開（公告）日: 2023-02-28
• 發明（設計）人: 夏立坤;張達
• 申請（專利權）人: 首都師范大學
• 主分類號: A61B5/369
• 分類號: A61B5/369;A61B5/372;A61B5/388;A61B5/377;A61B5/00
• 代理公司: 工業和信息化部電子專利中心 11010
• 代理人: 華楓

本發明提出了一種魯棒性腦電信號的生成方法及裝置。方法包括：步驟Y，獲取腦電信號；步驟X，對所述腦電信號進行噪聲分離處理，獲取去噪后腦電信號和噪聲信號；步驟U，將去噪后腦電信號和噪聲信號輸入生成對抗網絡，生成模擬腦電信號并輸出；結合定量評估方法和定性評估方法對獲取的所述模擬腦電信號進行質量分析。本發明采用WGAN?GP作為基礎框架，并使用LSTM代替2DCNN搭建的框架網絡，使用腦電信號噪聲代替高斯噪聲作為生成對抗網絡中生成器的輸入數據，提高了模擬腦電信號的生成效率和質量。通過從定量評估結果中篩選的多段模擬腦電信號迭加得到的ERP數據與真實ERP的波形對比，從視覺角度對模擬腦電信號的質量進行評估。

技術領域

本發明涉及機器學習技術領域，尤其涉及一種魯棒性腦電信號的生成方法及裝置。

背景技術

腦電信號(Electroencephalogram，EEG)作為一種包含大量人體信息的多通道生理信號，已成為腦科學研究中的重要數據。近年來，使用深度學習模型對EEG進行特征提取已成為研究EEG的重要手段。這類技術通常需要訓練大量的數據來構建魯棒模型。但是，由于枯燥的EEG采集過程以及采集環境中的噪聲影響，導致數據中存在部分干擾信號，得到滿足訓練模型所需的數據集是極其困難的。因此，基于少量EEG樣本生成魯棒性的EEG并應用到深度學習研究工作中，對腦科學的發展具有重要意義。

生成對抗網絡(Generative Adversarial Networks，GAN)已經作為一種小樣本處理的主流神經網絡框架應用于各種領域(圖像、音頻等)。由于傳統GAN主要以全連接層(Fully Connected，FC)搭建，而FC無法捕捉時序信號的特征和相關屬性之間的復雜關聯，導致模型在處理EEG時容易丟失時間相關性信息。

此外，GAN的評估仍然以定性評估方法和一些可靠性較差的定量評估方法為主。定性評估方法存在人為主觀性的影響，且消耗大量的人力，在一些不具有顯性特征的樣本中，無法使用人工評估對生成樣本做出評價。

目前定量的評估方法能夠從清晰度、相似性、準確度等方面對GAN做出評估。從清晰度考慮，目前已有的表征方法：Inception Score(IS)(S.T.Barratt and R.Sharma,Anote on the inception score,CoRR,vol.abs/1801.01973,2018.)和Fréchet InceptionDistance(FID)(S.Hochreiter,The vanishing gradient problem during learningrecurrent neural nets and problem solutions,in Proc.International Journal ofUncertainty,Fuzziness and Knowledge-Based Systems,1998,vol.6,no.2,pp.107-116.)；從相似性角度來說，Wasserstein Distance(WD)(F.Otto and M.Westdickenberg,Eulerian calculus for the contraction in the wasserstein distance,SIAMJ.Math.Analysis(PAMI),2005,vol.37,no.4,pp.1227-1255.)、Euclidean Distance(ED)(L.Wang,Y.Zhang,and J.Feng,On the euclidean distance of images,in Proc.IEEETrans.Pattern Analysis and Machine Intelligence,2005,vol.27,no.8,pp.1334-1339.)和Kernel Maximum Mean Discrepancy(MMD)[26]等從樣本分布距離差異對比樣本間的相似程度；從準確性的角度，1-Nearest Neighbor accuracy(M.Govindarajan andR.M.Chandrasekaran,Evaluation of k-nearest neighbor classifier performancefor direct marketing,in Proc.Expert Syst.Appl.,2010,vol.37,no.1,pp.253-258.)基于分類器確定生成樣本的準確性。