多导联脑电信号的伪迹去除方法、装置及脑机接口与流程

1.本技术涉及新一代信息技术领域，具体的涉及脑机接口数据的处理技术领域，尤其涉及一种多导联脑电信号的伪迹去除方法、装置及脑机接口。


背景技术：

2.脑电信号(electroencephalograph，eeg)提供了一种反应大脑活动的生物电信号，在研究人脑领域具有非常重要的作用。脑电信号本身非常微弱且具有时变敏感性，采集过程易受到无关因素的影响，使采集到的脑电信号具有眼电、肌电、心电、噪声等伪迹。这些伪迹的存在极大地影响了对脑电信号的分析和识别。相关的伪迹去除技术存在一次只能识别一种伪迹，且因采用单一特征来识别该伪迹导致对该伪迹的识别精度差的问题。


技术实现要素：

3.本技术提供了一种多导联脑电信号的伪迹去除方法、装置、电子设备、计算机可读存储介质、芯片以及脑机接口，可以解决上述至少一个技术问题。所述技术方案如下：
4.第一方面，提供了一种多导联脑电信号的伪迹去除方法，该方法包括：
5.获取待处理的多导联脑电信号；
6.利用预设的独立成分分析算法将多导联脑电信号分解为若干独立成分；
7.对若干独立成分进行图谱转换，得到脑电特征图；
8.依据预构建的伪迹识别模型对脑电特征图进行识别，得到若干独立成分各自属于各类预定成分分别对应的成分概率；
9.基于若干独立成分各自属于各类预定成分分别对应的成分概率，确定若干独立成分各自所属的预定成分；
10.若任一独立成分所属的预定成分为伪迹，则将该任一独立成分去除后对剩余的独立成分进行重构，得到去除伪迹的纯净脑电信号。
11.进一步地，脑电特征图至少包括：
12.脑地形图和功率谱密度psd图。
13.进一步地，对若干独立成分进行图谱转换，得到脑电特征图的步骤，包括：
14.对若干独立成分分别进行傅里叶变换并进行平方计算，得到若干独立成分分别对应的功率谱密度psd图；
15.对若干独立成分分别按照通道相同成分进行功率谱提取并进行空间插值，构建出脑地形图。
16.进一步地，依据预构建的伪迹识别模型对脑电特征图进行识别，得到若干独立成分各自属于各类预定成分分别对应的成分概率的步骤之前，该方法还包括：确定对伪迹进行识别的模式；依据预构建的伪迹识别模型对脑电特征图进行识别，得到若干独立成分各自属于各类预定成分分别对应的成分概率的步骤，包括：若对伪迹进行识别的模式为对多种伪迹同时识别的模式，则利用伪迹识别模型对所述脑地形图和/或功率谱密度psd图进行
识别，得到若干独立成分各自属于各类预定成分分别对应的成分概率。
17.进一步地，基于若干独立成分各自属于各类预定成分分别对应的成分概率，确定若干独立成分各自所属的成分类别的步骤，包括：
18.基于若干独立成分各自属于各类预定成分分别对应的成分概率，确定若干独立成分各自的成分概率的最大值；
19.依据若干独立成分各自的成分概率的最大值，确定若干独立成分各自所属的预定成分。
20.进一步地，依据预构建的伪迹识别模型对脑电特征图进行识别，得到若干独立成分各自属于各类预定成分分别对应的成分概率的步骤，包括：
21.若对伪迹进行识别的模式为对各类伪迹逐个进行识别的模式，则利用预构建的各类伪迹分别对应的伪迹识别模型对脑地形图和功率谱密度psd图进行识别，得到若干独立成分各自属于各类预定成分分别对应的成分概率。
22.进一步地，基于若干独立成分各自属于各类预定成分分别对应的成分概率，确定若干独立成分各自所属的预定成分的步骤，包括：
23.基于若干独立成分各自属于各类预定成分分别对应的成分概率，确定各类预定成分各自的成分概率的最大值；
24.依据各类预定成分各自的成分概率的最大值，确定若干独立成分各自所属的预定成分。
25.进一步地，依据预构建的伪迹识别模型对所述脑电特征图进行识别，得到若干独立成分各自属于各类预定成分分别对应的成分概率的步骤之前，该方法还包括：
26.基于预定的模型框架，确定用于训练的神经网络模型，神经网络模型依次包括：
27.输入层、stem层、第一inception层、第一reduction层、第二inception层、第二reduction 层、第三inception层、平均池化层、dropout层和softmax层。
28.进一步地，依据预构建的伪迹识别模型对脑电特征图进行识别，得到若干独立成分各自属于各类预定成分分别对应的成分概率的步骤之前，该方法还包括：
29.基于预定的模型框架，确定用于训练的神经网络模型，神经网络模型依次包括输入层、第一池化层、通道合并层、并联叠加残差神经网络、第二池化层和输出层，其中，并联叠加残差神经网络包括设置有内侧快速通道和外侧快速通道的若干并联卷积块，任一并联卷积块包括多个卷积层支路，以及支路通道合并层和缩放因子，多个卷积层支路的输出为所述支路通道合并层的输入，所述支路通道合并层的输出为所述缩放因子的输入。
30.进一步地，该方法还包括：
31.获取样本集，样本集包括若干脑电信号分别对应的多个独立成分各自的脑电特征图，以及若干脑电信号分别对应的多个独立成分各自的脑电特征图的成分标识；
32.利用样本集对神经网络模型进行训练，得到训练好的伪迹识别模型。
33.更进一步地，利用样本集对神经网络模型进行训练，得到训练好的伪迹识别模型的步骤，包括：
34.基于预设的若干组参数对神经网络模型进行配置，得到若干候选识别模型；
35.利用样本集对若干候选识别模型分别进行训练；依据训练结果，确定若干候选识别模型各自的准确率；
36.将准确率最高的候选识别模型作为训练好的伪迹识别模型。
37.进一步地，获取待处理的多导联脑电信号的步骤之后，该方法还包括：
38.对多导联脑电信号进行预处理；
39.预处理包括定位通道位置、删除无用电极、重参考、滤波、降低采样率、基线校正、数据分段中至少一项；或
40.预处理依次包括定位通道位置、删除无用电极、重参考、滤波、降低采样率、基线校正、数据分段。
41.第二方面，提供了一种多导联脑电信号的伪迹去除装置，该装置包括：
42.脑电信号获取模块，用于获取待处理的多导联脑电信号；
43.脑电信号分解模块，用于利用预设的独立成分分析算法将多导联脑电信号分解为若干独立成分；
44.信号图谱转换模块，用于对若干独立成分进行图谱转换，得到脑电特征图；
45.成分概率确定模块，用于依据预构建的伪迹识别模型对脑电特征图进行识别，得到若干独立成分各自属于各类预定成分分别对应的成分概率；
46.成分类别确定模块，用于基于若干独立成分各自属于各类预定成分分别对应的成分概率，确定若干独立成分各自所属的预定成分；
47.伪迹去除处理模块，用于若任一独立成分所属的预定成分为伪迹，则将该任一独立成分去除后对剩余的独立成分进行重构，得到去除伪迹的纯净脑电信号。
