[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN118413240B - 基于贝叶斯网络模型的脑电信号压缩编码方法及设备 - Google Patents

基于贝叶斯网络模型的脑电信号压缩编码方法及设备 Download PDF

Info

Publication number
CN118413240B
CN118413240B CN202410870476.4A CN202410870476A CN118413240B CN 118413240 B CN118413240 B CN 118413240B CN 202410870476 A CN202410870476 A CN 202410870476A CN 118413240 B CN118413240 B CN 118413240B
Authority
CN
China
Prior art keywords
electroencephalogram
task
signal
original
wavelet
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202410870476.4A
Other languages
English (en)
Other versions
CN118413240A (zh
Inventor
李越
唐海波
迟硕
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xiaozhou Technology Co ltd
Original Assignee
Xiaozhou Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xiaozhou Technology Co ltd filed Critical Xiaozhou Technology Co ltd
Priority to CN202410870476.4A priority Critical patent/CN118413240B/zh
Publication of CN118413240A publication Critical patent/CN118413240A/zh
Application granted granted Critical
Publication of CN118413240B publication Critical patent/CN118413240B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H03—ELECTRONIC CIRCUITRY
    • H03M—CODING; DECODING; CODE CONVERSION IN GENERAL
    • H03M7/00—Conversion of a code where information is represented by a given sequence or number of digits to a code where the same, similar or subset of information is represented by a different sequence or number of digits
    • H03M7/30—Compression; Expansion; Suppression of unnecessary data, e.g. redundancy reduction
    • H03M7/3059—Digital compression and data reduction techniques where the original information is represented by a subset or similar information, e.g. lossy compression
    • H03M7/3064—Segmenting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2134—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on separation criteria, e.g. independent component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G06F18/24155—Bayesian classification
    • H—ELECTRICITY
    • H03—ELECTRONIC CIRCUITRY
    • H03M—CODING; DECODING; CODE CONVERSION IN GENERAL
    • H03M7/00—Conversion of a code where information is represented by a given sequence or number of digits to a code where the same, similar or subset of information is represented by a different sequence or number of digits
    • H03M7/30—Compression; Expansion; Suppression of unnecessary data, e.g. redundancy reduction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本申请公开一种基于贝叶斯网络模型的脑电信号压缩编码方法及设备，方法通过获取待对齐的原始脑电数据并进行预处理，获取标准脑电数据和标签信息；根据标准脑电数据对应的时间点信息和通道信息，构建脑电数据矩阵并输入至预设的卷积神经网络，输出脑电数据矩阵对应的全局特征；将全局特征输入至预设的广义低秩近似分解模型,以分解为低秩分量和稀疏分量，分别对低秩分量和稀疏分量进行特征选取，分别计算输出的低秩特征通道数据和稀疏特征通道数据与预设的专家知识数据的相似度信息，根据相似度信息在低秩特征通道数据和稀疏特征通道中确定目标特征通道数据；根据迭代特征对齐算法对目标特征通道数据进行跨域数据的特征分布对齐。

