脑电降噪的方法及装置、可读存储介质

技术领域

本申请涉及图像处理技术领域，具体而言，涉及一种脑电降噪的方法及装置、可读存储介质。

背景技术

脑电图可以反映由灰质中的神经元产生的传导到头皮上的电位变化，被广泛应用于心理学、神经科学和精神病学，以及脑机接口方向的研究。

脑电图信号中不仅包含大脑活动，还包含噪声，比如：眼动伪迹和肌电伪迹，如果要对脑电图进行应用，需要先进行去噪处理。

传统的去噪技术中，基于回归的方法，通过从脑电图数据中减去估计的噪声模板信号来消除伪迹。基于自适应滤波器的方法，依赖于输入信号对滤波系数作动态估计。盲源分离方法，将脑电图信号分解成多个成分，将它们分配给神经源和伪迹源，并通过重组神经成分来重建干净的信号。

上述几种方法，多用于多通道降噪，难以用于单通道降噪。

因此，现有的脑电降噪的方法具有局限性，不能实现有效的脑电降噪。

发明内容

本申请实施例的目的在于提供一种脑电降噪的方法及装置、可读存储介质，用以实现有效的脑电降噪，提高降噪效果。

第一方面，本申请实施例提供一种脑电降噪的方法，包括：获取待降噪脑电图；对所述待降噪脑电图进行归一化处理，获得归一化的待降噪脑电图；将所述归一化的待降噪脑电图输入预先训练好的脑电降噪模型中，获得降噪后的脑电图；其中，所述预先训练好的脑电降噪模型的训练数据集中包括：去噪的脑电图和带噪声的脑电图，所述带噪声的脑电图基于所述去噪的脑电图和噪声信号生成，所述噪声信号包括眼动伪迹图和肌电伪迹图；对所述降噪后的脑电图进行去归一化处理，获得去归一化的降噪后的脑电图。

在本申请实施例中，与现有技术相比，一方面，利用神经网络模型实现脑电降噪，在进行训练时，可以针对单通道的脑电信号进行训练；在针对多通道脑电信号进行降噪时，只需将多个通道的脑电信号逐个依次输入到神经网络模型中，便可以实现降噪；即，该降噪方法既可以应用于单通道脑电信号的降噪，也可以应用于多通道脑电信号的降噪，克服了现有技术的局限性，实现有效的脑电降噪。另一方面，神经网络模型的训练集中包括去噪的脑电图和带噪声的脑电图，为标准化的降噪网络训练数据，基于该训练数据所训练的脑电降噪模型，降噪效果较好。

作为一种可能的实现方式，在所述获取待降噪脑电图之前，所述方法还包括：从预设数据库中获取脑电图、所述眼动伪迹图和所述肌电伪迹图；根据所述脑电图生成所述去噪的脑电图；根据所述去噪的脑电图、所述眼动伪迹图和所述肌电伪迹图生成所述带噪声的脑电图；将所述去噪的脑电图和所述带噪声的脑电图作为训练数据集，对初始的脑电降噪模型进行训练，获得训练好的脑电降噪模型。

在本申请实施例中，从预设数据库中获取脑电图、眼动伪迹图和肌电伪迹图，基于这三种数据，先生成去噪的脑电图；然后生成带噪声的脑电图，实现标准化的训练数据集的有效生成。

作为一种可能的实现方式，所述脑电图的采样率为第一采样率，所述根据所述脑电图生成所述去噪的脑电图，包括：对所述脑电图进行带通滤波处理，获得滤波处理后的脑电图；对所述滤波处理后的脑电图进行陷波滤波处理，获得陷波滤波处理后的脑电图；基于第二采样率对所述陷波滤波处理后的脑电图进行重新采样，获得重新采样的脑电图；对所述重新采样的脑电图进行去噪处理，获得所述去噪的脑电图。

在本申请实施例中，依次对脑电图进行带通滤波、陷波滤波、重新采用和去噪处理，获得标准化的去噪的脑电图。

作为一种可能的实现方式，所述根据所述去噪的脑电图、所述眼动伪迹图和所述肌电伪迹图生成所述带噪声的脑电图，包括：对所述去噪的脑电图进行分割，获得多个去噪的脑电图片段；对所述眼动伪迹图进行预处理，获得多个眼动伪迹片段；对所述肌电伪迹图进行预处理，获得多个肌电伪迹片段；根据所述多个去噪的脑电图片段和所述多个眼动伪迹片段生成多个带眼动伪迹的脑电图；根据所述多个去噪的脑电图片段和所述多个肌电伪迹片段生成多个带肌电伪迹的脑电图。

