生物电信号数据增强方法、装置和计算机设备

技术领域

本申请涉及生物电信号识别技术领域。具体地，本申请涉及一种生物电信号数据增强方法、装置和计算机设备。

背景技术

生物电信号识别技术涉及分析和辨识人体产生的各种电信号，例如心电图(ECG)、脑电图(EEG)和肌电图(EMG)。这些信号可以应用于诊断、疾病监测和运动控制等领域，具备广泛的应用潜力。

传统的生物电信号识别方法依赖于机器学习技术来构建生物电信号识别模型，以通过该模型对生物电信号进行分类和辨识。不过，生物电信号识别模型通常需要大量的样本数据进行训练。然而，由于采集生物电信号通常需要专门设备和专业知识，可用的样本数据集相对有限。此外，生物电信号容易受到运动干扰和设备噪声等影响，导致生物电信号识别模型的识别准确性较低。

发明内容

基于此，有必要针对上述技术问题，提供一种生物电信号数据增强方法、装置、计算机设备和存储介质。

第一方面，本申请提供了一种生物电信号数据增强方法。所述方法包括：

步骤S102，获取由原始数据构成的数据集；其中，所述原始数据为多通道生物电信号，所述多通道生物电信号包含多个通道的生物电信号时间序列；

步骤S104，基于多种信号多样性提高策略，分别对所述数据集中的原始数据进行增强，得到不同的信号多样性提高策略对应的第一增强数据；其中，所述信号多样性提高策略用于提高生物电信号的多样性；

步骤S106，基于多种噪声鲁棒性提升策略，分别对所述数据集中的原始数据进行增强，得到不同的噪声鲁棒性提升策略对应的第二增强数据；其中，所述噪声鲁棒性提高策略用于提升网络模型对噪声的鲁棒性；

步骤S108，基于多种过拟合降低策略，分别对所述数据集中的原始数据进行增强，得到不同的过拟合降低策略对应的第三增强数据；其中，所述过拟合降低策略用于降低过拟合现象；

步骤S110，基于多种网络训练加速策略，分别对所述数据集中的原始数据进行增强，得到不同的网络训练加速策略对应的第四增强数据；其中，所述网络训练加速策略用于加快网络模型的训练速度。