Description

基于贝叶斯网络模型的脑电信号压缩编码方法及设备
技术领域
本申请涉及脑机接口技术领域，尤其涉及一种基于贝叶斯网络模型的脑电信号压缩编码方法及设备。
背景技术
脑电信号记录了大脑皮层神经元群体的生物电活动,广泛应用于脑机接口、神经科学研究、临床辅助诊断等领域。然而,由于人体复杂的生理结构和外界环境的干扰,脑电信号往往包含大量噪声,且数据量庞大,给信号存储、传输和后续分析带来诸多挑战。因此,对脑电信号进行高效压缩编码极为重要。
传统的脑电信号压缩编码方法主要包括小波变换编码、主成分分析编码、自适应滤波编码等。其中,小波变换编码是最为广泛使用的方法之一。小波变换能够在时间和频率域同时对信号进行多尺度分析,适用于非平稳信号的处理。该方法通过选择合适的小波基函数和分解层数,对脑电信号进行多层次分解,保留有用的细节和近似分量,舍弃噪声分量,从而实现压缩编码。
小波变换编码具有一定的自适应性和抗噪性,但其压缩性能受限于小波基函数的选择、分解层数的确定,以及对信号的先验知识等因素,存在一定局限性，往往难以在保留信号质量的同时实现高压缩比,亟需新的技术方案来满足实际应用需求。
发明内容
本申请提供了一种基于贝叶斯网络模型的脑电信号压缩编码方法，旨在解决现有的小波变换编码的压缩性能受限于小波基函数的选择、分解层数的确定,以及对信号的先验知识等因素,存在一定局限性，往往难以在保留信号质量的同时实现高压缩比,亟需新的技术方案来满足实际应用需求。
第一方面，本申请提供了一种基于贝叶斯网络模型的脑电信号压缩编码方法，包括：
获取脑电设备采集的原始脑电信号，对原始脑电信号进行多尺度分解，获取多组小波系数；
对小波系数进行变换重构，获取目标脑电信号，对目标脑电信号进行信号分解，获取多个脑电分量信号；
将每个脑电分量信号输入至待构建的贝叶斯网络模型，以使每个脑电分量信号分别与贝叶斯网络模型的任务特征节点、任务状态节点和任务并行节点连接；
优化贝叶斯网络模型的节点连接权重，生成构建完成的目标贝叶斯模型，目标贝叶斯模型输出多个脑电分量信号对应的并行压缩任务关系；
根据并行压缩任务关系将多个脑电分量信号划分为多个任务集群，获取每个任务集群在脑电设备中的定位结果；
在原始脑电信号中提取出每个任务集群对应的原始分量信号，将任务集群和对应的原始分量信号输入至预置的压缩编码器，输出任务集群对应的目标任务负载数据，根据多个目标任务负载数据分别完成对多个原始分量信号的压缩编码。
第二方面，本申请提供了一种脑电信号压缩编码装置，包括：
数据获取模块，用于获取待对齐的原始脑电数据，对所述原始脑电数据进行预处理，获取标准脑电数据和标签信息；
矩阵构建模块，用于根据所述标准脑电数据对应的时间点信息和通道信息，构建所述原始脑电数据对应的脑电数据矩阵；
特征输出模块，用于将所述脑电数据矩阵输入至预设的卷积神经网络，输出所述脑电数据矩阵对应的全局特征；
特征分解模块，用于将所述全局特征输入至预设的广义低秩近似分解模型,将所述全局特征分解为低秩分量和稀疏分量，分别对所述低秩分量和稀疏分量进行特征选取，输出低秩特征通道数据和稀疏特征通道数据；
相似计算模块，用于分别计算所述低秩特征通道数据和稀疏特征通道数据与预设的专家知识数据的第一相似度，根据所述第一相似度在所述低秩特征通道数据和稀疏特征通道中确定目标特征通道数据；
数据对齐模块，用于根据迭代特征对齐算法对所述目标特征通道数据进行跨域数据的特征分布对齐,输出对齐后的所述目标特征通道数据；其中，在所述迭代特征对齐算法中，所述原始脑电数据为目标域数据，所述标准脑电数据和标签信息为源域数据，完成对所述原始脑电数据的特征分布对齐。
第三方面，本申请提供了一种计算机设备，所述计算机设备包括存储器和处理器；所述存储器用于存储计算机程序；所述处理器，用于执行所述计算机程序并在执行所述计算机程序时实现本申请实施例所提供的任一项基于贝叶斯网络模型的脑电信号压缩编码方法的步骤。
第四方面，本申请提供了一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时使所述处理器实现本申请实施例所提供的任一项基于贝叶斯网络模型的脑电信号压缩编码方法的步骤。
与现有技术相比，本申请至少具备以下有益效果：
1. 实现了脑电信号的语义分群和认知功能定位；传统的脑电信号分析方法难以直接从原始混杂信号中分离出不同的认知功能成分及其对应的脑源位置。本发明利用小波分解、ICA分离、贝叶斯网络分群等技术手段,能够自动将脑电信号划分为不同的任务集群,每个集群对应一种特定的认知功能,如视觉加工、运动想象、语言理解等。同时,通过LORETA反算定位算法,可以精确确定每个任务集群的脑源位置在大脑皮层上的空间坐标。这种自动语义分群和认知功能定位能力,为脑电数据的解释和应用提供了新的分析视角。
2. 实现了基于认知功能负载的自适应压缩编码；本发明提出了一种基于认知功能负载的自适应压缩编码策略。具体来说,通过计算每个任务集群的功率谱密度,量化其对应的认知功能负载水平。然后采用分层编码,为功能负载越大的任务集群分配越高的码率,使其量化误差越小,从而在有限码率约束下,最大限度地保留了原始脑电信号中的关键认知负载信息。该自适应编码策略能够灵活权衡压缩率和信号保真度,在保证重建质量的前提下,实现了较高的压缩比。
3. 支持高质量的脑电数据无线传输和远程处理；由于脑电信号具有微弱的生物电特性,其无线传输和远程处理一直是制约脑机接口等应用发展的瓶颈。本发明通过自适应压缩编码策略,能够在不过多损失原始信号质量的情况下,将脑电数据的码率大幅降低。同时,编码后的数据还带有任务集群的认知功能标注和脑源定位信息,为后续的数据解码和认知分析提供了必要的元数据支持。这种低码率高质量的脑电数据特性,为构建高效脑机接口系统、实现远程脑电信号云端处理等提供了关键支撑。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。
附图说明
图1为本申请实施例示出的基于贝叶斯网络模型的脑电信号压缩编码方法的流程示意图；
图2为本申请实施例示出的脑电信号压缩编码装置的结构示意图；
图3为本申请实施例示出的计算机设备的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当…时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
下面对本申请实施例的技术方案进行介绍。
脑电信号记录了大脑皮层神经元群体的生物电活动,广泛应用于脑机接口、神经科学研究、临床辅助诊断等领域。然而,由于人体复杂的生理结构和外界环境的干扰,脑电信号往往包含大量噪声,且数据量庞大,给信号存储、传输和后续分析带来诸多挑战。因此,对脑电信号进行高效压缩编码极为重要。
传统的脑电信号压缩编码方法主要包括小波变换编码、主成分分析编码、自适应滤波编码等。其中,小波变换编码是最为广泛使用的方法之一。小波变换能够在时间和频率域同时对信号进行多尺度分析,适用于非平稳信号的处理。该方法通过选择合适的小波基函数和分解层数,对脑电信号进行多层次分解,保留有用的细节和近似分量,舍弃噪声分量,从而实现压缩编码。
小波变换编码具有一定的自适应性和抗噪性,但其压缩性能受限于小波基函数的选择、分解层数的确定,以及对信号的先验知识等因素,存在一定局限性，往往难以在保留信号质量的同时实现高压缩比,亟需新的技术方案来满足实际应用需求。
为解决上述问题，请参照图1，图1为本申请实施例提供的一种基于贝叶斯网络模型的脑电信号压缩编码方法的流程示意图。本申请实施例的基于贝叶斯网络模型的脑电信号压缩编码方法可应用于计算机设备，该计算机设备包括但不限于智能手机、笔记本电脑、平板电脑、桌上型计算机、物理服务器和云服务器等设备。如图1所示，本实施例的基于贝叶斯网络模型的脑电信号压缩编码方法包括步骤S101至步骤S106，详述如下：
步骤S101，获取脑电设备采集的原始脑电信号，对原始脑电信号进行多尺度分解，获取多组小波系数。
具体地，脑电采集设备包括脑电传感器、放大器、模数转换器等硬件组件,以及相应的信号处理和采集软件。在硬件方面,常用的脑电传感器有干电极和湿电极两种,干电极无需使用传导膏且佩戴便捷,但信噪比较低;湿电极虽然准备复杂但能获得较高信噪比的脑电信号。考虑到实际应用中对信号质量的要求,本发明倾向于采用湿电极作为脑电传感器。例如可选用Ag/AgCl电极,该电极材料具有良好的生物相容性和电化学稳定性,应用广泛。电极布局需要遵循国际10-20系统标准,将21个电极均匀分布于头皮上的Fp1、Fp2、F7、F3、Fz、F4、F8、T3、C3、Cz、C4、T4、T5、P3、Pz、P4、T6、O1、Oz、O2等特定位置,以覆盖感兴趣的大脑皮层区域,如前额叶、顶叶、颞叶等。对于特定应用,也可根据需要增加电极数量和调整布局。例如,对于运动想象类脑机接口系统,可在运动皮层区域附近适当增加电极密度。
传感器采集到的原始脑电信号幅度通常在几微伏到几十微伏的量级,需要经过放大器进行放大处理,以提高信号分辨率。放大器通常包括仪器放大器、滤波器等模块,仪器放大器起到差模放大和共模抑制的作用,滤波器则用于滤除特定频段的干扰噪声。放大器的增益和带宽需要根据具体应用场景和实验目的进行合理设置,例如对于一般的脑电信号采集,可将增益设置在10000-100000倍,带宽设置为0.5-100Hz。此外,部分放大器还具备50/60Hz的陷波滤波功能,以抑制工频干扰。