在本申请实施例中，通过多个去噪的脑电图片段、多个眼动伪迹片段和多个伪迹片段，进行相应的组合，分别生成多个带眼动伪迹的脑电图和多个带肌电伪迹的脑电图，实现带噪声的脑电图的有效生成。

作为一种可能的实现方式，所述根据所述多个去噪的脑电图片段和所述多个眼动伪迹片段生成多个带眼动伪迹的脑电图，包括：将所述多个去噪的脑电图片段和所述多个眼动伪迹片段组成多个数据对；每个数据对中包括一个去噪的脑电图片段和一个眼动伪迹片段；按照预设的第一线性组合策略和预设的第一组合次数对所述多个数据对中的去噪的脑电图片段和眼动伪迹片段进行组合，获得第一预设数量的带眼动伪迹的脑电图；其中，所述第一预设数量为所述眼动伪迹片段数量与所述预设的第一组合次数的乘积，且所述第一预设数量的带眼动伪迹的脑电图的信噪比在预设信噪比范围内均匀分布；所述预设的第一线性组合策略表示为：y

在本申请实施例中，通过线性的组合方式对多个去噪的脑电图片段和多个眼动伪迹片段进行组合，实现带眼动伪迹的脑电图的有效生成。

作为一种可能的实现方式，所述根据所述多个去噪的脑电图片段和所述多个肌电伪迹片段生成多个带肌电伪迹的脑电图，包括：将所述多个去噪的脑电图片段和所述多个肌电伪迹片段组成多个数据对；每个数据对中包括一个去噪的脑电图片段和一个肌电伪迹片段；按照预设的第二线性组合策略和预设的第二组合次数对所述多个数据对中的去噪的脑电图片段和肌电伪迹片段进行组合，获得第二预设数量的带肌电伪迹的脑电图；其中，所述第二预设数量为所述肌电伪迹片段数量与所述预设的第二组合次数的乘积，且所述第二预设数量的带肌电伪迹的脑电图的信噪比在预设信噪比范围内均匀分布；所述预设的第二线性组合策略表示为：y

在本申请实施例中，通过线性的组合方式对多个去噪的脑电图片段和多个肌电伪迹片段进行组合，实现带肌电伪迹的脑电图的有效生成。

作为一种可能的实现方式，所述预先训练好的脑电降噪模型包括：多个依次连接的第一模块、与多个所述第一模块中的最后一个模块连接的第二模块、与所述第二模块连接的全连接层；其中，所述第一模块中包括：依次连接的多个预设区块、与多个所述预设区块中的后一个预设区块连接的大小为2的一维平均池化层；每个预设区块中包括：1*3核的一维卷积层、ReLU激活函数；所述一维卷积层的特征图数量遵循预设的指数函数；所述第二模块中包括：依次连接的多个所述预设区块、与多个所述预设区块中的后一个预设区块连接的平铺层。

在本申请实施例中，通过新式的卷积神经网络，能够防止过拟合，且还能通过平均池化层逐步降低采样率，提高脑电降噪效果。

作为一种可能的实现方式，所述预先训练好的脑电降噪模型的损失函数为：

在本申请实施例中，通过基于平方和的损失函数，提高脑电降噪模型的降噪效果。

第二方面，本申请实施例提供一种脑电降噪的装置，该装置包括用于实现第一方面以及第一方面的任意一种可能的实现方式中所述的脑电降噪的方法的各个功能模块。

第三方面，本申请实施例提供一种可读存储介质，该可读存储介质上存储有计算机程序，该计算机程序被计算机运行时，执行如第一方面以及第一方面的任意一种可能的实现方式中所述的脑电降噪的方法。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1为本申请实施例提供的脑电降噪的方法的流程图；

