技术特征：
1.本发明是一种决策树式脑电噪声识别系统，其特征在于决策树式的噪声识别方式，可以区分多种噪声种类，且支持在线识别。该系统的主要包括：脑电信号预处理子系统，脑电信号基本特征提取与识别子系统，脑电信号复杂特征识别子系统。该系统的具体描述如下：1)脑电信号预处理子系统：此系统主要目的是接收原始脑电信号，预处理原始脑电信号为之后的识别做准备。具体而言，采用2s的时间窗用以实时获取脑电信号，原始脑电信号先经过1
‑
70hz带通滤波器，再对滤波后的噪声降采样到200hz。此系统主要目的在于，减少低频噪声影响，比如设备自身的零点漂移，其次降采样是为了减少在线识别的运算量。2)脑电信号基本特征提取与识别子系统：此系统是一种决策树式的构造。接收预处理后的脑电信号后，判断信号是否长时间超过幅值阈值，幅值阈值为100μv，此数值为临床脑电中判断信号是否式脑电的上限，超过100μv大概率不是脑电。若脑电信号超过2s以上幅值超过100μv，则判断为环境噪声，进一步的用fft将信号变换到频域，检测在50hz是否出现峰值，若出现则可判断为工频噪声。若脑电信号未超过2s以上幅值超过100μv，则判断为生理噪声，计算脑电信号的频域和峰度。若频域超过20hz的频段能量整体升高同时峰度未超过20则可判断为肌电噪声，若频域超过20hz的频段能量整体为未升高同时峰度超过3则判断为眼电噪声。频段能量阈值设定为140db，若峰度大于20则直接判断为眼电。3)脑电信号复杂特征识别子系统：此系统主要用来进一步判断基本特征无法识别的脑电信号，结构由卷积神经网络和条件随机场组成。卷积神经网络由三个卷积模块、一个全链接层和一个条件随机场组成，每一个卷积模块由卷积层、批归一化层、最大池化层、非线性激活层组成。第一个卷积模块参数为：卷积层：卷积核个数为32个，卷积核大小为1*101，步长为1，补零为50；批归一化大小为32；最大池化层大小为1*2；第二个卷积模块参数为：卷积层：卷积核个数为32个，卷积核大小为1*51，步长为1，补零为25；批归一化大小为32；最大池化层大小为1*2；第三个卷积模块参数为：卷积层：卷积核个数为32个，卷积核大小为1*26，步长为1，补零为12；批归一化大小为32；最大池化层大小为1*2。卷积模块处理完脑电信号后接全链接层，全链接层参数为：输入大小为50，输出大小为3，即噪声类别数量，目的是为符合条件随机场的参数形式。条件随机场接全链接层的输出做最后的判断，判断类别为脑电信号、眼电噪声和肌电噪声三种类别。条件随机场支持端到端的输出，也就是说可以在我们的系统里可以每0.1s对脑电信号做一次判断。条件随机场所使用的特征函数为其中z为输入特征。2.根据权利要求1所述的脑电信号复杂特征识别子系统，即利用神经网络对脑电噪声分类的方法，其特征在于：神经网络(包括卷积神经网络和全链接层)与概率图模型相结合的形式，其中概率图模型选用条件随机场，以支持实时分类。3.根据权利要求1所述的脑电信号复杂特征识别子系统，其使用脑电数据为10
‑
20系统
的32导。每一导设定2s的时间窗，每0.1s更新一次时间窗内的数据。在输入到神经网络之前对脑电信号做z
‑
score变换。4.根据权利要求1所述的脑电信号基本特征提取与识别子系统，其幅值阈值设定为临床脑电图所使用的100μv；其频谱能量阈值设定为140db，此数值为大量数据分析得到的结果；其峰度设定二段阈值第一段阈值为3，此数值为高斯分布的峰度，正常脑电信号不会超过3，第二段阈值为20，此数值为大量数据分析得到的结果。
技术总结
本发明公开的一种决策树式脑电噪声识别系统，包括如下步骤，步骤一：采集原始脑电数据，对其做预处理；步骤二：通过预处理后的脑电数据基本特征判断噪声类别；步骤三：将步骤二中未能识别的脑电信号传入神经网络判断不易识别的噪声类别。本发明所设计决策树式噪声识别系统兼顾高识别率和低计算复杂度，并可实时区分噪声类别，噪声类别覆盖了大多数常见脑电噪声。本发明属于脑电信号处理技术领域，提供了一种解决当前脑电信号质量检测方法可区分种类少的缺点，能从脑电信号中自适应的识别噪声种类，具有计算量低、鲁棒性高等优点。鲁棒性高等优点。鲁棒性高等优点。
技术研发人员：陈军 于庆鹏 王若鹏
受保护的技术使用者：心仪脑（上海）信息技术有限公司
技术研发日：2021.11.18
技术公布日：2021/12/30