经过放大后的模拟脑电信号需要通过模数转换器(ADC)转换为数字信号,以便后续的数字处理。ADC的采样率和分辨率需要根据具体应用进行选择,通常采样率设置为250-1000Hz,分辨率设置为12-24bit。例如,对于分析高频脑电活动(如γ波段)的应用场景,需要选用较高的采样率;而对于分析低频脑电活动(如δ、θ波段)的情况,则可适当降低采样率以减小数据量。分辨率越高,能够捕捉到更精细的电压变化,但同时也会增加数据量和处理负担。最后,由专门的信号处理和采集软件对数字化的脑电信号进行读取并暂存于计算机内存中,形成预处理后的原始脑电数据。
步骤S102，对小波系数进行变换重构，获取目标脑电信号，对目标脑电信号进行信号分解，获取多个脑电分量信号。
具体地，小波重构过程实际上是小波分解的逆运算,利用上一步骤得到的过滤小波系数,按照相反的路径进行上采样、滤波和重构计算,最终合成时域的目标脑电信号。并对目标脑电信号进行信号分解,得到多个脑电分量信号。并提取这些分量信号的时频特征,如MFCC（梅尔频率倒谱系数）等，为后续定位做准备。
在一些实施例中，每组所述小波系数包括细节系数和粗近似系数；所述对所述原始脑电信号进行多尺度分解，获取多组小波系数，包括：对所述原始脑电信号基于预设小波基函数进行多级小波分解，获取每级所述小波分解对应的所述细节系数和粗近似系数。
小波变换作为一种时频分析工具,能够在时间和频率域同时对信号进行多尺度表示,尤其适用于分析非平稳信号,如脑电信号。通过选择合适的小波基函数,可以最大程度地压缩或去相干信号能量,从而实现信号去噪、压缩编码等目的。
小波变换主要包括小波分解和小波重构两个过程。在小波分解过程中,将时域信号通过小波基函数进行卷积并下采样,得到低频近似分量和高频细节分量。由于小波基函数的正交性和紧支集性,低频近似分量蕴含了信号的绝大部分能量,高频细节分量则主要包含了噪声和高频成分。因此,小波分解能够将原始信号在频域和时域上进行理想分离。
对于脑电信号而言,通常采用多级小波分解,将信号在不同时频尺度上进行分解,以获得丰富的时频信息。例如,可以使用Daubechies小波家族中的db4小波,对第一脑电信号进行5层分解。db4小波基函数具有较短的紧支集区间和较高的正交性,适合于处理脉冲型信号。在多层次分解中,每一层分解都将得到一个低频近似分量和一个高频细节分量。以5层分解为例,按照从高频到低频的顺序,共得到5个细节系数cD1、cD2、cD3、cD4、cD5和一个近似系数cA5,其中cD1对应于最高频率带,cA5对应于最低频率带。
具体来说,设x[n]为第一脑电信号,则第j级小波分解可表示为:
cA_j[k] = Σ_n h[2k-n]cA_j+1[n](低通滤波器)；
cD_j[k] = Σ_n g[2k-n]cA_j+1[n](高通滤波器)；
其中h[n]为低通分解滤波器,g[n]为高通分解滤波器,二者的冲激响应满足正交性和双余性条件。cA_j[k]为第j级近似系数,cD_j[k]为第j级细节系数。通过上式迭代计算,即可得到多组小波系数。值得注意的是,小波分解过程中需要进行下采样操作,以减少系数的数量,降低计算复杂度。
利用小波多尺度分解,可以有效将脑电信号在时间和频率上进行分离,使得不同频率成分和瞬时事件特征都能够被很好地表征。一般来说,细节系数主要包含了δ、θ、α、β等低频成分,反映了大脑皮层神经元的放电活动;而近似系数则蕴含着信号的总体特征和基线信息。通过选取合适的小波分解层数,能够将脑电信号在δ(1-4Hz)、θ(4-8Hz)、α(8-13Hz)、β(13-30Hz)、γ(>30Hz)等特定频段上的细节信息很好地分离出来。
例如,对于事件相关电位(ERP)分析,主要关注的是δ、θ波段的低频成分,因此只需保留cD4、 cD5和cA5三个低频系数即可,而舍弃高频cD1、cD2、cD3细节系数,就能有效降低数据量。相反,对于某些脑机接口应用中需要关注γ波的情况,则应当保留高频cD1细节系数。
示例性的，所述对所述小波系数进行变换重构，包括：根据多组所述小波系数的所述细节系数和粗近似系数，确定所述小波系数进行变换重构的重构计算公式；根据所述重构计算公式获取所述目标脑电信号。
假设经过J层小波分解得到细节系数{cD1', cD2', ..., cDJ'}和粗近似系数{cAJ'},则小波重构的计算公式为:
cA_j-1[k] = Σ_n h'[n-2k]cA_j[n]+ Σ_n g'[n-2k]cD_j[n]；
其中h'[n]和g'[n]分别为低通和高通重构滤波器,它们与分解滤波器h[n]和g[n]存在对偶关系,满足正交性和双正交性条件。cA_j-1[k]是第j-1级的近似系数,通过对第j级近似系数cA_j[n]和细节系数cD_j[n]进行上采样、滤波和求和运算得到。重复该过程直至j=1,即可最终合成出时域信号x'[n]。
以5层小波分解为例,重构过程为: (1) 利用cD5'和cA5'计算出cA4' (2) 利用cD4'和cA4'计算出cA3' (3) 利用cD3'和cA3'计算出cA2' (4) 利用cD2'和cA2'计算出cA1' (5) 利用cD1'和cA1'计算出最终时域信号x'[n]。
需要指出的是,小波重构过程中的滤波和上采样操作需要与分解时的下采样和滤波操作精确对应,才能保证重构信号的无失真性。通常采用"周期延拓"的方法处理信号边界,使整个过程具有环形对称性,避免出现边缘效应。由于小波基的紧支集性质,重构信号x'[n]将只包含原始脑电信号x[n]的一部分,需要将其分段平移并求和以覆盖整个定义域。最终得到的目标脑电信号即为x'[n]。
值得一提的是,在小波重构过程中可以灵活地选择需要重构的小波分量。例如,如果主要关注脑电信号中的δ波、θ波等低频成分,则只需重构包含cA5、cD5和cD4的低频分量,而无需重构高频cD1、cD2和cD3细节分量,从而进一步减小数据量。同理,如果需要分析高频γ波段信号,则保留高频cD1细节分量即可。这种根据实际需求选择性重构的策略,能够充分利用小波分解的"精确重构"和"紧支集分离"等性质,在满足信号质量要求的同时最大限度地减小数据冗余,
在一些实施例中，在所述对所述小波系数进行变换重构之前，还包括：根据预设阈值和软阈值函数对多组小波系数进行过滤，获取过滤后的所述小波系数，以对过滤后的所述小波系数进行变换重构。
通过对小波分解结果进一步处理,目的是消除小波系数中的噪声分量,提取出有用的信号特征。由于脑电信号中通常存在各种生理和非生理性噪声干扰,如眼电、肌电、工频干扰等,这些噪声会严重影响后续分析和编码的精度。而小波分解能够较好地将这些噪声与脑源信号分离,噪声主要集中在高频细节系数中,因此可以通过阈值去噪的方式消除噪声影响。
阈值去噪基于这样一个假设:小波系数中能量较大的为有用信号分量,而能量较小的为噪声分量。将所有小波系数的绝对值与预设阈值进行比较,对大于阈值的保留不变,而对小于阈值的则进行消除或收缩处理,即可实现有效去噪。本发明采用RigrsureSure阈值估计方法,们能自动根据小波系数的统计特性确定合理的阈值，其阈值计算公式如下:
λ = σ * sqrt(2*logN)；
其中N为数据长度,σ为噪声标准差,可通过经验公式或小波系数的无偏鲁棒中值估计得到。当然,为了获得更优的去噪效果,也可以根据具体应用场景对阈值进行人工调优。
在确定了阈值λ后,还需要选择合适的阈值函数(阈值化规则)来处理小波系数。常用的有硬阈值函数和软阈值函数两种,它们对待处理的小波系数有不同的收缩或消除策略。硬阈值函数是指将绝对值小于阈值的系数全部置零,大于阈值的保持不变,表现出"硬"拐点的失真效应,容易引入伪纹理;而软阈值函数则是将小于阈值的系数完全消除,大于阈值的系数收缩为与阈值之差,表现出"软"的拐点,能够有效避免伪纹理。软阈值函数公式如下:
y = sign(x)*max(0, |x| - λ)；
其中x为原始小波系数,y为处理后的小波系数。由于脑电信号中通常不存在明显的边缘和尖锐突变,因此本发明采用软阈值函数进行小波系数的处理,以减小信号失真。
具体来说,对上述步骤得到的每组小波系数cDj(j=1,2,...,J)和cAJ进行如下处理:
(1)利用上述公式计算当前层的阈值λj ；
(2)将所有系数的绝对值与λj进行比较；
(3)对小于λj的系数,按softThresh(x, λj)函数进行收缩；
(4)对大于λj的系数,保持不变；
(5)对处理后的系数进行反向小波变换重建,得到该层的去噪信号。
以5层小波分解为例,首先计算细节系数cD1对应的阈值λ1,并利用软阈值函数softThresh(cD1, λ1)对cD1进行去噪处理,得到新的细节系数cD1'。然后对cD2、cD3、cD4、cD5和cA5进行同样的阈值计算和软阈值处理,最终得到cD1'、cD2'、cD3'、cD4'、cD5'和cA5'等过滤后的小波系数。
在一些实施例中，对所述目标脑电信号进行信号分解，获取多个脑电分量信号，包括：脑电信号虽经过了小波分解、去噪和重构等预处理,但仍是一种复杂的时域信号,包含了多个不同神经元群体放电活动的叠加。为了更好地捕捉这些不同脑源的贡献,需要对目标脑电信号进行分解,将其分离为多个相对独立的分量信号。
常用的脑电信号分解方法有独立分量分析(ICA)、主成分分析(PCA)、小波包分析等。其中ICA是一种盲源分离算法,能够基于脑电信号的统计独立性将其分离为多个相互独立的子空间,每个子空间对应一个潜在的脑源。ICA已被广泛应用于去除眼电、肌电等生理伪迹,提取脑源信号。本发明将采用ICA对预处理后的目标脑电信号进行分解。
