CN105342605A - 一种去除脑电信号中肌电伪迹的方法 - Google Patents

Abstract

一种去除脑电中肌电伪迹的算法，将按不同信噪比混合了肌电伪迹的脑电信号经过MEMD分解得到若干多元本征模式函数；计算每个MIMF的样本熵值，根据仿真选定的样本熵阈值，将样本熵小于阈值的MIMF保留下来，将样本熵大于阈值的MIMF判定为含肌电伪迹；将含有肌电伪迹的脑电信号进行叠加，叠加之后进行CCA分解，将样本熵和自相关系数小于选定阈值的分量看成是含有伪迹的分量；本发明的优势用于脑电信号中肌电伪迹的去除，不仅能够自动识别肌电伪迹而且能够将其去除，同时保留了大量有用的脑电信息，为脑电去除肌电干扰提供一种新思路。

Description

一种去除脑电信号中肌电伪迹的方法

技术领域

本发明涉及脑电信号预处理方法，特别涉及一种去除脑电信号中肌电伪迹的方法，主要应用于脑电信号特征提取、大脑工作记忆以及辅助临床诊断治疗等等。

背景技术

脑电是大脑神经细胞的电生理活动在头皮上的反映，由固定在头皮上的电极采集得到。脑电信号具有采集安全、无创伤、操作简单而快速等优点，被大多数科研和医疗工作者所采用。脑电包含有大量的生理、心理和病理信息，是一种随机性很强的非平稳微弱信号，一般情况下脑电幅值在50微伏以内，通常不会超过100微幅。由于脑电信号非常微弱，在采集的过程中容易被其他因素干扰，所以采集到的脑电信号常常伴有各种伪迹，其中，又以肌电伪迹最难以去除。肌电伪迹由人体肌肉群产生，其来源广泛，以面部和颈部的肌肉产生的影响最为明显。相对于其他干扰来说，肌电伪迹的成分要复杂得多，主要表现在电压幅值大以及频段范围广，肌电幅值在100微伏到1000微伏之间，频率范围在0-200赫兹，而脑电电压在10-100微伏之间，频率范围0-30赫兹。可见，肌电伪迹几乎将脑电信号完全覆盖。伪迹的存在给实际的脑电信号的解释以及进一步分析带来很大困难，如何在去除伪迹的同时尽量减少脑电信息的损失成为脑电预处理十分关键的步骤。

早期的滤波方法或者自回归方法去除肌电伪迹的效果不佳，这主要是由于脑电和肌电的频谱存在重叠，所以去掉肌电的同时会损失较多的脑电信息，特别是alpha波段。小波变换是最近几年发展起来的另一种去除肌电伪迹的有效方法，小波变换是傅里叶变换发展变化而来的，具有时频局部化和多分辨率特性，很适合对微弱的脑电信号进行去噪。但是，在去除肌电伪迹之前，需要大量的实验去选择合适的小波基函数和分解层数，不仅消耗大量时间，其次也会增加计算复杂度。独立分量分析(independentcomponentanalysis，ICA)是另一种用于去除脑电信号中肌电伪迹的方法，因为肌电和脑电是由不同的信号源所产生，相互独立，这样就可以利用ICA把肌电从脑电信号中分离出来，从而把肌电伪迹消除。但是在识别伪迹的时候，通常是根据脑电波形与地形图去判定，直接去除掉与肌电相关的独立分量会损失部分脑电信息，并且该方法非常耗时，容易使人疲劳，不适合实时处理脑电信号。经验模式分解(empiricalmodedecomposition,EMD)方法是一种处理单通道非平稳信号分解方法，该方法事先不需要选定基函数，其最大特点是依据数据本身的时域信息进行时域分解，得到的本征模式函数(multivariateintrinsicmodefunctions,IMFs)通常是有限和平稳的，而且是具有实际意义的窄带信号。因此该方法也被逐渐应用到脑电伪迹去除方面。但是，直接将与肌电伪迹相关的IMFs去掉，可能导致损失大量的脑电信息，显然这也是不可取的。典型相关分析(CanonicalCorrelationAnalysis，CCA)是利用综合变量对之间的相关关系来反映整体相关性的多元统计分析方法，是目前比较常用的处理脑电信号中肌电伪迹的方法，但是CCA方法仅局限于在信噪比为正的情况下，以及其信噪比有待提高。