48.进一步地，脑电特征图至少包括：
49.脑地形图和功率谱密度psd图。
50.进一步地，信号图谱转换模块包括：
51.第一转换子模块，用于对若干独立成分分别进行傅里叶变换并进行平方计算，得到若干独立成分分别对应的功率谱密度psd图；
52.第二转换子模块，用于对若干独立成分分别按照通道相同成分进行功率谱提取并进行空间插值，构建出脑地形图。
53.进一步地，成分概率确定模块依据预构建的伪迹识别模型对脑电特征图进行识别，得到若干独立成分各自属于各类预定成分分别对应的成分概率的步骤之前，该装置还包括：模式确定模块，用于确定对伪迹进行识别的模式；成分概率确定模块包括：第一成分概率确定子模块，用于若对伪迹进行识别的模式为对多种伪迹同时识别的模式，则利用伪迹识别模型对所述脑地形图和/或功率谱密度psd图进行识别，得到若干独立成分各自属于各类预定成分分别对应的成分概率。
54.进一步地，成分类别确定模块包括：
55.第一最大值确定子模块，用于基于若干独立成分各自属于各类预定成分分别对应的成分概率，确定若干独立成分各自的成分概率的最大值；
56.第一成分类别确定子模块，用于依据若干独立成分各自的成分概率的最大值，确定若干独立成分各自所属的预定成分。
57.进一步地，成分概率确定模块包括：
58.第二成分概率确定子模块，用于若对伪迹进行识别的模式为对各类伪迹逐个进行识别的模式，则利用预构建的各类伪迹分别对应的伪迹识别模型对脑地形图和功率谱密度
psd图进行识别，得到若干独立成分各自属于各类预定成分分别对应的成分概率。
59.进一步地，成分类别确定模块包括：
60.第二最大值确定子模块，用于基于若干独立成分各自属于各类预定成分分别对应的成分概率，确定各类预定成分各自的成分概率的最大值；
61.第二成分类别确定子模块，用于依据各类预定成分各自的成分概率的最大值，确定若干独立成分各自所属的预定成分。
62.进一步地，成分概率确定模块在依据预构建的伪迹识别模型对脑电特征图进行识别，得到若干独立成分各自属于各类预定成分分别对应的成分概率之前，还包括：
63.网络模型设置子模块，用于基于预定的模型框架，确定用于训练的神经网络模型，神经网络模型依次包括：输入层、stem层、第一inception层、第一reduction层、第二inception 层、第二reduction层、第三inception层、平均池化层、dropout层和softmax层。
64.进一步地，成分概率确定模块在依据预构建的伪迹识别模型对所述脑电特征图进行识别，得到若干独立成分各自属于各类预定成分分别对应的成分概率的步骤之前，还包括：
65.基于预定的模型框架，确定用于训练的神经网络模型，神经网络模型依次包括输入层、第一池化层、通道合并层、并联叠加残差神经网络、第二池化层和输出层，其中，并联叠加残差神经网络包括设置有内侧快速通道和外侧快速通道的若干并联卷积块，任一并联卷积块包括多个卷积层支路，以及支路通道合并层和缩放因子，多个卷积层支路的输出为所述支路通道合并层的输入，所述支路通道合并层的输出为所述缩放因子的输入。
66.更进一步地，成分概率确定模块还包括：
67.样本获取子模块，用于获取样本集，样本集包括若干脑电信号分别对应的多个独立成分各自的脑电特征图，以及若干脑电信号分别对应的多个独立成分各自的脑电特征图的成分标识；
68.网络模型训练子模块，用于利用样本集对神经网络模型进行训练，得到训练好的伪迹识别模型。
69.进一步地，网络模型训练子模块包括：
70.候选模型确定单元，用于基于预设的若干组参数对神经网络模型进行配置，得到若干候选识别模型；
71.候选模型训练单元，用于利用样本集对若干候选识别模型分别进行训练；候选模型准确率确定单元，用于依据训练结果，确定若干候选识别模型各自的准确率；
72.伪迹识别模型确定单元，用于将准确率最高的候选识别模型作为训练好的伪迹识别模型。
73.进一步地，脑电信号获取模块在获取待处理的多导联脑电信号的步骤之后，还包括：
74.信号预处理子模块，用于对多导联脑电信号进行预处理；
75.预处理包括定位通道位置、删除无用电极、重参考、滤波、降低采样率、基线校正、数据分段中至少一项；或
76.预处理依次包括定位通道位置、删除无用电极、重参考、滤波、降低采样率、基线校正、数据分段。
77.第三方面，提供了一种电子设备，该电子设备包括：
78.一个或多个处理器；
79.存储器；
80.一个或多个应用程序，其中一个或多个应用程序被存储在存储器中并被配置为由一个或多个处理器执行，一个或多个程序配置用于：执行上述多导联脑电信号的伪迹去除方法。
81.第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述多导联脑电信号的伪迹去除方法。
82.第五方面，提供了一种芯片，该芯片用于执行根据上述多导联脑电信号的伪迹去除方法。
83.第六方面，提供了一种脑机接口，包括应用用于执行根据上述多导联脑电信号的伪迹去除方法的芯片的可穿戴设备。
84.本技术实施例提供的技术方案带来的有益效果是：通过获取待处理的多导联脑电信号，利用预设的独立成分算法将多导联脑电信号分解为若干独立成分，对若干独立成分进行图谱转换，得到脑电特征图，从而依据预构建的伪迹识别模型对脑电特征图进行识别，得到若干独立成分各自属于各类预定成分分别对应的成分概率，基于若干独立成分各自属于各类预定成分分别对应的成分概率，确定若干独立成分各自所属的预定成分，以在任一独立成分所属的预定成分为伪迹，则将该任一独立成分去除后对剩余的独立成分进行重构，得到去除伪迹的纯净脑电信号，这种通过脑特征图来识别伪迹的方式，将不易观察的脑电信号图谱化为可读性高的图谱，不仅为脑电信号的可视化分析提供了辅助数据，还达到了通过增加输入至伪迹识别模型的图谱数量，起到了丰富提供给伪迹识别模型的信息，使伪迹识别模型不仅能够实现伪迹的自动识别并最终去除伪迹成分，还能够综合考虑伪迹在不同图谱中分布特性，通过保留信号在不同图谱中的局部特征，实现在自动识别多种伪迹的基础上，保留大量的脑电信息，提高伪迹识别精度的目的，进一步提升了重构出的脑电信号的纯度，解决了因去除伪迹后的脑电信号因纯度低，影响后续对脑电信号的分析精度的问题。
附图说明
85.为了更清楚地说明本技术实施例中的技术方案，下面将对本技术实施例描述中所需要使用的附图作简单地介绍。
86.图1为本技术实施例提供的多导联脑电信号的伪迹去除方法的结构示意图；
87.图2a为本技术实施例提供的多导联脑电信号的伪迹去除方法中伪迹识别模型一个实施例的结构示意图；
88.图2b为本技术实施例提供的多导联脑电信号的伪迹去除方法中伪迹识别模型一个实施例中stem层的实施例的结构示意图；