具体来说,假设目标脑电信号为X,包含了N个时间样本和M个传感器通道,则X可表示为:X = AS；其中A为未知的混合矩阵,S=[s1,s2,...,sN]^T为潜在的源分量信号。ICA的目标是根据X求解A和S,使得S中的各分量彼此统计独立。本申请采用FastICA算法，通过最大化源信号的非高斯性或最小化源信号的互信息等方式来实现盲分离,其基本思想是在单位球面上迭代求解非高斯化最大的投影方向,使得投影后的分量具有最大的非高斯性,即为所需的源分量。具体步骤为: (1) 对X进行预处理,如去均值、白化等,得到Z ；(2) 随机初始化投影向量w ；(3) 计算w在Z上的投影y=w^TZ,并对y进行牛顿迭代优化更新w ；(4)重复(3)直至w收敛 ；(5) 将w加入解空间W,并从Z中移去w对应的分量 ；(6) 重复(2)-(5)直至W中向量个数等于源个数。最终ICA可得到分离矩阵W和源分量矩阵S=WX。
通过ICA将目标脑电信号X分解为M个相互独立的源分量s1,s2,...,sM,其中每个分量对应着一个特定的脑源或脑区,包含了该区域神经元群体的放电活动信息。这些分量信号相对简单且相互独立,为后续的无线节点定位和任务分类奠定基础。此外,ICA分解过程中还可结合反向投影的方法估计出每个分量信号对应的头皮拓扑图,即脑电信号在头皮传感器上的投影模式,这为分析脑源的空间位置提供了有力线索。
接下来,需要对每个脑电分量信号提取特征,为无线节点定位做准备。常用的脑电信号特征有MFCC、小波包等时频特征,以及功率谱、相干性等频域特征。基于小波分解的方法已在前面步骤中应用,本发明将重点提取MFCC(Mel频率倒谱系数)特征。
MFCC广泛应用于语音识别等领域,能够很好地描述信号在Mel刻度下的频率特性。对于非平稳信号如脑电而言,MFCC也具有一定的表征能力。具体步骤为:
(1) 将脑电分量信号分帧并加窗,得到一系列短时分析框；(2) 对每个分析框进行快速傅里叶变换,得到功率谱；3) 将功率谱映射到Mel频率刻度,并进行三角滤波器组滤波,得到梅尔频谱；(4) 对梅尔频谱取对数,得到对数梅尔频谱；(5) 对对数梅尔频谱进行离散余弦变换,得到MFCC系数。
以上步骤中关键是Mel刻度及其滤波器组,它模拟了人耳对低频信号的高分辨率感知能力。在计算MFCC时通常只需保留前12-20个系数即可,后面的高频系数能量较小可以被忽略。此外,还需要计算每帧信号的短时能量作为MFCC的补充特征。
对于每个脑电分量信号si,都可得到一个对应的MFCC特征序列mfcc_i。这些MFCC特征不仅反映了各个脑源的时频特征,还间接包含了空间位置信息,是无线节点定位的关键特征。
值得一提的是,除了MFCC外,还可以考虑提取其他时频特征,如小波包能量、PCA投影特征等,并将它们融合以捕捉更丰富的信息。
步骤S103，将每个脑电分量信号输入至待构建的贝叶斯网络模型，以使每个脑电分量信号分别与贝叶斯网络模型的任务特征节点、任务状态节点和任务并行节点连接。
具体地，贝叶斯网络模型是一种概率图模型,能够通过有向无环图有效表示复杂数据之间的因果关系和条件独立性,被广泛应用于不确定性推理、模式识别等领域。本发明将贝叶斯网络模型应用于脑电信号压缩编码任务,旨在充分挖掘多个脑电分量信号之间的内在联系,对相关分量进行集群划分,从而实现高效压缩编码。
在一些实施例中，在所述将每个所述脑电分量信号输入至待构建的贝叶斯网络模型之前，还包括:提取每个所述脑电分量信号对应的时频特征，以将所述时频特征输入至所述贝叶斯网络模型；所述贝叶斯网络模型包括特征层、状态层和并行层；所述将每个所述脑电分量信号输入至待构建的贝叶斯网络模型，包括：将所述时频特征与所述特征层的所述任务特征节点连接；确定所述状态层的每个任务状态节点对应的任务特征节点，并将所述任务状态节点与对应的所述任务特征节点连接；确定所述并行层的所述每个任务并行节点对应的任务状态节点，并将所述任务并行节点与对应的任务状态节点连接。
首先,本申请构建一个三层贝叶斯网络模型,包括特征层、状态层和并行层。特征层对应于上述步骤中提取的MFCC等时频特征,用于表示输入的脑电分量信号;状态层则表征了分量信号对应脑源的任务状态,如运动想象、语言加工等;并行层则对应于对分量信号进行任务集群划分和编码的结果。三层之间存在有向边连接,反映了不同层次变量之间的条件依赖关系。
具体来说,假设有M个脑电分量信号s1, s2, ..., sM,对应的MFCC特征为x1, x2,..., xM。本申请在特征层设置M个节点F1, F2, ..., FM,将每个xi与对应的Fi节点相连,作为Fi的观测节点。接下来,在状态层设置N个任务状态节点S1, S2, ..., SN,分别对应不同的认知任务状态,如视觉、听觉、运动、语言等。每个Si节点与部分Fi节点相连,表示该任务状态依赖于部分脑电分量特征。最后,在并行层设置K个节点P1, P2, ..., PK,分别对应K个不同的任务集群,每个Pk与部分Si节点相连,表示该任务集群包含了部分认知任务。
以一个简单的两任务(运动想象和语言加工)、三脑源的示例说明连接关系: 假设s1对应运动皮层,s2对应语言区,s3对应视觉区,则有:
F1 --->S1(运动想象) ；
F2 --->S2(语言加工)；
F3 --->S1, S2(视觉区参与了两种任务) ；
S1, S2 --->P1 ；
S1, S3 --->P2 ；
即P1集群包含运动想象和语言加工两种任务,P2包含运动想象和视觉加工任务。
通过这种层次化的贝叶斯网络模型,本申请可以对复杂的脑电信号建模,捕捉不同层次变量之间的依赖关系。例如,已知Fi的观测值xi,则可以计算出Si的后验概率分布P(Si|xi);进而可以基于Si的取值推断出Pk的概率分布P(Pk|S)。后者将作为本发明的编码准则,即将具有相似并行任务关系的脑电分量信号进行集群划分,并对每个集群进行编码。
值得一提的是,上述贝叶斯网络结构是一个先验模型,其中节点连接关系和条件概率分布需要通过训练数据进行参数学习,以获得具有确定语义的模型。本发明采用基于梯度下降的参数优化方法。
具体来说,设观测数据为D={x1, x2, ..., xM},其中每个xi为一个MFCC特征序列,对应于第i个脑电分量信号si。本申请的目标是最大化D在给定模型参数θ时的对数似然:
θ* = argmax_θ logP(D|θ)；
由于直接优化上式较为复杂,本申请采用等价的期望完全数据对数似然的优化目标:
Q(θ',θ) = Σ_Z P(Z|D,θ)logP(D,Z|θ')；
其中Z表示网络中的隐藏节点(S和P层节点)的所有可能取值。Q(θ',θ)被称为Q函数,表示在当前模型参数θ下,隐藏节点的期望对数似然。优化过程采用广义期望最大化(GEM)算法的思路,即在每次迭代中先固定θ计算Q函数Q(θ',θ),然后对Q函数进行梯度更新获得新的θ'。具体做法是:
(1) 固定当前参数θ,计算Q(θ',θ)；(2) 令Q'(θ') = ∂Q(θ',θ)/∂θ'为Q函数的梯度；(3) 更新参数θ' = θ + α*Q'(θ'), 其中α为学习率；(4) 重复(1)-(3)直至收敛。
通过以上基于梯度下降的参数学习过程,本申请最终获得了概率语义明确的贝叶斯网络模型,能够对输入的多个脑电分量信号的时频特征xi进行条件概率推理,计算出相应的任务状态概率P(Si|xi)和并行任务集群概率P(Pk|xi)。
步骤S104，优化贝叶斯网络模型的节点连接权重，生成构建完成的目标贝叶斯模型，目标贝叶斯模型输出多个脑电分量信号对应的并行压缩任务关系。
具体地，本申请构建了一个三层贝叶斯网络的先验结构,包括特征层节点F、状态层节点S和并行层节点P,并确定了层与层之间的连接关系。但该结构的连接强度,即节点之间的权重尚未确定,因此需要进一步优化网络参数,使其能够很好地拟合观测数据,从而生成目标贝叶斯模型。
本发明采用基于梯度的参数优化方法,通过迭代地更新网络参数,逐步缩小模型与训练数据之间的误差,达到模型最优化。
具体来说,设观测数据为D={x1,x2,...,xM},其中每个xi为一个MFCC特征序列,对应于第i个脑电分量信号si。令θ表示贝叶斯网络中所有节点连接权重的集合,目标是最大化D在给定θ时的对数似然:
θ* = argmax_θ logP(D|θ)；
由于直接优化上式较为复杂,本申请采用等价的期望完全数据对数似然的优化目标:
Q(θ',θ) = Σ_Z P(Z|D,θ)logP(D,Z|θ')；
其中Z表示网络中的隐藏节点(S和P层节点)的所有可能取值。Q(θ',θ)被称为Q函数,表示在当前模型参数θ下,隐藏节点的期望对数似然。优化过程采用广义期望最大化(GEM)算法,即在每次迭代中先固定θ计算隐藏节点的期望对数似然Q(θ',θ),然后最大化该Q函数获得新的θ'。具体做法是:
(1) 固定当前参数θ,计算Q(θ',θ) ；(2) 令Q'(θ') = ∂Q(θ',θ)/∂θ'为Q函数的梯度 ；(3) 更新参数θ' = θ + α*Q'(θ'),其中α为学习率； (4) 重复(1)-(3)直至收敛。
上述梯度更新规则可以看作是在不断朝着提高观测数据对数似然的方向调整模型参数。通过大量训练数据的学习,最终能够获得较优的节点连接权重参数θ*,从而生成满足实际需求的目标贝叶斯模型。
