[发明专利]一种基于卷积神经网络的单导视觉诱发电位提取方法

说明书

一种基于卷积神经网络的单导视觉诱发电位提取方法，属于医学及生理信号检测与处理分析技术领域。首先，将得到的视觉刺激下的脑电信号去除伪迹和工频干扰。将观测信号进行叠加平均得到视觉诱发电位。对观测信号和视觉诱发电位进行处理，仿真不同时刻刺激下的观测信号和对应的诱发电位信号。利用诱发电位提取问题的模型对数据扩增，仿真不同信噪比下的观测信号和诱发电位信号。将数据划分成训练集和验证集，构建卷积神经网络用于提取诱发电位，对网络进行训练，采用测试集进行测试，恢复诱发电位波形。本发明能够不依赖其他的先验知识，实现动态跟踪不同时刻刺激下的诱发电位的变化，完成诱发电位的少次提取，有助于诱发电位临床医学的分析与研究。

技术领域

本发明属于医学及生理信号检测与处理分析技术领域，涉及到脑电信号中单导视觉诱发电位提取方法，特别涉及到个体化医学诊断前提下，利用卷积神经网络实现单导视觉诱发电位波形提取方法。

背景技术

诱发电位在临床医学上具有重要的作用，通过提取诱发电位，对诱发电位的重要参数进行分析，进而用于临床诊断，手术检测以及神经系统的功能评价。其中，由于诱发电位通常被自发脑电所淹没，因而单导诱发电位提取方法一直是研究的重点。用传统的叠加平均方法提取单导视觉诱发电位需要对受试者多次刺激，容易造成神经疲劳，测量误差较大且丢失信号细节信息。如果能快速提取单导视觉诱发电位且动态跟踪其变化，将为临床医学的发展奠定一些基础。早期的方法将自适应滤波用于对单导诱发电位信号提取，但是该方法没有充分考虑诱发电位的非平稳特性，且在信噪比较低时需要参考信号。基于小波变换的诱发电位提取方法通过信号的时频变化，在不同分辨率下进行阈值去噪，而这通常需要较多先验知识和人为干预。而基于稀疏表示的诱发电位提取方法则需要更多的关注字典选择和训练问题。目前，有一些研究者研究基于神经网络的单导诱发电位波形提取，虽然该方法能够较好地跟踪诱发电位信号，但是该方法在背景噪声的建模上具有一定的局限性。

发明内容

本发明的主要目的是的是为了解决现有技术的问题，提供一种基于卷积神经网络的单导视觉诱发电位提取方法。

本发明采用的技术方案为：

一种基于卷积神经网络的单导视觉诱发电位提取方法，在个体化医学诊断的条件下，首先将得到的视觉刺激下的脑电信号即观测信号经过带通滤波器滤波，去除伪迹和工频干扰。同时，将观测信号按刺激时刻进行叠加平均得到视觉诱发电位。然后通过傅里叶变换和傅里叶反变换对观测信号和视觉诱发电位进行处理，以仿真不同时刻刺激下的观测信号和对应的诱发电位信号。利用诱发电位提取问题的模型对数据扩增，仿真不同信噪比下的观测信号和诱发电位信号。完成数据的预处理后，将数据划分成训练集和验证集，构建卷积神经网络用于提取诱发电位。将观测信号作为输入，视觉诱发电位作为监督信号，对网络进行训练。确立网络参数后，使用测试集进行测试，最终网络输出从强噪声中提取出来的视觉诱发电位。具体包括以下步骤：

第一步，获取视觉刺激下观测信号和视觉诱发电位信号

1.1)在视觉刺激下通过头皮检测脑电信号，即观测信号，并对信号滤波去除伪迹。

1.2)采用叠加平均法获得视觉诱发电位。

第二步，对观测数据和视觉诱发电位进行预处理

2.1)利用傅里叶变换及其逆变换对观测信号和视觉诱发电位进行数据增强，以仿真每次刺激下诱发电位的动态变换，获取更多观测信号和视觉诱发电位信号。

2.2)建立视觉诱发电位提取问题的模型，对2.1)所得观测信号进行零均值数据处理。

第三步，构建深度学习网络，使其用于诱发电位信号的提取

3.1)将预处理后的观测信号及视觉诱发电位信号作为输入信号和监督信号，并按比例划分成训练集和测试集。

3.2)利用深度学习中卷积神经网络进行训练并使用测试集进行测试，恢复诱发电位波形。