在其中一个实施例中，所述步骤S104包括：

步骤S1041，通过白化的方式，对所述原始数据进行归一化，得到归一化后的数据；

步骤S1042，在所述原始数据中，对每一通道内的生物电信号时间序列进行插值，得到插值后的数据；

步骤S1043，在所述原始数据中，逐一对每个通道内的生物电信号时间序列进行滤波，并将相邻通道内滤波后的数据进行混叠，得到通道混叠后的数据；

步骤S1044，在所述原始数据中，逐一对每个通道内的生物电信号时间序列进行缩放，得到缩放后的数据；

步骤S1045，分割所述原始数据，并对分割后的数据进行重新组合，得到重组后的数据；

步骤S1046，将所述归一化后的数据、所述插值后的数据、所述通道混叠后的数据、所述缩放后的数据和所述重组后的数据，确定为第一增强数据。

在其中一个实施例中，步骤S1041通过如下公式实现：

其中，x

步骤S1042通过如下公式实现：

其中，x

步骤S1043通过如下公式实现：

sum(W)＝1

其中，C表示总通道数，i表示通道索引，X表示所有通道的生物电信号时间序列，W表示混叠矩阵；

步骤S1044通过如下公式实现：

x

其中，x

在其中一个实施例中，所述步骤S106包括：

步骤S1061，对所述原始数据添加噪声，得到噪声添加后的数据；

步骤S1062，对所述原始数据进行短时傅里叶变换，得到频谱图；

步骤S1063，获取所述频谱图中的最大幅值，并根据所述最大幅值和预设的波动因子，对所述频谱图进行波动，得到频率波动后的数据；

步骤S1064，在所述频谱图中，将高于全局频率均值且频率梯度为零的频率，替换为所述全局频率均值，得到尖峰去噪后的数据；

步骤S1065，将所述噪声添加后的数据、所述频率波动后的数据和所述尖峰去噪后的数据，确定为第二增强数据。

在其中一个实施例中，步骤S1061通过如下公式实现：

x

其中，x

步骤S1063通过如下公式实现：

X

其中，x

步骤S1064通过如下公式实现：

其中，X

在其中一个实施例中，所述步骤S108包括：

步骤S1081，通过时序遮盖的方式，抹除所述原始数据中的部分时间段数据，得到时序遮盖后的数据；

步骤S1082，在所述原始数据中，将多个通道的生物电信号时间序列进行随机排序，得到通道混洗后的数据；

步骤S1083，对所述原始数据进行短时傅里叶变换，得到频谱图；

步骤S1084，通过时域遮盖的方式，抹除所述频谱图中的部分时间段数据，得到时域遮盖后的数据；

步骤S1085，通过频域遮盖的方式，抹除所述频谱图中的部分频率数据，得到频域遮盖后的数据；

步骤S1086，滚动所述频谱图中的时间轴，得到时域替代后的数据；

步骤S1087，将所述时序遮盖后的数据、所述通道混洗后的数据、所述时域遮盖后的数据、所述频域遮盖后的数据和所述时域替代后的数据，确定为第三增强数据。

在其中一个实施例中，步骤S1081通过如下公式实现：

其中，x

步骤S1082通过如下公式实现：

x

其中，x

步骤S1084通过如下公式实现：

其中，X

步骤S1085通过如下公式实现：

其中，X

步骤S1086通过如下公式实现：

X

其中，X

在其中一个实施例中，所述步骤S110包括：

步骤S1101，在所述数据集中，将所述原始数据按照时长进行升序排列，得到升序排列后的数据；

步骤S1102，对所述数据集中原始数据进行归一化，并对所述数据集中归一化后的数据进行均值偏移，得到全局均值偏移的数据；

步骤S1103，将所述升序排列后的数据和所述全局均值偏移的数据，确定为第四增强数据。

第二方面，本申请提供了一种生物电信号数据增强装置。所述装置包括：

数据获取模块，用于获取由原始数据构成的数据集；其中，所述原始数据为多通道生物电信号，所述多通道生物电信号包含多个通道的生物电信号时间序列；

多样性提高模块，用于基于多种信号多样性提高策略，分别对所述数据集中的原始数据进行增强，得到不同的信号多样性提高策略对应的第一增强数据；其中，所述信号多样性提高策略用于提高生物电信号的多样性；

鲁棒性提升模块，用于基于多种噪声鲁棒性提升策略，分别对所述数据集中的原始数据进行增强，得到不同的噪声鲁棒性提升策略对应的第二增强数据；其中，所述噪声鲁棒性提高策略用于提升网络模型对噪声的鲁棒性；

过拟合降低模块，用于基于多种过拟合降低策略，分别对所述数据集中的原始数据进行增强，得到不同的过拟合降低策略对应的第三增强数据；其中，所述过拟合降低策略用于降低过拟合现象；

训练加速模块，用于基于多种网络训练加速策略，分别对所述数据集中的原始数据进行增强，得到不同的网络训练加速策略对应的第四增强数据；其中，所述网络训练加速策略用于加快网络模型的训练速度。

第三方面，本申请还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，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

步骤S102，获取由原始数据构成的数据集；其中，所述原始数据为多通道生物电信号，所述多通道生物电信号包含多个通道的生物电信号时间序列；

步骤S104，基于多种信号多样性提高策略，分别对所述数据集中的原始数据进行增强，得到不同的信号多样性提高策略对应的第一增强数据；其中，所述信号多样性提高策略用于提高生物电信号的多样性；

步骤S106，基于多种噪声鲁棒性提升策略，分别对所述数据集中的原始数据进行增强，得到不同的噪声鲁棒性提升策略对应的第二增强数据；其中，所述噪声鲁棒性提高策略用于提升网络模型对噪声的鲁棒性；

步骤S108，基于多种过拟合降低策略，分别对所述数据集中的原始数据进行增强，得到不同的过拟合降低策略对应的第三增强数据；其中，所述过拟合降低策略用于降低过拟合现象；