在参数学习的过程中,每个网络节点都可视为参考节点,其连接权重对应于其在整个网络中的重要程度。利用大数据分析技术,本申请可以进一步挖掘影响节点定位精度的主要因素。
具体来说,可以通过收集和整理大量的脑电数据样本及相应的位置标注信息,构建一个包含MFCC特征、贝叶斯网络节点连接权重和节点定位结果的大数据集。然后,基于该数据集,采用层次聚类、主成分分析等无监督学习算法,对影响定位精度的因素进行分析和排序。
以层次聚类为例,可以先计算节点连接权重向量之间的相似度(如欧氏距离、余弦相似度等),然后根据相似度矩阵构建树状层次结构,在不同层次对相似特征进行聚类。通过分析每个聚类中的连接权重分布及其对应的定位精度,可以发现哪些权重组合对应于较高的定位精确性。进而根据这些组合特征,提取出影响定位精度的关键权重(对应于关键节点)。
通过上述步骤得到的目标贝叶斯模型对分量信号进行前向推断,计算任务并行节点的概率分布,输出并行压缩任务关系。将该概率分布视为待定位节点的位置先验概率。在获得优化的贝叶斯网络模型后,本申请便可以针对新的输入数据进行概率推理,输出感兴趣的变量的后验分布,为后续任务提供依据。对于本发明的脑电信号压缩编码问题,本申请的目标是计算出任务并行层节点P的概率分布,并根据该分布进行任务集群划分,从而实现高效编码。
具体来说,假设输入的新数据为D'={x'1, x'2, ..., x'M},其中每个x'i为第i个脑电分量信号si的新MFCC特征序列。本申请将D'输入到优化后的贝叶斯网络中,通过模型执行前向推理计算并行节点P的条件概率分布P(P|D')。推理过程遵循概率传播的标准规则,包括证据传播、链式规则和边缘化等基本运算。
以三层网络的简单示例说明前向推理过程: (1) 根据观测数据x'i,计算特征层证据P(Fi|x'i) ；(2) 将证据沿有向边传播至状态层,计算P(Si|x'i)=Σ_Fi P(Si|Fi)P(Fi|x'i) ；(3) 将证据继续向并行层传播,计算P(P|x'i)=Σ_Si P(P|Si)P(Si|x'i)；(4)将(3)中不同分量信号的结果进行融合,得到P(P|D')=P(P|x'1,x'2,...,x'M)；
通过以上步骤,即可获得在观测到新输入数据D'的条件下,每个并行节点Pk的后验概率分布P(Pk|D')。该分布描述了不同任务并行集群对应的概率值,反映了输入信号最可能表征的认知功能类型。本申请将P(Pk|D')作为并行压缩任务关系的度量标准,用于对脑电分量信号进行任务集群划分。
具体来说,可以根据概率分布P(Pk|D')的大小,对并行节点Pk进行排序,选取概率值较大的前K'个节点,将与之相连的状态节点Sj归为一个任务集群。这样,所有脑电分量信号si也就被划分为了K'个并行压缩任务集群{C1, C2, ... CK'}。属于同一集群Ck内的多个si在后续将被集中编码,从而实现数据压缩。
以一个简单的两任务(运动想象和语言加工)、三脑源的例子说明: 假设P1节点对应"运动+语言"任务,P2节点对应"运动+视觉"任务。 当输入x'1(运动皮层)、x'2(语言区)和x'3(视觉区)三个MFCC特征序列时,前向推理可能得到 P(P1|D') = 0.7, P(P2|D') =0.3。
则任务集群将划分为:
C1 = {s1, s2} (运动+语言集群)；
C2 = {s1, s3} (运动+视觉集群) ；
可见,通过贝叶斯网络的概率推理,本申请不仅能够输出并行压缩任务关系(即任务集群划分),而且还可以获得每个待定位节点(对应于脑电分量信号的来源)的位置先验概率分布。
步骤S105，根据并行压缩任务关系将多个脑电分量信号划分为多个任务集群，获取每个任务集群在脑电设备中的定位结果。
具体地，据上述步骤输出的并行压缩任务关系,本申请将上述步骤得到的多个脑电分量信号si进行任务集群划分,得到K'个并行压缩任务集群{C1, C2, ..., CK'}。其中每个集群Ck包含了一组相互关联的脑电分量信号,它们在后续将被集中编码以实现压缩。接下来,本申请需要对每个任务集群Ck内的分量信号进行空间定位,确定其对应的脑源区域,为分离编码奠定基础。定位过程利用了反算脑电信号源反解算法,其基本思路是:在给定头皮电极位置和头模型的条件下,根据每个分量信号在电极上所测量到的电位值,反推出其最有可能来源于大脑皮层上的区域作为定位结果。
在一些实施例中，所述脑电设备包括多个头皮电极；所述获取每个所述任务集群在所述脑电设备中的定位结果，包括：获取所述任务集群中的所述脑电分量信号的在每个所述头皮电极的响应功率；根据多个所述响应功率构建响应功率向量；根据预设的反算定位算法和所述响应功率向量计算所述任务集群在脑电设备中的最佳源位置；将所述最佳源位置作为所述定位结果。
假设任务集群Ck包含了M个脑电分量信号si(i=1,2,...,M)。对于每个si,本申请首先计算其在所有头皮电极上的响应功率,构建响应功率向量ri=[ri1, ri2, ..., riN]^T,其中rij表示si在第j个电极上的响应功率,N为电极总数。接着以ri为输入,利用反算定位算法在大脑皮层三维空间上搜索最佳源位置。
本发明采用非线性的标准化最小二乘算法，标准化最小二乘算法的基本思想是,对于每个源位置,先根据头模型及电极位置计算出其在各电极上的导向向量,然后将导向向量与响应功率向量ri进行内积,使其二者差值平方之和最小,即得到最优拟合源位置。算法框架为:
1. 初始化起始源位置矢量q0,预设收敛阈值ε；
2. 在第k次迭代中: 计算电极响应矩阵A(qk)及其伪逆A+(qk) 令xk = A+(qk)ri为当前源位置的估计值 计算残差矩阵B(qk) = diag(A(qk)xk) - A(qk) 选取新的源位置qk+1 = B^T(qk)B(qk)的最小特征值对应的特征向量；
3. 如果满足||qk+1 - qk||< ε,则收敛,否则继续下一次迭代；
4. 输出最优源位置qk+1；
上述算法虽然可以有效估计出单个源的位置,但对于多个同时激活的源而言,其位置估计往往会受到显著偏差。为解决这一问题,本申请将采用LORETA(低分辨率电磁算法)的正则化策略。LORETA的基本思想是将多源局部化问题归结为求解一个约束最优化问题:
min ||Wx||^2 subject to Ax = ri；
其中x为待求的源空间分布,W为加权矩阵,用于平滑相邻源位置之间的分布差异。A仍为电极响应矩阵。该约束优化问题实际上是在寻求一个平滑分布解x*,使其在A给定的约束下最小化某个加权范数,从而获得最优拟合。利用拉格朗日方法可以得到最优解:
x* = (A^TA + λW^TW)^-1 A^Tri；
其中λ为正则化参数,用于调节拟合程度与分布平滑性之间的折中。根据x*中能量值最大的区域位置,即可确定出源信号si最有可能来源的脑区域位置。
对于每个任务集群Ck内的所有分量信号si,重复上述LORETA定位过程,并在大脑皮层空间上标记所有分量对应的区域位置。由于这些分量信号本身就具有功能相关性,因此它们的源位置应当集中分布在某些特定区域,如运动皮层、视觉皮层、语言区等。通过计算上述区域位置的加权重心位置,本申请便可获得该任务集群Ck的最优定位结果,即其对应的功能性脑区中心坐标。这种通过迭代收缩定位的方法,能够有效克服单源反算定位的局限性,充分利用了多个相关脑电分量信号之间的协同作用和空间约束,提高了定位的准确性和鲁棒性。
最后,将上述确定的K'个任务集群的定位结果对应回原始脑电信号,为后续压缩编码过程提供必要的空间位置和功能标注信息。
步骤S106，在原始脑电信号中提取出每个任务集群对应的原始分量信号，将任务集群和对应的原始分量信号输入至预置的压缩编码器，输出任务集群对应的目标任务负载数据，根据多个目标任务负载数据分别完成对多个原始分量信号的压缩编码。
具体地，将上述步骤得到的定位结果对应到原始脑电信号,将并行压缩任务集群输入预置的脑电信号压缩编码器,确定每个任务集群的目标任务负载数据。根据目标任务负载数据,将并行压缩任务集群输入预置的压缩编码模型,得到压缩后的脑电编码数据,实现对原始脑电信号的压缩编码。
在一些实施例中，所述根据多个所述目标任务负载数据分别完成对多个所述原始分量信号的压缩编码，包括：将所述目标任务负载数据和所述原始分量信号输入至预置的压缩编码模型，所述压缩编码模型输出每个所述原始分量信号对应的压缩编码信号；根据多个所述压缩编码信号构成压缩编码后的所述原始脑电信号。
首先,本申请需要将上述步骤中得到的任务集群定位结果与原始脑电信号建立映射关系。具体来说,假设原始脑电信号为X,包含了N个时间采样点和M个传感器通道,即X为一个N×M的矩阵。在上述步骤进行ICA分解时,X被分离为M个相互独立的脑电分量信号si(i=1,2,...,M)。而在上述步骤中,这些分量信号又被划分为K'个任务集群Ck,每个Ck包含了一组相关的分量信号,且被定位到了特定的脑区位置。因此,本申请可以将Ck中的每个分量信号si,对应回X中相应通道的信号分量。
具体来说,设任务集群Ck包含了L个分量信号{s1, s2, ..., sL},它们在上述步骤被定位到了脑区Rk。本申请构建一个N×L的矩阵Xk,其第i列对应于si,即:
Xk = [s1, s2, ..., sL]；
则Xk中的每一列都是原始脑电信号X在对应传感器通道上的分量,且这些分量共同对应于脑区Rk的认知负载。通过将所有Xk矩阵按列拼接,即可重建出原始脑电信号X:
