[发明专利]基于宽度深度回声状态网络的脑电信号去噪方法

权利要求书

1.一种基于宽度深度回声状态网络的脑电信号去噪方法，其特征在于由以下步骤组成：

(1)选取脑电信号样本

从Physionet数据库中选取s个脑电信号样本，作为宽度深度回声状态网络的输出；

将每个脑电信号样本按下式进行归一化处理：

式中x_i为样本数据，其中1≤i≤s，s为有限的正整数；

(2)模拟含噪脑电信号样本

为脑电信号样本添加不同信噪比的噪声，模拟成含噪脑电信号样本，其中噪声采用基线噪声或高斯白噪声或眼电噪声，按式(1)对含噪脑电样本进行归一化处理,将此数据作为宽度深度回声状态网络的输入；

(3)划分网络训练集和测试集

用留出法分别对脑电信号样本和含噪脑电样本的70％～90％作为网络训练集、10％～30％作为网络测试集，测试集与训练集无交叉；

(4)构建网络模型

宽度深度回声状态网络由输入层、隐藏层、输出层组成，隐藏层由L×M个储蓄池组成，L和M为有限的正整数，隐藏层包含L层储蓄池，每一层储蓄池的总个数为M，同一层的M个储蓄池并联，不同层的储蓄池串联；输入层有K个输入神经元，隐藏层每个储蓄池神经元个数为N，输出层有H个输出神经元,输入层的状态矩阵为u(t)，隐藏层的状态矩阵为x^(lm)(t)，输出层的状态矩阵为y(t)，K，N和H为有限的正整数，H与K相等；初始化储备池的内部参数，内部参数包括稀疏度SD，谱半径SR，输入尺度IS，稀疏度SD取值为1％～5％，谱半径SR取值为0.01～0.99，输入尺度IS取值为0.01～0.99；输入层、隐藏层、输出层之间的连接关系如下：

输入层与第一层的第m个储蓄池的连接权值矩阵为W^(m)_in,为N×K的矩阵,1≤m≤M,m为整数,第lm个储蓄池的储蓄池内部连接权值矩阵为W^(lm)，1≤l≤L，l为整数，第l(m-1)个储蓄池与第lm个储蓄池连接权值矩阵为隐藏层与输出层连接权值矩阵为W_out，W_in^(m)，W^(lm)和是在网络建立前随机初始化的参数，并且在宽度深度回声状态网络的整个训练过程中保持不变；

(5)训练网络模型

从训练集中抽取100～500个样本对模型进行空转，将该模型的隐藏层状态初始化为0，训练集中的其他数据对模型进行降噪训练，得到训练后的网络模型；

(6)验证测试集

将测试集的脑电数据输入到训练好的宽度深度回声状态网络中，获取得输出的脑电信号。

2.根据权利要求1所述的基于宽度深度回声状态网络的脑电信号去噪方法，其特征在于在构建网络模型步骤(4)中，在时刻t，输入层状态矩阵u(t)如下：

u(t)＝[u₁(t),u₂(t),...,u_K(t)]^T

隐藏层状态矩阵x^(lm)(t)如下：

x^(lm)(t)＝[x^(lm)₁(t),x^(lm)₂(t),...,x^(lm)_N(t)]^T

输出层状态矩阵y(t)如下：

y(t)＝[y₁(t),y₂(t),...,y_H(t)]^T

其中，t为1,2,…,T，时刻T为输入时间的大小,u_K(t)为第K个输入层神经元的第t个输入层状态，x^(lm)_N(t)为第N个隐藏层神经元的第t个隐藏层状态，y_H(t)为第H个输出层神经元的第t个输出层状态。