图2为本申请实施例提供的脑电图片段示意图；

图3为本申请实施例提供的眼动伪迹片段的第一示意图；

图4为本申请实施例提供的眼动伪迹片段的第二示意图；

图5为本申请实施例提供的肌电伪迹片段的示意图；

图6为本申请实施例提供的脑电降噪模型的结构示意图；

图7为本申请实施例提供的脑电降噪装置的示意图。

图标：700-脑电降噪的装置；710-获取模块；720-处理模块。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。

本申请实施例提供的脑电降噪方法可以应用于各种需要利用脑电图的应用场景中，包括但不限于：脑机接口、人机交互、生物医疗等。比如：心理学、神经科学、精神病学、脑机接口方向的研究等应用场景。

该脑电降噪方法应用的硬件环境包括但不限于：脑电图处理设备和脑电图处理系统的服务器等。以脑电图处理设备为例，将脑电图输入到脑电图处理设备中，脑电图处理设备利用该脑电降噪方法对输入的脑电图进行降噪处理后输出。以脑电图处理系统的服务器为例，在脑电图处理系统中，可能包括前端和服务器，前端将脑电图发送给服务器，服务器利用该脑电降噪方法对输入的脑电图进行降噪处理后反馈给前端，前端再进行相应的反馈。

在介绍脑电降噪的方法之前，先对脑电图作一个简单的介绍。

在进行脑电图采集时，可以利用一个电极采集脑电图信号，也可以利用多个电极采集脑电图信号。如果是一个电极采集脑电图信号，则采集到的脑电图信号便为单通道脑电图；如果是多个电极采集脑电图信号，则采集到的脑电图信号便为多通道脑电图，比如：利用64个电极采集脑电图信号，可以获得64通道脑电图。

基于单电极或者多电极的采集方式，在采集时，通常还对应一个采样率。作为一种可选的实施方式，采用国际10-10系统进行采集采样率为512Hz。

此外，脑电图还可以为运动任务对应的脑电图，运动任务包括运动想象任务和真实运动。举例来说，当被采集对象在想象左右手的运动时，所采集的脑电图便为左右手想象运动对应的脑电图；当被采集对象在做真实的左右手运动时，所采集的脑电图便为左右手真实运动对应的脑电图。

脑电图中包括的噪声可能为：眼动伪迹和肌电伪迹。眼动伪迹，为采集脑电图时，由于眼部的振动所产生的噪声信号。肌电伪迹，为采集脑电图时，由于头颈的肌肉振动所产生的噪声信号。

这两种伪迹信号可以单独采集，比如：将电极设置在眼部，便可以获取到眼部伪迹图；将电极设置在脸部，便可以获取到肌电伪迹图。同样的，眼部伪迹图和肌电伪迹图也可以采用单电极或者多电极的采集方式，比如，眼动伪迹图可通过3-4个电极采集，对应的获取到3-4通道的信号；肌电伪迹图可通过1-2个电极采集，对应的获取到1-2通道的信号。

基于上述应用场景的介绍，接下来请参照图1，为本申请实施例提供的脑电降噪的方法的流程图，该方法包括：

步骤110：获取待降噪脑电图。

步骤120：对待降噪脑电图进行归一化处理，获得归一化的待降噪脑电图。

步骤130：将归一化的待降噪脑电图输入预先训练好的脑电降噪模型中，获得降噪后的脑电图。其中，预先训练好的脑电降噪模型的训练数据集中包括：去噪的脑电图和带噪声的脑电图，带噪声的脑电图基于去噪的脑电图和噪声信号生成，噪声信号包括眼动伪迹图和肌电伪迹图。

步骤140：对降噪后的脑电图进行去归一化处理，获得去归一化的降噪后的脑电图。

在本申请实施例中，与现有技术相比，一方面，利用神经网络模型实现脑电降噪，在进行训练时，可以针对单通道的脑电信号进行训练；在针对多通道脑电信号进行降噪时，只需将多个通道的脑电信号逐个依次输入到神经网络模型中，便可以实现降噪；即，该降噪方法既可以应用于单通道脑电信号的降噪，也可以应用于多通道脑电信号的降噪，克服了现有技术的局限性，实现有效的脑电降噪。另一方面，神经网络模型的训练集中包括去噪的脑电图和带噪声的脑电图，为标准化的降噪网络训练数据，基于该训练数据所训练的脑电降噪模型，降噪效果较好。