X = [X1, X2, ..., XK']；
其中,每个子矩阵Xk对应于一个任务集群Ck及其定位脑区Rk。这种将原始信号分块的方式,为后续的编码过程提供了天然的分群依据。
接下来,本申请将这K'个任务集群{C1, C2, ..., CK'}及其对应的矩阵{X1, X2,..., XK'}输入预置的脑电信号压缩编码器中,确定每个任务集群的目标任务负载数据,即需要被编码的有效信息量。
具体来说,对于每个任务集群Ck,本申请将其对应的矩阵Xk分块为L'个非重叠时间段{Tk1, Tk2, ..., TkL'},其中每个Tkj为一个Nk×L的小矩阵,表示时间段j内Ck的L个分量信号。对于每个Tkj,本申请计算其能量矩阵:
Ekj = Tkj^T * Tkj；
其中Ekj为L×L的对称正定矩阵,对角线元素表示各分量的能量,非对角线元素表示分量之间的互相关性。本申请令:
ek = sum(diag(Ekj))；
即将Ekj的对角线元素求和,得到Ck在该时间段j内的总能量ek。通过计算所有时间段内的ek之和,并除以信号长度N,本申请可以得到Ck的平均功率谱密度:
Pk = (1/N) * Σ_j ek；
该谱密度Pk被视为Ck的目标任务负载数据,反映了该任务集群对应的认知功能在原始脑电信号中的信息含量。
接下来,本申请将这K'个任务集群{C1, C2, ..., CK'}及其对应的目标任务负载数据{P1, P2, ..., PK'}输入预置的压缩编码模型中。该模型通过对不同任务集群施加不同程度的量化和编码策略,实现对原始脑电信号的有损压缩,同时保留了主要的认知负载信息。
具体来说,编码模型首先根据任务负载Pk,为每个Ck分配相应的码率Rk,使得码率越大,对Ck的量化误差就越小,保留的认知信息就越多。一种简单的码率分配策略为:
Rk = Rmax * Pk / Σ_i Pi；
其中Rmax为分配的总码率,Pk/Σ_i Pi为Ck所占的归一化任务负载比例。然后,对每个时间段Tkj中的L个分量信号进行标量量化,其量化步长Δk由Rk决定。假设分量信号sij的量化版本为s'ij,则有:
s'ij = round(sij / Δk) * Δk；
其中round(x)为对x的四舍五入操作。进一步地,本申请对量化后的信号s'ij施加熵编码或其他无损压缩编码,从而获得最终的编码数据流。
通过上述分层编码策略,对于任务负载较重的集群,本申请将分配较高的码率,使其量化误差较小,从而保留了大部分认知负载信息;而对于任务负载较轻的集群,则适当降低码率,以换取更高的压缩比。这种软件定义的编码方式能够动态平衡压缩率和重构信号质量之间的矛盾,从而在有限的码率约束下,最大程度地保留了原始脑电信号中的关键认知负载成分。
最后,本申请将编码后的K'路数据流进行多路复用,得到压缩后的脑电编码数据,从而实现了对原始脑电信号的有效压缩编码。该编码数据不仅体积大为减小,而且还带有任务集群定位和功能标注信息,为后续的无线传输、大脑解码等提供了基础。
与现有技术相比，本申请至少具备以下有益效果：
1. 实现了脑电信号的语义分群和认知功能定位；传统的脑电信号分析方法难以直接从原始混杂信号中分离出不同的认知功能成分及其对应的脑源位置。本发明利用小波分解、ICA分离、贝叶斯网络分群等技术手段,能够自动将脑电信号划分为不同的任务集群,每个集群对应一种特定的认知功能,如视觉加工、运动想象、语言理解等。同时,通过LORETA反算定位算法,可以精确确定每个任务集群的脑源位置在大脑皮层上的空间坐标。这种自动语义分群和认知功能定位能力,为脑电数据的解释和应用提供了新的分析视角。
2. 实现了基于认知功能负载的自适应压缩编码；本发明提出了一种基于认知功能负载的自适应压缩编码策略。具体来说,通过计算每个任务集群的功率谱密度,量化其对应的认知功能负载水平。然后采用分层编码,为功能负载越大的任务集群分配越高的码率,使其量化误差越小,从而在有限码率约束下,最大限度地保留了原始脑电信号中的关键认知负载信息。该自适应编码策略能够灵活权衡压缩率和信号保真度,在保证重建质量的前提下,实现了较高的压缩比。
3. 支持高质量的脑电数据无线传输和远程处理；由于脑电信号具有微弱的生物电特性,其无线传输和远程处理一直是制约脑机接口等应用发展的瓶颈。本发明通过自适应压缩编码策略,能够在不过多损失原始信号质量的情况下,将脑电数据的码率大幅降低。同时,编码后的数据还带有任务集群的认知功能标注和脑源定位信息,为后续的数据解码和认知分析提供了必要的元数据支持。这种低码率高质量的脑电数据特性,为构建高效脑机接口系统、实现远程脑电信号云端处理等提供了关键支撑。为了执行上述方法实施例对应的基于贝叶斯网络模型的脑电信号压缩编码方法，以实现相应的功能和技术效果。参见图2，图2示出了本申请实施例提供的一种脑电信号压缩编码装置200的结构框图。为了便于说明，仅示出了与本实施例相关的部分，本申请实施例提供的脑电信号压缩编码装置200，包括：
数据获取模块201，用于获取待对齐的原始脑电数据，对所述原始脑电数据进行预处理，获取标准脑电数据和标签信息；
矩阵构建模块202，用于根据所述标准脑电数据对应的时间点信息和通道信息，构建所述原始脑电数据对应的脑电数据矩阵；
特征输出模块203，用于将所述脑电数据矩阵输入至预设的卷积神经网络，输出所述脑电数据矩阵对应的全局特征；
特征分解模块204，用于将所述全局特征输入至预设的广义低秩近似分解模型,将所述全局特征分解为低秩分量和稀疏分量，分别对所述低秩分量和稀疏分量进行特征选取，输出低秩特征通道数据和稀疏特征通道数据；
相似计算模块205，用于分别计算所述低秩特征通道数据和稀疏特征通道数据与预设的专家知识数据的第一相似度，根据所述第一相似度在所述低秩特征通道数据和稀疏特征通道中确定目标特征通道数据；
数据对齐模块206，用于根据迭代特征对齐算法对所述目标特征通道数据进行跨域数据的特征分布对齐,输出对齐后的所述目标特征通道数据；其中，在所述迭代特征对齐算法中，所述原始脑电数据为目标域数据，所述标准脑电数据和标签信息为源域数据，完成对所述原始脑电数据的特征分布对齐。
上述的脑电信号压缩编码装置200可实施上述方法实施例的基于贝叶斯网络模型的脑电信号压缩编码方法。上述方法实施例中的可选项也适用于本实施例，这里不再详述。本申请实施例的其余内容可参照上述方法实施例的内容，在本实施例中，不再进行赘述。
图3为本申请一实施例提供的计算机设备的结构示意图。如图3所示，该实施例的计算机设备3包括：至少一个处理器30（图3中仅示出一个）、存储器31以及存储在所述存储器31中并可在所述至少一个处理器30上运行的计算机程序32，所述处理器30执行所述计算机程序32时实现上述任意方法实施例中的步骤。
所述计算机设备3可以是智能手机、平板电脑、桌上型计算机和云端服务器等计算设备。该计算机设备可包括但不仅限于处理器30、存储器31。本领域技术人员可以理解，图3仅仅是计算机设备3的举例，并不构成对计算机设备3的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如还可以包括输入输出设备、网络接入设备等。
所称处理器30可以是中央处理单元(Central Processing Unit，CPU)，该处理器30还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor，DSP)、专用集成电路 (Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器31在一些实施例中可以是所述计算机设备3的内部存储单元，例如计算机设备3的硬盘或内存。所述存储器31在另一些实施例中也可以是所述计算机设备3的外部存储设备，例如所述计算机设备3上配备的插接式硬盘，智能存储卡（Smart Media Card,SMC），安全数字（Secure Digital, SD）卡，闪存卡（Flash Card）等。进一步地，所述存储器31还可以既包括所述计算机设备3的内部存储单元也包括外部存储设备。所述存储器31用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等，例如所述计算机程序的程序代码等。所述存储器31还可以用于暂时地存储已经输出或者将要输出的数据。
另外，本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述任意方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品，当计算机程序产品在计算机设备上运行时，使得计算机设备执行时实现上述各个方法实施例中的步骤。
在本申请所提供的几个实施例中，可以理解的是，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意的是，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述的具体实施例，对本申请的目的、技术方案和有益效果进行了进一步的详细说明，应当理解，以上所述仅为本申请的具体实施例而已，并不用于限定本申请的保护范围。特别指出，对于本领域技术人员来说，凡在本申请的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (8)

1.一种基于贝叶斯网络模型的脑电信号压缩编码方法，其特征在于，包括：
获取脑电设备采集的原始脑电信号，对所述原始脑电信号进行多尺度分解，获取多组小波系数；
对所述小波系数进行变换重构，获取目标脑电信号，对所述目标脑电信号进行信号分解，获取多个脑电分量信号；
将每个所述脑电分量信号输入至待构建的贝叶斯网络模型，以使每个所述脑电分量信号分别与所述贝叶斯网络模型的任务特征节点、任务状态节点和任务并行节点连接；
优化所述贝叶斯网络模型的节点连接权重，生成构建完成的目标贝叶斯模型，所述目标贝叶斯模型输出多个所述脑电分量信号对应的并行压缩任务关系；
根据所述并行压缩任务关系将多个所述脑电分量信号划分为多个任务集群，获取每个所述任务集群在所述脑电设备中的定位结果；
在所述原始脑电信号中提取出每个所述任务集群对应的原始分量信号，将所述任务集群和对应的所述原始分量信号输入至预置的压缩编码器，输出所述任务集群对应的目标任务负载数据，根据多个所述目标任务负载数据分别完成对多个所述原始分量信号的压缩编码；
每组所述小波系数包括细节系数和粗近似系数；所述对所述原始脑电信号进行多尺度分解，获取多组小波系数，包括：
对所述原始脑电信号基于预设小波基函数进行多级小波分解，获取每级所述小波分解对应的所述细节系数和粗近似系数；
所述对所述小波系数进行变换重构，包括：
根据多组所述小波系数的所述细节系数和粗近似系数，确定所述小波系数进行变换重构的重构计算公式；
根据所述重构计算公式获取所述目标脑电信号；
确定所述小波系数进行变换重构的重构计算公式，包括：
假设经过J层小波分解得到细节系数{cD1', cD2', ..., cDJ'}和粗近似系数{cAJ'},则小波重构的计算公式为:
cA_j-1[k] = Σ_n h'[n-2k]cA_j[n] + Σ_n g'[n-2k]cD_j[n]；
其中h'[n]和g'[n]分别为低通和高通重构滤波器,它们与分解滤波器h[n]和g[n]存在对偶关系,满足正交性和双正交性条件；cA_j-1[k]是第j-1级的近似系数,通过对第j级近似系数cA_j[n]和细节系数cD_j[n]进行上采样、滤波和求和运算得到；重复该过程直至j=1,最终合成出时域信号x'[n]。
2.根据权利要求1所述的方法，其特征在于，在所述对所述小波系数进行变换重构之前，还包括：
根据预设阈值和软阈值函数对多组小波系数进行过滤，获取过滤后的所述小波系数，以对过滤后的所述小波系数进行变换重构。
3.根据权利要求1所述的方法，其特征在于，在所述将每个所述脑电分量信号输入至待构建的贝叶斯网络模型之前，还包括:提取每个所述脑电分量信号对应的时频特征，以将所述时频特征输入至所述贝叶斯网络模型；所述贝叶斯网络模型包括特征层、状态层和并行层；所述将每个所述脑电分量信号输入至待构建的贝叶斯网络模型，包括：
将所述时频特征与所述特征层的所述任务特征节点连接；
确定所述状态层的每个任务状态节点对应的任务特征节点，并将所述任务状态节点与对应的所述任务特征节点连接；
确定所述并行层的所述每个任务并行节点对应的任务状态节点，并将所述任务并行节点与对应的任务状态节点连接。
4.根据权利要求1所述的方法，其特征在于，所述脑电设备包括多个头皮电极；所述获取每个所述任务集群在所述脑电设备中的定位结果，包括：
获取所述任务集群中的所述脑电分量信号的在每个所述头皮电极的响应功率；
根据多个所述响应功率构建响应功率向量；
根据预设的反算定位算法和所述响应功率向量计算所述任务集群在脑电设备中的最佳源位置；
将所述最佳源位置作为所述定位结果。
5.根据权利要求1所述的方法，其特征在于，所述根据多个所述目标任务负载数据分别完成对多个所述原始分量信号的压缩编码，包括：
将所述目标任务负载数据和所述原始分量信号输入至预置的压缩编码模型，所述压缩编码模型输出每个所述原始分量信号对应的压缩编码信号；
根据多个所述压缩编码信号构成压缩编码后的所述原始脑电信号。
6.一种脑电信号压缩编码装置，其特征在于，用于实现如权利要求1-5任一项所述的脑电信号压缩编码方法，包括：
信号获取模块，用于获取脑电设备采集的原始脑电信号，对所述原始脑电信号进行多尺度分解，获取多组小波系数；
时频获取模块，用于对所述小波系数进行变换重构，获取目标脑电信号，对所述目标脑电信号进行信号分解，获取多个脑电分量信号；
节点连接模块，用于将每个所述脑电分量信号输入至待构建的贝叶斯网络模型，以使每个所述脑电分量信号分别与所述贝叶斯网络模型的任务特征节点、任务状态节点和任务并行节点连接；
模型生成模块，用于优化所述贝叶斯网络模型的节点连接权重，生成构建完成的目标贝叶斯模型，所述目标贝叶斯模型输出多个所述脑电分量信号对应的并行压缩任务关系；
定位获取模块，用于根据所述并行压缩任务关系将多个所述脑电分量信号划分为多个任务集群，获取每个所述任务集群在所述脑电设备中的定位结果；
压缩编码模块，用于在所述原始脑电信号中提取出每个所述任务集群对应的原始分量信号，将所述任务集群和对应的所述原始分量信号输入至预置的压缩编码器，输出所述任务集群对应的目标任务负载数据，根据多个所述目标任务负载数据分别完成对多个所述原始分量信号的压缩编码。
7.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器；
所述存储器用于存储计算机程序；
所述处理器，用于执行所述计算机程序并在执行所述计算机程序时实现如权利要求1至5中任一项所述的基于贝叶斯网络模型的脑电信号压缩编码方法的步骤。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时使所述处理器实现如权利要求1至5中任一项所述的基于贝叶斯网络模型的脑电信号压缩编码方法的步骤。
CN202410870476.4A 2024-07-01 2024-07-01 基于贝叶斯网络模型的脑电信号压缩编码方法及设备 Active CN118413240B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410870476.4A CN118413240B (zh) 2024-07-01 2024-07-01 基于贝叶斯网络模型的脑电信号压缩编码方法及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410870476.4A CN118413240B (zh) 2024-07-01 2024-07-01 基于贝叶斯网络模型的脑电信号压缩编码方法及设备