发明内容

为了解决以上问题，本发明的目的在于提供一种基于CCA和多元经验模式分解(multivariateempiricalmodedecomposition，MEMD)的去除脑电信号中肌电伪迹的方法，即MEMD-CCA方法，从脑电信号中完全提取出肌电伪迹，并且保留了部分脑电信息，这样去除肌电的时候，避免了部分脑电信息的损失；CCA可以从脑电信号中分离出肌电伪迹，通过计算各个分量的互相关值判定伪迹，然后去除肌电；本发明结合这两种方法的优势用于肌电伪迹的去除，不仅能够自动识别肌电伪迹并将其去除，同时保留了大量脑电信息，为脑电去噪提供了一种新思路。

为了达到上述目的，本发明的技术方案为：

一种去除脑电中肌电伪迹的算法，包括以下步骤：

步骤一、将按不同信噪比混合了肌电伪迹的脑电信号经过MEMD分解得到若干多元本征模式函数；

具体为：设含肌电伪迹的脑电信号X(t)＝[x₁(t),x₂(t),…,x_n(t)]^T，其中n表示脑电信号的通道个数，t表示时间，T表示矩阵的转置，脑电信号经MEMD分解后产生m个MIMFs即其中每个MIMF_i均为一个n通道的信号，且各通道的信号都处于同一频段内，同时分解产生的全部MIMF_i(i＝1,2,…,m)的频率范围是按照从高到低的顺序排列的；

步骤二、计算每个MIMF的样本熵值，根据仿真选定的样本熵阈值，将样本熵小于阈值的MIMF保留下来，将样本熵大于阈值的MIMF判定为含肌电伪迹；

具体为：对于分解出的MIMF，我们计算其每一个通道的样本熵值，并对每一个通道的样本熵值叠加平均作为分解出的MIMF的样本熵值，根据仿真实验找到肌电伪迹的样本熵阈值，保留小于阈值的MIMF，将大于阈值的MIMF判定为含有肌电伪迹；

步骤三、将含有肌电伪迹的脑电信号进行叠加，叠加之后进行CCA分解，具体为U＝X×A，其中，U为典型变量，X为待处理信号，A为典型相关系数矩阵，得到分解后按照自相关值降序排列的典型变量U，根据仿真选定的自相关阈值，将自相关值小于阈值的数据通道置为零，而保留剩余的数据通道；

步骤四、对步骤三中部分通道置零后的数据进行CCA重构，根据步骤三中CCA分解的公式可以得知CCA重构公式为：X_clear＝U_clear×inv(A)；式中：U_clear为去除EMG伪迹后的“干净”典型变量，A为典型相关系数矩阵，x_clear为去除肌电伪迹的MIMF数据；

步骤五、对步骤四中CCA重构得到的脑电信号，与步骤二中保留下来的脑电信号叠加重构得到已经去除EMG伪迹的“干净”信号。

本发明的优势在于：本发明使用基于CCA和MEMD的肌电伪迹去除方法，对不同信噪比下的仿真混合信号进行肌电伪迹去除。为了验证所提算法的有效性，我们将实验结果与CCA算法单独使用的结果进行了比较。实验结果证实，不同信噪比下，MEMD-CCA肌电伪迹去除方法去噪后对每个脑电通道信噪比有明显地提升，并且效果优于CCA算法单独使用的结果。这两种方法对于真实含肌电伪迹的脑电信号去噪效果，MEMD-CCA算法也明显优于CCA算法单独使用。

附图说明

图1是本发明的流程图。

图2(a)是一组纯净的脑电信号，图2(b)是一组加入肌电伪迹的脑电信号，信噪比为-15分贝，长度为5秒。

图3是前4个MIMF的波形，其中图3(a)和图3(b)为MIMF1和MIMF2，图3(c)和图3(d)为MIMF3和MIMF4；在图3中可看到每个MIMF的大小和原信号大小一样，每一行对应每个脑电通道的分解出来分量，相当于一个“IMF”。

图4是CCA分解后得到的信号。

图5(a)是使用MEMD-CCA方法对-15db的混合仿真信号使用的去噪效果，图5(b)是使用CCA方法对-15dB的混合仿真信号的单独去噪效果。

图6(a)、(b)、(c)、(d)分别是信噪比为-15db,-10db,-5db,0db下5个通道的脑电使用CCA和MEMD-CCA方法的信噪比结果对比。

图7是一个被试者用MEMD-CCA算法对其信号的去噪效果，其中图(a)是待处理的信号，图(b)是处理后的信号。

具体实施方式

下面结合附图对本发明做详细叙述。

参照图1，一种去除脑电信号中肌电伪迹的方法，包括以下步骤：

步骤一、对含肌电伪迹的脑电信号进行MEMD处理，信号如图2所示，相对于经验模式分解(empiricalmodedecomposition,EMD)方法而言，MEMD能够对多通道脑电信号同时进行处理，可以使产生的各个MIMF中所有通道的信号都处于同一频段之内，以便进行同频带的后续处理，设含肌电伪迹的脑电信号X(t)＝[x₁(t),x₂(t),…,x_n(t)]^T，其中n表示脑电信号的通道个数，t表示时间，T表示矩阵的转置，脑电信号经MEMD分解后产生m个MIMFs即其中每个MIMF_i均为一个n通道的信号，且各通道的信号都处于同一频段内，同时分解产生的全部MIMF_i(i＝1,2,…,m)的频率范围是按照从高到低的顺序排列的，如图3所示；

步骤二、计算每个MIMF(MultivariateIntrinsicModeFunction)的样本熵值。相对于EEG信号而言，肌电信号的熵值更大一些。之后通过仿真实验设定样本熵阈值大小，选择样本熵大于阈值的MIMF判定为含有肌电伪迹，样本熵低于阈值的MIMF则保留下来；

步骤三、将含有肌电伪迹的MIMF进行CCA分解，CCA算法具体为U＝X×A，其中，U为典型变量，X为待处理信号，A为典型相关系数矩阵，得到结果如图4。得到重组后按照自相关值降序排列的典型变量U，根据仿真选定的自相关阈值，将自相关值小于阈值的数据通道置为零，而保留剩余的数据通道；

步骤四、对步骤三中部分通道置零后的数据进行CCA重构，根据步骤三中的CCA分解算法，可以得知CCA重构公式为：X_clear＝U_clear×inv(A)；式中：U_clear为去除EMG伪迹后的“干净”典型变量，A为典型相关系数矩阵，x_clear为去除肌电伪迹的MIMF数据；

步骤五、对步骤四中CCA重构得到的脑电信号，与步骤二中保留下来的脑电信号叠加重构得到已经去除EMG伪迹的“干净”信号。

下面分别对仿真信号和真实信号中的肌电伪迹进行去除，在仿真信号去除肌电伪迹的过程中，与单独的CCA方法去除伪迹结果进行对比。

一、仿真信号中肌电伪迹的去除

仿真实验分为两大组，一组对仿真信号分别进行CCA单一方法的处理，评价其去噪效果；另一组对信号利用MEMD-CCA算法进行处理，评价其去噪效果。上述两组实验采用四种信噪比进行，即-15dB，-10dB，-5dB，0dB。每一个脑电信号与不同的肌电伪迹按不同信噪比混合各10次，一共做50组信号。具体为：步骤1.构造仿真脑电信号A(i)＝[a1(i),a2(i),a3(i),a4(i),a5(i)]^T(i＝1,2,...,1600),和仿真肌电信号B(i)＝[b1(i),b2(i),b3(i),b4(i),b5(i)]^T(i＝1,2,…,1600),其中i表示信号采样点序号，T表示矩阵的转置，信号通道个数都为5，信号采样率200Hz。将脑电信号和眼电信号按照以下方式混合：

C(i)＝[c₁(i),c₂(i),c₃(i),c₄(i),c₅(i)]^T＝A(i)+λB(i),i∈{1,2,...,1600}(1)

其中i表示信号采样点序号，T表示矩阵的转置。通过调整参数λ，可以得到不同信噪比下的混合信号，一组仿真纯净信号和仿真混合信号参见图2，可以看到混合信号中含有明显的肌电伪迹。之后对附图中构造的仿真混合信号进行MEMD处理，通过处理将信号分解成频率从高到低排列的12个MIMFs即 $C\left(i\right)={\[c_1\left(i\right),c_2\left(i\right),c_3\left(i\right),c_4\left(i\right),c_5\left(i\right)\]}^T={\mathrm{\Σ}}_{j=1}^{12}{\mathrm{MIMF}}_j\left(i\right)$ (i＝1,2,…,1600),其中i表示信号采样点序号，T表示矩阵的转置。参见图3，图3画出了前4个MIMF的波形图，明显可看出MIMF₁幅值很大，能量主要集中在高频段，而MIMF₂，MIMF₃以及MIMF₄幅值逐渐减小，并且能量也向低频段偏移；

步骤2.计算每个MIMFs的熵值，相对于EEG信号而言，EMG信号的熵值更大一些。我们对样本熵的阈值进行选择，通过对按照-15dB的信噪比混合起来的仿真信号进行实验，选择效果最好的阈值。将0.1，0.2，0.3，0.4，0.5，0.6，0.7，0.8，0.9作为阈值，对样本进行处理，得出效果最优的值为0.5。因此选择样本熵大于阈值0.5的MIMF判定为含有肌电伪迹，样本熵低于阈值0.5的MIMF则保留下来；