接下来对脑电降噪的方法的详细实施方式进行介绍。

在步骤110中，在不同的应用场景中，待降噪脑电图可以有不同的获取方式。比如：待降噪脑电图可以为用户(比如医生)输入脑电图处理设备中的脑电图；也可以为脑电图采集设备实时采集到脑电图之后，将其传输给脑电图处理设备，或者脑电图处理系统的服务器。

待降噪脑电图可以是单通道脑电图，也可以是多通道脑电图。以及，待降噪脑电图可以是一张脑电图，也可以是多张脑电图，在本申请实施例中不作限定。

在步骤120中，归一化的处理方式可以是：将数据除以带噪声的脑电信号标准差。该处理方式可以表示为：

通过对待降噪脑电图的归一化，可以使得输入脑电降噪模型的数据标准化，提高降噪效果。

在步骤120中完成归一化处理之后，在步骤130中，将归一化的待降噪脑电图输入预先训练好的脑电降噪模型中，脑电降噪模型便可以输出降噪后的脑电图。为了便于理解本申请实施例的技术方案，接下来先对脑电降噪模型的训练方式进行介绍。

在本申请实施例中，脑电降噪模型的训练依赖于标准化的训练数据集，在标准化的训练数据集中，包括：去噪的脑电图和带噪声的脑电图，其中，带噪声的脑电图基于去噪的脑电图和噪声信号生成，噪声信号包括：眼动轨迹图和肌电伪迹图。

作为一种可选的实施方式，脑电降噪模型的训练过程包括：从预设数据库中获取脑电图、眼动伪迹图和肌电伪迹图；根据脑电图生成去噪的脑电图；根据去噪的脑电图、眼动伪迹图和肌电伪迹图生成带噪声的脑电图；将去噪的脑电图和带噪声的脑电图作为训练数据集，对初始的脑电降噪模型进行训练，获得训练好的脑电降噪模型。

在这种实施方式中，从预设数据库中获取脑电图、眼动伪迹图和肌电伪迹图，基于这三种数据，先生成去噪的脑电图；然后生成带噪声的脑电图，实现标准化的训练数据集的有效生成。

其中，预设数据库可以是现有的公开可用的数据库，在这些数据库中，不仅有脑电图，还有眼动伪迹图和肌电伪迹图。作为举例，预设数据库对应的网址可以是：http://gigadb.org/dataset/10295；http；//u4ag2kanosrl.blogspot.jp/；http；//urn.fi/URN；NBN:fi；tty等。在获取数据时，三种数据均可以获取多通道的数据，以保证训练数据集中的样本数量。

在获得三种数据集之后，可以先对脑电图进行处理，生成去噪的脑电图，未处理的脑电图的采样率为第一采样率，比如前述实施例中的512Hz。作为一种可选的实施方式，对应的处理过程包括：对脑电图进行带通滤波处理，获得滤波处理后的脑电图；对滤波处理后的脑电图进行陷波滤波处理，获得陷波滤波处理后的脑电图；基于第二采样率对陷波滤波处理后的脑电图进行重新采样，获得重新采样的脑电图；对重新采样的脑电图进行去噪处理，获得去噪的脑电图。

在这种实施方式中，依次对脑电图进行带通滤波、陷波滤波、重新采用和去噪处理，获得标准化的去噪的脑电图。

其中，带通滤波的频率范围可以为1-80Hz，位于该频率范围外的信号明显不属于标准的脑电信号，因此，通过带通滤波，可以初步起到较为明显的噪声的去除作用。

陷波滤波，其作用是去除工频干扰，在不同的应用场景中(比如在不同的国家或者地区)，对应的工频干扰频率不相同。作为举例，工频干扰频率可以是50Hz。

在重新采样时，第二采样率可以是256Hz，重新采样的目的是便于后续将脑电图分割为脑电图片段。

在对重新采样的脑电图进行去噪处理时，可以采用针对多通道脑电图的去噪处理方法，比如：盲源分离法(例如独立成分分析)。具体地，通过一些统计学方法将多个通道的电信号映射到多个维度的空间，然后把其中几个维度判定为噪声并消除，再将剩下的维度还原以获得干净的脑电信号。