步骤S110，基于多种网络训练加速策略，分别对所述数据集中的原始数据进行增强，得到不同的网络训练加速策略对应的第四增强数据；其中，所述网络训练加速策略用于加快网络模型的训练速度。

第四方面，本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：

步骤S102，获取由原始数据构成的数据集；其中，所述原始数据为多通道生物电信号，所述多通道生物电信号包含多个通道的生物电信号时间序列；

步骤S104，基于多种信号多样性提高策略，分别对所述数据集中的原始数据进行增强，得到不同的信号多样性提高策略对应的第一增强数据；其中，所述信号多样性提高策略用于提高生物电信号的多样性；

步骤S106，基于多种噪声鲁棒性提升策略，分别对所述数据集中的原始数据进行增强，得到不同的噪声鲁棒性提升策略对应的第二增强数据；其中，所述噪声鲁棒性提高策略用于提升网络模型对噪声的鲁棒性；

步骤S108，基于多种过拟合降低策略，分别对所述数据集中的原始数据进行增强，得到不同的过拟合降低策略对应的第三增强数据；其中，所述过拟合降低策略用于降低过拟合现象；

步骤S110，基于多种网络训练加速策略，分别对所述数据集中的原始数据进行增强，得到不同的网络训练加速策略对应的第四增强数据；其中，所述网络训练加速策略用于加快网络模型的训练速度。

第五方面，本申请还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：

步骤S102，获取由原始数据构成的数据集；其中，所述原始数据为多通道生物电信号，所述多通道生物电信号包含多个通道的生物电信号时间序列；

步骤S104，基于多种信号多样性提高策略，分别对所述数据集中的原始数据进行增强，得到不同的信号多样性提高策略对应的第一增强数据；其中，所述信号多样性提高策略用于提高生物电信号的多样性；

步骤S106，基于多种噪声鲁棒性提升策略，分别对所述数据集中的原始数据进行增强，得到不同的噪声鲁棒性提升策略对应的第二增强数据；其中，所述噪声鲁棒性提高策略用于提升网络模型对噪声的鲁棒性；

步骤S108，基于多种过拟合降低策略，分别对所述数据集中的原始数据进行增强，得到不同的过拟合降低策略对应的第三增强数据；其中，所述过拟合降低策略用于降低过拟合现象；

步骤S110，基于多种网络训练加速策略，分别对所述数据集中的原始数据进行增强，得到不同的网络训练加速策略对应的第四增强数据；其中，所述网络训练加速策略用于加快网络模型的训练速度。

上述生物电信号数据增强方法、装置、计算机设备、计算机可读存储介质和计算机程序产品，通过采用多种不同的信号多样性提高策略、噪声鲁棒性提升策略、过拟合降低策略、网络训练加速策略来对生物电信号进行数据增强，能够扩展信号多样性和信息量，提高降噪能力以更好地区分信号与噪声，降低深度学习过拟合现象以及加速网络训练过程，使得生物电信号识别模型在小样本数据和噪声干扰下的应用更加可靠和有效，有利于提高生物电信号识别性能。

附图说明

图1为一个实施例中生物电信号数据增强方法的流程示意图；

图2为一个实施例中生物电信号数据增强装置的结构框图；

图3为一个实施例中计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

在一个实施例中，如图1所示，提供了一种生物电信号数据增强方法。该方法包括以下步骤S102-步骤S110：

步骤S102，获取由原始数据构成的数据集。

其中，原始数据为多通道生物电信号，多通道生物电信号包含多个通道的生物电信号时间序列。可选地，生物电信号可以是肌电信号。总通道数可以设置为8。

步骤S104，基于多种信号多样性提高策略，分别对数据集中的原始数据进行增强，得到不同的信号多样性提高策略对应的第一增强数据。

其中，信号多样性提高策略用于提高生物电信号的多样性。

具体而言，步骤S104可以通过以下步骤S1041-步骤S1046来实现：

步骤S1041，原始数据归一化(RAW normalization)：通过白化的方式，对原始数据进行归一化，得到归一化后的数据。

步骤S1041通过如下公式实现：

其中，x

上述步骤S1041可以降低数据冗余性，降低特征相关性以及加速训练。

步骤S1042，速度扰动(Speed perturb)：在原始数据中，对每一通道内的生物电信号时间序列进行插值，得到插值后的数据。

步骤S1042通过如下公式实现：

其中，x

上述步骤S10422通过单通道线性插值算法模拟运动快慢导致的生物电信号速度变化。

步骤S1043，通道混叠(Channel alias)：在原始数据中，逐一对每个通道内的生物电信号时间序列进行滤波，并将相邻通道内滤波后的数据进行混叠，得到通道混叠后的数据。

