一种基于脑电波信号特征的眼部噪声去除方法
阅读说明：本技术 一种基于脑电波信号特征的眼部噪声去除方法 (Eye noise removing method based on brain wave signal characteristics ) 是由 王晓岸 马鹏程 张乾坤 于 2020-06-23 设计创作，主要内容包括：本发明公开了一种基于脑电波信号特征的眼部噪声去除方法。本方法包括了特制的脑电数据处理模块、特制的眼部噪声分析模块和特制的噪声去除模块三部分。本方法的工作原理为：(1)特制的脑电数据处理模块对输入的原始脑电数据进行预处理,得到标准化的信号数据；(2)特制的眼部噪声分析模块对输入的信号数据进行眼部噪声识别和噪声波形特征计算分析；(3)特制的噪声去除模块依据计算出的眼部噪声基础波形特征值进行信号噪声去除。本发明实现了脑电信号眼部噪声的自动化去除,降低了眼部噪声去除的成本,提高了信号处理效率。(The invention discloses an eye noise removing method based on brain wave signal characteristics. The method comprises a specially-made electroencephalogram data processing module, a specially-made eye noise analysis module and a specially-made noise removal module. The working principle of the method is as follows: (1) the method comprises the steps that a specially-made electroencephalogram data processing module preprocesses input original electroencephalogram data to obtain standardized signal data; (2) a specially-made eye noise analysis module carries out eye noise identification and noise waveform feature calculation analysis on input signal data; (3) and the special noise removing module removes signal noise according to the calculated eye noise basic waveform characteristic value. The invention realizes the automatic removal of the eye noise of the electroencephalogram signal, reduces the cost of removing the eye noise and improves the signal processing efficiency.)
技术领域
本发明属于脑电波信号处理领域，具体涉及一种基于脑电波信号特征的眼部噪声去除方法。
背景技术
脑电波设备在人们日常生活中的应用越来越多，脑电波数据的应用处理数量也越来越大，在脑电波设备的应用中，干扰噪声主要有眼部电波、面部肌肉电波、心脏电波等。这些噪声的幅值能量要远远高于脑电波本身，脑电波很容易被这些干扰完全淹没。
存在的问题是，目前比较成熟的针对脑电波预处理的方法，基本针对的是多通道设计分析，需要大量的人工操作，无法实现自动化去除噪声。
为此，我们设计了一种基于脑电波信号特征的眼部噪声去除方法，用于较少通道的脑电波设备，可实现完全自动化的脑电波信号眼部噪声去除。
发明内容
本发明的目的在于提供一种基于脑电波信号特征的眼部噪声去除方法，以解决目前市面上脑电波预处理方法无法实现完全自动化去除眼部噪声，眼部噪声分析去除需要耗费大量人工来处理的问题。通过特制的眼部噪声分析模块计算线性相关系数和峰值，可以有效确认眼部噪声在脑电信号中的位置，识别眼部噪声信号；零相移滤波处理可以计算眼部噪声的基本波形和特征值，实现自动化的眼部噪声分析和去除。
为了实现上述目的，本发明提供如下技术方案：一种基于脑电波信号特征的眼部噪声去除方法。本方法包括一套脑电波信号数据标准化处理、眼部噪声识别分析和噪声去除的步骤，此步骤应用了特制的脑电数据处理模块、特制的眼部噪声分析模块以及特制的噪声去除模块三个部分。本方法脑电波信号数据标准化处理、眼部噪声识别分析和噪声去除的步骤为：
第一步：通过特制的脑电数据处理模块对原始脑电信号数据进行标准化处理，并将处理后的数据传输到特制的眼部噪声分析模块；
第二步：特制的眼部噪声分析模块对标准化的信号数据进行眼部噪声识别，确定存在噪声的数据位置，并进行噪声基础波形数据计算，确定噪声数据特征和数值；
第三步：在特制的噪声去除模块中，依据噪声基础波形的特征和数值，对含有噪声的数据进行去除，生成去除噪声后的脑电波信号数据。
优选的，所述第一步特制的脑电数据处理模块对原始脑电波信号数据进行预处理的流程为：
第一步：对原始脑电信号数据进行Z-score统一标准化，提高信号数据的可比性；
第二步：输出标准化后的数据到特制的眼部噪声分析模块。
优选的，所述第一步和第二步特制的眼部噪声分析模块对脑电波信号数据的眼部噪声识别分析的流程为：
