基于自适应遗传算法优化的栈式稀疏自编码器的眼电伪迹去除模型

发布时间：2020-05-19 12:28

【摘要】：近年来,深度学习技术迅速发展,其在图像处理、语音识别和自然语言处理等领域得到了广泛的应用。本论文将深度学习运用到脑电信号处理中,利用自适应遗传算法优化的栈式稀疏自编码网络进行脑电信号降噪。脑电记录易受到眼电等伪迹影响。去除眼电伪迹是脑电信号处理的关键步骤。本论文使用自适应遗传算法优化的栈式稀疏自编码器去除脑电信号中的眼电伪迹,在模型训练完后可以通过模型快速且自动地去除眼电伪迹。本文工作分为三部分。首先,利用模糊c均值聚类方法对采集到的脑电信号进行分类,区分受眼电伪迹强的时段和受眼电伪迹弱的时段,划分模型的训练集和测试集。接着,对自编码网络引入稀疏化和堆叠操作构成栈式稀疏自编码网络,并使用自适应遗传算法对网络结构和网络连接参数进行优化,获得合适的网络参数组合,加快网络训练的收敛速度。经过训练的模型在测试中可以达到移除眼电伪迹的效果。最后,将所提出的方法与小波变换、独立成分分析(ICA)、主成分分析(PCA)和浅层网络方法进行对比实验。实验结果表明,本文提出的方法在脑电信号重建和眼电伪迹去除都具有最好表现——对于含有眼电伪迹的脑电信号段,该方法能够有效地去除眼电伪迹,对于不含眼电伪迹的脑电信号段,该方法能较好地保留波形的原始细节,而且在不同脑电测试者之间该方法具有良好的泛化能力。
【图文】：

示意图,示意图,参考电极,脑电信号

浙江大学硕士学位论文逦脑电信号的采集与预处理逡逑采用国际脑电图学会规定的１０－２０系统电极，图２－１为本实验用于采集脑电数据逡逑的６４导电极分布图。数据懫样率为２０４８Ｈｚ。逡逑ｙ＾－川邋．ＡＦＺ逡逑／邋－邋Ｐ３邋．Ｆ１邋．Ｆｒ邋．Ｆ２邋Ｖ逡逑＊ＦＣ５邋＃ＦＣ３邋．ＦＣ１邋＃ＦＣ，邋．ＦＣ２邋．ＰＣ４邋＊ＦＣ＾Ｔ８逡逑十邋？Ｃ５邋－Ｃ３邋＊Ｃ１邋？Ｃ７邋＊Ｃ２邋＊Ｃ４邋＊Ｃ６邋Ｉ邋（Ｔ８逡逑＊ＣＰＳ邋＾逦＜ｆ＞：邋＜Ｐ２邋＾邋－ＣＰ／＾ｐｅ逡逑＼邋－ＰＳ邋－Ｐ３邋＊Ｐ１逦＊Ｐ２邋＊Ｐ４逡逑＊Ｐ0３逦＃Ｐｌ°逡逑？邋Ｉｚ逡逑图２－１逦６４导电极位置示意图逡逑在脑电信号的采集过程中记录了眼电信号，将两个额外电极放置在左右太阳逡逑穴处记录实验过程中的双眼外侧水平眼电，两个电极间的差值是水平眼电信号逡逑（右侧减去左侧）。另外两个电极放置在右眼上方和下方记录右眼上下垂直眼电，逡逑两个电极间的差值是垂直眼电信号（上部减去下部）。逡逑另外，将两个额外电极放置在左右乳突上作为参考电极，取它们的平均值作逡逑为脑电信号的参考信号。参考电极理论上应该放置在大脑相对零点的电极位置，逡逑即与采集脑电数据电极的位置距离无穷远处。但在实际实验中，若将参考电极放逡逑置在身体躯干或四肢上

分解图,脑电,小波分解,脑电信号

带和整个信号的小波熵。脑电信号与眼电伪迹在频域上的能量分布有明显区别。逡逑相比于脑电信号，眼电信号在各个频段能量分布差异较大，眼电信号在高频段的逡逑能量明显小于低频段。图３－１为受眼电伪迹干扰弱的脑电信号和垂直眼电信号的逡逑５层小波变换分解图。从中可以看出，，眼电信号的低频段幅值明显高于高频段幅逡逑值，高低频能量差异明显大于脑电信号片段。本研究选用ｄｂ５母小波，对信号片逡逑段进行５级离散小波分解，然后计算每个信号片段的小波熵。通过计算，受眼电逡逑伪迹干扰强的脑电信号的小波熵明显低于受眼电伪迹干扰弱的脑电信号，可以作逡逑为一个聚类的特征值。该特征值不仅不依赖于眼电参考信号，而且有较好的聚类逡逑效果。逡逑２０邋逦＞逦＇逦＇逦１逦ｎ逦５００邋逦１逦．逦．逦１逦ｉ－ｉ逡逑＜邋０邋：逦逦逦．一＾——逦■—￥邋0邋＝逦逡逑－２０邋逦１逦１逦１逦１逦＾逦－５００邋逦１逦１逦１逦１逦＾逡逑０逦５０逦１００逦１５０逦２００逦２５０逦０逦５０逦１００逦１５０逦２００逦２５０逡逑５逦逦逦＇逦—＇逦１逦－ｚ￣ｎ邋２００邋逦■逦１逦■逦逦逦ｒｊ逡逑ｑ逦——
【学位授予单位】：浙江大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：R318;TN911.7

【参考文献】