基于非线性分解的多通道脑电信号空间滤波方法

本发明具体涉及一种基于非线性分解的多通道脑电信号空间滤波方法。背景技术：1、脑电图(electroencephalography，eeg)作为反映人脑活动状态的重要信息载体，在神经科学研究及临床应用中占有重要地位。然而，eeg记录过程中容易受到肌电、眼电等生理噪声和外界环境噪声的影响，其信噪比通常较低。此外，eeg具有较低的空间分辨率，头皮表面记录到的信号源定位精度较低，存在有效信号弥散在多个通道的问题，严重阻碍了对刺激相关神经响应的准确测量和分析。2、空间滤波通过各电极信号的加权组合，构建反映大脑活动源的成分，是提升eeg响应信噪比的重要方法。目前已经提出了多种计算空间滤波器权重的方法：3、最佳电极(best electrode)可以视为一种最简单的空间滤波方法，其核心思想为在特定目标频率处选择具有最高信噪比的电极。4、独立成分分析(independent component analysis，ica)能够将多通道神经信号分解成统计上独立的非高斯信号源，经常被用来分离大脑电活动中的伪迹和神经源活动。5、空间谱分解(spatial-spectral decomposition，ssd)通过最大化特定频段的信号功率与噪声功率之比来实现增强特定频率范围内信号，用于提取某一特定频段内的大脑活动。6、降噪源分离(denoising source separation，dss)是一种神经信号分析中常用的线性空间滤波算法，是专门用于提高信噪比的一种技术，它通过识别并增强与感兴趣的生理活动相关的信号成分，同时抑制噪声成分。算法根据数据在两种不同信噪比条件下的分布，采用主成分分析算法寻找使信号信噪比最高的方向。dss算法可以看作广义特征值分解的过程，通过得到的特征向量将数据从原空间映射到信噪比第一大、信噪比第二大、信噪比第三大等方向上。通过选择信噪比较高的成分，实现对信号的滤波。7、这些方法均基于大脑活动源在电极记录中线性混合的假设。然而大脑是一个高度动态和适应性的系统，大脑活动源在电极记录中涉及复杂的非线性过程，现有的空间滤波方法均基于大脑活动源在电极记录中线性混合的假设，存在一定局限性。8、随着深度学习技术的发展和应用，研究人员开始探索利用神经网络模型的强大非线性拟合能力去除神经信号中的眼动伪影和肌电干扰等生理性噪声，如eeganet基于生成对抗网络(generative adversarial network，gans)去除多通道脑电信号中的眼部伪影，ic-u-net基于u-net体系结构去除多通道脑电信号中的眼部、肌肉伪影和环境噪声等。但目前基于深度学习的eeg去噪方法均只针对眼动伪影和肌电干扰等生理性噪声的去除，无法解决背景神经活动产生的1/f噪声问题，也无法从神经信号中提取与刺激相关的源。。技术实现思路1、本发明提供了一种基于非线性分解的多通道脑电信号空间滤波方法解决上述提到的技术问题，具体采用如下的技术方案：2、一种基于非线性分解的多通道脑电信号空间滤波方法，包含：3、获取若干被试的脑电信号；4、对获取的脑电信号进行预处理；5、基于预处理后的脑电信号计算对应的标签信号；6、构建并训练去噪自编码网络模型；7、将采集的新的脑电信号输入训练好的去噪自编码网络模型得到刺激相关源与非线性空间滤波后的脑电信号。8、进一步地，所述对获取的脑电信号进行预处理的具体方法为：9、使用fir滤波器对脑电信号进行带通滤波、降采样、去除离群值、插值损坏的导联。10、进一步地，所述对获取的脑电信号进行预处理的具体方法还包含：11、使用最小二乘回归法去除眼电噪声。