[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

说明书

一种基于宽度深度回声状态网络的脑电信号去噪方法，由选取脑电信号样本、模拟含噪脑电信号样本、划分网络训练集和测试集、构建网络模型、训练网络模型、验证测试集步骤组成。本发明使用了回声状态网络，学习过程只计算输出权值W_out，训练参数少，易于实现，通过增加储蓄池个数，提高了线性组合的复杂度和脑电信号的降噪性能；采用了宽度和深度的拓扑结构，增加了储蓄池提取特征能力，在特征提取过程中保留了更多的有用信息，捕获时间序列数据的多尺度动态并提取更复杂特征。具有降噪性能高、训练参数少、易于实现、能保持原有脑电信号非线性特征等优点，可用于信号处理的预处理和信号去噪处理。

技术领域

本发明属于脑电信号处理技术领域，具体涉及到基于宽度深度回声状态网络的脑电信号去噪方法。

技术背景

使用几个安装在头皮上的电极记录人脑的电活动，记录称为脑电图信号，在采集过程极易受到基线漂移、肌电信号、眼电信号等各种噪声干扰，眼睛眨眼伪影在脑电信号中非常常见，它们产生的低频高振幅信号比脑电信号大得多，这些不希望的信号叠加严重损害脑电信号，导致降低脑电信号特征提取精度以及影响后续研究。由于脑电信号中部分噪声的时频域特征复杂且分布未知，传统方法难以滤除。

回声状态网络由Jeager等人提出，是递归神经网络的典型范例，被视为模拟输入和输出序列之间时间相关性的工具，学习可以通过离线线性回归或在线方法来实现。与经典递归神经网络相比，回声状态网络具有更快的训练速度和更强的非线性逼近能力。脑电信号是多尺度、非线性、波动以及随机的时序信号，传统的回声状态网络仅包含一个水库，其应用范围有限，尤其是数据表现出多尺度和高度非线性动力学性能，对于多元时间序列，由于特征信息的增加，传统的回声状态网络不能满足降噪性能的要求。为了获得多元时间序列的较高降噪精度，从数据中提取更丰富的特征，捕获时间序列数据的多尺度动态并提取更复杂的特征，需增加储层的深度和宽度。

考虑到传统油藏的分解机理，针对一类多元时间序列降噪提出了一种新型的具有多个平行和堆叠拓扑结构的储蓄池组成的回波状态网络，称为宽度深度回声状态网络，借助多储层可以充分反映多元时间序列的动态特征。

在脑信号处理技术领域，当前需迫切解决的技术问题提供一种宽度深度回声状态网络的脑电信号去噪方法。

发明内容

本发明所要解决的技术问题在于克服上述现有技术问题的缺点，提供一种降噪性能高、训练参数少、易于实现、能保持原有脑电信号非线性特征的基于宽度深度回声状态网络的信号去噪方法。

解决上述技术问题所采用的技术方案由下述步骤组成：

(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，作为深度宽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,将此数据作为深度宽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