基于ECA和生成对抗网络的脑电信号伪迹去除方法研究.pdfVIP

摘要

人脑与机器之间的桥梁正在通过脑机接口（Brain-MachineInterface，BCI）

来实现。非侵入性的脑电图（Electroencephalogram，EEG）传感器被广泛用于

BCI系统，来记录大脑的电信号。但EEG在采集的过程中，会采集到许多与之

无关的信号，这些信号称为伪迹（也可称为噪声），这些伪迹可能会严重污染

EEG信号的质量。伪迹信号通常来源于外部噪声和生理噪声，外部噪声目前可

以通过滤波和屏蔽措施进行消除，去除生理噪声通常采用的方法是以独立成分

分析、奇异值分解等为代表的盲源分离算法，但这些方法需要源信号满足相互

独立等前提条件，可能无法恢复原始信号的真实幅度。近年来，深度学习模型

逐步被运用于脑电图生理噪声去噪，虽然相比于盲源分离算法在去噪的性能上

取得了一定的提升，但现有的大部分模型的去噪性能还不够好，并且缺乏对新

数据集的快速微调策略，去噪性能仍有待进一步提高。因此本文设计了相应的

改进方法和微调策略，具体的研究内容如下：

(1)本文利用梯度提升决策树（GradientBoostingDecisionTree，GBDT），实

现了脑电伪迹检测方法和去噪模型的微调策略。该方法利用脑电信号的方差

（Variance）、高低峰差值（Peak-PeakAmplitude，PPA）等相关特征，辨别伪迹

来源（即肌源性伪迹或眼源性伪迹的其中一种）。实验结果表明，基于GBDT的

伪迹检测算法相较于其他方法，有着更好的识别性能，并且本文将此方法应用

到去噪模型在新数据集微调所需的训练集构建过程中，让基于深度学习的去噪

模型能够更好的适应新数据集，简化模型微调过程中的数据预处理过程。

(2)设计了ECA-1D-CNN去噪模型。本文设计了基于高效通道注意力机制

（EfficientChannelAttention，ECA）的一维卷积神经网络（1-Dimensional

ConvolutionalNeuralNetwork，1DCNN）去噪模型（ECA-1D-CNN），它基于模

型NovelCNN的结构之上，引入了ECA模块，使得模型能够以不同权重学习通

道内的数据。同时，本文引入了批量规范化层（BatchNormalization，BN）和

LeakyRelu激活函数，使模型在训练过程中保持一定的输入分布标准和唤醒线

性激活输入中的负值，让模型在数据集上获得更好的训练效果。ECA-1D-CNN

模型在EEGdenoiseNet数据集上使用平均时域相对均方根误差、平均频域相对

均方根误差和平均相关系数评价指标进行分析。实验结果表明，在

EEGdenoiseNet肌源性伪迹和眼源性伪迹去除评估实验中，ECA-1D-CNN在平

均相关系数指标上分别达到0.91和0.88，为了研究去噪后的脑电信号对后续脑

电分类分析的影响，本文在BCIIV2b数据集上设计了相关对比实验，对一些常

见脑电分类基准模型做了比较分析，BCIIV2b数据集经过本文设计，微调后的

ECA-1D-CNN去噪模型预处理后，基准分类模型的分类准确度有一定的提升效

果，提升幅度优于实验中其他脑电伪迹去除方法。

(3)设计了CAGAN去噪模型。由于ECA-1D-CNN模型属于监督式学习，在

训练过程中偏向于数据特征提取，特征提取往往对输出维度小于输入维度的模

型起到比较好的收敛效果，但对于去噪来说，模型的输入与输出有着相同的维

度。无监督学习机制的生成对抗网络（GenerativeAdversarialNetworks，GAN），

在训练过程中偏向于数据生成，使得网络能够学习到数据更多的差异性，因此

为了让模型得到更好的去噪效果，本文在ECA-1D-CNN的基础上，设计了

CAGAN去噪模型，同时改进了GAN网络的生成器损失函数。CAGAN去噪模

型同样在EEGdenoiseNet数据集上进行肌源性伪迹和眼源性伪迹去除评估实验，

平均相关系数指标达分别达到0.95和0.89。BCIIV2b数据集经过微调后的

CAGAN模型处理后，基准分类模型的分类准确度的提升幅度更加明显。

关键词：脑电信号；伪迹去除；通道注意力机制；生成对抗网络；卷积神

经网络