第一步：计算信号数据的线性相关系数和峰值进行眨眼噪声和眼动噪声的识别，确认含有噪声的数据位置；
第二步：对含有眨眼噪声和眼动噪声的信号数据分别进行零相移滤波，得到出眨眼噪声和眼动噪声的基本波形和数据特征值；
第三步：输出含有眼部噪声数据的位置信息和不同噪声的数据特征值给特制的噪声去除模块。
优选的，所述第三步中特制的噪声去除模块对脑电波信号数据的眼部噪声去除的流程为：
第一步：以特制的眼部噪声分析模块识别出的含有眼部噪声的信号数据作为被减数，计算出的眼部噪声特征值作为减数，求差；
第二步：求得的差值作为去除噪声后的数据，替换相应含有眼部噪声的信号数据值，生成去除眼部噪声后的脑电波数据。
优选的，所述计算信号数据的线性相关系数和峰值进行眨眼噪声识别、得到基本波形和数据特征值的步骤为：
第一步：以500ms为时间窗长度，100ms为窗口步长计算相关性和峰峰值；
第二步：计算出的线性相关系数超过0.85且峰峰值超过300μv则为含有眨眼噪声的信号数据；
第三步：对含有眨眼噪声的数据进行1-15Hz的零相移滤波器，数据范围为峰值左右各延长150ms，可得到眨眼噪声的基本波形；
第四步：以此眨眼噪声基本波形的数据为该数据范围内的噪声数据特征值。
优选的，所述计算信号数据的线性相关系数和峰值进行眼动噪声识别、得到基本波形和数据特征值的步骤为：
第一步：以1000ms为时间窗长度，200ms为窗口步长计算相关性和峰峰值；
第二步：计算出的线性相关系数低于-0.5则为含有眼动噪声的信号数据；
第三步：对含有眼动噪声的数据进行1-5Hz的零相移滤波器，范围为峰值左延100ms右延800ms，可得到眼动噪声的基本波形；
第四步：以此眼动噪声基本波形的数据为该数据范围内的噪声数据特征值。
与现有技术相比，本发明的有益效果是：
1.通过构建基于脑电波信号特征的眼部噪声去除方法，能够实现完全自动化的脑电波信号眼部噪声的去除，无需人工操作；
2.通过应用线性相关性和峰值计算的方法，对脑电波信号进行眼部噪声识别，可准确的识别出眨眼噪声和眼动噪声；
3.通过采用零相移滤波进行眼部噪声基础波行和特征值的计算，提高了眼部噪声的分析效率。
附图说明
图1为本发明的应用流程图；
图2为本发明的原理步骤示意图；
图3为本发明的脑电波信号眨眼噪声去除数据对比图；
图4为本发明的脑电波信号眼动噪声去除数据对比图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性的劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明提供一种技术方案：一种基于脑电波信号特征的眼部噪声去除方法。本方法包括一套脑电波信号数据标准化处理、眼部噪声识别分析和噪声去除的步骤，此步骤应用了特制的监管员机制模块、特制的深度学习算法模型模块以及筛选器模块三个部分如图1-2所示。在实施例中具体为：
第一步：通过特制的脑电数据处理模块对原始脑电信号数据进行标准化处理，并将处理后的数据传输到特制的眼部噪声分析模块；
第二步：特制的眼部噪声分析模块对标准化的信号数据进行眼部噪声识别，确定存在噪声的数据位置，并进行噪声基础波形数据计算，确定噪声数据特征和数值；
第三步：在特制的噪声去除模块中，依据噪声基础波形的特征和数值，对含有噪声的数据进行去除，生成去除噪声后的脑电波信号数据。
本实施例中，优选的，所述第一步特制的脑电数据处理模块对原始脑电波信号数据进行预处理的流程为：
第一步：对原始脑电信号数据进行Z-score统一标准化，提高信号数据的可比性；
第二步：输出标准化后的数据到特制的眼部噪声分析模块。
本实施例中，优选的，所述第一步和第二步特制的眼部噪声分析模块对脑电波信号数据的眼部噪声识别分析的流程为：
第一步：计算信号数据的线性相关系数和峰值进行眨眼噪声和眼动噪声的识别，确认含有噪声的数据位置；
第二步：对含有眨眼噪声和眼动噪声的信号数据分别进行零相移滤波，得到出眨眼噪声和眼动噪声的基本波形和数据特征值；
第三步：输出含有眼部噪声数据的位置信息和不同噪声的数据特征值给特制的噪声去除模块。
本实施例中，优选的，所述第三步中特制的噪声去除模块对脑电波信号数据的眼部噪声去除的流程为：
第一步：以特制的眼部噪声分析模块识别出的含有眼部噪声的信号数据作为被减数，计算出的眼部噪声特征值作为减数，求差；
第二步：求得的差值作为去除噪声后的数据，替换相应含有眼部噪声的信号数据值，生成去除眼部噪声后的脑电波数据。
本实施例中，优选的，如图3所示，所述计算信号数据的线性相关系数和峰值进行眨眼噪声识别、得到基本波形和数据特征值的步骤为：
第一步：以500ms为时间窗长度，100ms为窗口步长计算相关性和峰峰值；
第二步：计算出的线性相关系数超过0.85且峰峰值超过300μv则为含有眨眼噪声的信号数据；
第三步：对含有眨眼噪声的数据进行1-15Hz的零相移滤波器，数据范围为峰值左右各延长150ms，可得到眨眼噪声的基本波形；
第四步：以此眨眼噪声基本波形的数据为该数据范围内的噪声数据特征值。
本实施例中，优选的，如图4所示，所述计算信号数据的线性相关系数和峰值进行眼动噪声识别、得到基本波形和数据特征值的步骤为：
第一步：以1000ms为时间窗长度，200ms为窗口步长计算相关性和峰峰值；
第二步：计算出的线性相关系数低于-0.5则为含有眼动噪声的信号数据；
第三步：对含有眼动噪声的数据进行1-5Hz的零相移滤波器，范围为峰值左延100ms右延800ms，可得到眼动噪声的基本波形；
第四步：以此眼动噪声基本波形的数据为该数据范围内的噪声数据特征值。