当然，除了盲源分离法，也可以采用其他可实施的去噪处理方式，在本申请实施例中不作限定。

在获得去噪的脑电图之后，基于去噪的脑电图，眼动伪迹图和肌电伪迹图生成带噪声的脑电图。作为一种可选的实施方式，该处理过程包括：对去噪的脑电图进行分割，获得多个去噪的脑电图片段；对眼动伪迹图进行预处理，获得多个眼动伪迹片段；对肌电伪迹图进行预处理，获得多个肌电伪迹片段；根据多个去噪的脑电图片段和多个眼动伪迹片段生成多个带眼动伪迹的脑电图；根据多个去噪的脑电图片段和多个肌电伪迹片段生成多个带肌电伪迹的脑电图。

在这种实施方式中，通过多个去噪的脑电图片段、多个眼动伪迹片段和多个伪迹片段，进行相应的组合，分别生成多个带眼动伪迹的脑电图和多个带肌电伪迹的脑电图，实现带噪声的脑电图的有效生成。

其中，在对去噪的脑电图进行分割时，可以将去噪的脑电图分割成2s的片段，进而获得多个时间长度为2s的脑电图片段。作为举例，请参照图2，为最终获得的2s的脑电图片段的示例图。

眼动伪迹图的预处理，与去噪的脑电图的处理类似，预处理过程可以包括：带通滤波、陷波滤波、重新采样、信号分割。

其中，带通滤波的频率范围可以是0.3-10Hz；重新采样的采样率与脑电图的相同。信号分割的方式，与脑电图相同，将重新采样的眼动伪迹图分割成多个2s的眼动伪迹片段。作为举例，请参照图3和图4，为最终获得的2s的眼动伪迹片段的两种示例图。

肌电伪迹图的预处理，与眼动伪迹图的处理类似，预处理过程可以包括：带通滤波、陷波滤波、重新采样、信号分割。

其中，带通滤波的频率范围可以是1-120Hz；重新采样的采样率与脑电图的相同。信号分割的方式，与脑电图相同，将重新采样的肌电伪迹图分割成多个2s的肌电伪迹片段。作为举例，请参照图5，为最终获得的2s的肌电伪迹片段的示例图。

在获得三种信号片段之后，还可以将其反馈给专家，由专家肉眼对其进行检查，在专家确认三种信号片段没有问题(比如都是干净信号)之后，再对三种信号片段进行最终的应用。根据实际的应用结果，最终获得的脑电图片段的数量可以为4514个，眼动伪迹片段的数量可以为3400个，肌电伪迹片段的数量可以为5598个。

进一步地，在基于三种信号片段生成带噪声的脑电图时，一方面根据多个去噪的脑电图片段和多个眼动伪迹片段生成多个带眼动伪迹的脑电图，即第一种带噪声的脑电图；另一方面根据多个去噪的脑电图片段和多个肌电伪迹片段生成多个带肌电伪迹的脑电图，即第二种带噪声的脑电图。

作为一种可选的实施方式，生成带眼动伪迹的脑电图的过程包括：将多个去噪的脑电图片段和多个眼动伪迹片段组成多个数据对；每个数据对中包括一个去噪的脑电图片段和一个眼动伪迹片段；按照预设的第一线性组合策略和预设的第一组合次数对多个数据对中的去噪的脑电图片段和眼动伪迹片段进行组合，获得第一预设数量的带眼动伪迹的脑电图；其中，第一预设数量为眼动伪迹片段数量与预设的第一组合次数的乘积，且第一预设数量的带眼动伪迹的脑电图的信噪比在预设信噪比范围内均匀分布；预设的第一线性组合策略表示为：y

在这种实施方式中，通过线性的组合方式对多个去噪的脑电图片段和多个眼动伪迹片段进行组合，实现带眼动伪迹的脑电图的有效生成。

其中，在组成数据对时，可以根据眼动伪迹片段的数量进行组成。比如：假设脑电图片段的数量为4514个，眼动伪迹片段的数量为3400个，可以从4514个脑电图片段中随机选取3400个，然后将该3400个脑电图片段与3400个眼动伪迹片段进行一一组合，获得3400个数据对。

对于获得的数据对，可以分为三个部分，一部分用于生成训练数据集，一部分用于生成验证集，另一部分用于生成测试集。比如：百分之八十用于生成训练集，百分之十用于生成验证集，百分之十用来生成测试集。

进而，在基于数据对进行再次组合时，针对训练数据集，仅对其中的对应数量的数据对进行组合。

第一线性组合策略，表示为：y

其中，λ

此外，可以理解，每次组合时，需要覆盖到所有的数据对，即每次组合之后，可以获得与眼动伪迹片段数量相同的带眼动伪迹的脑电图。进而，最终获得的带眼动伪迹的脑电图的数量为眼动伪迹片段数量与预设的第一组合次数的乘积。举例来说，假设从3400对中选取百分之八十的数据对(即2700个数据对)生成训练数据集，组合次数为10次，最终获得的带眼动伪迹的脑电图的数量为：27000。通过这种方式，可以实现训练数据集的有效扩展。

作为一种可选的实施方式，生成带肌电伪迹的脑电图的过程包括：将多个去噪的脑电图片段和多个肌电伪迹片段组成多个数据对；每个数据对中包括一个去噪的脑电图片段和一个肌电伪迹片段；按照预设的第二线性组合策略和预设的第二组合次数对多个数据对中的去噪的脑电图片段和肌电伪迹片段进行组合，获得第二预设数量的带肌电伪迹的脑电图；其中，第二预设数量为肌电伪迹片段数量与预设的第二组合次数的乘积，且第二预设数量的带肌电伪迹的脑电图的信噪比在预设信噪比范围内均匀分布；预设的第二线性组合策略表示为：y

在这种实施方式中，通过线性的组合方式对多个去噪的脑电图片段和多个肌电伪迹片段进行组合，实现带肌电伪迹的脑电图的有效生成。

其中，在组成数据对时，可以根据肌电伪迹片段的数量进行组成。比如：假设脑电图片段的数量为4514个，肌电伪迹片段的数量为5598个，可以从4514个脑电图片段中随机选取5598-4514＝1084个数据对作为重用数据对，即总共获得5598个脑电图片段，其中有1084个脑电图片段是重用的，这1084个脑电图片段中可以存在相同的脑电图片段，也可以全部是不同的脑电图片段。然后将该5598个脑电图片段与5598个肌电伪迹片段进行一一组合，获得5598个数据对。

对于获得的数据对，可以分为三个部分，一部分用于生成训练数据集，一部分用于生成验证集，另一部分用于生成测试集。比如：百分之八十用于生成训练集，百分之十用于生成验证集，百分之十用来生成测试集。

进而，在基于数据对进行再次组合时，针对训练数据集，仅对其中的对应数量的数据对进行组合。

第二线性组合策略表示为：y

在具体实施时，针对一个带肌电伪迹的脑电图的生成，可以先从数据对中随机选取一个去噪的脑电图片段，然后再从数据对中随机选取一个肌电伪迹片段，然后将两者进行混合，在混合的过程中，对信噪比进行调整，最终生成一个带肌电伪迹的脑电图。

其中，λ

此外，可以理解，每次组合时，需要覆盖到所有的数据对，即每次组合之后，可以获得与肌电伪迹片段数量相同的带肌电伪迹的脑电图。进而，最终获得的带肌电伪迹的脑电图的数量为肌电伪迹片段数量与预设的第二组合次数的乘积。举例来说，假设从5598对中选取百分之八十的数据对(即4478对)生成训练数据集，组合次数为10次，最终获得的带眼动伪迹的脑电图的数量为：44780。通过这种方式，可以实现训练数据集的有效扩展。

将带眼动伪迹的脑电图和带肌电伪迹的脑电图作为带噪声的脑电图，便可以同去噪的脑电图组成训练数据集。同理，对于验证集和测试集，也可以按照训练数据集的方式进行生成，验证集的数据量和测试集的数量与训练集的数量不同。

基于训练数据集，可以对初始的脑电降噪模型进行训练。在将训练数据集输入到初始的脑电降噪模型之前，先对训练集中的数据进行归一化处理，归一化处理的实施方式参照前述实施例中的介绍，在此不再重复介绍。

在对初始的脑电降噪模型进行训练的过程中，还可以利用验证集和测试集对模型的准确度进行验证和测试，并基于验证结果和测试结果，来对脑电降噪模型进行改进，以保证最终训练完成的脑电降噪模型的准确度。