步骤3.将含有肌电伪迹的MIMF进行CCA分解，得到结果如图4。得到重组后按照自相关值降序排列的典型变量U，通过对0.1，0.2，0.3，0.4，0.5，0.6，0.7，0.8，0.9作为CCA分解阈值，对按-15dB的信噪比混合起来的仿真信号进行处理，比较处理后的结果，得到效果最优的值为0.6。根据选定的自相关阈值0.6，将自相关值小于阈值0.6的数据通道置为零，而保留剩余的数据通道；

步骤4.步骤三中部分通道置零后的数据进行CCA重构，根据CCA算法，可以得知重构公式为：X_clear＝U_clear×inv(A)；式中：U_clear为去除EMG伪迹后的“干净”典型变量，A为典型相关系数矩阵，x_clear为去除肌电伪迹的MIMF数据；

步骤五.对步骤四中CCA重构得到的脑电信号，与步骤二中保留下来的脑电信号叠加重构得到已经去除EMG伪迹的“干净”信号，结果如图5(a)所示。

为了定量评价本发明去噪效果的好坏，在仿真实验中，与CCA方法单独处理的结果进行了比较，CCA单独处理的结果如图5(b)所示。此外通过使用信噪比(SNR)作为指标，来评价结果的好坏。信噪比的公式如下：

$SNR=10*\lg ({\mathrm{\Σ}}_{i=1}^n{x}_i^2/{\mathrm{\Σ}}_{i=1}^n{y}_i^2)---\left(2\right)$

根据公式(1)得到四种信噪比下50组脑电信号，然后通过公式(2)计算脑电信号去噪后所有通道SNR的均值和标准差，结果如图6所示。通过作统计分析，两者具有显著性差异(p<0.05)。

二、对真实信号进行EMG伪迹去除

利用仿真信号的实验结果，我们对真实信号采用了MEMD-CCA算法进行了处理，利用真实信号对仿真实验的结果加以证实；为了进一步验证本发明的有效性，我们采集了1名男性脑电数据，年龄为23岁。从受试者采集的信号中截取含有明显肌电伪迹的脑电数据，截取的每段数据长度相等，每个被试截取20段，数据长度为1s。选取每段数据中肌电较明显的5个通道作为含有肌电伪迹的脑电信号。利用脑电采集系统自带的带通滤波器，对信号进行0.1赫兹—100赫兹滤波处理，已消除高频噪声和低频伪迹的影响。

对以上真实含有肌电伪迹的脑电信号运用MEMD-CCA方法进行处理，结果如图7(a)和图7(b)所示；结果显示，MEMD-CCA对于去除脑电信号中的肌电伪迹有明显的效果。

Claims (1)

1.一种去除脑电中肌电伪迹的算法，其特征在于，包括以下步骤：

步骤一、将按不同信噪比混合了肌电伪迹的脑电信号经过MEMD分解得到若干多元本征模式函数；

具体为：设含肌电伪迹的脑电信号X(t)＝[x₁(t),x₂(t),…,x_n(t)]^T，其中n表示脑电信号的通道个数，t表示时间，T表示矩阵的转置，脑电信号经MEMD分解后产生m个MIMFs即其中每个MIMF_i均为一个n通道的信号，且各通道的信号都处于同一频段内，同时分解产生的全部MIMF_i(i＝1,2,…,m)的频率范围是按照从高到低的顺序排列的；

步骤二、计算每个MIMF的样本熵值，根据仿真选定的样本熵阈值，将样本熵小于阈值的MIMF保留下来，将样本熵大于阈值的MIMF判定为含肌电伪迹；

具体为：对于分解出的MIMF，我们计算其每一个通道的样本熵值，并对每一个通道的样本熵值叠加平均作为分解出的MIMF的样本熵值，根据仿真实验找到肌电伪迹的样本熵阈值，保留小于阈值的MIMF，将大于阈值的MIMF判定为含有肌电伪迹；

步骤三、将含有肌电伪迹的脑电信号进行叠加，叠加之后进行CCA分解，具体为U＝X×A，其中，U为典型变量，X为待处理信号，A为典型相关系数矩阵，得到分解后按照自相关值降序排列的典型变量U，根据仿真选定的自相关阈值，将自相关值小于阈值的数据通道置为零，而保留剩余的数据通道；

步骤四、对步骤三中部分通道置零后的数据进行CCA重构，根据步骤三中CCA分解的公式可以得知CCA重构公式为：X_clear＝U_clear×inv(A)；式中：U_clear为去除EMG伪迹后的“干净”典型变量，A为典型相关系数矩阵，x_clear为去除肌电伪迹的MIMF数据；

步骤五、对步骤四中CCA重构得到的脑电信号，与步骤二中保留下来的脑电信号叠加重构得到已经去除EMG伪迹的“干净”信号。