12、进一步地，所述基于预处理后的脑电信号构建计算脑电信号的标签信号的具体方法为：13、从记录到的连续的脑电信号中提取出被试的若干单试次脑电信号；14、对于每名被试，将不同条件的脑电信号都按照一定比例划分为训练试次数据和测试试次数据，所有被试的训练试次数据构成训练集，所有被试的测试试次数据构成测试集；15、分别计算每名被试的训练数据对应的标签信号。16、进一步地，所述分别计算每名被试的训练数据对应的标签信号的具体方法为：17、对每个被试的训练试次数据进行叠加平均作为该条件下的训练试次数据的标签信号。18、进一步地，获取若干被试的脑电信号的具体方法为：19、每名被试在高、低负荷工作记忆两种条件下分别完成若干个正常试次和若干个异常试次，记录被试完成上述试次时的脑电信号；20、所述基于预处理后的脑电信号构建计算脑电信号的标签信号的具体方法为：21、从记录到的连续的脑电信号中提取出被试的若干单试次脑电信号；22、剔除异常试次对应的脑电信号；23、对于每名被试，将不同工作条件的脑电信号都按照一定比例划分为训练试次数据和测试试次数据，所有被试的训练试次数据构成训练集，所有被试的测试试次数据构成测试集；24、分别计算每名被试的训练数据对应的标签信号；25、所述分别计算每名被试的训练数据对应的标签信号的具体方法为：26、将每个被试的高负荷工作条件下的训练试次数据进行叠加平均作为每个高负荷工作条件下的训练试次数据的标签信号；27、将每个被试的低负荷工作条件下的训练试次数据进行叠加平均作为每个低负荷工作条件下的训练试次数据的标签信号。28、进一步地，将不同工作条件的脑电信号都按照3:1划分训练数据和测试数据。29、进一步地，去噪自编码网络模型包括：编码器和解码器，编码器用于将脑电信号编码到隐空间，捕捉信号中的关键特征，提取刺激相关的源，解码器用于将编码后的信息重新映射回原始信号空间，重建去噪后的信号。30、进一步地，编码器和解码器结构对称；31、在编码器中，输入大小为(c,t)的单试次脑电信号x，首先通过大小为(1,k1)的卷积核进行时域滤波，得到包含不同频带特征的大小为(c,t)的特征图，之后通过大小为(c,1)的卷积核对这些特征图进行逐通道卷积作为空间滤波，之后通过卷积核大小为(1,k2)的逐通道卷积进行第二次时域滤波，最终通过点卷积将这些大小为(1,t)的特征向量进行混合，得到刺激相关的源；32、在解码器中，使用点卷积进行解混，使用逐通道卷积进行时域滤波，最后通过一个反卷积层和一个卷积层将这些(1,t)的向量变换回(c,t)的原始空间中；33、其中，c为通道数，t为时间点数，k1和k2为时序卷积核的长度。34、进一步地，去噪自编码网络模型的损失函数为：35、36、37、38、其中，z(f)为模型输出的傅里叶变换，为标签信号的傅里叶变换，n为训练集样本数，训练至损失函数收敛，得到训练好的去噪自编码网络。39、本发明的有益之处在于所提供的基于非线性分解的多通道脑电信号空间滤波方法，基于非线性分解的多通道脑电信号空间滤波，能够非线性地提取神经信号中的刺激相关成分，去除背景神经活动产生的1/f噪声，提高神经信号的信噪比，获得更好的空间滤波效果。40、本发明的有益之处在于所提供的基于非线性分解的多通道脑电信号空间滤波方法，将多段试次叠加平均后的信号作为模型训练的标签信号，最小化模型输出与标签信号的时域与频域的重构误差，从而使模型能够从神经信号中非线性地提取刺激相关源、实现非线性空间滤波。本发明中设计的去噪自编码网络充分考虑了神经信号的特点，使其能够有效捕捉神经信号中的不同尺度的时频域和空间特征。且模型的参数量较小，使其在数据量有限的神经信号数据集上也能表现出优秀的去噪效果。