[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

说明书

一种基于一维残差卷积神经网络的脑电信号去噪方法，由选取脑电样本、构建含噪脑电信号样本、划分网络训练集和测试集、构建一维残差卷积神经网络、训练一维残差卷积神经网络、重建去噪脑电信号步骤组成。本发明构建了一个由残差网络连接组成的一维残差卷积神经网络，引入卷积层和激活层，增强了神经网络的学习能力，建立起噪声信号到脑信号的准确映射，实时去噪，卷积层后的激活层用线性整流单元层函数，将小于0的神经元去掉，筛选出有效的特征，避免了梯度爆炸的缺陷；将信号去噪分为模型训练和去噪过程，提高了信号去噪的信噪比和均方根误差,减少了去噪时间，提升了脑电信号去噪的效率和质量，可用于信号处理的预处理和去噪处理技术领域。

技术领域

本发明属于脑电信号处理技术领域，具体涉及到一维残差卷积神经网络的脑电信号去噪方法。

背景技术

脑电信号(Electroencephalogram,EEG)是大脑神经细胞中的电活动在大脑皮层上放置在大脑多个区域的头皮上的一些电极的反应,然而EEG又是一种随机性很强的非线性非平稳信号,包含的成分非常复杂，而且信号幅度为微伏级,强度非常微弱，极易受到人体其它生理信号或是空间电磁噪声等非生理信号的干扰，结果是增加脑电信号的读取难度和阻碍脑电信号的后续研究分析以及应用。因此，发展相关的方法去除脑电信号的伪迹干扰，从中提取有效的大脑功能信息具有重大的理论和实践意义。

脑电信号的降噪预处理是保障特征提取精度的基础操作，为了去除EEG信号中的伪影，许多研究者都提出了不同的降噪算法，例如经验模态分解，小波去噪，ICA独立成分分析，自适应滤波等。

ICA方法能够将EEG信号中包括的理想信号和噪声作为独立成分分离出来，从而实现EEG信号去噪，但是当EEG信号通道数小于所分离的信号源数时，ICA方法就无法有效地将噪声与理想信号分离出来。小波变换(WT)是傅里叶变换的继承和发展，具有时频局部化、多分辨率和去相关性的特点，很适合探测信号的瞬时状态对微弱的信号可以进行有效去噪。小波变换可以提取出不同频段的小波系数对高频段和低频段的小波系数置零或进行小波阈值处理，将高斯噪声去除到达去噪的目的。小波阈值滤波方法是目前常用的一种阈值去噪方法，基于小波阈值的信号去噪，其算法简单，计算量少，在保持信号奇异性的同时能有效的滤除噪声，被广泛的应用到脑电去噪领域，然而，小波变换的阈值难以确定，不适当的阈值可能会导致脑电数据降级，从而降低脑电系统的泛化能力。虽然小波变换对于低频信号的频域特征分辨的很好，但是时域特征分辨不够，对于高频信号则相反。自适应数字滤波器是现在应用最广泛的一种滤波器。例如维纳滤波器，自适应滤波器,卡尔曼滤波器等，这些滤波器在滤除脑电信号上的噪声都取得了较好的效果。但是这些滤波器对参数的调整都太敏感，很不稳定。在对EEG信号滤波的过程中,一个很重要的问题是对原有脑电信号形态的保持，也就是对有用信息的保留问题。这些滤波方法都是离线进行的滤波，因此传输过程中可能会导致信号的失真问题，同时也会造成信号延迟分析。

基于以上分析，很明显现有方法不能满足分析所需的EEG降噪要求。是脑电图智能分析的良好平台。深度模型基于大型数据库学习特征，比依赖于表征固有数据丰富信息的浅层模型表现更好。深度学习在大数据中自动学习特征的表示，得到更有效果的特征表达。目前，深度学习已经是模式识别领域中有效的进行分类预测等，适用于图像分析，自然语言处理，医学信号分析等各个领域中。最近，深层神经网络(DNN)模型，如堆叠去噪自动编码器(DAE)，由一系列DAE构建，或由一系列形成的深层信念网络限制玻尔兹曼机器(RBM)已广泛用于信号去噪和特征学习领域。