脑电降噪模型，在本申请实施例中采用的是神经网络模型，该神经网络模型可以有多种实施方式，接下来对脑电降噪模型的结构进行介绍。需要注意的是，不管是训练好的脑电降噪模型，还是初始的脑电降噪模型，模型结构是不会改变的。

请参照图6，为脑电降噪模型的第一种模型结构示意图，在图6中，脑电降噪模型包括6个依次连接的第一模块、与6个第一模块中的最后一个模块连接的第二模块、与第二模块连接的全连接层。

其中，第一模块中包括：依次连接的2个预设区块、与2个预设区块中的后一个预设区块连接的1个大小为2的一维平均池化层；每个预设区块中包括：1*3核的一维卷积层、1个ReLU(线性整流函数)激活函数；一维卷积层的特征图数量遵循预设的指数函数。第二模块中包括：依次连接的2个预设区块、与2个预设区块中的后一个预设区块连接的平铺层。

在这种实施方式中，通过新式的卷积神经网络，能够防止过拟合，且还能通过平均池化层逐步降低采样率，提高脑电降噪效果。

需要注意的是，图6所示的模型结构中的预设区块的数量、第一模块的数量、一维平均池化层的数量以及平铺层、等各个模块或者层的数量可以结合实际的应用场景作改变，图6所限定的数量不构成对该卷积神经网络结构的限定。

预设的指数函数，可以为16*2

脑电降噪模型的第二种模型结构可以为一个四层的全连接网络，每个全连接层后面都接着一层ReLu激活函数层和一层用于防止过拟合的Dropout(正则化)层。每个全连接层中的神经元的数量等于输入信号的采样数量。带噪声的脑电图从第一层输入，然后去噪后的脑电图从最后一层输出。

脑电降噪模型的第三种模型结构可以为一个简单的卷积网络。该网络包含4个1维卷积层，每个卷积层的卷积核尺寸为1*3、步长为1、特征图数为64(k3n64s1)。每个1维卷积层之后是批标准化层和ReLu激活函数层。为了重构信号，最后的卷积层接着一个全连接层，去噪后的脑电图从全连接层输出。

脑电降噪模型的第四种模型结构可以为长短期记忆网络。长短期记忆网络能够学习长期依赖关系，有助于区分噪声和脑电信号的长期特征。每个脑电图数据被依次输入到长短期记忆网络单元，并输出一串等长的信号序列。长短期记忆网络层后是三层全连接网络，每层全连接层后都接有ReLu激活函数层和正则化层。

在实际应用时，可以根据应用场景中的具体需求从四种模型结构中确定出一种模型结构，然后进行应用。

在本申请实施例中，脑电降噪模型的损失函数可以为：

举例来说，假设输入的脑电图由512个数据点组成，则N为512，然后i指的是这一串脑电图数据点中第i个位置的数据点，范围从1到512。

该损失函数简单的计算脑电降噪模型的输出以及基准干净信号(即去噪的脑电图)之间的平方和，该平方和作为输出与基准干净信号之间的误差。

在本申请实施例中，通过基于平方和的损失函数，提高脑电降噪模型的降噪效果。

通过上述脑电降噪模型的训练数据集、以及脑电降噪模型的训练可以看出，本申请实施例基于脑电、眼电、肌电数据集构建标准化的脑电降噪训练数据集，以及神经网络模型的监督学习方法，可以实现脑电降噪模型的有效训练，并保证脑电降噪模型的降噪效果。

进一步地，基于训练好的脑电降噪模型，将归一化的待降噪脑电图输入其中，脑电降噪模型输出降噪后的脑电图。

在步骤140中，由于输入模型的是归一化的数据，进而模型输出的也是归一化的数据，此时需要将降噪后的脑电图进行去归一化处理，以获得标准的去归一化的降噪后的脑电图。

参照归一化处理的实施方式，在去归一化时，只需将降噪后的脑电图乘以相应的标准差，恢复降噪后的脑电图信号的幅度，便可以实现去归一化。

在本申请实施例中，主要基于脑电图、眼动伪迹图和肌电伪迹图生成训练数据集，该训练数据集所训练获得的脑电降噪模型可以同时去除眼动伪迹和肌电伪迹。

在实际应用时，也可以根据应用场景的需求采用其他的训练数据集的生成方式。比如：基于脑电图和眼动伪迹图生成第一训练数据集，基于脑电图和肌电伪迹图生成第二训练数据集；然后通过第一训练数据集训练用于去除眼动伪迹的脑电降噪模型；通过第二训练数据集训练用于去除肌电伪迹的脑电降噪模型。

基于同一发明构思，请参照图7，本申请实施例中还提供一种脑电降噪的装置700，包括获取模块710和处理模块720。

获取模块710，用于获取待降噪脑电图。处理模块720，用于：将所述归一化的待降噪脑电图输入预先训练好的脑电降噪模型中，获得降噪后的脑电图；其中，所述预先训练好的脑电降噪模型的训练数据集中包括：去噪的脑电图和带噪声的脑电图，所述带噪声的脑电图基于所述去噪的脑电图和噪声信号生成，所述噪声信号包括眼动伪迹图和肌电伪迹图；对所述降噪后的脑电图进行去归一化处理，获得去归一化的降噪后的脑电图。

在本申请实施例中，获取模块710还用于从预设数据库中获取脑电图、所述眼动伪迹图和所述肌电伪迹图；处理模块720还用于根据所述脑电图生成所述去噪的脑电图；根据所述去噪的脑电图、所述眼动伪迹图和所述肌电伪迹图生成所述带噪声的脑电图；将所述去噪的脑电图和所述带噪声的脑电图作为训练数据集，对初始的脑电降噪模型进行训练，获得训练好的脑电降噪模型。

在本申请实施例，处理模块720具体用于对所述脑电图进行带通滤波处理，获得滤波处理后的脑电图；对所述滤波处理后的脑电图进行陷波滤波处理，获得陷波滤波处理后的脑电图；基于第二采样率对所述陷波滤波处理后的脑电图进行重新采样，获得重新采样的脑电图；对所述重新采样的脑电图进行去噪处理，获得所述去噪的脑电图。

在本申请实施例中，处理模块720具体还用于：对所述去噪的脑电图进行分割，获得多个去噪的脑电图片段；对所述眼动伪迹图进行预处理，获得多个眼动伪迹片段；对所述肌电伪迹图进行预处理，获得多个肌电伪迹片段；根据所述多个去噪的脑电图片段和所述多个眼动伪迹片段生成多个带眼动伪迹的脑电图；根据所述多个去噪的脑电图片段和所述多个肌电伪迹片段生成多个带肌电伪迹的脑电图。

在本申请实施例中，处理模块720具体还用于：将所述多个去噪的脑电图片段和所述多个眼动伪迹片段组成多个数据对；每个数据对中包括一个去噪的脑电图片段和一个眼动伪迹片段；按照预设的第一线性组合策略和预设的第一组合次数对所述多个数据对中的去噪的脑电图片段和眼动伪迹片段进行组合，获得第一预设数量的带眼动伪迹的脑电图；其中，所述第一预设数量为所述眼动伪迹片段数量与所述预设的第一组合次数的乘积，且所述第一预设数量的带眼动伪迹的脑电图的信噪比在预设信噪比范围内均匀分布；所述预设的第一线性组合策略表示为：y

在本申请实施例中，处理模块720具体还用于：将所述多个去噪的脑电图片段和所述多个肌电伪迹片段组成多个数据对；每个数据对中包括一个去噪的脑电图片段和一个肌电伪迹片段；按照预设的第二线性组合策略和预设的第二组合次数对所述多个数据对中的去噪的脑电图片段和肌电伪迹片段进行组合，获得第二预设数量的带肌电伪迹的脑电图；其中，所述第二预设数量为所述肌电伪迹片段数量与所述预设的第二组合次数的乘积，且所述第二预设数量的带肌电伪迹的脑电图的信噪比在预设信噪比范围内均匀分布；所述预设的第二线性组合策略表示为：y

脑电降噪的装置700与前述实施例中的脑电降噪的方法对应，各个模块与脑电降噪的方法的各个步骤对应，因此，各个模块的实施方式参照脑电降噪的方法的各个步骤的实施方式，在此不再重复介绍。

基于同一发明构思，本申请实施例还提供一种可读存储介质，该可读存储介质上存储有计算机程序，该计算机程序被计算机运行时，执行前述实施例中所述的脑电降噪的方法。

在本申请所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

另外，作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

再者，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。

以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。