步骤S1043通过如下公式实现：

sum(W)＝1

其中，C表示总通道数，i表示通道索引，X表示所有通道的生物电信号时间序列，W表示混叠矩阵，并满足sum(W)＝1约束，表示对所有通道数据进行矩阵操作。举例如下，X＝[1,2,3,4]共有4个通道。以第一个通道混叠操作举例，如果不进行通道混叠，则W

上述步骤S1043利用多通道C使用逐通道滤波混叠相邻通道数据，来模拟上臂肌肉群重叠。

步骤S1044，数据缩放(Volume perturb)：在原始数据中，逐一对每个通道内的生物电信号时间序列进行缩放，得到缩放后的数据。

步骤S1044通过如下公式实现：

x

其中，x

上述步骤S1044通过逐通道缩放生物电信号模拟同模式下不同肌肉用力程度。

步骤S1045，时序排列(permutation)：分割原始数据，并对分割后的数据进行重新组合，得到重组后的数据。

在步骤S1045中，随机选定0-N个分割点，将原始数据分割为1至N+1个段，将这些分段重新随机排列后按照通道时间重新组合。

步骤S1046，将归一化后的数据、插值后的数据、通道混叠后的数据、缩放后的数据和重组后的数据，确定为第一增强数据。

可以理解，信号多样性提高策略为五种。

步骤S106，基于多种噪声鲁棒性提升策略，分别对数据集中的原始数据进行增强，得到不同的噪声鲁棒性提升策略对应的第二增强数据。

其中，噪声鲁棒性提高策略用于提升网络模型对噪声的鲁棒性。

具体而言，步骤S106可以通过以下步骤S1061-步骤S1065来实现：

步骤S1061，随机噪声(jitter)：对原始数据添加噪声，得到噪声添加后的数据。

步骤S1061通过如下公式实现：

x

其中，x

上述步骤S1061向信号中添加随机噪声，以增加数据的多样性。

步骤S1062，短时傅里叶变换(the short-time Fourier transform)：对原始数据进行短时傅里叶变换，得到频谱图。

步骤S1062通过如下公式实现：

其中，X

上述步骤S1062将非稳定信号进行时频分析，获得时频信息，使肌肉震动频率随时间变化更直观。

步骤S1063，频率波动(Spectrogram add frequency)：获取频谱图中的最大幅值，并根据最大幅值和预设的波动因子，对频谱图进行波动，得到频率波动后的数据。

步骤S1063通过如下公式实现：

X

其中，X

上述步骤S1063根据最大幅值的10％进行波动。

步骤S1064，尖峰去噪(Spike denoising)：在频谱图中，将高于全局频率均值且频率梯度为零的频率，替换为全局频率均值，得到尖峰去噪后的数据。

步骤S1064通过如下公式实现：

其中，X

上述步骤S1064针对可能产生的尖峰噪声进行去噪。

步骤S1065，将噪声添加后的数据、频率波动后的数据和尖峰去噪后的数据，确定为第二增强数据。

可以理解，噪声鲁棒性提升策略为三种。

步骤S108，基于多种过拟合降低策略，分别对数据集中的原始数据进行增强，得到不同的过拟合降低策略对应的第三增强数据。

其中，过拟合降低策略用于降低过拟合现象。

具体而言，步骤S108可以通过以下步骤S1081-步骤S1087来实现：

步骤S1081，时序遮盖(Masking)：通过时序遮盖的方式，抹除原始数据中的部分时间段数据，得到时序遮盖后的数据。

步骤S1081通过如下公式实现：

其中，x

上述步骤S1081随机遮盖信号的部分信息，减轻过拟合。

步骤S1082，通道混洗(Channel Shuffle)：在原始数据中，将多个通道的生物电信号时间序列进行随机排序，得到通道混洗后的数据。

步骤S1082通过如下公式实现：

x

其中，x

上述步骤S1082多通道随机排序，模拟干电极下不同佩戴姿势变化。

步骤S1083，短时傅里叶变换(the short-time Fourier transform)：对原始数据进行短时傅里叶变换，得到频谱图。

步骤S1083通过如下公式实现：

其中，X

上述步骤S1083将非稳定信号进行时频分析，获得时频信息，使肌肉震动频率随时间变化更直观。

步骤S1084，时域遮盖(Spectrogram Time mask)：通过时域遮盖的方式，抹除频谱图中的部分时间段数据，得到时域遮盖后的数据。

步骤S1084通过如下公式实现：

其中，X

上述步骤S1084随机抹除部分时间段信息，减轻过拟合。

步骤S1085，频域遮盖(Spectrogram frequency mask)：通过频域遮盖的方式，抹除频谱图中的部分频率数据，得到频域遮盖后的数据。

步骤S1085通过如下公式实现：

其中，X

上述步骤S1085随机抹除部分频率信息，减轻过拟合。

步骤S1086，时域替代(Spectrogram Time substitute)：滚动频谱图中的时间轴，得到时域替代后的数据。

步骤S1086通过如下公式实现：

X

其中，X

上述步骤S1086通过时间轴滚动，模拟不同时间的同生物电信号模式。

步骤S1087，将时序遮盖后的数据、通道混洗后的数据、时域遮盖后的数据、频域遮盖后的数据和时域替代后的数据，确定为第三增强数据。

可以理解，过拟合降低策略为五种。

步骤S110，基于多种网络训练加速策略，分别对数据集中的原始数据进行增强，得到不同的网络训练加速策略对应的第四增强数据。

其中，网络训练加速策略用于加快网络模型的训练速度。

具体而言，步骤S110可以通过以下步骤S1101-步骤S1103来实现：

步骤S1101，数据集升序排列(Dataset ascending sort)：在数据集中，将原始数据按照时长进行升序排列，得到升序排列后的数据。

上述步骤S1101对生物电信号数据按时长进行升序排列，加速网络训练。

步骤S1102，对数据集中原始数据进行归一化，并对数据集中归一化后的数据进行均值偏移，得到全局均值偏移的数据。

步骤S1102通过如下公式实现：

x

其中，x

上述步骤S1102根据全数据集特征归一化，根据全数据集特征进行均值偏移，降低数据冗余度，加速网络训练。

步骤S1103，将升序排列后的数据和全局均值偏移的数据，确定为第四增强数据。

可以理解，过拟合降低策略为两种。

在一个实施例中，该方法还包括：

每个通道利用独热编码单独从速度扰动、数据缩放、随机噪声、时序遮盖中选择一种来进行数据增强，具体实现如下：

aug

＝permutation(x)*onehot[3]aug

经测试，采用上述不同的数据增强策略的组合，分类器错误率从25％降至5％，有效缓解了小样本下网络的过拟合、提高了分类性能和对噪声鲁棒性。

上述生物电信号数据增强方法中，通过采用多种不同的信号多样性提高策略、噪声鲁棒性提升策略、过拟合降低策略、网络训练加速策略来对生物电信号进行数据增强，能够扩展信号多样性和信息量，提高降噪能力以更好地区分信号与噪声，降低深度学习过拟合现象以及加速网络训练过程，使得生物电信号识别模型在小样本数据和噪声干扰下的应用更加可靠和有效，有利于提高生物电信号识别性能。

应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。

基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的生物电信号数据增强方法的生物电信号数据增强装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个生物电信号数据增强装置实施例中的具体限定可以参见上文中对于生物电信号数据增强方法的限定，在此不再赘述。

在一个实施例中，如图2所示，提供了一种生物电信号数据增强装置。该装置应用于生物电信号，包括：

数据获取模块202，用于获取由原始数据构成的数据集；其中，原始数据为多通道生物电信号，多通道生物电信号包含多个通道的生物电信号时间序列；

多样性提高模块204，用于基于多种信号多样性提高策略，分别对数据集中的原始数据进行增强，得到不同的信号多样性提高策略对应的第一增强数据；其中，信号多样性提高策略用于提高生物电信号的多样性；

鲁棒性提升模块206，用于基于多种噪声鲁棒性提升策略，分别对数据集中的原始数据进行增强，得到不同的噪声鲁棒性提升策略对应的第二增强数据；其中，噪声鲁棒性提高策略用于提升网络模型对噪声的鲁棒性；

过拟合降低模块208，用于基于多种过拟合降低策略，分别对数据集中的原始数据进行增强，得到不同的过拟合降低策略对应的第三增强数据；其中，过拟合降低策略用于降低过拟合现象；

训练加速模块210，用于基于多种网络训练加速策略，分别对数据集中的原始数据进行增强，得到不同的网络训练加速策略对应的第四增强数据；其中，网络训练加速策略用于加快网络模型的训练速度。

上述生物电信号数据增强装置中，通过采用多种不同的信号多样性提高策略、噪声鲁棒性提升策略、过拟合降低策略、网络训练加速策略来对生物电信号进行数据增强，能够扩展信号多样性和信息量，提高降噪能力以更好地区分信号与噪声，降低深度学习过拟合现象以及加速网络训练过程，使得生物电信号识别模型在小样本数据和噪声干扰下的应用更加可靠和有效，有利于提高生物电信号识别性能。

需要说明的是，上述实施例提供的生物电信号数据增强装置在实现相应的功能时，仅以上述各功能模块的划分举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的生物电信号数据增强装置与生物电信号数据增强方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。

根据本申请的一个方面，本发明实施例还提供一种计算机程序产品，该计算机程序产品包括计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分从网络上被下载和安装。在该计算机程序被处理器执行时，执行本申请实施例提供的生物电信号数据增强方法。

此外，本发明实施例还提供了一种计算机设备，该设备包括处理器和存储器，存储器存储有计算机程序，处理器能够执行存储器中存储的计算机程序，计算机程序被处理器执行时，可以实现上述任一实施例提供的生物电信号数据增强方法。

例如，图3示出了本发明实施例提供的一种计算机设备，该设备包括总线1110、处理器1120、收发器1130、总线接口1140、存储器1150和用户接口1160。

在本发明实施例中，该设备还包括：存储在存储器1150上并可在处理器1120上运行的计算机程序，计算机程序被处理器1120执行时实现上述生物电信号数据增强方法实施例的各个过程。

收发器1130，用于在处理器1120的控制下接收和发送数据。

本发明实施例中，总线架构(用总线1110来代表)，总线1110可以包括任意数量互联的总线和桥，总线1110将包括由处理器1120代表的一个或多个处理器与存储器1150代表的存储器的各种电路连接在一起。

总线1110表示若干类型的总线结构中的任何一种总线结构中的一个或多个，包括存储器总线以及存储器控制器、外围总线、加速图形端口(Accelerate Graphical Port，AGP)、处理器或使用各种总线体系结构中的任意总线结构的局域总线。作为示例而非限制，这样的体系结构包括：工业标准体系结构(Industry Standard

Architecture，ISA)总线、微通道体系结构(Micro Channel

Architecture，MCA)总线、扩展ISA(Enhanced ISA，EISA)总线、视频电子标准协会(Video Electronics Standards Association，VESA)、外围部件互连(PeripheralComponent Interconnect，PCI)总线。

处理器1120可以是一种集成电路芯片，具有信号处理能力。在实现过程中，上述方法实施例的各步骤可以通过处理器中硬件的集成逻辑电路或软件形式的指令完成。上述的处理器包括：通用处理器、中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(FieldProgrammable Gate Array，FPGA)、复杂可编程逻辑器件

(Complex Programmable Logic Device，CPLD)、可编程逻辑阵列(ProgrammableLogic Array，PLA)、微控制单元(Microcontroller Unit，MCU)或其他可编程逻辑器件、分立门、晶体管逻辑器件、分立硬件组件。可以实现或执行本发明实施例中公开的各方法、步骤及逻辑框图。例如，处理器可以是单核处理器或多核处理器，处理器可以集成于单颗芯片或位于多颗不同的芯片。

处理器1120可以是微处理器或任何常规的处理器。结合本发明实施例所公开的方法步骤可以直接由硬件译码处理器执行完成，或者由译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存取存储器(Random Access Memory，RAM)、闪存(FlashMemory)、只读存储器(Read-Only Memory，ROM)、可编程只读存储器(Programmable ROM，PROM)、可擦除可编程只读存储器(Erasable PROM，EPROM)、寄存器等本领域公知的可读存储介质中。所述可读存储介质位于存储器中，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。

总线1110还可以将，例如外围设备、稳压器或功率管理电路等各种其他电路连接在一起，总线接口1140在总线1110和收发器1130之间提供接口，这些都是本领域所公知的。因此，本发明实施例不再对其进行进一步描述。

收发器1130可以是一个元件，也可以是多个元件，例如多个接收器和发送器，提供用于在传输介质上与各种其他装置通信的单元。例如：收发器1130从其他设备接收外部数据，收发器1130用于将处理器1120处理后的数据发送给其他设备。取决于计算机系统的性质，还可以提供用户接口1160，例如：触摸屏、物理键盘、显示器、鼠标、扬声器、麦克风、轨迹球、操纵杆、触控笔。

应理解，在本发明实施例中，存储器1150可进一步包括相对于处理器1120远程设置的存储器，这些远程设置的存储器可以通过网络连接至服务器。上述网络的一个或多个部分可以是自组织网络(ad hoc network)、内联网(intranet)、外联网(extranet)、虚拟专用网(VPN)、局域网(LAN)、无线局域网(WLAN)、广域网(WAN)、无线广域网(WWAN)、城域网(MAN)、互联网(Internet)、公共交换电话网(PSTN)、普通老式电话业务网(POTS)、蜂窝电话网、无线网络、无线保真(Wi-Fi)网络以及两个或更多个上述网络的组合。例如，蜂窝电话网和无线网络可以是全球移动通信(GSM)系统、码分多址(CDMA)系统、全球微波互联接入(WiMAX)系统、通用分组无线业务(GPRS)系统、宽带码分多址(WCDMA)系统、长期演进(LTE)系统、LTE频分双工(FDD)系统、LTE时分双工(TDD)系统、先进长期演进

(LTE-A)系统、通用移动通信(UMTS)系统、增强移动宽带

(Enhance Mobile Broadband，eMBB)系统、海量机器类通信(massive MachineType of Communication，mMTC)系统、超可靠低时延通信(Ultra Reliable Low LatencyCommunications，uRLLC)系统等。

应理解，本发明实施例中的存储器1150可以是易失性存储器或非易失性存储器，或可包括易失性存储器和非易失性存储器两者。其中，非易失性存储器包括：只读存储器(Read-Only Memory，ROM)、可编程只读存储器(Programmable ROM，PROM)、可擦除可编程只读存储器(Erasable PROM，EPROM)、电可擦除可编程只读存储器(Electrically EPROM，EEPROM)或闪存(Flash Memory)。

易失性存储器包括：随机存取存储器(Random Access Memory，RAM)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如：静态随机存取存储器(Static RAM，SRAM)、动态随机存取存储器(Dynamic RAM，DRAM)、同步动态随机存取存储器(Synchronous DRAM，SDRAM)、双倍数据速率同步动态随机存取存储器(Double Data RateSDRAM，DDRSDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM，ESDRAM)、同步连接动态随机存取存储器(Synchlink DRAM，SLDRAM)和直接内存总线随机存取存储器(DirectRambus RAM，DRRAM)。本发明实施例描述的存储器1150包括但不限于上述和任意其他适合类型的存储器。

在本发明实施例中，存储器1150存储了操作系统1151和应用程序1152的如下元素：可执行模块、数据结构，或者其子集，或者其扩展集。

具体而言，操作系统1151包含各种系统程序，例如：框架层、核心库层、驱动层等，用于实现各种基础业务以及处理基于硬件的任务。应用程序1152包含各种应用程序，例如：媒体播放器(Media Player)、浏览器(Browser)，用于实现各种应用业务。实现本发明实施例方法的程序可以包含在应用程序1152中。应用程序1152包括：小程序、对象、组件、逻辑、数据结构以及其他执行特定任务或实现特定抽象数据类型的计算机系统可执行指令。

此外，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述生物电信号数据增强方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。

计算机可读存储介质包括：永久性和非永久性、可移动和非可移动媒体，是可以保留和存储供指令执行设备所使用指令的有形设备。计算机可读存储介质包括：电子存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备以及上述任意合适的组合。计算机可读存储介质包括：相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、非易失性随机存取存储器(NVRAM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带存储、磁带磁盘存储或其他磁性存储设备、记忆棒、机械编码装置(例如在其上记录有指令的凹槽中的穿孔卡或凸起结构)或任何其他非传输介质、可用于存储可以被计算设备访问的信息。按照本发明实施例中的界定，计算机可读存储介质不包括暂时信号本身，例如无线电波或其他自由传播的电磁波、通过波导或其他传输介质传播的电磁波(例如穿过光纤电缆的光脉冲)或通过导线传输的电信号。

在本发明实施例的描述中，所属技术领域的技术人员应当知道，本发明实施例可以实现为方法、装置、设备及存储介质。因此，本发明实施例可以具体实现为以下形式：完全的硬件、完全的软件(包括固件、驻留软件、微代码等)、硬件和软件结合的形式。此外，在一些实施例中，本发明实施例还可以实现为在一个或多个计算机可读存储介质中的计算机程序产品的形式，该计算机可读存储介质中包含计算机程序代码。

上述计算机可读存储介质可以采用一个或多个计算机可读存储介质的任意组合。计算机可读存储介质包括：电、磁、光、电磁、红外或半导体的系统、装置或器件，或者以上任意的组合。计算机可读存储介质更具体的例子包括：便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器

(EPROM)、闪存(Flash Memory)、光纤、光盘只读存储器(CD-ROM)、光存储器件、磁存储器件或以上任意组合。在本发明实施例中，计算机可读存储介质可以是任意包含或存储程序的有形介质，该程序可以被指令执行系统、装置、器件使用或与其结合使用。

上述计算机可读存储介质包含的计算机程序代码可以用任意适当的介质传输，包括：无线、电线、光缆、射频(Radio Frequency，RF)或者以上任意合适的组合。

可以以汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、集成电路配置数据或以一种或多种程序设计语言或其组合来编写用于执行本发明实施例操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言，例如：Java、Smalltalk、C++，还包括常规的过程式程序设计语言，例如：C语言或类似的程序设计语言。计算机程序代码可以完全的在用户计算机上执行、部分的在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行以及完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络，包括：局域网(LAN)或广域网(WAN)，可以连接到用户计算机，也可以连接到外部计算机。

应当理解，流程图和/或方框图的每个方框以及流程图和/或方框图中各方框的组合，都可以由计算机可读程序指令实现。这些计算机可读程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，从而生产出一种机器，这些计算机可读程序指令通过计算机或其他可编程数据处理装置执行，产生了实现流程图和/或方框图中的方框规定的功能/操作的装置。

也可以将这些计算机可读程序指令存储在能使得计算机或其他可编程数据处理装置以特定方式工作的计算机可读存储介质中。这样，存储在计算机可读存储介质中的指令就产生出一个包括实现流程图和/或方框图中的方框规定的功能/操作的指令装置产品。

也可以将计算机可读程序指令加载到计算机、其他可编程数据处理装置或其他设备上，使得在计算机、其他可编程数据处理装置或其他设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机或其他可编程数据处理装置上执行的指令能够提供实现流程图和/或方框图中的方框规定的功能/操作的过程。

以上所述，仅为本发明实施例的具体实施方式，但本发明实施例的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明实施例披露的技术范围内，可轻易地想到变化或替换，都应涵盖在本发明实施例的保护范围之内。因此，本发明实施例的保护范围应以权利要求的保护范围为准。