[发明专利]基于一维残差卷积神经网络的脑电信号去噪方法

权利要求书

1.一种基于一维残差卷积神经网络的脑电信号去噪方法，其特征在于由以下步骤组成：

(1)选取脑电样本

从Physionet数据库中选取m个脑电样本，标记为脑电样本E_D×N，其中D为脑电信号的通道数，N为脑电信号的采样点数，在馈入一维残差卷积网络进行训练和测试之前，每个脑电信号按以下方程进行归一化处理：

式中max为样本数据x_i的最大值，min为样本数据x_i的最小值，其中1≤i≤n；

(2)构建含噪脑电信号样本

选取基线噪声或高斯白噪声或肌电噪声作为噪声，将不同信噪比的噪声分别加入到脑电样本中，构建成含噪脑电信号样本，按式(1)对含噪脑电样本进行归一化处理；

(3)划分网络训练集、测试集

使用数据增强方法扩充脑电样本和含噪脑电信号样本，并分别划分60％～80％作为网络训练集、20％～40％作为网络测试集，测试集与训练集无交叉；

所述的数据增强方法为：对脑电样本和含噪脑电信号样本中的所有脑电信号以窗口大小400，步幅为20平移；每条记录被分成256个相等的长度为400的脑电信号，丢弃最后的样本，将每次平移得到的脑电信号分别加入脑电样本和含噪脑电信号中；

(4)构建一维残差卷积神经网络

采用残差网络方法，将1个批处理归一层与2个一维卷积层依次连接，在一维卷积层的输出串联2个残差块，第二个残差块的输出依次连接1个一维卷积层和1个全连接层，构建成一维残差卷积神经网络；

(5)训练一维残差卷积神经网络

用训练样本训练一维残差卷积神经网络，采用Adam优化方法动态调整网络模型的学习率进行训练，得到训练好的一维残差卷积神经网络；

上述的动态调整网络模型的学习率进行训练为：用均方误差函数L(x,z)作为损失函数；

述均方误差函数L(x,z)为：

其中i为1,2,...,n,n是训练样本的数量为有限的正整数，x为输入信号，z为输出的重构信号；

(6)重建去噪脑电信号

将测试集的脑电数据输入到训练好的一维残差卷积神经网络方法中，输出对应的重构脑电信号。

2.根据权利要求1所述的基于一维残差卷积神经网络的脑电信号去噪方法，其特征在于在构建一维残差卷积神经网络步骤(4)中，所述的残差块为：每个残差单元包括三个线性整流单元层、三个一维卷积层和三个批量正则层，通过快捷连接将残差块的输入和输出进行一个求和，三个一维卷积层的卷积核大小分别是16×1×5、16×1×10、32×1×5，批量正则层的输出与线性整流单元层的输入相连，线性整流单元层输出与卷积层的输入相连。

3.根据权利要求1所述的基于一维残差卷积神经网络的脑电信号去噪方法，其特征在于在构建一维残差卷积神经网络步骤(4)中，所述的一维卷积层为：3个一维卷积层的卷积核大小分别为16×1×5、32×1×5、1×1×5，一维卷积层的填充方式为same，批量正则层输出与一维卷积层的输入相连，前面2个一维卷积层的输出与相互串联的2个残差单元的输入相连，后面1个残差单元的输出与第三个一维卷积层的输入相连。

4.根据权利要求1所述的基于一维残差卷积神经网络的脑电信号去噪方法，其特征在于在构建一维残差卷积神经网络步骤(4)中，所述的全连接层为：第三个一维卷积层的输出与全连接层的输入相连，全连接层输出维度为400×1。

5.根据权利要求1所述的基于一维残差卷积神经网络的脑电信号去噪方法，其特征在于在训练一维残差卷积神经网络步骤(5)中，所述的动态调整网络模型的学习率进行训练为：用均方误差函数L(x,z)作为损失函数，每次模型训练使用的样本数量为8，训练遍历所有样本100次，每过10代学习率降为当前的0.1。