技术摘要：
本发明请求保护一种基于SSDA的脑电信号的眼电伪迹去除方法，该方法包括步骤：S1,将纯净的脑电信号进行归一化处理，输入SSDA模型；S2,根据重构EEG信号与纯净脑电信号之间的误差最小来不训练SSDA，不断调整模型参数；S3，将含有眼电(EOG)伪迹脑电(EEG)信号归一化，输入训  全部
背景技术：
当前脑机接口研究中普遍采用非侵入式的研究方式，但是这种方式存在一定的弊 端，由于电极是直接贴敷在大脑皮层表面，在采集信号的过程中，受试者会出现眨眼现象， 这会带来眼电(EOG)伪迹。大脑活动产生的电信号较弱，伪迹的存在会掩盖真实的脑电信 号，导致脑电信号质量急剧下降。研究表明眼电伪迹与脑电信号在某些频率范围内频谱有 一定的重叠，直接通过滤波器进行去除是行不通的。因此，如何有效地从脑电信号中去除眼 电伪迹是脑电信号分析的关键一步。当前主成分分析(PCA)和独立分量分析(ICA)等盲源分 离方法常被应用到眼电伪迹去除中来，但是这类方法需要对大量的脑电通道进行分析，信 号分离过程十分费时。另外，盲源分离还容易造成脑电信号有效成分的损失和增加各个通 道之间的相似性。随着神经网络的发展，FLN-RBF算法和FLNN-ANFIS被提出来，这两种算法 都利用了神经网络良好的逼近性能，达到了较好的眼电伪迹去除效果，但是这两种算法都 需要额外的眼电电极采集眼电信号作为网络的参考信号，不利于以后的集成应用。本发明 考虑到自编码强大的学习能力和信号重构能力，用纯净的脑电信号去训练模型，能够学习 到纯净脑电信号的特征，因此不需要额外的眼电信号作为参考信号就能从含有眼电伪迹的 脑电信号中重构出纯净脑电信号。为了降低自编码的复杂度，本发明进一步对模型进行改 进，提出了栈式稀疏去噪自编码SSDA模型。
技术实现要素：
本发明旨在解决以上现有技术的问题。提出了一种基于SSDA的脑电信号的眼电伪 迹去除方法。本发明的技术方案如下： 一种基于SSDA的脑电信号的眼电伪迹去除方法，其包括以下步骤： S1、离线阶段，将纯净的脑电信号作为训练集，并进行归一化处理，输入栈式稀疏 去噪自编码SSDA模型并进行训练，栈式稀疏去噪自编码SSDA模型并进行预训练，SSDA由两 个稀疏降噪自编码(SDA)通过首尾相连的方式组成，第一个SDA的输出为第二个SDA的输入， 将第二个SDA的输出进行反归一化处理，就得到了重构之后的脑电信号。 S2、获取重构EEG信号与纯净脑电信号之间的误差，使得误差最小，不断训练SSDA， 并根据梯度下降法对模型参数进行微调； S3、在线阶段，获取含有眼电伪迹的脑电信号并进行归一化，归一化完成后输入步 骤S2训练完成的SSDA模型，并对输出数据进行反归一化处理，得到去除眼电伪迹的脑电信 号。 进一步的，所述步骤S1中纯净脑电信号归一化的计算公式为： 5 CN 111543984 A 说　明　书 2/6 页 式中，EEGstd(i)表示归一化之后的值，i表示脑电信号采样点的个数，j∈1,2,..., i，EEGorg表示归一化之前的原始数值。 进一步的，所述步骤S2中根据重构EEG信号与纯净脑电信号之间的误差来训练 SSDA，具体如下： 预训练过程： ( 1 ) 将归一化处理之后的 E E G信号按照比 例随机置零进行破坏，得到 表示一个样本，n表示样本数量； (2)将w和b进行随机初始化，根据式(3)-(5)得到模型第一个隐藏层的映射h(1)； h＝f(wx b)   (3) 式(3)-(5)中，h表示隐藏层的值，x表示脑电序列，JDAE(w,b)表示稀疏降噪自编码 的损失函数， f(·)和g(·)分别代表编码和解码的映 射函数，通常是非线性的，w代表输入层与隐藏层之间的权值矩阵，wT代表隐藏层与输出层 之间的权值矩阵，b和b′分别代表隐藏层和输出层的偏置向量，n代表输入的样本数量， 代 表受污染的输入数据，hi代表隐藏层向量，w和b分别代表权值和偏置向量； (3)对隐藏层h(1)进行稀疏化处理，根据式(6)和(7)获得h(1)的输出，并确定模型参 数{w1,b1}来完成第一个SDA的训练； 式中，β为稀疏惩罚因子权重、s2为稀疏之后隐藏层神经元的数量、KL为相对熵、ρ 为稀疏参数、 训练集的平均激活度、λ为正则化参数权重、 为输入层与隐藏层之间的 权重、sl为正则化之后隐藏层神经元的数量。