本发明涉及图像处理技术领域，更具体的，涉及一种脑电图伪影去除方法及装置。
背景技术：
脑电图(eeg，electroencephalogram)技术是一种被广泛使用的脑电生理信号探测技术，可以应用于神经病理学的诊断，也可以应用于认知科学研究、健康监测、驾驶疲劳检测等领域。
由于脑电图是通过将电极贴附在人的头部，将收集的电信号经过机器放大并记录后得到的，可收集到的电信号非常微弱，且可能被多种人体和外部引入的噪声污染，导致采集到的脑电图存在伪影。
目前有一种基于盲源分离算法的伪影去除方法，通过在一系列不同的参考电极和记录电极组合中选择对于每组源最优的参考电极，从而可以使用最佳的用于移除伪影的参考电极放置。但是该方法需要利用多通道的信号采集，对采集设备要求较高。
技术实现要素：
有鉴于此，本发明提供了一种脑电图伪影去除方法及装置，实现基于单通道脑电图信号的伪影去除。
为了实现上述发明目的，本发明提供的具体技术方案如下：
一种脑电图伪影去除方法，包括：
获取待处理单通道脑电图的分段信号集，所述待处理单通道脑电图的分段信号集包括包含伪影的单通道脑电图信号段；
提取所述待处理单通道脑电图的分段信号集的特征向量集；
将所述特征向量集输入到伪影去除模型中进行伪影去除处理，得到去除伪影的单通道脑电图的分段信号集，所述伪影去除模型为预先利用包括多个包含至少一种伪影的单通道脑电图的分段信号集的训练集对深度学习网络模型进行训练后得到的，所述伪影去除模型对应的深度学习网络模型包括注意力网络和解码器网络，所述解码器网络包括伪影特征去除神经网络和波形还原映射网络；
对去除伪影的单通道脑电图的分段信号集进行信号重建，得到去除伪影的单通道脑电图信号。
可选的，所述获取待处理单通道脑电图的分段信号集，包括：
获取标准单通道脑电图的分段信号集；
利用伪影检测模型对所述标准单通道脑电图的分段信号集进行伪影检测，所述伪影检测模型是预先利用包括多个包含至少一种伪影的单通道脑电图的分段信号集的训练集对深度学习网络模型进行训练后得到的，所述伪影检测模型对应的深度学习网络模型包括维度变换映射网络、分类特征提取gru网络、特征集中网络和评价网络，所述维度变换映射网络用于将所述标准单通道脑电图的分段信号集变换为预设维度的信号向量集，所述分类特征提取网络用于对所述信号向量集进行特征提取得到特征向量集，所述特征集中网络用于对所述特征向量集进行加权操作，所述评价网络分别对加权操作后的所述特征向量集中的每个特征向量进行伪影检测；
在检测出包含伪影的信号段的情况下，将所有包含伪影的信号段确定为所述待处理单通道脑电图的分段信号集。
可选的，所述获取标准单通道脑电图的分段信号集，包括：
对原始单通道脑电图信号进行预处理，得到所述标准单通道脑电图的分段信号集，所述预处理包括重采样、信号分段、标准化处理。
可选的，所述提取所述待处理单通道脑电图的分段信号集的特征向量集，包括：
将所述待处理单通道脑电图的分段信号集输入预设编码器，所述预设编码器包括维度变换映射网络和噪声特征提取gru网络；
利用所述维度变换映射网络将所述待处理单通道脑电图的分段信号集转换为预设维度的向量集；
利用所述噪声特征提取gru网络对所述向量集进行编码，得到深层特征向量集。
可选的，所述方法还包括：
获取单通道仿真信号，所述单通道仿真信号为包括：模拟脑电图信号、模拟肌肉运动伪影和模拟眼部运动伪影；
获取单通道半仿真信号，所述单通道半仿真信号包括：人工去除伪影的脑电图信号以及单独采集的肌电运动伪影和眼部运动伪影；
获取单通道脑电图原始信号；
对所述单通道仿真信号和所述单通道半仿真信号进行预处理，得到所述训练集，并对所述单通道脑电图原始信号进行预处理，得到验证集；
利用所述训练集对所述伪影检测模型对应的深度学习网络模型进行训练，并利用所述验证集对训练后得到的模型进行验证，得到所述伪影检测模型；
利用所述训练集对所述伪影去除模型对应的深度学习网络模型进行训练，并利用所述验证集对训练后得到的模型进行验证，得到所述伪影去除模型。
一种脑电图伪影去除装置，包括：
信号获取单元，用于获取待处理单通道脑电图的分段信号集，所述待处理单通道脑电图的分段信号集包括包含伪影的单通道脑电图信号段；
特征提取单元，用于提取所述待处理单通道脑电图的分段信号集的特征向量集；
伪影去除单元，用于将所述特征向量集输入到伪影去除模型中进行伪影去除处理，得到去除伪影的单通道脑电图的分段信号集，所述伪影去除模型为预先利用包括多个包含至少一种伪影的单通道脑电图的分段信号集的训练集对深度学习网络模型进行训练后得到的，所述伪影去除模型对应的深度学习网络模型包括注意力网络和解码器网络，所述解码器网络包括伪影特征去除神经网络和波形还原映射网络；
信号重建单元，用于对去除伪影的单通道脑电图的分段信号集进行信号重建，得到去除伪影的单通道脑电图信号。
可选的，所述信号获取单元，包括：
信号预处理单元，用于获取标准单通道脑电图的分段信号集；
伪影检测单元，用于利用伪影检测模型对所述标准单通道脑电图的分段信号集进行伪影检测，在检测出包含伪影的信号段的情况下，将所有包含伪影的信号段确定为所述待处理单通道脑电图的分段信号集；所述伪影检测模型是预先利用包括多个包含至少一种伪影的单通道脑电图的分段信号集的训练集对深度学习网络模型进行训练后得到的，所述伪影检测模型对应的深度学习网络模型包括维度变换映射网络、分类特征提取gru网络、特征集中网络和评价网络，所述维度变换映射网络用于将所述标准单通道脑电图的分段信号集变换为预设维度的信号向量集，所述分类特征提取网络用于对所述信号向量集进行特征提取得到特征向量集，所述特征集中网络用于对所述特征向量集进行加权操作，所述评价网络分别对加权操作后的所述特征向量集中的每个特征向量进行伪影检测。
可选的，所述信号预处理单元，具体用于：
对原始单通道脑电图信号进行预处理，得到所述标准单通道脑电图的分段信号集，所述预处理包括重采样、信号分段、标准化处理。
可选的，所述特征提取单元，具体用于：
将所述待处理单通道脑电图的分段信号集输入预设编码器，所述预设编码器包括维度变换映射网络和噪声特征提取gru网络；
利用所述维度变换映射网络将所述待处理单通道脑电图的分段信号集转换为预设维度的向量集；
利用所述噪声特征提取gru网络对所述向量集进行编码，得到深层特征向量集。
可选的，所述装置还包括信号采集单元和模型训练单元；
所述信号采集单元，用于获取单通道仿真信号、单通道半仿真信号和单通道脑电图原始信号，所述单通道仿真信号为包括：模拟脑电图信号、模拟肌肉运动伪影和模拟眼部运动伪影，所述单通道半仿真信号包括：人工去除伪影的脑电图信号以及单独采集的肌电运动伪影和眼部运动伪影；
所述信号预处理单元，还用于对所述单通道仿真信号和所述单通道半仿真信号进行预处理，得到所述训练集，并对所述单通道脑电图原始信号进行预处理，得到验证集；
所述模型训练单元，用于利用所述训练集对所述伪影检测模型对应的深度学习网络模型进行训练，并利用所述验证集对训练后得到的模型进行验证，得到所述伪影检测模型；利用所述训练集对所述伪影去除模型对应的深度学习网络模型进行训练，并利用所述验证集对训练后得到的模型进行验证，得到所述伪影去除模型。
相对于现有技术，本发明的有益效果如下：
本发明公开的一种脑电图伪影去除方法，利用预先训练得到的伪影去除模型对单通道脑电图信号进行伪影去除处理，不需要额外增加参考通道，能对单个电极采集得到的单通道脑电图信号实现伪影去除，降低了对采集设备的要求。并且，本发明的伪影去除模型为预先利用包括多个包含至少一种伪影的单通道脑电图的分段信号集的训练集对深度学习网络模型进行训练后得到的，能对包含多种不同伪影的脑电图信号进行伪影去除，提升了伪影去除的效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，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，还可以根据提供的附图获得其他的附图。
图1为本发明实施例公开的一种脑电图伪影去除方法的流程示意图；
图2为本发明实施例公开的利用伪影检测模型进行伪影检测的流程示意图；
图3为本发明实施例公开的对原始单通道脑电图信号进行预处理的流程示意图；
图4为本发明实施例公开的对待处理单通道脑电图的分段信号集进行特征提取的流程示意图；
图5为本发明实施例公开的利用伪影去除模型进行伪影去除的流程示意图；
图6为本发明实施例公开的一种脑电图伪影去除装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明发明人通过研究发现：传统伪影去除方法如盲源分离算法，适应性滤波等，存在所需要的参考通道数量多，采集设备复杂的缺陷。本发明基于深度学习网络，实现对单通道脑电图信号eeg中的伪影的有效去除，并且能去除多种伪影，具有较强的实用性。基于对所测信号伪影特征进行学习的方法，相比于传统滤波算法，可较好地实现对全频带噪声的抑制，具有较强的伪影去除效果。
具体的，请参阅图1，本实施例公开的一种脑电图伪影去除方法包括以下步骤：
s101：获取待处理单通道脑电图的分段信号集，所述待处理单通道脑电图的分段信号集包括包含伪影的单通道脑电图信号段。
需要说明的是，为了提高脑电图伪影去除效率，避免对不包含伪影的脑电图信号进行伪影去除处理，本实施例在获取标准单通道脑电图的分段信号集之后，利用伪影检测模型对标准单通道脑电图的分段信号集进行伪影检测，在检测出包含伪影的信号段的情况下，将所有包含伪影的信号段确定为待处理单通道脑电图的分段信号集，以便进行后续的伪影去除处理。
其中，伪影检测模型是预先利用包括多个包含至少一种伪影的单通道脑电图的分段信号集的训练集对深度学习网络模型进行训练后得到的，利用伪影检测模型进行伪影检测的流程如图2所示，伪影检测模型对应的深度学习网络模型由三层双向门控循环神经网络gru组成，包括维度变换映射网络、分类特征提取gru网络、特征集中网络和评价网络。
标准单通道脑电图的分段信号集输入伪影检测模型，维度变换映射网络用于将标准单通道脑电图的分段信号集变换为预设维度的信号向量集，以满足分类特征提取gru网络的输入要求，分类特征提取gru网络用于对信号向量集进行特征提取得到特征向量集，特征集中网络用于对特征向量集进行加权操作，评价网络分别对加权操作后的特征向量集中的每个特征向量进行伪影检测，检测结果为包含伪影或不包含伪影。
还需要说明的是，上述用于伪影检测的标准单通道脑电图的分段信号集是通过对原始单通道脑电图信号进行预处理得到的，预处理后得到的标准单通道脑电图的分段信号集为具有固定幅度范围、固定采样频率、固定分段间隔的分段信号的集合，使该分段信号集满足伪影检测模型的输入要求。
请参阅图3，对原始单通道脑电图信号进行预处理包括重采样、信号分段、标准化处理。不同设备采集得到的eeg信号频率从几百到上千赫兹不等，通过重采样将采样频率确定在固定采样频率，并将信号分为特定时间间隔的信号段。分段的时间长短由模型具体应用场合下所允许的系统延迟以及运算资源量决定。分段越长，伪影去除效果越好，计算时间也相应增长。信号标准化的表达式如下：
这里的eegref是预先采集的无明显伪影的eeg信号，标准化后的eeg信号取值在0到1之间，σ为调整最终输出eeg信号幅度范围的参数。标准化后，输出的eeg信号消除了原始信号中振幅和偏置的影响。
s102：提取所述待处理单通道脑电图的分段信号集的特征向量集。
特征提取是将包含伪影的eeg信号进行深层特征提取，以用于下一步分离eeg信号与伪影信号特征。特征提取具体由一个编码器实现，请参阅图4，该编码器由两层双向的gru神经网络组成，包括维度变换映射网络和噪声特征提取gru网络。
具体的，将待处理单通道脑电图的分段信号集x＝{xi|i＝1，2，...，n}，输入到维度变换映射网络，并将其映射为固定维度的向量。映射后得到的向量集输入到噪声特征提取gru网络，该网络对映射后向量集进行编码得到深层特征向量，构成特征向量集进行下一步伪影特征的去除。整个过程的表达式如下：
{hi|i＝1，，2，...m}＝e(x；θe)
这里hi为所提取特征向量，e为噪声特征提取gru网络的编码映射函数，θe为特征提取gru网络用于编码的参数。
s103：将所述特征向量集输入到伪影去除模型中进行伪影去除处理，得到去除伪影的单通道脑电图的分段信号集，所述伪影去除模型为预先利用包括多个包含至少一种伪影的单通道脑电图的分段信号集的训练集对深度学习网络模型进行训练后得到的。
请参阅图5，上述深度学习网络模型包括注意力网络和解码器网络，解码器网络包括伪影特征去除神经网络和波形还原映射网络，其中，伪影特征去除神经网络可以为gru网络，也可以为lstm(longshort-termmemory，长短期记忆人工神经网络)，在此不做具体限定。
将包括不包含伪影的eeg信号特征和伪影信号特征的特征向量集经过注意力网络特征加权、伪影特征去除、波形还原得到去除伪影的单通道脑电图的分段信号集。
注意力网络由全连接层构成，特征向量输入注意力网络进行加权操作，强调包含主要信息的特征向量，最后得到加权后的特征向量。解码器网络核心是一个两层的单向gru网络，包括伪影特征去除gru网络、波形还原映射网络。注意力网络将加权特征向量输入训练好的伪影特征去除gru网络，该gru网络移除伪影的特征，将无伪影特征向量输入训练好的波形还原映射网络。波形还原映射网络将特征向量映射为不含伪影的eeg信号并输出。去除伪影恢复eeg信号的总过程表示如下：
这里的r为表示注意力网络和解码网络关联的函数，θa为注意力网络的参数，θd为解码器网络的参数。去除伪影后的eeg信号为：
s104：对去除伪影的单通道脑电图的分段信号集进行信号重建，得到去除伪影的单通道脑电图信号。
将经过伪影去除模型去除伪影后的单通道脑电图的分段信号集以及经过伪影检测后不包含伪影的单通道脑电图的分段信号重新拼接成完整的时间序列信号，并且将信号集恢复为实际信号。在实际应用中，还需要对微弱的eeg信号进行放大和可视化显示。首先，按标准化的反过程将分段信号恢复为原振幅，然后按照时间顺序，将分段信号按照分段时间间隔拼接，最后经过后端处理输出到相应后续处理设备。
可以理解的是，上述伪影检测模型和伪影去除模型是预先利用训练集对不同的深度学习网络模型进行训练后得到的。
首先要获取训练集，由于现实中比较难获得大量原始的脑电图信号，本实施例通过获取单通道仿真信号和单通道半仿真信号对单通道仿真信号和单通道半仿真信号进行预处理后，得到训练集。
并获取单通道脑电图原始信号，对其进行预处理，得到验证集。
其中，单通道仿真信号：包括模拟脑电图信号、模拟肌肉运动伪影和模拟眼部运动伪影，模拟脑电图信号由粉红噪声模拟，模拟肌肉运动伪影由20～60hz的随机噪声模拟，眼部运动伪影由一系列正弦波模拟，ai，ωi，φi分别为振幅，频率和相位。产生信号的信噪比由三种信号的比例控制。产生的单通道仿真信号如下：
单通道半仿真信号包括：人工去除伪影的脑电图信号以及单独采集的肌电运动伪影和眼部运动伪影。眼部运动伪影包括垂直(veog)和水平(heog)部分。产生信号信噪比由各个信号的比例控制。产生的单通道半仿真信号如下：
eegcon＝eegpure aveog bheog cemg
单通道脑电图原始信号为采集设备得到的实际信号。实际信号采集环境可包括为医院、移动交通工具、户外等。实际信号可包括多种伪影，包括非人体产生伪影、肌肉伪影、咀嚼伪影、垂直眼移动伪影和侧向眼移动伪影。
在得到训练集后，利用训练集对伪影检测模型对应的深度学习网络模型进行训练，并利用验证集对训练后得到的模型进行验证，得到伪影检测模型。并利用训练集对伪影去除模型对应的深度学习网络模型进行训练，并利用验证集对训练后得到的模型进行验证，得到伪影去除模型。
本实施例公开的一种脑电图伪影去除方法，利用预先训练得到的伪影去除模型对单通道脑电图信号进行伪影去除处理，不需要额外增加参考通道，能对单个电极采集得到的单通道脑电图信号实现伪影去除，降低了对采集设备的要求。并且，本发明的伪影去除模型为预先利用包括多个包含至少一种伪影的单通道脑电图的分段信号集的训练集对深度学习网络模型进行训练后得到的，能对包含多种不同伪影的脑电图信号进行伪影去除，提升了伪影去除的效果。
基于上述实施例公开的一种脑电图伪影去除方法，本实施例对应公开了一种脑电图伪影去除装置，请参阅图6，该装置包括：
信号获取单元100，用于获取待处理单通道脑电图的分段信号集，所述待处理单通道脑电图的分段信号集包括包含伪影的单通道脑电图信号段；
特征提取单元200，用于提取所述待处理单通道脑电图的分段信号集的特征向量集；
伪影去除单元300，用于将所述特征向量集输入到伪影去除模型中进行伪影去除处理，得到去除伪影的单通道脑电图的分段信号集，所述伪影去除模型为预先利用包括多个包含至少一种伪影的单通道脑电图的分段信号集的训练集对深度学习网络模型进行训练后得到的，所述伪影去除模型对应的深度学习网络模型包括注意力网络和解码器网络，所述解码器网络包括伪影特征去除神经网络和波形还原映射网络；
信号重建单元400，用于对去除伪影的单通道脑电图的分段信号集进行信号重建，得到去除伪影的单通道脑电图信号。
可选的，所述信号获取单元100，包括：
信号预处理单元，用于获取标准单通道脑电图的分段信号集；
伪影检测单元，用于利用伪影检测模型对所述标准单通道脑电图的分段信号集进行伪影检测，在检测出包含伪影的信号段的情况下，将所有包含伪影的信号段确定为所述待处理单通道脑电图的分段信号集；所述伪影检测模型是预先利用包括多个包含至少一种伪影的单通道脑电图的分段信号集的训练集对深度学习网络模型进行训练后得到的，所述伪影检测模型对应的深度学习网络模型包括维度变换映射网络、分类特征提取gru网络、特征集中网络和评价网络，所述维度变换映射网络用于将所述标准单通道脑电图的分段信号集变换为预设维度的信号向量集，所述分类特征提取网络用于对所述信号向量集进行特征提取得到特征向量集，所述特征集中网络用于对所述特征向量集进行加权操作，所述评价网络分别对加权操作后的所述特征向量集中的每个特征向量进行伪影检测。
可选的，所述信号预处理单元，具体用于：
对原始单通道脑电图信号进行预处理，得到所述标准单通道脑电图的分段信号集，所述预处理包括重采样、信号分段、标准化处理。
可选的，所述特征提取单元200，具体用于：
将所述待处理单通道脑电图的分段信号集输入预设编码器，所述预设编码器包括维度变换映射网络和噪声特征提取gru网络；
利用所述维度变换映射网络将所述待处理单通道脑电图的分段信号集转换为预设维度的向量集；
利用所述噪声特征提取gru网络对所述向量集进行编码，得到深层特征向量集。
可选的，所述装置还包括信号采集单元和模型训练单元；
所述信号采集单元，用于获取单通道仿真信号、单通道半仿真信号和单通道脑电图原始信号，所述单通道仿真信号为包括：模拟脑电图信号、模拟肌肉运动伪影和模拟眼部运动伪影，所述单通道半仿真信号包括：人工去除伪影的脑电图信号以及单独采集的肌电运动伪影和眼部运动伪影；
所述信号预处理单元，还用于对所述单通道仿真信号和所述单通道半仿真信号进行预处理，得到所述训练集，并对所述单通道脑电图原始信号进行预处理，得到验证集；
所述模型训练单元，用于利用所述训练集对所述伪影检测模型对应的深度学习网络模型进行训练，并利用所述验证集对训练后得到的模型进行验证，得到所述伪影检测模型；利用所述训练集对所述伪影去除模型对应的深度学习网络模型进行训练，并利用所述验证集对训练后得到的模型进行验证，得到所述伪影去除模型。
本实施例公开的一种脑电图伪影去除装置，利用预先训练得到的伪影去除模型对单通道脑电图信号进行伪影去除处理，不需要额外增加参考通道，能对单个电极采集得到的单通道脑电图信号实现伪影去除，降低了对采集设备的要求。并且，本发明的伪影去除模型为预先利用包括多个包含至少一种伪影的单通道脑电图的分段信号集的训练集对深度学习网络模型进行训练后得到的，能对包含多种不同伪影的脑电图信号进行伪影去除，提升了伪影去除的效果。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
还需要说明的是，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。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(ram)、内存、只读存储器(rom)、电可编程rom、电可擦除可编程rom、寄存器、硬盘、可移动磁盘、cd-rom、或技术领域内所公知的任意其它形式的存储介质中。
上述各个实施例之间可任意组合，对所公开的实施例的上述说明，本说明书中各实施例中记载的特征可以相互替换或者组合，使本领域专业技术人员能够实现或使用本申请。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
1.一种脑电图伪影去除方法，其特征在于，包括：
获取待处理单通道脑电图的分段信号集，所述待处理单通道脑电图的分段信号集包括包含伪影的单通道脑电图信号段；
提取所述待处理单通道脑电图的分段信号集的特征向量集；
将所述特征向量集输入到伪影去除模型中进行伪影去除处理，得到去除伪影的单通道脑电图的分段信号集，所述伪影去除模型为预先利用包括多个包含至少一种伪影的单通道脑电图的分段信号集的训练集对深度学习网络模型进行训练后得到的，所述伪影去除模型对应的深度学习网络模型包括注意力网络和解码器网络，所述解码器网络包括伪影特征去除神经网络和波形还原映射网络；
对去除伪影的单通道脑电图的分段信号集进行信号重建，得到去除伪影的单通道脑电图信号。
2.根据权利要求1所述的方法，其特征在于，所述获取待处理单通道脑电图的分段信号集，包括：
获取标准单通道脑电图的分段信号集；
利用伪影检测模型对所述标准单通道脑电图的分段信号集进行伪影检测，所述伪影检测模型是预先利用包括多个包含至少一种伪影的单通道脑电图的分段信号集的训练集对深度学习网络模型进行训练后得到的，所述伪影检测模型对应的深度学习网络模型包括维度变换映射网络、分类特征提取gru网络、特征集中网络和评价网络，所述维度变换映射网络用于将所述标准单通道脑电图的分段信号集变换为预设维度的信号向量集，所述分类特征提取网络用于对所述信号向量集进行特征提取得到特征向量集，所述特征集中网络用于对所述特征向量集进行加权操作，所述评价网络分别对加权操作后的所述特征向量集中的每个特征向量进行伪影检测；
在检测出包含伪影的信号段的情况下，将所有包含伪影的信号段确定为所述待处理单通道脑电图的分段信号集。
3.根据权利要求2所述的方法，其特征在于，所述获取标准单通道脑电图的分段信号集，包括：
对原始单通道脑电图信号进行预处理，得到所述标准单通道脑电图的分段信号集，所述预处理包括重采样、信号分段、标准化处理。
4.根据权利要求1所述的方法，其特征在于，所述提取所述待处理单通道脑电图的分段信号集的特征向量集，包括：
将所述待处理单通道脑电图的分段信号集输入预设编码器，所述预设编码器包括维度变换映射网络和噪声特征提取gru网络；
利用所述维度变换映射网络将所述待处理单通道脑电图的分段信号集转换为预设维度的向量集；
利用所述噪声特征提取gru网络对所述向量集进行编码，得到深层特征向量集。
5.根据权利要求1和3所述的方法，其特征在于，所述方法还包括：
获取单通道仿真信号，所述单通道仿真信号为包括：模拟脑电图信号、模拟肌肉运动伪影和模拟眼部运动伪影；
获取单通道半仿真信号，所述单通道半仿真信号包括：人工去除伪影的脑电图信号以及单独采集的肌电运动伪影和眼部运动伪影；
获取单通道脑电图原始信号；
对所述单通道仿真信号和所述单通道半仿真信号进行预处理，得到所述训练集，并对所述单通道脑电图原始信号进行预处理，得到验证集；
利用所述训练集对所述伪影检测模型对应的深度学习网络模型进行训练，并利用所述验证集对训练后得到的模型进行验证，得到所述伪影检测模型；
利用所述训练集对所述伪影去除模型对应的深度学习网络模型进行训练，并利用所述验证集对训练后得到的模型进行验证，得到所述伪影去除模型。
6.一种脑电图伪影去除装置，其特征在于，包括：
信号获取单元，用于获取待处理单通道脑电图的分段信号集，所述待处理单通道脑电图的分段信号集包括包含伪影的单通道脑电图信号段；
特征提取单元，用于提取所述待处理单通道脑电图的分段信号集的特征向量集；
伪影去除单元，用于将所述特征向量集输入到伪影去除模型中进行伪影去除处理，得到去除伪影的单通道脑电图的分段信号集，所述伪影去除模型为预先利用包括多个包含至少一种伪影的单通道脑电图的分段信号集的训练集对深度学习网络模型进行训练后得到的，所述伪影去除模型对应的深度学习网络模型包括注意力网络和解码器网络，所述解码器网络包括伪影特征去除神经网络和波形还原映射网络；
信号重建单元，用于对去除伪影的单通道脑电图的分段信号集进行信号重建，得到去除伪影的单通道脑电图信号。
7.根据权利要求6所述的装置，其特征在于，所述信号获取单元，包括：
信号预处理单元，用于获取标准单通道脑电图的分段信号集；
伪影检测单元，用于利用伪影检测模型对所述标准单通道脑电图的分段信号集进行伪影检测，在检测出包含伪影的信号段的情况下，将所有包含伪影的信号段确定为所述待处理单通道脑电图的分段信号集；所述伪影检测模型是预先利用包括多个包含至少一种伪影的单通道脑电图的分段信号集的训练集对深度学习网络模型进行训练后得到的，所述伪影检测模型对应的深度学习网络模型包括维度变换映射网络、分类特征提取gru网络、特征集中网络和评价网络，所述维度变换映射网络用于将所述标准单通道脑电图的分段信号集变换为预设维度的信号向量集，所述分类特征提取网络用于对所述信号向量集进行特征提取得到特征向量集，所述特征集中网络用于对所述特征向量集进行加权操作，所述评价网络分别对加权操作后的所述特征向量集中的每个特征向量进行伪影检测。
8.根据权利要求7所述的装置，其特征在于，所述信号预处理单元，具体用于：
对原始单通道脑电图信号进行预处理，得到所述标准单通道脑电图的分段信号集，所述预处理包括重采样、信号分段、标准化处理。
9.根据权利要求6所述的装置，其特征在于，所述特征提取单元，具体用于：
将所述待处理单通道脑电图的分段信号集输入预设编码器，所述预设编码器包括维度变换映射网络和噪声特征提取gru网络；
利用所述维度变换映射网络将所述待处理单通道脑电图的分段信号集转换为预设维度的向量集；
利用所述噪声特征提取gru网络对所述向量集进行编码，得到深层特征向量集。
10.根据权利要求6和8所述的装置，其特征在于，所述装置还包括信号采集单元和模型训练单元；
所述信号采集单元，用于获取单通道仿真信号、单通道半仿真信号和单通道脑电图原始信号，所述单通道仿真信号为包括：模拟脑电图信号、模拟肌肉运动伪影和模拟眼部运动伪影，所述单通道半仿真信号包括：人工去除伪影的脑电图信号以及单独采集的肌电运动伪影和眼部运动伪影；
所述信号预处理单元，还用于对所述单通道仿真信号和所述单通道半仿真信号进行预处理，得到所述训练集，并对所述单通道脑电图原始信号进行预处理，得到验证集；
所述模型训练单元，用于利用所述训练集对所述伪影检测模型对应的深度学习网络模型进行训练，并利用所述验证集对训练后得到的模型进行验证，得到所述伪影检测模型；利用所述训练集对所述伪影去除模型对应的深度学习网络模型进行训练，并利用所述验证集对训练后得到的模型进行验证，得到所述伪影去除模型。
技术总结