[發明專利]一種基于多模塊神經網絡的腦電信號偽跡去除方法

在審

• 申請號: 202310198897.2
• 申請日: 2023-03-03
• 公開（公告）號: CN116172576A
• 公開（公告）日: 2023-05-30
• 發明（設計）人: 吳靖;戴國駿;金誠懷;張偉;曾虹
• 申請（專利權）人: 杭州電子科技大學
• 主分類號: A61B5/369
• 分類號: A61B5/369;A61B5/00;G06F18/10;G06F18/214;G06N3/0464;G06N3/048;G06N3/084
• 代理公司: 杭州君度專利代理事務所(特殊普通合伙) 33240
• 代理人: 朱月芬

1.一種基于多模塊神經網絡的腦電信號偽跡去除方法，其特征在于包括如下步驟：

步驟1：數據獲取：

通過公開數據集EEGdenoiseNet獲取4514條純凈腦電片段、5598條肌電偽跡片段；

步驟2：數據處理；

步驟3：基于多模塊神經網絡的腦電信號偽跡去除算法；

步驟4：通過評價指標衡量算法。

2.根據權利要求1所述的一種基于多模塊神經網絡的腦電信號偽跡去除方法，其特征在于步驟2具體實現包括：

步驟2-1：對數據集中純凈腦電片段進行隨機選取，將選取出的片段與原所有純凈腦電片段進行縱向合并，保證純凈腦電片段和偽跡片段之間數據維度相同，方便后續模型的訓練。

3.根據權利要求2所述的一種基于多模塊神經網絡的腦電信號偽跡去除方法，其特征在于步驟2具體實現還包括：

步驟2-2：根據固定信噪比將縱向合并后的純凈腦電片段和偽跡片段進行半模擬合成，合成為污染腦電信號。

4.根據權利要求3所述的一種基于多模塊神經網絡的腦電信號偽跡去除方法，其特征在于步驟2具體實現還包括：

步驟2-3：對數據進行增強，將縱向合并后的純凈腦電片段和原偽跡片段線性混合十次，數據量擴展10倍。

5.根據權利要求4所述的一種基于多模塊神經網絡的腦電信號偽跡去除方法，其特征在于步驟2具體實現還包括：

步驟2-4：制作訓練集，將半擬合合成的污染腦電信號作為模型輸入數據，純凈腦電片段作為標簽，采用10倍交叉驗證劃分訓練集和測試集。

6.根據權利要求5所述的一種基于多模塊神經網絡的腦電信號偽跡去除方法，其特征在于步驟3具體實現還包括：

步驟3-1：隨機初始化多模塊神經網絡模型的權重參數W和偏置參數b，設置好訓練次數epoch。

7.根據權利要求6所述的一種基于多模塊神經網絡的腦電信號偽跡去除方法，其特征在于步驟3具體實現還包括：

步驟3-2：將訓練集輸入到多模塊神經網絡模型中，用(Y,X)代表訓練集中一對污染腦電信號和純凈腦電信號,Y是通過步驟2進行半模擬合成的污染腦電信號；

將Y輸入到多模塊神經網絡中，其中網絡由權重參數W和偏置參數b組成，即多模塊神經網絡中包含四個去噪模塊；Y輸入到第一個去噪模塊F₁中，去噪模塊F₁會輸出計算后純凈腦電和偽跡即其中F₁表示第一個去噪模塊，將第一個去噪模塊F₁輸出的偽跡和Y進行相減操作，將結果作為第二個去噪模塊F₂的輸入，并輸出新的純凈腦電和偽跡即將第二個去噪模塊F₂輸出的偽跡和Y進行相減操作，將結果作為第三個去噪模塊F₃的輸入，并輸出新的純凈腦電和偽跡即根據上述步驟，獲得第四個去噪模塊輸出的純凈腦電和偽跡；整個多模塊神經網絡模型的最終輸出為四個去噪模塊輸出的純凈腦電結合，即：其中i表示第i個去噪模塊，i∈[1,4]。

8.根據權利要求7所述的一種基于多模塊神經網絡的腦電信號偽跡去除方法，其特征在于所提到的結構相同的去噪模塊由四個結構相同的分離模塊組成，第一個分離模塊的輸出和第四個分離模塊的輸出采用殘差連接，提升模型學習的效果；每個分離模塊均可分離出純凈腦電特征y_i和偽跡特征n_j，其中j表示第j個分離模塊，j∈[1,4]；對于前3個分離模塊，相鄰上一個分離模塊的純凈腦電特征作為下一個分離模塊的輸入，第四個分離模塊輸出的純凈腦電為去噪模塊最終輸出的純凈腦電信號即去噪模塊的偽跡輸出為4個分離模塊輸出的偽跡特征相加，即