[发明专利]一种脑电数据的噪声去除方法、装置及电子设备

说明书

本申请实施例提供了一种脑电数据的噪声去除方法、装置及电子设备。涉及脑电数据的噪声去除技术领域，所述方法包括：对所述脑电数据进行信号分解，得到多个时间序列；根据所述时间序列，得到所述脑电数据的潜在信号源；对所述潜在信号源进行特征提取，得到所述潜在信号源的特征值；根据所述特征值，对所述潜在信号源进行聚类，得到多个信号簇；获取每个所述信号簇的距离指标，根据所述距离指标得到与噪声相关的目标簇；根据所述多个信号簇和所述目标簇，对所述潜在信号源进行时序重建，得到去噪后的脑电数据。

技术领域

本公开实施例涉及脑电数据的噪声去除技术领域，更具体地，涉及一种脑电数据的噪声去除方法、装置及电子设备。

背景技术

脑电(Electroencephalogram，EEG)数据是神经活动的群体活动水平的直接测量。在临床或者教育环境的认知功能评估中，少通道脑电数据可以作为便捷有效的脑状态检测数据。

但是由于脑电图记录的是头皮上的电活动，所以很容易被各种噪声污染，包括内部电生理噪声，如眼电和肌电图，以及外部设备产生的噪声，如机械振动和电流工频噪声。去除收集到的脑电中的这些噪声是准确解释脑功能和状态的前提。

目前对脑电数据进行噪声去除主要采用盲源分离(Blind Source Separation，BSS)方法，BSS常用基于阈值的方法去除噪声，但是脑活动是一种较慢、自相关度较高的信号，因此脑活动的自相关系数较高，因此采用基于阈值的方法可能会导致有效的脑电成分被丢弃，导致对脑活动的过度抑制，无法去除特定的噪声，另外，BSS不能直接应用于少通道脑电数据。

发明内容

本公开的一个目的是提供一种脑电数据的噪声去除方法、装置及电子设备的新的技术方案。

根据本公开的第一方面，提供了脑电数据的噪声去除方法的一个实施例，所述方法包括：对所述脑电数据进行信号分解，得到多个时间序列；根据所述时间序列，得到所述脑电数据的潜在信号源；对所述潜在信号源进行特征提取，得到所述潜在信号源的特征值；根据所述特征值，对所述潜在信号源进行聚类，得到多个信号簇；获取每个所述信号簇的距离指标，根据所述距离指标得到与噪声相关的目标簇；根据所述多个信号簇和所述目标簇，对所述潜在信号源进行时序重建，得到去噪后的脑电数据。

可选地，所述脑电数据具有多个通道，所述对所述脑电数据进行信号分解，得到多个时间序列，包括：采用多分辨率分析法，将每一通道的所述脑电数据分别与小波函数进行卷积，得到对应于每一通道的具有子频带的时间序列。

可选地，所述根据所述时间序列，得到所述脑电数据的潜在信号源，包括：采用典型相关分析对所述时间序列进行分解，得到投射矩阵；根据所述投射矩阵和每一通道的所述时间序列，得到所述脑电数据的潜在信号源。

可选地，所述对所述潜在信号源进行特征提取，得到所述潜在信号源的特征值，包括：对所述潜在信号源进行时间和频率分析，得到所述潜在信号源的特征值，其中，所述特征值包括自相关系数、分形维度、总功率、偏度、峰度和峰值频率。

可选地，所述获取每个所述信号簇的距离指标，包括：利用除去第一信号簇之外的所述信号簇，训练一个单类支持向量机，所述第一信号簇包括所述多个信号簇中的任一个；获取所述第一信号簇中所有脑电数据到所述单类支持向量机边界的距离，将所述距离的平均值作为第一信号簇的距离指标。

可选地，所述根据所述距离指标得到与噪声相关的目标簇，包括：获取所有第一信号簇的距离指标，将所有第一信号簇中距离指标为负距离的第一信号簇作为与噪声相关的目标簇。

可选地，所述根据所述距离指标得到与噪声相关的目标簇，还包括：当第一信号簇满足下述四个条件中的任一个时，将所述第一信号簇作为目标簇；第一信号簇的平均自相关系数小于所有目标簇的平均自相关系数；第一信号簇的平均分形维度小于所有目标簇的平均分形维度；第一信号簇的平均偏度绝对值大于等于所有目标簇的平均偏度绝对值；第一信号簇的平均峰度绝对值大于等于所有目标簇的平均峰度绝对值。