89.图3为本技术实施例提供的多导联脑电信号的伪迹去除方法中伪迹识别模型一个实施例的各个inception层的实施例的结构示意图；
90.图4为本技术实施例提供的多导联脑电信号的伪迹去除方法中伪迹识别模型另一个实施例的结构示意图；
91.图5为本技术实施例提供的多导联脑电信号的伪迹去除方法中一个实施例的预处理流程示意图；
92.图6为本技术实施例提供的多导联脑电信号的伪迹去除方法中一个实施例的应用系统的工作流程示意图；
93.图7为本技术实施例提供的多导联脑电信号的伪迹去除方法中一个实施例的应用系统中用于训练得到伪迹识别模型的样本集获取过程的流程示意图；以及
94.图8为本技术实施例提供的多导联脑电信号的伪迹去除装置的结构示意图。
具体实施方式
95.下面详细描述本技术的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本技术，而不能解释为对本技术的限制。
96.本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本技术的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
97.下面以具体地实施例对本技术的技术方案以及本技术的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本技术的实施例进行描述。
98.本技术实施例提供了一种多导联脑电信号的伪迹去除方法，如图1所示，该方法包括：步骤s101至步骤s106。
99.步骤s101、获取待处理的多导联脑电信号。
100.具体地，电子设备获取待处理的多导联脑电信号。其中，电子设备包括手机、pc机、服务器、可穿戴设备、脑电帽等脑机接口等。
101.在本技术实施例中，多导联脑电信号可以是通过具有多个电极的脑机接口采集到的脑电信号。例如，多导联脑电信号是从32通道的脑电帽获取到的被测用户的脑电信号。
102.在本技术实施例中，多导联脑电信号用于表征包含多个采集点的脑电信号。具体地，电子设备可以实时从按照10-20国际标准导联系统来设置电极位置的设备，如脑电帽等可穿戴设备，来获取待处理的多导联脑电信号，也可以预先将采用的10-20国际标准导联系统设置电极位置的设备采集到的信号存储至本地，并在需要时从本地进行读取。
103.步骤s102、利用预设的独立成分分析算法将多导联脑电信号分解为若干独立成分。
104.本技术实施例通过独立成分ica算法将多导联脑电信号进行分解，实现将混合到一起的信号分离的目的。具体地，独立成分ica算法的具体过程包括：假设多导联脑电信号为观测信号，x(t)x(t)＝[x1(t),x2(t),
…
,xn(t)]t，s(t)＝[s1t),s2(t),
…
,sm(t)]t是产生观测信号x(t)的m 个相互统计独立的源信号，且观测信号x(t)是源信号s(t)经过一个未
知的矩阵a线性混合产生，即x(t)＝as(t)，通过独立成分ica算法得到解混矩阵w，以得到的输出信号 y(t)＝wx(t)＝was(t)，使输出信号尽可能的逼近真实的源信号s(t)，即得到独立成分。
[0105]
步骤s103、对若干独立成分进行图谱转换，得到脑电特征图。
[0106]
在本技术实施例中，脑电特征图用于表征独立成分在图像上呈现的结果。具体地，脑电特征图可以是独立成分在时域、频域、时频域上的表示。
[0107]
步骤s104、依据预构建的伪迹识别模型对脑电特征图进行识别，得到若干独立成分各自属于各类预定成分分别对应的成分概率。
[0108]
具体地，伪迹识别模型可以采用预先构建的神经网络模型，如长短时记忆网络lstm、卷积神经网络cnn、循环神经网络rnn等，进行训练得到。
[0109]
应用前，先利用独立成分分析ica算法对具有伪迹的大量脑电信号进行分解，这样就得到不同脑电信号各自的独立成分，并对这些不同脑电信号各自的独立成分进行伪迹标注后，得到用于训练的样本集。应用该样本集对预设的神经网络模型进行训练前，先按照步骤s103 进行图谱转换，得到不同脑电信号各自的独立成分的脑电特征图，从而将这些特征图作为输入对该神经网络模型进行训练，得到伪迹识别模型。
[0110]
步骤s105、基于若干独立成分各自属于各类预定成分分别对应的成分概率，确定若干独立成分各自所属的预定成分。
[0111]
在本技术实施例中，预定成分用于表征信号所属的成分类别。具体地，可以将预定成分设置为正常脑电信号和伪迹，其中，伪迹可以包括眼电、肌电、心电等。
[0112]
具体地，可以根据预定条件来确定各个独立成分分别对应的预定成分。例如，根据成分概率的最大值来确定该独立成分所属的预定成分，即确定出该独立成分的成分类别。
[0113]
步骤s106、若任一独立成分所属的预定成分为伪迹，则将该任一独立成分去除后对剩余的独立成分进行重构，得到去除伪迹的纯净脑电信号。
[0114]
具体地，可以采用独立成分分析ica重构算法计算针对剩余的独立成分的混合矩阵，从而对去除伪迹后的剩余的独立成分进行重构。
[0115]
本技术实施例通过获取待处理的多导联脑电信号，利用预设的独立成分算法将多导联脑电信号分解为若干独立成分，对若干独立成分进行图谱转换，得到脑电特征图，从而依据预构建的伪迹识别模型对脑电特征图进行识别，得到若干独立成分各自属于各类预定成分分别对应的成分概率，基于若干独立成分各自属于各类预定成分分别对应的成分概率，确定若干独立成分各自所属的预定成分，以在任一独立成分所属的预定成分为伪迹，则将该任一独立成分去除后对剩余的独立成分进行重构，得到去除伪迹的纯净脑电信号，这种通过脑特征图来识别伪迹的方式，将不易观察的脑电信号图谱化为可读性高的图谱，不仅为脑电信号的可视化分析提供了辅助数据，还达到了通过增加输入至伪迹识别模型的图谱数量，起到了丰富提供给伪迹识别模型的信息，使伪迹识别模型不仅能够实现伪迹的自动识别并最终去除伪迹成分，还能够综合考虑伪迹在不同图谱中分布特性，通过保留信号在不同图谱中的局部特征，实现在自动识别多种伪迹的基础上，保留大量的脑电信息，提高伪迹识别精度的目的，进一步提升了重构出的脑电信号的纯度，解决了因去除伪迹后的脑电信号因纯度低，影响后续对脑电信号的分析精度的问题。
[0116]
在一些实现方式中，脑电特征图包括脑地形图、功率谱密度psd图等。其中，脑地形
图用于表征不同通道的脑电信号在脑区的分布情况；功率谱密度psd(power spectraldensity)图用于表征信号的功率能量与频率的关系的物理量。具体应用时，可以采用自回归 (autoregressive,ar)模型功率谱估计计算独立成分的功率谱后转换得到功率谱密度psd图。
