利用神经网络对脑电图(EEG)降噪------开源的、低成本、低功耗微处理器神经网络模型解决方案

具体的软硬件实现点击 http://mcu-ai.com/ MCU-AI技术网页_MCU-AI人工智能
这个示例展示了如何使用EEGdenoiseNet基准数据集[1]和深度学习回归去除脑电图（EEG）信号中的眼电图（EOG）噪声。EEGdenoiseNet数据集包含4514个干净的EEG片段和3400个眼部伪迹片段，这些片段可以用来合成带有真实干净EEG的噪声EEG片段

这个示例使用干净和受EOG污染的EEG信号来训练一个长短期记忆（LSTM）模型以去除EOG伪迹。首先，将在原始输入信号上训练模型。然后，引入短时傅里叶变换（STFT）层，使模型在原始输入上提取时频特征进行训练。逆STFT层从去噪的STFT重构结果。使用时频特征特别是在信噪比（SNR）较低时可以提高性能。

EEGdeniseNet数据集包含4514个干净的EEG片段和3400个EOG片段，可用于生成三个数据集，用于训练、验证和测试深度学习模型。所有信号段的采样率为256Hz。实例为MATLAB语言。

% Download the data

datasetZipFile = matlab.internal.examples.downloadSupportFile("SPT","data/EEGEOGDenoisingData.zip");

datasetFolder = fullfile(fileparts(datasetZipFile),"EEG_EOG_Denoising_Dataset");

if ~exist(datasetFolder,"dir")

unzip(datasetZipFile,fileparts(datasetZipFile));

end

下载数据后，datasetFolder中的位置包含两个MAT文件：

EEG_all_epochs.mat 干净EEG数据

EOG_all_epochs.mat （EOG）数据

将干净的EEG和EOG信号相结合，生成具有不同信噪比（SNR）的有噪声EEG数据与干净的EEG数据构成训练数据，并且分成训练、验证和测试数据集。

绘制有噪声EEG数据与干净的EEG数据

显然，传统的任何算法很难将EEG数据从噪声中滤出来。

定义神经网络结构，之所以选择长短期记忆（LSTM）架构，是因为它能够从时间序列中学习特征。

numFeatures = 1;

numHiddenUnits = 100;

layers = [

sequenceInputLayer(numFeatures)

lstmLayer(numHiddenUnits)

dropoutLayer(0.2)

fullyConnectedLayer(numFeatures)

];

设置训练参数
maxEpochs = 5;
miniBatchSize = 150;

options = trainingOptions("adam", ...
Metrics="rmse", ...
MaxEpochs=maxEpochs, ...
MiniBatchSize=miniBatchSize, ...
InitialLearnRate=0.005, ...
GradientThreshold=1, ...
Plots="training-progress", ...
Shuffle="every-epoch", ...
Verbose=false, ...
ValidationData=ds_Validate_T, ...
ValidationFrequency=100, ...
OutputNetwork="best-validation-loss");