EEGnstd(i)为反归一化的EEG信号，EEGorg(i)和 EEGout(i)分别代表模型输入和输出的信号，n代表信号采样点的个数； (4)将隐藏层h(1)的值作为第二个SDA的输入，并采用上一个SDA训练好的{w1,b1}替 换随机参数，w1、b1分别表示第一个SDA输入层和输出层之间的权重和偏置值，重复步骤(2) 6 CN 111543984 A 说　明　书 3/6 页 和(3)确定第二个SDA的输出和参数{w2,b2}，w2、b2分别表示第二个SDA输入层与隐藏层之间 的权重和偏置值。至此，本模型中的两个SDA已经训练完毕，即完成了SSDA的预训练过程，接 下来，要对SSDA进行微调，使参数值在整个网络上达到最优。 进一步的，所述微调过程具体包括： (1)对Δw1和Δb1进行初始化，Δw1、Δb1分别表示第一个SDA输入层和隐藏层之间 的权重和偏置的增量值。令Δw1＝0，Δb1＝0； (2)通过反向传播算法来计算 和 和 分 别指 和 分别表示权重值和偏置值的 对比散度值； (3)令 Δwl、Δbl分别表示第l个SDA输入层与隐藏层权重和 偏置的增量值，这里l∈{1,2}； (4)令 (5)对参数进行更新， 其中α表示学习率。 至此，SSDA模型的微调过程完成，也就是说整个模型的训练过程完成，此时的参数 在整个模型上达到最优。 进一步的，所述步骤S3中的将含有眼电EOG伪迹的EEG信号归一化，输入训练完成 的SSDA模型，并对输出数据进行反归一化处理，就得到了去除EOG的EEG，具体如下： 将含有EOG伪迹的EEG进行归一化处理，归一化计算如式(8)所示： 式中，EEGstd(i)表示归一化之后的值，EEGorg表示归一化之前的原始数值； 将归一化之后的信号输入训练完成的SSDA模型，然后将模型的输出值进行反归一 化处理就得到了去除EOG之后的EEG信号，反归一化计算的过程如式(9)所示： 式中，EEGnstd(i)表示反归一化的EEG信号，即去除眼电伪迹之后的脑电信号， EEGorg(i)和EEGout(i)分别代表模型输入和输出的信号，i表示脑电信号采样点的个数，j∈ 1,2,...,i。 本发明的优点及有益效果如下： 本发明提供了一种基于SSDA的脑电信号的眼电伪迹去除方法，在不需要眼电伪迹 信号作参考信号的前提下，通过自编码网络强大的学习能力和信号重构能力，能够学习到 纯净脑电信号的特征，进而能够从含有眼电伪迹的脑电信号中重构出纯净的脑电信号，达 7 CN 111543984 A 说　明　书 4/6 页 到去除眼电伪迹的目的，且能够对任意通道的脑电信号的眼电伪迹进行去除。具体步骤是： 首先，将纯净的脑电信号作为训练集，并进行归一化处理，输入栈式稀疏去噪自编码SSDA模 型并进行预训练，SSDA由两个稀疏降噪自编码(SDA)通过首尾相连的方式组成，第一个SDA 的输出为第二个SDA的输入，将第二个SDA的输出进行反归一化处理，就得到了重构之后的 脑电信号。其次，获取重构脑电信号与纯净脑电信号之间的误差，使得误差最小，不断训练 SSDA，并根据梯度下降法对模型参数进行微调，完成SSDA模型的训练。最后，将含有眼电伪 迹的脑电信号并进行归一化，归一化完成后输入训练完成的SSDA模型，并对输出数据进行 反归一化处理，得到去除眼电伪迹的脑电信号。本发明相比于其他方法不仅能够降低去除 脑电信号中眼电伪迹的时间，而且能够提高脑电信号的信噪比。 附图说明 图1是本发明提供优选实施例提供的SSDA模型的结构图； 图2是本发明提供的一种基于SSDA的脑电信号的眼电伪迹去除方法的流程图。