技術(shù)特征：

1.一種基于變分自編碼器的雙通道腦電信號壓縮重建方法，其特征在于，包括以下步驟：

2.根據(jù)權(quán)利要求1所述的一種基于變分自編碼器的雙通道腦電信號壓縮重建方法，其特征在于，所述雙通道腦電信號數(shù)據(jù)集由開源腦電信號chb-mit數(shù)據(jù)集獲得，每個腦電信號樣本包含兩個不同通道的腦電活動。

3.根據(jù)權(quán)利要求1所述的一種基于變分自編碼器的雙通道腦電信號壓縮重建方法，其特征在于，步驟四的具體操作流程如下：

4.根據(jù)權(quán)利要求3所述的一種基于變分自編碼器的雙通道腦電信號壓縮重建方法，其特征在于，步驟s4.1中，先將原始信號x∈rl轉(zhuǎn)化為隱變量y＝ga(x；θg)，l表示截取的腦電信號時間窗下包含的采樣點數(shù)，ga表示模型的非線性編碼器，θg表示包含了非線性編碼器神經(jīng)元所有參數(shù)權(quán)重；再將隱變量y進行標(biāo)量量化到離其最近的離散值點上，即q表示量化操作，將數(shù)值量化到最近的離散點數(shù)值上，由此產(chǎn)生率失真優(yōu)化問題，失真是重建向量與原始信號x之間的預(yù)期差異，其數(shù)學(xué)表達式為：

5.根據(jù)權(quán)利要求3所述的一種基于變分自編碼器的雙通道腦電信號壓縮重建方法，其特征在于，步驟s4.2中，假設(shè)先驗q(y)的分布一致，將變分推理的優(yōu)化目標(biāo)轉(zhuǎn)化為最小化已知變量x的分布p(x)與生成的數(shù)據(jù)分布q(x)的kl損失，其數(shù)學(xué)表達式為：

6.根據(jù)權(quán)利要求5所述的一種基于變分自編碼器的雙通道腦電信號壓縮重建方法，其特征在于，所述非線性編碼器ga包括：

7.根據(jù)權(quán)利要求5所述的一種基于變分自編碼器的雙通道腦電信號壓縮重建方法，其特征在于，通過構(gòu)建一組超先驗z來表示量化后的隱變量y的依賴關(guān)系，即z＝ha(y；θh)，對超先驗z進行標(biāo)量量化量化后的超先驗z經(jīng)過非線性變換重建得到并將公式(5)轉(zhuǎn)化為最小化變分概率密度與后驗概率密度的kl散度，其數(shù)學(xué)表達式為：

8.根據(jù)權(quán)利要求7所述的一種基于變分自編碼器的雙通道腦電信號壓縮重建方法，其特征在于，所述超先驗編碼器ha包括：

9.根據(jù)權(quán)利要求3所述的一種基于變分自編碼器的雙通道腦電信號壓縮重建方法，其特征在于，步驟s4.3中，所述腦電信號壓縮重建評價指標(biāo)包括重建精度評價指標(biāo)和壓縮效率評價指標(biāo)；所述重建精度評價指標(biāo)的計算公式為：

10.根據(jù)權(quán)利要求3所述的一種基于變分自編碼器的雙通道腦電信號壓縮重建方法，其特征在于，步驟s4.4中，所述腦電信號壓縮重建模型的損失函數(shù)的計算公式為：

技術(shù)總結(jié)
一種基于變分自編碼器的雙通道腦電信號壓縮重建方法，屬于人工智能領(lǐng)域，包括：構(gòu)建雙通道腦電信號數(shù)據(jù)集；構(gòu)建腦電信號壓縮重建模型；用雙通道腦電信號數(shù)據(jù)集對腦電信號壓縮重建模型進行訓(xùn)練，通過優(yōu)化網(wǎng)絡(luò)參數(shù)，使腦電信號壓縮重建模型能夠?qū)W習(xí)到腦電信號的壓縮表示和重建策略，以最小化原始信號與重建信號之間的差異；將待壓縮重建的雙通道腦電信號輸入訓(xùn)練好的模型，輸出壓縮后的表示和重建的腦電信號，通過計算重建信號與原始信號之間的誤差指標(biāo)來評判腦電信號壓縮重建效果。本發(fā)明提高了模型的泛化能力、魯棒性、穩(wěn)定性和實用性，通過使用變分自編碼器框架的深度模型設(shè)計和模型訓(xùn)練，提高了腦電信號壓縮重建編碼效率并提升了信號重建質(zhì)量。

技術(shù)研發(fā)人員：秦曉琦,王雅琪,李彥霖,姚圣時,戴金晟
受保護的技術(shù)使用者：北京郵電大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2025/6/30