[0117]
具体地，可以先根据所得到的独立成分提取出每个通道相同成分的功率谱，接着根据获得的功率谱值在国际10-20电极分布平面图中的各个通道点进行空间插值，构建一个连续的功率谱在大脑皮层表面的分布，最后根据值的大小映射为不同的颜色表示，得到能定量反映大脑机能变化的分布图像，从而把复杂多变的脑机能变化，变成通俗易懂的图形。应用时，根据像素值所带包的物理参数不同以及显示方式的不同，又可构成不同意义的其他地形图，如反映任一时刻空间脑电电位分布的脑电等电位图，将beam(brain electrical activitymapphg)资料与相应对照的beam进行统计学处理，转换成以检验统计量作为像素值进行显示的显着性概率地形图，反映不同频段组合之间比例的百分比地形图，按时间顺序排列连续动态显示的活动地形图等等。
[0118]
在一些实现方式中，步骤s103进一步包括：对若干独立成分分别进行傅里叶变换并进行平方计算，得到若干独立成分分别对应的功率谱密度psd图。
[0119]
在一些实现方式中，步骤s103进一步包括：对若干独立成分分别按照通道相同成分进行功率谱提取并进行空间插值，构建出脑地形图。
[0120]
应用时，可以采用基于自回归的ar模型来估计功率谱，该ar模型的输出是当前输入和过去输出的加权和，可用下述差分方程：
[0121]
其中，ak表(k＝1,2,
……
,p)为ar模型的参数，p为 ar模型阶数，u(n)为均值为零且方差为σ2的平稳白噪声序列，x(n)看作为白噪声序列u(n) 通过传递函数的全极点滤波器所产生。因此，x(n)的功率谱密度p
x
(e
jω
)表示为：
[0122][0123]
应用时，脑地形图构建方式为：首先根据所得到的独立成分提取出每个通道相同成分的功率谱，接着根据获得的功率谱值在国际10-20电极分布平面图中的各个通道点进行空间插值，构建一个连续的功率谱在大脑皮层表面的分布。最后，根据值的大小映射为不同的颜色表示。
[0124]
在一些实现方式中，在步骤s104依据预构建的伪迹识别模型对脑电特征图进行识别，得到若干独立成分各自属于各类预定成分分别对应的成分概率之前，如图1所示，该方法还包括：步骤s1041(图中未示出)：确定对伪迹进行识别的模式；步骤s104依据预构建的伪迹识别模型对脑电特征图进行识别，得到若干独立成分各自属于各类预定成分分别对应的成分概率，进一步包括：步骤s1042(图中未示出)：若对伪迹进行识别的模式为对多种伪迹同时识别的模式，则利用伪迹识别模型对脑地形图和/或功率谱密度psd图进行识别，得到若干独立成分各自属于各类预定成分分别对应的成分概率。
[0125]
在本技术实施例中，对伪迹进行识别的模式用于表征选定所采用的用于识别伪迹的模型的信息。具体地，可以利用数值标签来表示对伪迹进行识别的模式。例如：“0”用于表
示对伪迹进行识别的模式为：对多种伪迹同时识别的模式；“1”用于表示对伪迹进行识别的模式为：对各类伪迹逐个进行识别的模式。
[0126]
在本技术实施例提供的伪迹识别模型的应用场景为：同时对多种伪迹进行识别，也就是说，利用本技术实施例提供的伪迹识别模型能够实现一次输入识别多种伪迹的目的，相比较利用对单一伪迹进行识别的模型，减少了使用模型的数量，缩短了识别多种伪迹的时间，提高了伪迹识别的效率。
[0127]
在利用步骤s1042提供的伪迹识别模型的实现方式中，步骤s105进一步包括：
[0128]
步骤s1051(图中未示出)、基于若干独立成分各自属于各类预定成分分别对应的成分概率，确定若干独立成分各自的成分概率的最大值；
[0129]
步骤s1052(图中未示出)、依据若干独立成分各自的成分概率的最大值，确定若干独立成分各自所属的预定成分。
[0130]
由于本技术实施例采用步骤s1042提供的伪迹识别模型识别的结果为同一独立成分属于不同预定成分分别对应的成分概率，即步骤s1042提供的伪迹识别模型对单个独立成分的识别精度更高，因此，对同一独立成分识别出的成分概率进行排序后，直接将成分概率的最大值指向的成分，确定为该独立成分的成分类别。
[0131]
例如，假设步骤s102得到的独立成分包括：a1、b1和c1，那么伪迹识别模型对a1 的输出结果包括：a1属于眼电信号的概率为25％，a1属于肌电信号的概率为65％，a1属于正常脑电信号的概率为30％，a1属于心电信号的概率为0.5％，通过比较a1属于各类伪迹的概率，可以将a1确定为肌电。
[0132]
在一些实现方式中，步骤s104依据预构建的伪迹识别模型对脑电特征图进行识别，得到若干独立成分各自属于各类预定成分分别对应的成分概率，进一步包括：
[0133]
步骤s1043(图中未示出)、若对伪迹进行识别的模式为对各类伪迹逐个进行识别的模式，则利用预构建的各类伪迹分别对应的伪迹识别模型对脑地形图和所述功率谱密度psd 图进行识别，得到若干独立成分各自属于各类预定成分分别对应的成分概率。
[0134]
本技术实施例提供了利用多种模型来对同一独立成分分别进行识别的方式，即需要将同一独立成分逐个输入至不同的模型，才能识别出该同一独立成分属于不同伪迹的成分概率，由于采用针对单一伪迹进行识别的专门性的模型，因此，这种模型的应用范围更广，识别精度更高；同时，不同业务场景中需要识别的伪迹类型不同，这种利用针对单一伪迹进行识别的专门性的模型的方式，提高了基于业务需求的适配性，更有助于跟随业务场景来及时调整所采用的模型。
[0135]
在应用步骤s1043的一些实现方式中，步骤s105进一步包括：
[0136]
步骤s1053(图中未示出)、基于若干独立成分各自属于各类预定成分分别对应的成分概率，确定各类预定成分各自的成分概率的最大值；
[0137]
步骤s1054图中未示出)、依据各类预定成分各自的成分概率的最大值，确定若干独立成分各自所属的预定成分。
[0138]
由于采用预构建的各类伪迹分别对应的伪迹识别模型进行识别，同一类伪迹对应的伪迹识别模型的输出结果包括多个独立成分分别对应的针对该同一类伪迹的成分概率，也就是说，该实施例提供的模型并无法确定出若干独立成分中哪个是该同一类伪迹。因此，本技术实施例可以通过对该同一类伪迹对应的伪迹识别模型的输出结果包括多个独立成
分分别对应的针对该同一类伪迹的成分概率进行排序，从而得到该同一类伪迹对应的伪迹识别模型的输出的属于该同一类伪迹的成分概率的最大值，从而将该同一类伪迹的成分概率的最大值指向的独立成分确定为该同一类伪迹。
[0139]
例如，假设步骤s103分解出的独立成分包括：a2、b2和c2，针对眼电进行识别的模型对a2的输出结果包括：a2属于眼电的概率为25％，b2属于眼电的概率为5％，c2属于眼电的概率为95％，那么将c2确定为眼电。
[0140]
综上，本技术实施例提供了两种用于识别伪迹的模型：一种是能够同时识别出多种伪迹的模型，即提供该一种模型就能完成对若干独立成分进行伪迹识别的目的；另一种则是提供专门性的多个模型来分别对不同伪迹进行识别，即提供能多种模型分别识别相应伪迹，这种专门性的识别单一伪迹的模型，的应用范围更广，识别精度更高；同时，不同业务场景中需要识别的伪迹类型不同，这种利用针对单一伪迹进行识别的专门性的模型的方式，提高了基于业务需求的适配性，更有助于跟随业务场景来及时调整所采用的模型。
[0141]
在一些实现方式中，在步骤s104之前，如图1所示该方法还包括：
[0142]
步骤s1044(图中未示出)、基于预定的模型框架，确定用于训练的神经网络模型，该神经网络模型依次包括：输入层、stem层、第一inception层、第一reduction层、第二inception 层、第二reduction层、第三inception层、平均池化层、dropout层和softmax层。
[0143]
具体地，模型框架可以根据业务需要进行设置。例如，可以将卷积神经网络cnn框架、循环神经网络rnn框架等作为预定的模型框架。
[0144]
应用时，神经网络模型可以如图2a所示包括：input输入层、stem层、inception-a层、 reduction-a层、inception-b层、reduction-b层、inception-c层、平均池化层average pooling、 dropout层和softmax层。其中，stem层如图2b所示。图3则为inception-a层、reduction-a 层、inception-b层、reduction-b层和inception-c层的结构示意图。如图2所示，stem层包含多个并行的卷积层，将原来卷积、池化的顺次连接替换来获得更深的网络结构。其结构就是多次卷积加上2次池化，池化采用了卷积加池化并行的结构，来防止瓶颈问题。stem后用了3种共14个inception层。每个inception层对输入做了4个分支，分别用不同尺寸的卷积层或池化层，最后再在特征维度上拼接到一起。其内部如图3所示并联了四个卷积支路。 inception结构的主要特点有两个：一是使用1x1的卷积来进行升降维；二是在多个尺寸上同时进行卷积再聚合。三种inception层间的reduction层(如reduction-a层、reduction-b层) 起到池化作用，同样使用了并行的结构来防止瓶颈问题。reduction层内部并联了三个卷积支路。reduction结构的内部对输入做了3个分支，分别用不同尺寸的卷积层或池化层，最后再在特征维度上拼接到一起，其主要特点也是在多个尺寸上同时进行卷积再聚合。应用前，将数据集划分为训练集、验证集和测试集，划分比例为8:1:1。数据集依次经过1个stem层、 4个inception-a层、1个reduction-a层、7个inception-b层、1个reduction-b层、3个 inception-c层、1个平均池化层average pooling、1个dropout层和输出层softmax。该伪迹识别模型通过利用交叉熵损失函数来检测网络模型有效性，并且通过adam优化器和反向传播的方式对inception-v4神经网络模型参数进行调整，以更新每一层的参数，多次循环，直到网络的准确率和损失函数的输出值稳定，停止训练，从而得到训练好的inception-v4神经网络模型。
[0145]
在一些实现方式中，成分概率确定模块在依据预构建的伪迹识别模型对脑电特征
图进行识别，得到若干独立成分各自属于各类预定成分分别对应的成分概率的步骤之前，如图1所示，该方法还包括：
[0146]
步骤s1045(图中未示出)、基于预定的模型框架，确定用于训练的神经网络模型，该神经网络模型依次包括输入层、第一池化层、通道合并层、并联叠加残差神经网络、第二池化层和输出层，其中，并联叠加残差神经网络包括设置有内侧快速通道和外侧快速通道的若干并联卷积块，任一并联卷积块包括多个卷积层支路，以及支路通道合并层和缩放因子，多个卷积层支路的输出为支路通道合并层的输入，支路通道合并层的输出为缩放因子的输入。
[0147]
应用时，并联叠加残差神经网络可以包括一个并联卷积块、2个并联卷积块或多个并联卷积块。具体地，可以根据业务需求来设置并联卷积块的数量。
[0148]
在本技术的一个实施例中，并联叠加残差神经网络如图4所示包括3个并联卷积块。如图4所示的伪迹识别模型包括输入层、第一池化层、通道合并层、第一并联卷积块、第二并联卷积块、第三并联卷积块、第二池化层和输出层。图4所示的伪迹识别模型中这3个并联卷积块均设置有池化层，通过池化层的设置图谱进行降维，达到减少计算量，增加鲁棒图谱的不变性和鲁棒性的目的。另外，各并联卷积块中缩放因子的设置，满足了后续对图像处理流程的输入要求，避免了因上一处理流程的输出结果无法达到下一处理流程的输入要求的问题，提高了对图像的处理效果。如图4所示的伪迹识别模型中，各个并联卷积块分别包括的卷积核为：1x1、3x3、5x5，各并联卷积块采取并行结构再汇聚到支路通道合并层，从而扩大神经网络的宽度；由于各并联卷积块中添加了内部残差块和外部残差块，从而能够使上一层的输出不仅可以作为下一层的输入，而且可以隔层输入，从而使神经网络更好的拟合同等函数；而在卷积通道合并层之后增加的缩放因子层，使得卷积神经网络的训练速度得到提高而且可以更好地收敛。
[0149]
其中，第一并联卷积块的内部并联了三个卷积层支路，第一卷积层支路串联了1个1x1 的卷积层和一个平均池化层，第二卷积层支路串联了5个3x3的卷积层和一个平均池化层，第三卷积层支路串联了5个5x5的卷积层32和一个平均池化层，且第一并联卷积块内部的每一个卷积层都包含32个卷积；同时第二卷积层支路和第三卷积层支路中各包括两个内部残差块，分别在第一个卷积层输入与第二个卷积层输出之间、第四个卷积层输入与第五个卷积层输出之间存在一个内部快速通道，这三个卷积层支路经过一个通道合并层后，连接到一个卷积核为1x1的包含16个卷积的卷积层，最后连接到缩放因子层。在第一并联卷积块最外侧还包含一个外部残差块，因此在第一并联卷积块的输入和缩放因子层的输出之间存在一个外侧快速通道。第二并联卷积块内部的结构与第一并联卷积块的结构类似，其最外侧也包含一个外侧快速通道。不同的是，第二并联卷积块内部每一个卷积层都是64个卷积，三个卷积层支路经过一个通道合并层后，连接到一个卷积核为1x1的包含32个卷积的卷积层，其余结构均相同，在此不做赘述。第三并联卷积块内部的结构与第一并联卷积块、第二并联卷积块的结构类似，其最外侧也包含一个外侧快速通道。不同的是，第三并联卷积块内部每一个卷积层都是128个卷积，其内部的三个卷积层支路经过一个通道合并层后，连接到一个卷积核为1x1的包含64个卷积的卷积层，其余结构均相同，在此不做赘述。这三个并联卷积块的内侧快速通道在并联支路内部，其结构为从上层输出端跳过两个卷积层，直接连接到下层输入端；外侧快速通道在并联卷积块外部，其结构为从并联卷积块的输入端跳
过整个并联卷积块，直接连接到并联卷积块的输出端。内侧、外侧快速通道实现了隔层输入，从而使卷积神经网络更好地拟合同等函数。
[0150]
图4所示的伪迹识别模型中最后一个池化层是第二池化层，其池化核是3x3。该伪迹识别模型中所有的池化层的步长均为2，均使用relu非线性激活函数，初始权重按照高斯分布随机生成。应用前，将数据集划分为训练集、验证集和测试集，划分比例为8:1:1，数据集从输入层依次通过卷积层、第一池化层、通道合并层、第一并联卷积块、第二并联卷积块和第三并联卷积块，最后连接到第二池化层和输出层。训练时，通过利用交叉熵损失函数来检测网络模型有效性，并且通过adam优化器和反向传播的方式对并联叠加残差卷积神经网络模型参数进行调整，以更新每一层的参数，多次循环，直到网络的准确率和损失函数的输出值稳定，停止训练，从而得到训练好的并联叠加残差卷积神经网络模型。
[0151]
在包括步骤s1041的实现方式中，如图1所示该方法还包括：
[0152]
步骤s1046(图中未示出)、获取样本集，样本集包括若干脑电信号分别对应的多个独立成分各自的脑电特征图，以及若干脑电信号分别对应的多个独立成分各自的脑电特征图的成分标识；
[0153]
步骤s1047(图中未示出)、利用样本集对神经网络模型进行训练，得到训练好的伪迹识别模型。
[0154]
具体地，样本集的获取过程可以包括：一、获取若干脑电信号；二、参照上述步骤s102 采用独立成分ica算法对若干脑电信号进行处理，从而得到若干脑电信号分别对应的独立成分；三、利用预设的样本标注工具，如样本标注工具objectmarker.exe-iteye、bbox-label-tool 等，对若干脑电信号分别对应的独立成分进行标注；四、将若干脑电信号分别对应的独立成分进行图谱转换，得到若干脑电信号分别对应的独立成分的脑电特征图。
[0155]
在采用按照上述步骤s1044构建第二初始神经模型的情形下，可以参照步骤s1043和步骤s1044进行处理，此处不再赘述。
[0156]
在一些实现方式中，步骤s1047进一步包括：
[0157]
基于预设的若干组参数对神经网络模型进行配置，得到若干候选识别模型；
[0158]
利用样本集对若干候选识别模型分别进行训练；
[0159]
依据训练结果，确定若干候选识别模型各自的准确率；
[0160]
将准确率最高的候选识别模型作为伪迹识别模型。
[0161]
具体地，可以利用神经网络的网格寻优svm算法来给出针对神经网络模型的若干组参数，并按照这若干组参数分别对神经网络模型进行参数配置，得到配置有不同参数的候选识别模型。
[0162]
具体地，可以按照准确率进行排序，从而在若干候选识别模型中筛选出准确率最高的候选识别模型，并将其作为训练好的伪迹识别模型。
[0163]
本技术实施例中直接对准确率最高的候选识别模型进行加载，在模型应用阶段使用。应用时，还可以直接输出准确率最高的候选识别模型所采用的参数，从而根据该参数来配置得到伪迹识别模型。
[0164]
在一些实现方式中，步骤s101之后，如图5所示该方法还包括：
[0165]
步骤s1011(图中未示出)、对多导联脑电信号进行预处理；
[0166]
预处理包括定位通道位置、删除无用电极、重参考、滤波、降低采样率、基线校正、
数据分段中至少一项；或
[0167]
预处理依次包括定位通道位置、删除无用电极、重参考、滤波、降低采样率、基线校正、数据分段。
[0168]
具体地，预处理一般包括滤波、去燥、基线校正等。其中，滤波使得保留下的脑电数据落入预定频带范围；基线校正使得脑电数据从偏向横轴的某一侧变成围绕横轴上下波动。
[0169]
在本技术实施例中，定位通道位置用于表征识别各个电极所处的大脑区域的过程。具体地，可以预定的分析软件来获取脑电文件(包括被试采集完的eeg数据和用于描述通道坐标信息的定位文件)，从而通过该脑电文件的解析，定位出各个电极指向的通道，以及该通道的脑电信号。例如，eeg数据是按照10-20国际标准导联系统采集完成的，那么通多定位通道位置的处理，得到确定出fp1、fp2、f3、f4、cz、p3、p4、oz，以及fp1、fp2、f3、 f4、cz、p3、p4、oz分别对应脑电信号。
[0170]
在本技术实施例中，删除无用电极用于表征去除参考电极的过程。由于人体表面并不存在真正的零电位，因此多数是选择相对运动较少且不受其他生物电场影响的部位作为参考电极的位置，故采集数据时，是以ref作为参考电极，将所有其他电极与参考电极ref的电位差作为该电极的记录数值，而参考电极ref和接地电极gnd的信息不会用于后续的分析，后续处理需要将参考电极和接地电极剔除掉。
[0171]
本技术实施例中，重参考用于表征减少不同电极间电位差的过程。这是因为采集的数据会因为不同电极位置的参考而受到影响，比如以cz电极作为参考电极，那么记录时，自然是距离cz较近位置的电极所记录的电位差数值小，而距离较远位置的电极所记录的电位差就会大一些，因此为了减少其影响，需要进行重参考。例如，以双侧乳突电极点作为重参考的位置，该部位不易受头部运动的影响，对应的电极是tp9和tp10，左脑的所有电极将减去tp9的记录数值，而右脑的所有的电极将减去tp10的记录数值。
[0172]
在本技术实施例中，滤波用于表征提取所需要频段的过程。对eeg数据进行滤波通常是为了在减少干扰或噪声信号的同时尽可能维持所要观察信号的真实性，因此可以通过滤波获取到感兴趣的频段的脑电进行分析。应用时，若采集数据时是在0.1hz—50hz间进行带通滤波，但一般是使用0.1hz—45hz，在此基础上，分别提取不同节律对应的频段进行分析。
[0173]
在本技术实施例中，降低采样率用于表征控制单位时间内所记录的数据点数目的过程。例如，将采样率降为100hz，即1s内记录100个数据点，这样能够有效提高计算的速度。
[0174]
在本技术实施例中，基线校正用于表征控制不同段起点值不同的过程。由于分析数据时经常会使用叠加平均技术，而分段不可避免的会出现不同段起点值不同的情况。因此，通过基线校正可以使每段数据都处于一个相同的起点。
[0175]
在本技术实施例中，数据分段用于表征检索待处理数据段的过程。例如，数据采集所用的数据为睁闭眼状态下各8分钟，为了后续能够快速、准确的分析数据，使用5s的时间窗对数据进行分段。
[0176]
为了进一步说明本技术实施例提供的多导联脑电信号的伪迹去除方法，下面结合图6所示的系统的工作流程进行详细说明。图6所示的系统的工作流程包括模型应用前阶段和模型应用阶段。其中，模型应用前阶段包括s201至步骤s204。
[0177]
步骤s201、构建样本集，该样本集包括伪迹成集和正常脑电成分集。其中，样本集的获取可以参照图7所示的步骤s401至步骤s406。步骤s401、获取带有伪迹的原始脑电信号；该原始脑电信号可以利用脑机接口(如脑电帽)采集得到；步骤s402、原始脑电信号预处理；该预处理可以参照上述步骤s1011，对原始脑电信号按照定位通道位置、删除无用电极、重参考、滤波、降低采样率、基线校正、数据分段中至少一种进行预处理；或按照定位通道位置、删除无用电极、重参考、滤波、降低采样率、基线校正、数据分段的顺序对原始脑电信号进行处理；步骤s403、对按照步骤s102预处理后的脑电信号进行处理，即ica分解成 19个不同成分；步骤s404、将步骤s403中19个不同成分上传至标注工具，以使用户对这 19个独立成分进行伪迹标注；步骤s405、通过标注工具获取到伪迹成分和正常脑电；步骤 s406、循环执行步骤s401至步骤s405，得到伪迹成分集和正常脑电成分集。
[0178]
步骤s202、构建神经网络模型。该步骤可以参照上述步骤s1044得到依次包括：输入层、stem层、第一inception层、第一reduction层、第二inception层、第二reduction层、第三inception层、平均池化层、dropout层和softmax层的该神经网络模型；或者参照上述步骤s1045得到依次包括输入层、第一池化层、通道合并层、并联叠加残差神经网络、第二池化层和输出层的神经网络模型，其中，并联叠加残差神经网络包括设置有内侧快速通道和外侧快速通道的若干并联卷积块，任一并联卷积块包括多个卷积层支路，以及支路通道合并层和缩放因子，多个卷积层支路的输出为所述支路通道合并层的输入，所述支路通道合并层的输出为所述缩放因子的输入。
[0179]
步骤s203、训练神经网络模型。应用时，可以参照步骤s1047为该神经网路模型分别配置不同组参数，得到若干候选识别模型，再利用步骤s201得到的样本集对若干候选识别模型分别进行训练，并依据训练结果，确定若干候选识别模型各自的准确率，将准确率最高的候选识别模型作为伪迹识别模型；
[0180]
步骤s204、输出最佳神经网络模型参数，即将步骤s203中准确率最高的候选识别模型所采用的参数作为最佳神经网络模型参数。
[0181]
模型应用阶段包括步骤s301至步骤s307。
[0182]
步骤s301、输入原始脑电数据。
[0183]
步骤s302、脑电信号预处理。应用时，可以参照上述步骤s1011顺序对脑电信号执行定位通道位置、删除无用电极、重参考、滤波、降低采样率、基线校正、数据分段的操作。
[0184]
步骤s303、构建独立成分的脑地形图以及psd曲线图。应用时，先利用独立成分ica 算法将按照步骤s302预处理后的脑电信号分解为独立成分，如参照模型应用前步骤s305分解为19个独立成分，再对这19个独立成分进行图谱转换，完成构建独立成分脑地形图和psd曲线图的目标。
[0185]
步骤s304、按照模型应用前阶段输出的最佳神经网络的模型参数，得到伪迹识别模型，并将步骤s304中得到的脑地形图以及psd曲线图输入至伪迹识别模型进行分类。该分类过程可以参照步骤s104及其实现方式、步骤s105及其实现方式来确定。
[0186]
步骤s305、根据步骤s304中的分类结果去除伪迹。
[0187]
步骤s306、重构去除伪迹后的数据。
[0188]
步骤s307、输出伪迹去除后的脑电信号。
[0189]
本技术的又一实施例提供了一种多导联脑电信号的伪迹去除装置，如图8所示，该
装置 80包括：脑电信号获取模块801、脑电信号分解模块802、信号图谱转换模块803、成分概率确定模块804、成分类别确定模块805以及伪迹去除处理模块806。
[0190]
脑电信号获取模块801，用于获取待处理的多导联脑电信号；
[0191]
脑电信号分解模块802，用于利用设定的独立成分分析算法将多导联脑电信号分解为若干独立成分；
[0192]
信号图谱转换模块803，用于对若干独立成分进行图谱转换，得到脑电特征图；
[0193]
成分概率确定模块804，用于依据预构建的伪迹识别模型对脑电特征图进行识别，得到若干独立成分各自属于各类预定成分分别对应的成分概率；
[0194]
成分类别确定模块805，用于基于若干独立成分各自属于各类预定成分分别对应的成分概率，确定若干独立成分各自所属的预定成分；
[0195]
伪迹去除处理模块806，用于若任一独立成分所属的预定成分为伪迹，则将该任一独立成分去除后对剩余的独立成分进行重构，得到去除伪迹的纯净脑电信号。
[0196]
本技术实施例通过获取待处理的多导联脑电信号，利用预设的独立成分算法将多导联脑电信号分解为若干独立成分，对若干独立成分进行图谱转换，得到脑电特征图，从而依据预构建的伪迹识别模型对脑电特征图进行识别，得到若干独立成分各自属于各类预定成分分别对应的成分概率，基于若干独立成分各自属于各类预定成分分别对应的成分概率，确定若干独立成分各自所属的预定成分，以在任一独立成分所属的预定成分为伪迹，则将该任一独立成分去除后对剩余的独立成分进行重构，得到去除伪迹的纯净脑电信号，这种通过脑特征图来识别伪迹的方式，将不易观察的脑电信号图谱化为可读性高的图谱，不仅为脑电信号的可视化分析提供了辅助数据，还达到了通过增加输入至伪迹识别模型的图谱数量，起到了丰富提供给伪迹识别模型的信息，使伪迹识别模型不仅能够实现伪迹的自动识别并最终去除伪迹成分，还能够综合考虑伪迹在不同图谱中分布特性，通过保留信号在不同图谱中的局部特征，实现在自动识别多种伪迹的基础上，保留大量的脑电信息，提高伪迹识别精度的目的，进一步提升了重构出的脑电信号的纯度，解决了因去除伪迹后的脑电信号因纯度低，影响后续对脑电信号的分析精度的问题。
[0197]
进一步地，脑电特征图至少包括：
[0198]
脑地形图和功率谱密度psd图。
[0199]
更进一步地，信号图谱转换模块包括：
[0200]
第一转换子模块，用于对若干独立成分分别进行傅里叶变换并进行平方计算，得到若干独立成分分别对应的功率谱密度psd图；和/或
[0201]
第二转换子模块，用于对若干独立成分分别按照通道相同成分进行功率谱提取并进行空间插值，构建出脑地形图。
[0202]
进一步地，成分概率确定模块依据预构建的伪迹识别模型对脑电特征图进行识别，得到若干独立成分各自属于各类预定成分分别对应的成分概率的步骤之前，该装置还包括：模式确定模块，用于确定对伪迹进行识别的模式；成分概率确定模块包括：第一成分概率确定子模块，用于若对伪迹进行识别的模式为对多种伪迹同时识别的模式，则利用伪迹识别模型对脑地形图和/或功率谱密度psd图进行识别，得到若干独立成分各自属于各类预定成分分别对应的成分概率。
[0203]
进一步地，成分类别确定模块包括：
[0204]
第一最大值确定子模块，用于基于若干独立成分各自属于各类预定成分分别对应的成分概率，确定若干独立成分各自的成分概率的最大值；
[0205]
第一成分类别确定子模块，用于依据若干独立成分各自的成分概率的最大值，确定若干独立成分各自所属的预定成分。
[0206]
进一步地，成分概率确定模块包括：
[0207]
第二一成分概率确定子模块，用于若对伪迹进行识别的模式为对各类伪迹逐个进行识别的模式，则利用预构建的各类伪迹分别对应的伪迹识别模型对脑地形图和功率谱密度psd 图进行识别，得到若干独立成分各自属于各类预定成分分别对应的成分概率。
[0208]
进一步地，成分类别确定模块包括：
[0209]
第二最大值确定子模块，用于基于若干独立成分各自属于各类预定成分分别对应的成分概率，确定各类预定成分各自的成分概率的最大值；
[0210]
第二成分类别确定子模块，用于依据各类预定成分各自的成分概率的最大值，确定若干独立成分各自所属的预定成分。
[0211]
进一步地，成分概率确定模块在依据预构建的伪迹识别模型对脑电特征图进行识别，得到若干独立成分各自属于各类预定成分分别对应的成分概率之前，还包括：
[0212]
网络模型设置子模块，用于基于预定的模型框架，确定用于训练的神经网络模型，神经网络模型依次包括：输入层、stem层、第一inception层、第一reduction层、第二inception 层、第二reduction层、第三inception层、平均池化层、dropout层和softmax层。
[0213]
更进一步地，成分概率确定模块还包括：
[0214]
样本获取子模块，用于获取样本集，样本集包括若干脑电信号分别对应的多个独立成分各自的脑电特征图，以及若干脑电信号分别对应的多个独立成分各自的脑电特征图的成分标识；
[0215]
网络模型训练子模块，用于利用样本集对神经网络模型进行训练，得到确定参数的伪迹识别模型。
[0216]
进一步地，网络模型训练子模块包括：
[0217]
候选模型确定单元，用于基于预设的若干组参数对神经网络模型进行配置，得到若干候选识别模型；
[0218]
候选模型训练单元，用于利用样本集对若干候选识别模型分别进行训练；候选模型准确率确定单元，用于依据训练结果，确定若干候选识别模型各自的准确率；
[0219]
伪迹识别模型确定单元，用于将准确率最高的候选识别模型作为伪迹识别模型。
[0220]
进一步地，脑电信号获取模块在获取待处理的多导联脑电信号的步骤之后，还包括：
[0221]
信号预处理子模块，用于对多导联脑电信号进行预处理；
[0222]
预处理包括定位通道位置、删除无用电极、重参考、滤波、降低采样率、基线校正、数据分段中至少一项；或
[0223]
预处理依次包括定位通道位置、删除无用电极、重参考、滤波、降低采样率、基线校正、数据分段。
[0224]
本实施例的多导联脑电信号的伪迹去除装置可执行本技术实施例一所示的多导联脑电信号的伪迹去除方法，其实现原理相类似，此处不再赘述。
[0225]
本技术又一实施例提供了一种终端，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，该处理器执行计算机程序时以实现上述多导联脑电信号的伪迹去除方法。
[0226]
具体地，处理器可以是cpu，通用处理器，dsp，asic，fpga或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本技术公开内容所描述的各种示例性的逻辑方框，模块和电路。处理器也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，dsp和微处理器的组合等。
[0227]
具体地，处理器通过总线与存储器连接，总线可包括一通路，以用于传送信息。总线可以是pci总线或eisa总线等。总线可以分为地址总线、数据总线、控制总线等。
[0228]
存储器可以是rom或可存储静态信息和指令的其他类型的静态存储设备，ram或者可存储信息和指令的其他类型的动态存储设备，也可以是eeprom、cd-rom或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。
[0229]
可选的，存储器用于存储执行本技术方案的计算机程序的代码，并由处理器来控制执行。处理器用于执行存储器中存储的应用程序代码，以实现上述实施例提供的多导联脑电信号的伪迹去除装置的动作。
[0230]
本技术又一实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述多导联脑电信号的伪迹去除方法。
[0231]
本技术又一实施例提供了一种芯片，该芯片用于执行根据上述多导联脑电信号的伪迹去除方法。
[0232]
本技术又一实施例提供了一种脑机接口，包括应用用于执行根据上述多导联脑电信号的伪迹去除方法的芯片的可穿戴设备。
[0233]
以上所描述的装置实施例仅是示意性的，其中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，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模块来实现本实施例方案的目的。
[0234]
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于ram、rom、eeprom、闪存或其他存储器技术、 cd-rom、数字多功能盘(dvd)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。
[0235]
以上是对本技术的较佳实施进行了具体说明，但本技术并不局限于上述实施方
式，熟悉本领域的技术人员在不违背本技术精神的前提下还可做出种种的等同变形或替换，这些等同的变形或替换均包含在本技术权利要求所限定的范围内。