基于生成对抗网络的脑电波去噪处理研究

脑电波采集过程往往会包含生理噪声和外部噪声,外部噪声目前可以通过滤波进行消除,去除生理噪声通常采用的方法是自适应滤波器、空间滤波和主成分分析,但这些方法需要一定的信号作为先决条件,并且去噪性能有限.近年来,深度学习技术开始运用于脑电波去噪,而且在去噪性能上得到了一定提升.鉴于在生成对抗网络(GAN)的判别器和生成器博弈过程中,生成样本具有逐渐向真实样本逼近的特点,设计一种基于卷积神经网络(CNN)的生成对抗网络模型,用于消除脑电波生理噪声中的肌源性噪声和眼源性噪声,同时在GAN的生成器网络中引入新的损失函数,使去噪后的数据与原始数据更加接近.设计的GAN-1D-CNN模型在去除肌源性噪声上的相关系数达到0.945,在去除眼源性噪声上的相关系数达到0.894.实验结果表明,GAN-1D-CNN模型对脑电波的去噪能力得到了增强,相关性能指标都优于现有基准数据集上的去噪方法.