主要服务项目
如何申请专利

技术交底书模板-网络技术

(一)技术交底书的要求:
□应清楚、完整地写明发明或实用新型的内容;
□使所属技术领域的普通技术人员能够根据此内容实施发明创造;
□使上述人员相信本发明确实可以解决现有技术不能解决的问题。
□应力争挖掘出解决技术问题的思路并在交底书中描述。在交底书中给出"______的问题,通过______来解决"这样的描述,力争在交底书中写出"如果用一句话来概括,这件专利想要解决的问题以及解决这个问题的核心是什么?"这句话。

(二)技术交底书注意事项:

1. 代理师并不是技术专家,交底书要使代理师能看懂,尤其是背景技术和详细技术方案,一定要写得全面、清楚。如有相关论文,建议提供论文给代理师参考。

2. 英文缩写应有中文译文及英文全称。

3. 全文对同一事物的叫法应统一,避免出现一种东西多种叫法。

4. 与代理师沟通时,对于代理师的疑问应认真讲解,要求补充的材料应及时补充。

5. 专利法规定:

1) 专利必须是一个技术方案,应该阐述发明目的是通过什么技术方案来实现的,不能只有原理,也不能只做功能介绍;

2) 专利必须充分公开,以本领域技术人员不需付出创造性劳动即可实现为准。

必须满足上述规定,专利才能批准,但为了不让竞争对手完全掌握该项技术,可以在一些细节上做一些加工,如隐藏,或别的实现方式。

(三)技术交底书的具体样本如下:
 1)发明创造的名称:

一种脑电去噪方法

 2)所属技术领域:
技术领域:
      本发明涉及脑电信号处理领域,特别是涉及一种脑电去噪方法。
 3)背景技术
      3.1)详细介绍技术背景,并描述申请人所知的与发明方案最接近的已有技术(应详细介绍,以不需再去看文献即可领会该技术内容为准,如果现有技术出自专利、期刊、书籍,则提供出处);
      (注:专利检索可选网站如下:1、http://pss-system.cnipa.gov.cn/sipopublicsearch/portal/uilogin-forwardLogin.shtml;2、http://www.soopat.com/;3、https://www.baiten.cn/;4、https://www.patenthub.cn/;5、http://www.innojoy.com/)
      3.2)对现有技术存在的缺点进行客观的评述(现有技术的缺点是针对于本发明的优点来说的;如果找不出对比技术方案及其缺点,可用反推法,根据本发明的优点来找对应的缺点;本发明不能解决的缺点,不需提供;缺点可以是成本高、处理时间慢等类似问题)。
      3.3)如果自己或本课题组/研发团队此前针对本申请的主题发表过内容相近的论文或申请过比较接近的专利,请列出并进行详细说明,包括论文投稿日期、公开日期、刊名刊号、卷期号、专利申请日期、公告日期、专利申请号等,以及文章或专利内容的简述。
背景技术:
      脑电图(Electroencephalography, EEG)是一种记录大脑自发性生物电位的精密电子仪器,被广泛应用于脑科学研究、神经疾病的临床诊断以及脑机接口等领域。然而,EEG在采集过程中往往会不可避免地被参杂入各种其它类型的生理电信号,例如眼电、心电以及肌电等。在大多数脑电等应用场景中,这些生理电信号会干扰脑电信号的分析或处理过程,因而被视为噪声[1]。相比于眼电、心电或者情绪扰动给脑电带来的影响,肌电(Electromyography, EMG)扰动很难直接通过形态学特征或者频谱分析进行检测和分离。
      传统的脑电去噪方法往往通过经验特征对含有肌电的异常片段进行检测,并将异常片段整段去除,这带来的问题是造成了脑电时序的不连续并且同时丢失了有价值的脑电信息。理想的肌电消除方式是在被污染的脑电信号上消除加性噪声,保留原始的脑电信息。当存在附加电极通道以获取肌电参考信号时,可以利用附加通道的相关信息来对肌电噪声进行估计[2]。当不存在附加参考信号时,盲源分离技术(Blind Source Separation, BSS)成为了主流的去噪方式。独立成分分析(Independent Component Analysis, ICA)作为一种广泛应用的盲源分离技术,能够将混合前统计独立的非高斯信源进行分离[3]。然而,肌电信源的数量和位置的不稳定性导致ICA在含有肌电的信号盲源分离任务中并不能保持很好的效果。基于二阶统计量优化的典型相关分析(Canonical Correlation Analysis, CCA)作为盲源分离步骤被应用于肌电噪声的去除[4],其效果优于独立成分分析。
      在可穿戴设备与大数据相关技术愈发流行的当下,人们愈加强调移动健康设备的便携性与舒适度。盲源分离技术基于多通道信息,对于未来的便携式可穿戴脑电设备而言,基于单通道信号的去噪方式得到越来越多的关注。奇异谱分析(Singular Spectrum Analysis)从单个通道 EEG 中将信号拆解成趋势、振荡和噪声等成分,被用于大脑活动信息的分离和噪声的去除[5,6]。然而,奇异谱分析对于脑电的细节特征并不敏感。深度学习被广泛引用于计算机视觉与信号处理领域,张等人通过搭建卷积神经网络来实现端到端的脑电去噪路径[7]。虽然深度网络能够在极高的污染下也能部分获取脑电信息,但是结果显示在较高信噪比(SNR)的情况下脑电形态较真值相比于奇异谱分析会有更大的失真
      参考文献:
      [1] S. Sadiya, T. Alhanai, and M. M. Ghassemi, "Artifact detection and correction in EEG data: A review," in Proc. 10th International IEEE- EMBS Conference on Neural Engineering (NER), Prague, May. 2021, pp. 495-498.
      [2] Y. Li, P. Wang, and C. Liu, "Electromyogram (EMG) removal by adding sources of EMG (ERASE) - a novel ICA-based algorithm for removing myoelectric artifacts from EEG," Frontiers in Neuroscience, vol. 14, Jan. 2021.
      [3] L. Albera, A. Kachenoura, and P. Comon, "ICA-based EEG denoising: a comparative analysis of fifteen methods," Bulletin of the Polish Academy of Sciences-Technical Sciences, vol. 60, no. 3, pp. 407-418, Sept. 2012.
      [4] W. D. Clercq, A. Vergult, B. Vanrumste, W. Van Paesschen, and S. Van Huffel, "Canonical correlation analysis applied to remove muscle artifacts from the electroencephalogram," IEEE Transactions on Biomedical Engineering, vol. 53,no. 12,pp. 2583-2587,Nov 2006.
      [5] J. Cheng, L. Li, C. Li, and Y. Liu, "Remove diverse artifacts simultaneously from a single-channel EEG based on SSA and ICA: A semi-simulated study," IEEE Access, vol. 7, pp. 60276-60289, May 2019.
      [6] Q. Liu, A. Liu, X. Zhang, X. Chen, R. Qian, and X. Chen, "Removal of EMG artifacts from multichannel EEG signals using combined singular spectrum analysis and canonical correlation analysis," Journal of Healthcare Engineering, vol. 2019, Dec. 2019.
      [7] Z. Haoming, W. Chen, Z. Mingqi, W. Haiyan, and L. Quanying, "A novel convolutional neural network model to remove muscle artifacts from EEG," in Proc. IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), Jun. 2021, pp. 1265-1269.
      需要说明的是,在上述背景技术部分公开的信息仅用于对本申请的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
 4)发明内容:
      4.1)正面描述本发明所要解决的技术问题(对应现有技术的所有缺点;本发明解决不了的,不需提供);
      4.2)清楚完整的叙述发明创造的技术方案,应结合工艺流程图、原理框图、电路图、仿真图、布局图、设备结构图进行说明(越详细越好,包括本发明的总体构成(列出本发明的完整部件/流程及其连接关系/时序关系可与第6部分合写;发明中每一功能的实现都要有相应的技术实现方案,不能只有原理,也不能只做功能介绍;需要详细提供与现有技术的区别技术和关联技术;每个附图都应有对应的文字描述,以他人不看附图即可明白技术方案为准;所有英文缩写都应中文注释):
      对于机械产品的发明创造应详细说明每一个结构零部件的形状、构造、部件之间的连接关系、空间位置关系、工作原理等;
      对于电器产品应描述电器元件的组成、连接关系;
      对于无固定形状和结构的产品,如粉状或流体产品、化学品、药品,应描述其组分及其含量、制造工艺条件和工艺流程等;
      对于方法发明,应描述操作步骤、工艺参数等; 注意请务必给出流程图,并对流程图的各个方框进行标号,并借助标号指出每个方框在正文中所对应的说明文字的位置。
      4.3)简单点明本发明的关键点和欲保护点(逐项列出1、2、3、、、),并简单介绍与最接近的现有技术相比,本发明有何优点(一两个自然段即可;结合技术方案来描述,做到有理有据,即用推理或因果关系的方式推理说明;可以对应所要解决的技术问题或发明目的来描述)。
       应力争挖掘出解决技术问题的思路并在交底书中描述。在交底书中给出"______的问题,通过______来解决"这样的描述,力争在交底书中写出"如果用一句话来概括,这件专利想要解决的问题以及解决这个问题的核心是什么?"这句话(用不超过30个字说明本发明的发明点)。
发明内容:
      本发明的主要目的在于克服上述背景技术的缺陷,提供一种脑电去噪方法。
      为实现上述目的,本发明采用以下技术方案:
      一种脑电去噪方法,包括如下步骤:

S1、通过奇异谱分析(SSA)将原始脑电信号分解为不同的子成分,并设定自相关系数阈值来提取脑电信号主体成分相关的子成分,由子成分重构得到对应的时间序列构成所述脑电信号主体成分;

S2、从所述原始脑电信号中减去所述脑电信号主体成分得到残留脑电成分;

S3、将所述残留脑电成分输入深度卷积神经网络提取细节特征,再将所述深度卷积神经网络的输出结合所述脑电信号主体成分以重建除去噪后的脑电信号。

进一步地:

步骤S1包括如下步骤:

S11、构建轨迹矩阵:对于一段长度为的时间序列,设置窗口长度设置,构建轨迹矩阵,其中窗口长度满足需要分解到的感兴趣最小频率成分

S12、奇异值分解:对所述轨迹矩阵进行奇异值分解,得到轨迹矩阵子成分;

S13、重构分组:对于每个轨迹矩阵子成分进行反对角线重构得到对应的时间序列,计算重构后时间序列对应的自相关系数为,利用自相关系数阈值进行分组,得到的时间序列组合构成所述脑电信号主体成分。

步骤S11包括:

对于长度为的时间序列,窗口长度为,所述轨迹矩阵如下:

 

其中,参数;对于需要分解到的感兴趣最小频率成分,窗口长度满足对应于采样频率;优选地,窗口长度为32。

步骤S12包括:

求所述轨迹矩阵的奇异值分解转换为求对应协方差矩阵的特征值分解;其中,对于的特征值即矩阵奇异值的平方,按降序排列为,对应的特征向量即矩阵左奇异向量为,令矩阵右奇异向量,第个轨迹矩阵子成分为:,并有构成了子带信息。

步骤S13包括:

对于每个轨迹矩阵子成分进行反对角线重构得到对应的时间序列,其自相关系数如下:

 

其中E[ ]为期望算符,表示为时间序列,为对应的一个采样点延时序列;计算重构后时间序列对应的自相关系数为

步骤S13包括:

在训练阶段,用于分组的自相关系数阈值通过计算不同重建后时间序列的组合与脑电信号真值的相对均方根误差来求得:

 

使得对应自相关系数大于的重建后时间序列的组合与脑电信号真值具有最小的均方根误差,所述时间序列组合构成脑电信号主体成分:

 

在测试阶段,所述自相关系数阈值被设定为一个经验值。

步骤S2中,从被污染脑电信号中减去脑电信号主体成分得到残留脑电成分:

在卷积神经网络的训练阶段,将脑电信号真值与脑电信号主体成分的差值即残差干净脑电信号作为有监督训练的标签值:

 

训练得到卷积神经网络模型的参数集,得到去噪后的脑电细节信号

步骤S3包括:

使用端到端的卷积神经网络对所述残留脑电成分进行细节特征提取和去噪;其中,将原始脑电信号与脑电信号主体成分的差值即所述残留脑电成分作为网络的输入:

 

将所述脑电细节信号结合所述脑电信号主体成分重建得到去噪后的脑电信号

所述方法还包括:构建自适应自相关系数阈值模块;其中,将原始脑电信号经过奇异谱分析分解后得到的子带信号按照其自相关系数从高至低的顺序排列,从高至低依次计算将对应子带信号自相关系数作为总体自相关系数阈值后的脑电信号主体成分与脑电真值的相对均方根误差,以获得最优的子带信号自相关系数,作为自相关系数阈值的标签值;由此构建足量的原始脑电信号与对应标记的自相关系数阈值,用于自相关系数阈值模块的训练和测试。

优选地,自适应阈值模块包含特征提取和利用神经网络回归得到自相关系数阈值;

特征提取阶段选择对脑电信号和其它噪声具有区分能力的特征;对于一段长度为的时间序列,设定参数得到维迟滞序列,其中;两序列间的距离为;根据相似容限参数来定义两个序列匹配个点的概率,其中为给定的情况下与之距离小于等于的数量;两个序列匹配个点的概率为,其中为给定的情况下与之距离小于等于的数量;序列样本熵的估计值为;标准差SD用于评估序列的离散程度,;子带的信号的自相关系数用于以评价肌电成分含量;复杂性被定义为原信号的单位延迟信号迁移性与原信号迁移性的比值;

提取的特征按顺序排列作为神经网络的输入,最优子带自相关系数作为网络学习阈值的标签值;隐藏层神经元个数应大于输入层以学习深层特征;根据网络输出值的范围设定最后一层的激活函数为;将训练后的模型参数用于从特征中回归得到优化后的自相关系数阈值以分离脑电主体成分。

一种计算机可读存储介质,存储有计算机程序,所述计算机程序由处理器执行时,实现所述的脑电去噪方法。
本发明的有益效果是:
      本发明提出了一种联合奇异谱分析和卷积神经网络的脑电去噪方法。针对脑电信号在采集过程中常常遭受的肌电干扰,本发明提出的联合信号处理方法可以很好地将脑电信号中的肌电噪声去除,相比传统去噪方法在信噪比大于-1dB时具有更好的去噪性能。
      本发明将奇异谱分析结合深度卷积神经网络,通过一种融合路径去除脑电信号中肌电成分,先通过奇异谱分析提取脑电的主体节律和形态,再将残差通过卷积神经网络去噪并提取细节特征,这种方法相对单一路径具有更小的失真。
 5)附图:实用新型专利必须提供附图,附图中构成件可以有标记,尺寸和参数不必标注。
附图说明:
      下面通过具体实施方式并结合附图,对本发明作进一步的详细说明:
      图1为本发明实施例的脑电去噪方法流程图。
      图2为本发明实施例的SNR = 1dB时被污染的脑电、脑电真值和SSA-CNN联合算法去噪后的脑电的时域(a)和功率谱密度(b)波形图。
      图3为本发明实施例的SNR = 1dB时脑电真值、SSA-CNN联合算法去噪后的脑电、SSA-CCA算法去噪后的脑电和CNN去噪后的脑电波形对比图。
      图4为不同算法的去噪输出与脑电真值在一定范围信噪比内的RRMSE(a)和CC(b)。
      图5为本发明实施例利用特征提取与神经网络计算分解子带信号集合的最优自适应自相关系数的示意图。
 6)优选具体实施方式(可与第4部分合写,具体实施方式中包括:实验例的完整描述及实验数据及对实验数据的解读,以及比较例的完整描述及比较例的数据结果和对数据结果的解读;尽量写明所有同样能完成发明目的的替代方案,所述替代可以是部分结构、器件、方法步骤的替代,也可以是完整的技术方案):
      对于产品发明应描述产品构成、电路构成或者化学成分、各部分之间的相互关系、工作过程或操作步骤;对于方法发明应写明步骤、参数、工艺条件等,可提供多个具体实施方式。
具体实施方式:
      参阅图1,本发明实施例提供一种脑电去噪方法,包括如下步骤:
S1、通过奇异谱分析将原始脑电信号分解为不同的子成分,并设定自相关系数阈值来提取脑电信号主体成分相关的子成分,由所述子成分重构得到对应的时间序列构成所述脑电信号主体成分;原始脑电信号通常是被污染的脑电信号;
S2、从所述原始脑电信号中减去所述脑电信号主体成分得到残留脑电成分;
S3、将所述残留脑电成分输入深度卷积神经网络提取细节特征,再将所述深度卷积神经网络输出的脑电细节信号结合所述脑电信号主体成分以重建除去噪后的脑电信号。
本发明实施例的脑电去噪方法联合奇异谱分析和卷积神经网络进行处理,通过奇异谱分析将信号分解为不同的子成分,并设定自相关系数阈值来提取脑电主体成分相关的子成分,再将残差部分输入深度网络提取细节特征,最后将深度网络的输出结合脑电主体成分重建除去噪后的脑电信号。具体流程如图1所示。
本发明的联合信号处理方法可以很好地将脑电信号中的肌电噪声去除,对比传统去噪方法在信噪比大于-1dB时具有更好的去噪性能,相对单一路径具有更小的失真。
脑电主体成分提取
奇异谱分析将一段固定长度的时域信号分解为不同的节律成分,这种分析仅依赖数据本身的特征。奇异谱分析主要包括3个步骤:构建轨迹矩阵、奇异值分解和重构分组。
构建轨迹矩阵
对于一段长度为的时间序列,当窗口长度设置为时,轨迹矩阵定义如下:

其中,参数。当需要分解到的感兴趣最小频率成分为时,窗口长度满足对应于采样频率。经过实验比较,窗口长度可以设置为经验值,如32。
奇异值分解
求轨迹矩阵的奇异值分解可以转换为求对应协方差矩阵的特征值分解。对于的特征值(矩阵奇异值的平方)按降序排列为,对应的特征向量(矩阵左奇异向量)为,令矩阵右奇异向量),则第个轨迹矩阵子成分定义为:,并有。由于,所以构成了子带信息。
重构分组
对于每个轨迹矩阵子成分进行反对角线重构得到对应的时间序列。定义自相关系数如下:

 

其中E[ ]为期望算符,表示为时间序列,为对应的一个采样点延时序列。鉴于肌电类似于白噪声,具有较低的自相关系数,所以计算重构后时间序列对应的自相关系数为
在算法的训练阶段,用于分组的自相关系数阈值可以通过计算不同重建后时间序列的组合与脑电信号真值的相对均方根误差来求得。具体的数学表达为:

 

即使得对应自相关系数大于的重建后时间序列的组合与脑电信号真值具有最小的均方根误差,这些时间序列组合构成脑电信号主体成分:

 

在算法的测试阶段,由于脑电信号真值是未知的,因而自相关系数阈值被设定为一个经验值。

从被污染脑电信号中减去脑电信号主体成分得到残留脑电成分:

 

之后将残留脑电成分送入深度卷积神经网络实现脑电细节成分的提取。
脑电细节成分提取
端到端的卷积神经网络被用于脑电信号的去噪任务当中,实施例使用该网络作为脑电细节成分提取的方法,用于对残留脑电成分的去噪训练。若将原始被污染脑电信号作为网络输入,会造成结果中脑电主体成分的失真。本方案将被污染脑电信号与脑电主体成分的差值即残留脑电成分(残差带噪脑电信号)作为网络的输入:

 

在网络的训练过程中,将脑电信号真值与脑电主体成分的差值(残差干净脑电信号)作为有监督训练的标签值:

训练得到卷积神经网络模型的参数集,去噪后的脑电细节信号表示为:

脑电真值仅用于训练阶段。在训练过程中,被污染脑电信号通过已知的干净脑电加上肌电噪音构建。提取脑电主体成分的最优SSA分解阈值可通过最大化SSA分解(分解是对于被污染信号)后的主体成分与干净脑电的相关系数来确定。

重建除去噪后的脑电信号
将深卷积神经网络输出的脑电细节信号结合脑电信号主体成分以重建除去噪后的脑电信号,即得到去噪后的脑电信号

【实验例/验证例:给出一个具体的实验例/验证例子,对本实施例的产品/方法进行详细介绍,使得本领域技术人员能照着说明做出本产品/实现本方法。其中提到的产品/方法特征均为具体的特征,提到的参数应当是具体值;并对本实施例的产品/方法的使用方法、操作方法进行详细介绍,使得本产品/本方法的用户能照着说明使用本产品/实现本方法;且说明本实施例产品/方法的工作原理,使得本领域技术人员能确信本产品/实现本方法能达到本发明所声称的效果;以及给出能证明本发明有益效果的具体数据;给出现有技术与本发明的对比分析或对比实验结果,从对比中来说明本发明的有益效果。】
性能分析
为验证算法用于脑电信号中肌电噪声去除的效果,训练和测试阶段使用的数据集构建于现有公开数据集。CHB-MIT数据库包含有23例儿科癫痫病例的脑电数据,其采样率为256Hz,记录时长的中位数达10小时。实施例从CHB-MIT数据集中按照1/16的重叠率切片得到2s时长的脑电片段,通道选择为所有病例都共有的18个电极通道(FP1-F7, F7-T7, T7-P7, P7-O1, FP1-F3, F3-C3, C3-P3, P3-O1, FP2-F4, F4-C4, C4-P4, P4-O2, FP2-F8, F8-T8, T8-P8, P8-O2, FZ-CZ, CZ-PZ)。

由于该数据集在采集的同时存在噪声污染,因而需要设定一些准则用于筛选干净的脑电片段。峰度()被用于筛除眼电污染片段:

 

较高的意味着脑电片段更大的可能受到眼电污染。迁移性(Mobility, M)被用于筛除肌电污染片段:

其中。较低的意味着脑电片段更大的可能受到肌电污染。鉴于这些筛除参数,共得到有64000条脑电片段。所得脑电片段通过1Hz高通滤波器以滤除基线漂移。
EEGdenoiseNet整理了多个生理电信号相关的公开数据集形成了供脑电去噪算法使用的模拟数据库。实施例使用该数据库中5598例的采样率为256Hz的肌电数据集作为模拟加性污染源。

模拟污染脑电信号通过以下公式构建:

 

其中为脑电真值片段,为肌电片段,参数控制脑电被污染程度。为了方便与单一路径方法的效果进行对比,信噪比被定义:

 

其中RMS表示信号片段的均方根。

通过随机选取方式扩充肌电片段至64000例,使之与脑电真值片段数量一致。选取两个信号片段集合中各60000例样本,并在-5至4内随机生成信噪比参数以构建训练集。同时将剩余4000对样本均等分成验证集与测试集各2000对,并将每对样本按照信噪比-5至4以单位间隔量生成10倍扩增验证集20000例和测试集20000例。
在验证集上通过相对均方根误差和相关系数来评价与比较本算法和相关算法性能。相对均方根误差(RRMSE)被定义为:

 

相关系数被定义为:

 

其中分别表示协方差与方差。
图2显示了一例在信噪比为1dB时本算法的去噪效果。其中(a)与(b)分别表示时域波形和频域波形。从(a)中可以看到,被污染脑电经过算法处理过后很好地保留了原始的脑电信息,与脑电真值具有很高的相似性。从(b)中可以看到,高频污染成分被很好的消除且不至于完全丧失脑电自身的高频信息。

图3显示了一例信噪比为1dB时不同算法去噪后的信号与脑电真值的比较结果。绿色信号表示经过联合奇异谱分析和典型相关分析(SSA-CCA)算法的去噪输出,可以看到绿色信号较好的还原了脑电的低频主体形状,但是在丢失了大量的细节信息,这一点在局部峰值处更加明显。蓝色信号表示经过卷积神经网络(CNN)的去噪输出,可以看到蓝色信号存在的问题是对于脑电主体形状的还原有较大的失真度,主要表现为峰值出现缺口。相比之下,联合奇异谱分析和卷积神经网络(SSA-CNN)算法输出与真值差距最小。

图4显示了不同算法在一定范围信噪比内去噪输出与真值之间的RRMSE(a)与CC(b)。可以看出,当SNR大于-1dB时,SSA-CNN算法具有最低的RRMSE,即算法输出相比其它算法与脑电真值具有最小的差距;当SNR大于-3dB时,SSA-CNN的输出与脑电真值的相似度已然最高。因而,在SNR大于-1dB时,可以认为联合奇异谱分析和卷积神经网络的脑电去噪算法具有最优性能。
变型实施例
对于残差带噪脑电和脑电主体成分的分离,依据的自相关系数取值为经验值。尽管依据经验值的联合算法相较于独立路径能够实现肌电去噪效果的提升,但是在实际情况中,不同时间不同位置的脑电受到肌电的污染程度不同,并且肌电信号的自相关系数也非定值,这就造成选择经验值作为阈值会使得分离的效果受到影响,即分离后的脑电主体成分较真值有较大的差异,进而影响后续的脑电细节特征提取。针对此问题,本发明优选实施例将自适应自相关系数阈值模块作为上述技术方案的补充扩展。

构建的自适应自相关系数阈值模块如图5中所示。被污染脑电经过SSA分解,得到的子带信号按照其自相关系数从高至低的顺序排列。从高至低依次计算将对应子带信号自相关系数作为总体自相关系数阈值后的脑电主体成分与脑电真值的相对均方根误差,以获得最优的子带信号自相关系数,作为自相关系数阈值的标签值。根据上述路径构建足量的被污染脑电信号与对应标记的自相关系数阈值,用于自适应模块的训练和测试。

自适应阈值模块包含两个步骤,第一步为特征提取,第二步为利用神经网络回归得到自相关系数阈值。
特征提取阶段需要选择对脑电信号和其它噪声具有区分能力的特征。对于生理信号的规律性,较高的样本熵(Sample Entropy, SE)意味着时间序列具有较高的复杂度,反之亦然。肌电信号通常情况下相较脑电信号有更高的复杂度。对于一段长度为的时间序列,设定参数得到维迟滞序列,其中。定义两序列间的距离为。根据相似容限参数来定义两个序列匹配个点的概率,其中为给定的情况下与之距离小于等于的数量。同理定义两个序列匹配个点的概率,其中为给定的情况下与之距离小于等于的数量。此时序列样本熵的估计值为。标准差(Standard Deviation, SD)用于评估序列的离散程度,噪声污染程度越大,信号的标准差往往越大,。子带的信号的自相关系数(AutocorrelationCoefficient, R)和迁移性(Mobility, M)同时被选为特征以评价肌电成分含量,较低的自相关系数和较低的迁移性意味着脑电中含有更多的肌电。复杂性(Complexity, C)被定义为原信号的单位延迟信号迁移性与原信号迁移性的比值。
提取的特征按顺序排列作为神经网络的输入,最优子带自相关系数作为网络学习阈值的标签值。隐藏层神经元个数应大于输入层以学习深层特征。根据网络输出值范围设定输出层激活函数为。训练后的模型参数可用于从特征中回归得到优化后的自相关系数阈值以更好地分离脑电主体成分。

      以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。

      专利申请技术交底书的补充提示:
      1、本发明要解决现有产品或方法中的什么技术问题?
      
      2、之前人们对此技术问题曾经有过什么样的尝试解决方案?竞争对手是如何解决这些技术问题的?(如果现有技术中有的话,请提供现有技术详细解决方案的出处)
      
      3、你认为本发明的核心是什么?即:本发明的最重要的创意是什么?
      
      4、本发明的详细工作原理如何?
      
      5、本发明有何优点?尤其是与上述第二点中所说的已知解决方案相比的优势是什么?为什么?你觉得为什么之前没有人想到这个创意?
      
      6、尽你全部可能的想象力,你能想出本发明的哪些变形的方案?
      
      7、这么多变形方案是否能算做是本发明的实施例的辨别条件是什么?哪些技术特征是必须的?
      
      8、尽你全部可能的想象力,本发明还可能在哪些技术领域得到应用?
      

专利说明书附图 



专利说明书附图
图1
专利说明书附图
图2
专利说明书附图
图3
专利说明书附图
图4
专利说明书附图
图5