Publications (2)

Publication Number Publication Date
CN118413240A CN118413240A (zh) 2024-07-30
CN118413240B true CN118413240B (zh) 2024-09-10

Family

ID=91996272

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410870476.4A Active CN118413240B (zh) 2024-07-01 2024-07-01 基于贝叶斯网络模型的脑电信号压缩编码方法及设备

Country Status (1)

Country Link
CN (1) CN118413240B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105719224A (zh) * 2016-01-18 2016-06-29 济南大学 基于对偶树复小波变换的压缩感知的生物特征图像加密方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5604824A (en) * 1994-09-22 1997-02-18 Houston Advanced Research Center Method and apparatus for compression and decompression of documents and the like using splines and spline-wavelets
WO2010045724A1 (en) * 2008-10-20 2010-04-29 Neurochip Corporation Method and rhythm extractor for detecting and isolating rhythmic signal features from an input signal using the wavelet packet transform
WO2015047462A2 (en) * 2013-06-03 2015-04-02 The Regents Of The University Of California Artifact removal techniques with signal reconstruction
US20200222010A1 (en) * 2016-04-22 2020-07-16 Newton Howard System and method for deep mind analysis

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105719224A (zh) * 2016-01-18 2016-06-29 济南大学 基于对偶树复小波变换的压缩感知的生物特征图像加密方法

Also Published As

Publication number Publication date
CN118413240A (zh) 2024-07-30

Similar Documents

Publication Publication Date Title
Krishnan et al. Trends in biomedical signal feature extraction
Chiang et al. Noise reduction in ECG signals using fully convolutional denoising autoencoders
Naik et al. An overview of independent component analysis and its applications
CN109165556B (zh) 一种基于grnn身份识别方法
CN112244873B (zh) 一种基于混合神经网络的脑电时空特征学习与情感分类方法
Ilyas et al. A survey of analysis and classification of EEG signals for brain-computer interfaces
Ashokkumar et al. RETRACTED: Implementation of deep neural networks for classifying electroencephalogram signal using fractional S‐transform for epileptic seizure detection
EP1247252A1 (en) Unsupervised adaptation and classification of multi-source data using a generalized gaussian mixture model
Jain et al. Blind source separation and ICA techniques: a review
Islam et al. DenseNet based speech imagery EEG signal classification using Gramian Angular Field
WO2020228420A1 (zh) 降噪自编码器的训练方法、心电信号的降噪方法及其装置
CN112990008B (zh) 基于三维特征图和卷积神经网络的情绪识别方法及系统
WO2022241578A1 (en) Systems and methods for neural networks and dynamic spatial filters to reweigh channels
Hao et al. A Unified Framework for Low-Latency Speaker Extraction in Cocktail Party Environments.
CN113870903A (zh) 病理语音的识别方法、装置、设备及存储介质
Gan Signal processing and image processing for acoustical imaging
CN117609951A (zh) 一种融合脑电和功能近红外的情感识别方法、系统及介质
Li et al. Deeplabv3+ vision transformer for visual bird sound denoising
CN117574059A (zh) 高分辨率脑电信号深度神经网络压缩方法及脑机接口系统
Do et al. Speech Separation in the Frequency Domain with Autoencoder.
Bich et al. Aggressively prunable MAM²-based Deep Neural Oracle for ECG acquisition by Compressed Sensing
Carlin et al. Sustained firing of model central auditory neurons yields a discriminative spectro-temporal representation for natural sounds
CN118413240B (zh) 基于贝叶斯网络模型的脑电信号压缩编码方法及设备
CN113827253A (zh) 计算设备和从脑电信号中去除噪声的方法
CN115721323A (zh) 一种脑机接口信号识别方法、系统及电子设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant