CN104700119B - 一种基于卷积盲源分离的脑电信号独立分量提取方法 - Google Patents
一种基于卷积盲源分离的脑电信号独立分量提取方法 Download PDFInfo
- Publication number
- CN104700119B CN104700119B CN201510127762.2A CN201510127762A CN104700119B CN 104700119 B CN104700119 B CN 104700119B CN 201510127762 A CN201510127762 A CN 201510127762A CN 104700119 B CN104700119 B CN 104700119B
- Authority
- CN
- China
- Prior art keywords
- eeg signals
- isolated component
- fourier transform
- module
- domain
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Complex Calculations (AREA)
Abstract
本发明公开了一种基于卷积盲源分离的脑电信号独立分量提取方法,其具体步骤为:搭建包括AD采样模块、短时傅里叶变换模块、频域瞬时盲源分离模块、顺序调整模块和短时傅里叶逆变换模块的基于卷积盲源分离的脑电信号独立分量提取系统;AD采样模块对脑电信号进行采样;短时傅里叶变换模块将时域脑电信号变换到频域;频域瞬时盲源分离模块对频域瞬时混合信号进行分离;顺序调整模块对每个频域段上向量中的独立分量进行顺序调整;短时傅里叶逆变换模块将频域分离结果变换成时域上的独立分量。本发明基于更真实的卷积混合模型提取脑电信号独立分量,采用卷积盲源分离的频域算法,实现简单、分离效果好、计算复杂度低。
Description
技术领域
本发明涉及一种脑电信号独立分量提取方法,特别是一种基于卷积盲源分离的脑电信号独立分量提取方法。
背景技术
脑电信号特征提取是脑机接口的关键步骤之一。从多通道脑电信号中分离出独立分量,再从独立分量中提取特征信号,是被广泛采用的脑电信号特征提取流程。脑电信号独立分量提取方法通过对多路脑电混合过程进行建模,基于该模型对脑电混合信号进行盲源分离,得到统计上独立的多个分量。当前,脑电信号独立分量的提取方法一般是基于瞬时混合模型的,即假定多通道脑电信号是瞬时线性混合的;而在严格意义上,多通道脑电信号是卷积混合的;瞬时混合模型忽略了脑电信号传播过程的时空动态性,从而影响了独立分量提取的实际效果,进而制约了脑电信号特征提取与分类识别准确率的提高。
发明内容
本发明的目的在于提供一种基于卷积盲源分离的脑电信号独立分量提取方法,解决基于瞬时混合模型的独立分量提取方法不能真实描述脑电信号混合过程从而影响脑电信号特征提取与分类识别准确率的问题。
一种基于卷积盲源分离的脑电信号独立分量提取方法,其具体步骤为:
第一步 搭建基于卷积盲源分离的脑电信号独立分量提取系统
基于卷积盲源分离的脑电信号独立分量提取系统,包括:AD采样模块、短时傅里叶变换模块、频域瞬时盲源分离模块、顺序调整模块和短时傅里叶逆变换模块。AD采样模块用于对脑电信号进行采样,使脑电信号离散化;短时傅里叶变换模块用于将时域上的卷积混合信号转换成频域上的瞬时混合信号;频域瞬时盲源分离模块用于对频域上的瞬时混合信号进行盲源分离;顺序调整模块用于对每个频域段上的向量中的独立分量进行顺序调整;短时傅里叶逆变换模块用于将频域上分离的结果转换成时域独立分量。
第二步 AD采样模块对脑电信号进行采样
AD采样模块分别对采集到的n路脑电信号x j 进行AD采样,使脑电信号离散化,其中j=1,2,…,n。
第三步 短时傅里叶变换模块将时域脑电信号变换到频域
短时傅里叶变换模块对脑电信号x j 进行m点的离散傅里叶变换,得到X i ,其中i=1,2,…,m。X i =[X i1, X i2,…, X in ] T , X ij 是脑电信号x j 经过离散傅里叶变换后第i个频域段的成分组成的横向量,通过离散傅里叶变换使时域上的卷积混合转换成频域上的瞬时混合。
第四步 频域瞬时盲源分离模块对频域瞬时混合信号进行分离
频域瞬时盲源分离模块对m个频域段上的复数瞬时混合信号X i ,分别采用复数自然梯度算法进行分离,即求得解混矩阵W i ,使得:
y i = W i X i (1)
各分量之间的统计独立性最强。式中,y i 是第i个频率段上的独立分量组成的向量,y i =[y i1, y i2,…,y in ] T 。
W i 的学习规则为:
(2)
式中,△W i 表示W i 的增量,(·) H 表示共轭转置,η是学习速率,I是单位矩阵,f(y i )是非线性函数:
(3)
式中,K为对角矩阵,其中的元素k i 为:
(4)
最终得到m个频域段上的独立分量组成的向量y i 。公式(4)中,E(·)表示期望。
第五步 顺序调整模块对每个频域段上向量中的独立分量进行顺序调整
顺序调整模块根据脑电信号独立分量的特点:来源于同一独立分量的相邻频率段的信号之间存在相关性,通过相邻频率段信号之间的幅值相关性进行顺序调整。
对于i=1,2,…,m-1的每种情况:
当i保持不变,对于k=1,2,…,n-1的每种情况:
相关系数为:
(5)
公式(5)中,表示|y ik |和|y (i+1)j |的相关系数,j=k,k+1,…,n,寻找到中的最大值,将最大值对应的下标记为j_max,即;交换y (i+1)j_max和y (i+1)k ;
最终得到调整顺序后的y i ,y i =[y i1, y i2,…,y in ] T 。
第六步 短时傅里叶逆变换模块将频域分离结果变换成时域上的独立分量
短时傅里叶逆变换模块对调整顺序的结果进行组合,并作短时傅里叶逆变换:将y 1j , y 2j ,…, y mj 组合成向量z j , z j =[y 1j , y 2j ,…,y mj ] T ;然后对z j 分别作m点的短时傅里叶逆变换,得到n个脑电信号的独立分量s j 。
本发明基于更真实的卷积混合模型提取脑电信号独立分量,可以有效的提高后续的脑电信号特征提取与分类识别准确率,并且采用卷积盲源分离的频域算法,具有实现简单、分离效果好、计算复杂度低等优点。
具体实施方式
一种基于卷积盲源分离的脑电信号独立分量提取方法,其具体步骤为:
第一步 搭建基于卷积盲源分离的脑电信号独立分量提取系统
基于卷积盲源分离的脑电信号独立分量提取系统,包括:AD采样模块、短时傅里叶变换模块、频域瞬时盲源分离模块、顺序调整模块和短时傅里叶逆变换模块。AD采样模块用于对脑电信号进行采样,使脑电信号离散化;短时傅里叶变换模块用于将时域上的卷积混合信号转换成频域上的瞬时混合信号;频域瞬时盲源分离模块用于对频域上的瞬时混合信号进行盲源分离;顺序调整模块用于对每个频域段上的向量中的独立分量进行顺序调整;短时傅里叶逆变换模块用于将频域上分离的结果转换成时域独立分量。
第二步 AD采样模块对脑电信号进行采样
AD采样模块分别对采集到的n路脑电信号x j 进行AD采样,使脑电信号离散化,其中j=1,2,…,n。
第三步 短时傅里叶变换模块将时域脑电信号变换到频域
短时傅里叶变换模块对脑电信号x j 进行m点的离散傅里叶变换,得到X i ,其中i=1,2,…,m。X i =[X i1, X i2,…, X in ] T , X ij 是脑电信号x j 经过离散傅里叶变换后第i个频域段的成分组成的横向量,通过离散傅里叶变换使时域上的卷积混合转换成频域上的瞬时混合。
第四步 频域瞬时盲源分离模块对频域瞬时混合信号进行分离
频域瞬时盲源分离模块对m个频域段上的复数瞬时混合信号X i ,分别采用复数自然梯度算法进行分离,即求得解混矩阵W i ,使得:
y i = W i X i (1)
各分量之间的统计独立性最强。式中,y i 是第i个频率段上的独立分量组成的向量,y i =[y i1, y i2,…,y in ] T 。
W i 的学习规则为:
(2)
式中,△W i 表示W i 的增量,(·) H 表示共轭转置,η是学习速率,I是单位矩阵,f(y i )是非线性函数:
(3)
式中,K为对角矩阵,其中的元素k i 为:
(4)
最终得到m个频域段上的独立分量组成的向量y i 。公式(4)中,E(·)表示期望。
第五步 顺序调整模块对每个频域段上向量中的独立分量进行顺序调整
顺序调整模块根据脑电信号独立分量的特点:来源于同一独立分量的相邻频率段的信号之间存在相关性,通过相邻频率段信号之间的幅值相关性进行顺序调整。
对于i=1,2,…,m-1的每种情况:
当i保持不变,对于k=1,2,…,n-1的每种情况:
相关系数为:
(5)
公式(5)中,表示|y ik |和|y (i+1)j |的相关系数,j=k,k+1,…,n,寻找到中的最大值,将最大值对应的下标记为j_max,即;交换y (i+1)j_max和y (i+1)k ;
最终得到调整顺序后的y i ,y i =[y i1, y i2,…,y in ] T 。
第六步 短时傅里叶逆变换模块将频域分离结果变换成时域上的独立分量
短时傅里叶逆变换模块对调整顺序的结果进行组合,并作短时傅里叶逆变换:将y 1j , y 2j ,…, y mj 组合成向量z j , z j =[y 1j , y 2j ,…,y mj ] T ;然后对z j 分别作m点的短时傅里叶逆变换,得到n个脑电信号的独立分量s j 。
Claims (1)
1.一种基于卷积盲源分离的脑电信号独立分量提取方法,其特征在于具体步骤为:
第一步 搭建基于卷积盲源分离的脑电信号独立分量提取系统
基于卷积盲源分离的脑电信号独立分量提取系统,包括:AD采样模块、短时傅里叶变换模块、频域瞬时盲源分离模块、顺序调整模块和短时傅里叶逆变换模块;AD采样模块用于对脑电信号进行采样,使脑电信号离散化;短时傅里叶变换模块用于将时域上的卷积混合信号转换成频域上的瞬时混合信号;频域瞬时盲源分离模块用于对频域上的瞬时混合信号进行盲源分离;顺序调整模块用于对每个频域段上的向量中的独立分量进行顺序调整;短时傅里叶逆变换模块用于将频域上分离的结果转换成时域独立分量;
第二步 AD采样模块对脑电信号进行采样
AD采样模块分别对采集到的n路脑电信号xj进行AD采样,使脑电信号离散化,其中j=1,2,…,n;
第三步 短时傅里叶变换模块将时域脑电信号变换到频域
短时傅里叶变换模块对脑电信号xj进行m点的离散傅里叶变换,得到Xi,其中i=1,2,…,m;Xi=[Xi1,Xi2,…,Xin]T,Xij是脑电信号xj经过离散傅里叶变换后第i个频域段的成分组成的横向量,通过离散傅里叶变换使时域上的卷积混合转换成频域上的瞬时混合;
第四步 频域瞬时盲源分离模块对频域瞬时混合信号进行分离
频域瞬时盲源分离模块对m个频域段上的复数瞬时混合信号Xi,分别采用复数自然梯度方式进行分离,即求得解混矩阵Wi,使得:
yi=WiXi (1)
各分量之间的统计独立性最强;式中,yi是第i个频率段上的独立分量组成的向量,yi=[yi1,yi2,…,yin]T;
Wi的学习规则为:
ΔWi=η[I-f(yi)yi H]Wi (2)
式中,△Wi表示Wi的增量,(·)H表示共轭转置,η是学习速率,I是单位矩阵,f(yi)是非线性函数:
f(yi)=K(tanh(Re(yi))+tanh(Im(yi))i)+yi (3)
式中,K为对角矩阵,其中的元素ki为:
<mrow>
<msub>
<mi>k</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mi>s</mi>
<mi>i</mi>
<mi>g</mi>
<mi>n</mi>
<mrow>
<mo>(</mo>
<mi>E</mi>
<mo>{</mo>
<msup>
<mi>sech</mi>
<mn>2</mn>
</msup>
<mo>(</mo>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>}</mo>
<mi>E</mi>
<mo>{</mo>
<msubsup>
<mi>y</mi>
<mi>i</mi>
<mn>2</mn>
</msubsup>
<mo>}</mo>
<mo>-</mo>
<mi>E</mi>
<mo>{</mo>
<mo>&lsqb;</mo>
<mi>tanh</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mo>}</mo>
<mo>)</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
最终得到m个频域段上的独立分量组成的向量yi;公式(4)中,E(·)表示期望;
第五步 顺序调整模块对每个频域段上向量中的独立分量进行顺序调整
顺序调整模块根据脑电信号独立分量的特点:来源于同一独立分量的相邻频率段的信号之间存在相关性,通过相邻频率段信号之间的幅值相关性进行顺序调整;
对于i=1,2,…,m-1的每种情况:
当i保持不变,对于k=1,2,…,n-1的每种情况:
相关系数为:
ρij=ρ(|yik|,|y(i+1)j|) (5)
公式(5)中,ρij表示|yik|和|y(i+1)j|的相关系数,j=k,k+1,…,n,寻找到ρij中的最大值,将最大值对应的下标记为j_max,即交换y(i+1)j_max和y(i+1)k;
最终得到调整顺序后的yi,yi=[yi1,yi2,…,yin]T;
第六步 短时傅里叶逆变换模块将频域分离结果变换成时域上的独立分量
短时傅里叶逆变换模块对调整顺序的结果进行组合,并作短时傅里叶逆变换:将y1j,y2j,…,ymj组合成向量zj,zj=[y1j,y2j,…,ymj]T;然后对zj分别作m点的短时傅里叶逆变换,得到n个脑电信号的独立分量sj。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510127762.2A CN104700119B (zh) | 2015-03-24 | 2015-03-24 | 一种基于卷积盲源分离的脑电信号独立分量提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510127762.2A CN104700119B (zh) | 2015-03-24 | 2015-03-24 | 一种基于卷积盲源分离的脑电信号独立分量提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104700119A CN104700119A (zh) | 2015-06-10 |
CN104700119B true CN104700119B (zh) | 2018-02-13 |
Family
ID=53347216
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510127762.2A Active CN104700119B (zh) | 2015-03-24 | 2015-03-24 | 一种基于卷积盲源分离的脑电信号独立分量提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104700119B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108388846B (zh) * | 2018-02-05 | 2021-06-08 | 西安电子科技大学 | 基于典型相关分析的脑电α波检测识别方法 |
CN108888280B (zh) * | 2018-05-24 | 2021-07-13 | 吉林大学 | 基于脑电信号分析的学生听课注意力评价方法 |
CN108982958B (zh) * | 2018-07-04 | 2019-12-06 | 中国海洋大学 | 一种基于小波变换的单通道变频用电信号盲源分离方法 |
CN109002798B (zh) * | 2018-07-19 | 2021-07-16 | 大连理工大学 | 一种基于卷积神经网络的单导视觉诱发电位提取方法 |
CN109117790B (zh) * | 2018-08-14 | 2021-10-22 | 杭州电子科技大学 | 一种基于频空指标的脑纹识别方法 |
CN108877831B (zh) * | 2018-08-28 | 2020-05-15 | 山东大学 | 基于多标准融合频点筛选的盲源分离快速方法及系统 |
CN109726751B (zh) * | 2018-12-21 | 2020-11-27 | 北京工业大学 | 基于深度卷积神经网络识别脑电成像图的方法 |
CN112669874B (zh) * | 2020-12-16 | 2023-08-15 | 西安电子科技大学 | 基于量子傅里叶变换的语音特征提取方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101667425A (zh) * | 2009-09-22 | 2010-03-10 | 山东大学 | 一种对卷积混叠语音信号进行盲源分离的方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20090123921A (ko) * | 2007-02-26 | 2009-12-02 | 퀄컴 인코포레이티드 | 신호 분리를 위한 시스템, 방법 및 장치 |
-
2015
- 2015-03-24 CN CN201510127762.2A patent/CN104700119B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101667425A (zh) * | 2009-09-22 | 2010-03-10 | 山东大学 | 一种对卷积混叠语音信号进行盲源分离的方法 |
Non-Patent Citations (2)
Title |
---|
Blind Source Separation Based on a Fast-Convergence Algorithm Combining ICA and Beamforming;Hiroshi Saruwatari 等;《IEEE TRANSACTIONS ON AUDIO, SPEECH, AND LANGUAGE PROCESSING》;20060331;第14卷(第2期);第666页-第678页 * |
独立分量分析在信号处理中的应用;李伟 等;《全国高等学校过程装备与控制工程专业教学改革与学科建设成果校际交流会》;20090806;第384页-第386页 * |
Also Published As
Publication number | Publication date |
---|---|
CN104700119A (zh) | 2015-06-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104700119B (zh) | 一种基于卷积盲源分离的脑电信号独立分量提取方法 | |
CN101794396B (zh) | 基于迁移网络学习的遥感图像目标识别系统及方法 | |
CN100507971C (zh) | 基于独立分量分析的车辆声音识别方法 | |
CN109450830A (zh) | 一种高速移动环境下基于深度学习的信道估计方法 | |
CN103218524B (zh) | 基于密度的欠定盲源分离方法 | |
CN104281855A (zh) | 基于多任务低秩的高光谱图像分类方法 | |
CN103763230B (zh) | 一种改进的自适应盲源分离方法 | |
CN103475602B (zh) | 一种考虑同频干扰的mimo‑ofdm信道估计方法 | |
CN103400144A (zh) | 一种基于k近邻的支持向量机主动学习的方法 | |
CN103188184A (zh) | 基于npca的自适应变步长盲源分离方法 | |
CN115664898B (zh) | 一种基于复数卷积神经网络的ofdm系统信道估计方法及系统 | |
CN107529692B (zh) | 一种基于相关熵稀疏表示的通信辐射源个体识别方法 | |
CN106548136A (zh) | 一种无线信道场景分类方法 | |
CN107274887A (zh) | 基于融合特征mgfcc的说话人二次特征提取方法 | |
CN103326976A (zh) | 基于加权分数傅立叶变换的双弥散信道下的迭代频域最小均方误差均衡方法 | |
CN109190471B (zh) | 基于自然语言描述的视频监控行人搜索的注意力模型方法 | |
CN109614943A (zh) | 一种用于盲源分离的特征提取方法 | |
CN102624660B (zh) | 基于四项加权分数傅里叶变换的窄带干扰抑制的方法 | |
CN106803089A (zh) | 基于非线性主分量分析从图像序列中分离图像信息的方法 | |
Qian et al. | Efficient variant of noncircular complex FastICA algorithm for the blind source separation of digital communication signals | |
CN102546128A (zh) | 用于多通道盲反卷积级联神经网络的方法 | |
CN104680176B (zh) | 一种基于非高斯中性向量特征选择的脑电波(eeg)信号分类方法 | |
CN103297362B (zh) | 一种基于误差更新的信道估计系统及方法 | |
CN104504181A (zh) | 一种基于稀疏复原的信号包络线提取方法 | |
CN103885035A (zh) | 一种基于矩阵恢复的降采样阵列信号处理方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |