CN106264521A - 多通道脑电信号中下颌干扰的自动去除方法 - Google Patents
多通道脑电信号中下颌干扰的自动去除方法 Download PDFInfo
- Publication number
- CN106264521A CN106264521A CN201610841417.XA CN201610841417A CN106264521A CN 106264521 A CN106264521 A CN 106264521A CN 201610841417 A CN201610841417 A CN 201610841417A CN 106264521 A CN106264521 A CN 106264521A
- Authority
- CN
- China
- Prior art keywords
- independent source
- lower jaw
- signal
- matrix
- independent
- 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.)
- Pending
Links
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
- A61B5/7207—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal of noise induced by motion artifacts
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Psychiatry (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Signal Processing (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Physiology (AREA)
- Psychology (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种多通道脑电信号中下颌干扰的自动去除方法,在采集脑电信号的同时,用两导辅助电极记录出下颌动作标记信号,并将下颌动作标记信号与设备采集到的多通道脑电信号经过fastICA算法分析出的各个独立成分相比较,并进行相关性分析计算,从而自动识别出包含下颌动作信号干扰的独立源,再去除该独立源中的下颌干扰信号,最后还原出多通道脑电信号,进而得到了相对污染较少的脑电信号,且波形也更为稳定。
Description
技术领域
本发明属于脑电信号处理及运用技术领域,更为具体地讲,涉及一种多通道脑电信号中下颌干扰的自动去除方法。
背景技术
脑电信号(electroencephalogram,EEG)是由脑神经细胞的电生理活动在大脑皮层或则头皮表面表现出的电位现象,含有丰富的大脑活动信息,是大脑研究、生理研究和临床脑疾病诊断的重要手段。但是实际在大脑皮层处用电极采集到的脑电信号非常微弱,只有微伏级,且往往被多种干扰成分所污染,特别是肌电干扰成分。又因为在实验中脑电采集设备大都是实验者带在头部,被试者往往会出现脖子或则下颌部位的轻微动作,从而引发脑电波发生较大的电位变化,在最终搜集到的脑电信号中产生较为明显的下颌肌电干扰。不纯的脑电波会给后期脑电信号的处理以及运用带来很大的困难和困扰,因此有效的去除下颌肌电干扰,获得相对纯净的脑电波,对脑电信号的处理与研究具有十分重大的意义。
关于脑电中干扰信号的去除人们已经提出了多种方法,而大部分传统的方法都拘于时域或频域分析,如傅立叶变换,频域能量分析等,虽然可以进行信号的降噪和特征处理,但其多适于分析平稳信号,对非平稳的脑电波信号处理效果并不好。而快速独立分量分析方法作为一种多为统计的分析方法,与脑电时、频分析方法有着本质的差别。早期的研究结果表明,独立成分分析(Independent Component Analysis,ICA)能有效的分离出脑电信号中的伪迹信号。与传统的盲源分离算法相比,ICA算法基于数据的高阶统计量,分离得到的个分量不仅互不相关,而且还尽可能高阶统计独立,故更能反应数据的本质特征。
发明内容
本发明的目的在于克服现有技术的不足,提供一种多通道脑电信号中下颌干扰的自动去除方法,能有效的去除脑电信号中的伪迹信号,为脑电信号的处理提供更纯净的数据,具有实用价值高,简单快捷等特点。
为实现上述发明目的,本发明多通道脑电信号中下颌干扰的自动去除方法,其特征在于,包括以下步骤:
(1)、信号采集
采集多通道脑电信号X,并用两导辅助电极采集出下颌动作的标记信号Jaw_clench;
(2)、信号预处理
对多通道脑电信号进行中心化和白化处理;
中心化处理:X=X-E{X},其中,X是一个M列N行的矩阵,E{X}为每一列的均值;
白化处理:Z=W*X,其中,W为白化矩阵,Z为白化处理后矩阵;
(3)、分离出独立成分
将白化处理后的矩阵Z作为fastICA算法的输入参数,其fastICA算法输出为独立源成分矩阵D、混合矩阵A以及解混矩阵W,其中,独立源成分矩阵D的每一列为独立成分;
(4)、确定含有下颌噪声的独立源,并进行去噪
(4.1)、根据步骤(1)中采集的标记信号Jaw_clench和分离出的每个独立成分作图,得到Jaw_clench图和各个独立源成分图;
将Jaw_clench图和各个独立源成分图分别进行对比,观测在采集标记信号Jaw_clench的对应时段内各个独立源成分图的波形;如果在对应的多个时段内没有检测到明显波动的独立源,则初步判断该独立源为不含下颌噪声的独立源;如果在对应的多个时段内检测到明显波动的独立源,则将该独立源初步确定为下颌噪声独立源;
(4.2)、对步骤(1)中采集的标记信号Jaw_clench和分离出的每个独立成分进行相关性计算,选择出相关性最大的独立源,再用该独立源与步骤(4.1)初步确定的下颌噪声独立源进行对比,如果两者相同,则该独立源为最终确定的包含有下颌噪声独立源;如果两者不相同,则以相关性最大的独立源作为最终确定的包含有下颌噪声独立源;
(4.3)、包含有下颌噪声独立源中对应的下颌噪声置0,通过滤波方式将下颌噪声去除,得到去噪后的独立源;
(5)将去噪后的独立源进行数据恢复
将去噪后的独立源用混合矩阵A恢复成原始的多通道脑电信号X:
X=A*D0
其中,A为fastICA算法得出的混合矩阵,D0为去噪后的独立源。
本发明的发明目的是这样实现的:
本发明多通道脑电信号中下颌干扰的自动去除方法,在采集脑电信号的同时,用两导辅助电极记录出下颌动作标记信号,并将下颌动作标记信号与设备采集到的多通道脑电信号经过fastICA算法分析出的各个独立成分相比较,并进行相关性分析计算,从而自动识别出包含下颌动作信号干扰的独立源,再去除该独立源中的下颌干扰信号,最后还原出多通道脑电信号,进而得到了相对污染较少的脑电信号,且波形也更为稳定。
同时,本发明多通道脑电信号中下颌干扰的自动去除方法还具有以下有益效果:
(1)、通过使用fastICA技术以及脑电干扰检测信号的提取,实现了脑电信号和辅助电极信号的无缝融合,突破了传统意义上仅仅从脑电信号中单独识别脑电信号干扰的模式;
(2)、本文对信号处理使用的是fastICA算法技术,与大部分传统的方法都拘于时域或频域分析不同,传统方法如傅立叶变换,频域能量分析等,虽然可以进行信号的降噪和特征处理,但其多适于分析平稳信号,对非平稳的脑电波信号处理效果并不好。早期的研究表明,独立成分分析(ICA)能有效的分离出各种多通道信号中的伪迹信号。ICA算法基于数据的高阶统计量,分离得到的个分量不仅互不相关(二阶统计独立),而且还尽可能高阶统计独立,故更能反应各个数据源的本质特征。这里把用于处理脑电信号中的下颌干扰信号,是去除多通道脑电信号中下颌干扰的一种行之有效的方法。
(3)、本文对fastICA算法分离出的各个独立源成分进行噪声所在成分的识别,采用了图形波形对应时刻比对的方法进行初步确定干扰信号和各个独立源成分以及检测信号之间的相关性计算的方法来最终确定干扰信号的方法,使得包含噪声所在的独立源的确定更加准确和科学。
附图说明
图1是本发明多通道脑电信号中下颌干扰的自动去除方法流程图;
图2是国际标准10-20的脑电极位置图;
图3是多通道脑电信号去除下颌干扰示意图;
图4是下颌肌动检测信号图;
图5是未经过去除下颌噪声的脑电信号;
图6是利用独立成分得到的独立源成分图;
图7是去除下颌噪声的脑电信号;
图8是4通道的脑电信号的综合数据图。
具体实施方式
下面结合附图对本发明的具体实施方式进行描述,以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是,在以下的描述中,当已知功能和设计的详细描述也许会淡化本发明的主要内容时,这些描述在这里将被忽略。
实施例
图1是本发明多通道脑电信号中下颌干扰的自动去除方法流程图。
在本实施例中,如图1所示,本发明多通道脑电信号中下颌干扰的自动去除方法,包括以下步骤:
(1)、信号采集
采集多通道脑电信号X,并用两导辅助电极采集出下颌动作的标记信号Jaw_clench;
在本实施例中,如图2所示,数据采集是InteraXon公司发明的支持心智操控的头带设备Muse,电极放置采用国际10-20系统标准。Muse能够采集TP9(左耳)、FP1(左前额)、FP2(右前额)和TP10(右耳)这四个通道的EEG数据,同时还采集了Jaw_clench等数据来标识下颌运动的检测位。
(2)、信号预处理
在进行数据独立成分分析之前,先对4通道脑电信号进行数据的预处理,主要包括中心化和白化处理。
其中,中心化又称为去均值化,一般希望处理后的数据为零均值。其算法为:
中心化处理:X=X-E{X},其中,X是一个4列25000行的矩阵,E{X}为每一列的均值;
白化处理是对中心化后的矩阵X施加一个线性变换,使得新正交矩阵的各个分量间互不相关;
白化处理:Z=W*X,其中,W为白化矩阵,W=∧-1/2UT;其中,∧和U分别代表X的协方差矩阵的特征向量矩阵和特征值矩阵;Z为白化处理后矩阵;
(3)、分离出独立成分
预处理结束之后,就可以进行非高斯最大化计算,即分离过程。此时必须先确定非高斯性的度量标准,非高斯性的度量标准主要有峭度和负熵两种。由于峭度存在不稳定性,用峭度作为目标函数寻找独立分量时,易受大幅度随机脉冲干扰的影响,而负熵则显得更为稳健。所以,本实施例中使用的是基于ICA的以负熵极大的目标函数进行分离。
将白化处理后的矩阵Z作为fastICA算法的输入参数,其fastICA算法输出为独立源成分矩阵D、混合矩阵A以及解混矩阵W。
独立源成分矩阵D的每一列为独立成分;其中,独立源成分矩阵D的列数最多不能超过采集多通道脑电信号的通道数,在本实施例中,共得到4个独立成分。
(4)、确定含有下颌噪声的独立源,并进行去噪
(4.1)、根据步骤(1)中采集的标记信号Jaw_clench和分离出的每个独立成分作图,得到Jaw_clench图和各个独立源成分图;
将Jaw_clench图和各个独立源成分图分别进行对比,观测在采集标记信号Jaw_clench的对应时段内各个独立源成分图的波形;如果在对应的多个时段内没有检测到明显波动的独立源,则初步判断该独立源为不含下颌噪声的独立源;如果在对应的多个时段内检测到明显波动的独立源,则将该独立源初步确定为下颌噪声独立源;
(4.2)、对步骤(1)中采集的标记信号Jaw_clench和分离出的每个独立成分进行相关性计算,选择出相关性最大的独立源,再用该独立源与步骤(4.1)初步确定的下颌噪声独立源进行对比,如果两者相同,则该独立源为最终确定的包含有下颌噪声独立源;如果两者不相同,则以相关性最大的独立源作为最终确定的包含有下颌噪声独立源;
(4.3)、包含有下颌噪声独立源中对应的下颌噪声置0,通过滤波方式将下颌噪声去除,得到去噪后的独立源;
(5)将去噪后的独立源进行数据恢复
将去噪后的独立源用混合矩阵A恢复成原始的多通道脑电信号X:
X=A*D0
其中,A为fastICA算法得出的混合矩阵,D0为去噪后的独立源。
实例验证
在本实施例中,使用Muse采集的驾驶汽车模拟器时的数据,Muse能够采集TP9(左耳)、FP1(左前额)、FP2(右前额)和TP10(右耳)这四个通道的EEG数据,采样频率为220Hz。本实验中对215s时长的数据,共47556条进行处理。
如图3所示,图3(a)到3(b)是ICA提取各独立信号源成分的过程,图3(b)到3(c)是去噪后还原回多通道脑电信号的逆过程。
其中,图3(a)是从不同位置的电极采集到的多路观测信号,从上而下分别是TP9、FP1、FP2以及TP10四个信道的数据。图4是下颌肌动参考信号,作为判断一个独立源是否含有肌动干扰信号的一个标准。从图3(a)中可以看出,FP1信道的观测信号受到下颌动作的干扰明显,图3(a)中的多路信号经过ICA分解之后得到图3(b)中的四个独立信号源,其中独立源IC1的波形图与下颌运动检测图中的参考波形相似,在数据采集过程中出现的时机和数据波形都大体相似,初步判断为IC1中包含有下颌干扰信号,再将图4的肌肉检测数据和fastICA算法分开的4个独立数据源进行相关性分析,选择相关性最大的作为判断独立源中包含有下颌肌电干扰成分的独立源;下一步就剔除IC1伪迹成分,再用fastICA算法生成的混合矩阵对剩下的IC2,IC3,IC4三个信号源的信号重新进行混合,即得到图3中(c)的不含有下颌肌电干扰的相对纯洁的脑电波信号。
图5是未经过去除下颌噪声的脑电信号。
如图5所示,从上至下分别为TP9,FP1,FP2,TP10四个信道的原始脑电信号,很明显,FP1信道的后三分之一波段起伏较大,含有下颌噪声污染。
图6是利用独立成分得到的独立源成分图。
图6中的第一个图数据ICA1和图4中下颌肌动检测信号图极度相似。其中,在下颌肌动检测图的后三分之一时段,频繁检测到下颌动作;而观察同时段的独立源成分波形ICA1的后三分之一时段波形起伏明显剧烈,和下颌检测图的时段相一致。该段波形和前三分之二的波形有较大不同,也和别的独立源成分波形有显著区别,故初步判断ICA1数据源包含了下颌干扰信号。同时,将下颌信号检测数据和分离出的4个独立成分分析中的结果进行相关性分析,结果如下表1。根据相关性分析结果,ICA1和检测型号的相关性最大。以上两个方法所确定的包含下颌噪声的独立源结果相同,均为ICA1。故就断定,图6中的第一个图对应的数据ICA1,就是脑波信号中包含了下颌噪声的数据源,并对该数据源进行去噪。
表1是下颌信号和独立成分相关性表;
皮尔逊相关性 | ICA1 | ICA2 | ICA3 | ICA4 |
下颌检测信号 | -.032** | -.016** | 0.000 | -.020** |
表2
图7是去除下颌噪声的脑电信号。
如图7所示,很明显FP1信道的波形整体都更加平稳,波形后半段的起伏没有图6中那么剧烈。
图8是4通道的脑电信号的综合数据图。
在本实施例中,将未经过处理的原始脑电信号的四个通道道数据合在一起作图,其结果如图8中第一幅图所示,可以明显看到,在采集数据时段的后三分之一时间内,波形波动起伏较大,并且出现的时间和下颌标识信号一致。该段波形有单个,散发,间歇,并且不对称的特征,属于比较明显的不正常脑电波波形。
通过本发明所述方法,对不正常脑电波波形去除下颌干扰,得到图8第二幅图所示波形。对比与上面的图,去除了下颌干扰前后的的波形,在幅值和频率上有比较明显的的变化,少了尖刺的部分,波形也更为平稳,并且整体也更加对称,属于正常的脑波波形,且更为简便有效,而且在消除干扰的同时对脑电波信号所含的其他成分破坏很小。
尽管上面对本发明说明性的具体实施方式进行了描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
Claims (4)
1.多通道脑电信号中下颌干扰的自动去除方法,其特征在于,包括以下步骤:
(1)、信号采集
采集多通道脑电信号X,并用两导辅助电极采集出下颌动作的标记信号Jaw_clench;
(2)、信号预处理
对多通道脑电信号进行中心化和白化处理;
中心化处理:X=X-E{X},其中,X是一个M列N行的矩阵,E{X}为每一列的均值;
白化处理:Z=W*X,其中,W为白化矩阵,Z为白化处理后矩阵;
(3)、分离出独立成分
将白化处理后的矩阵Z作为fastICA算法的输入参数,其fastICA算法输出为独立源成分矩阵D、混合矩阵A以及解混矩阵W,其中,独立源成分矩阵D的每一列为独立成分;
(4)、确定含有下颌噪声的独立源,并进行去噪
(4.1)、根据步骤(1)中采集的标记信号Jaw_clench和分离出的每个独立成分作图,得到Jaw_clench图和各个独立源成分图;
将Jaw_clench图和各个独立源成分图分别进行对比,观测在采集标记信号Jaw_clench的对应时段内各个独立源成分图的波波形;如果在对应的多个时段内没有检测到明显波动的独立源,则初步判断该独立源为不含下颌噪声的独立源;如果在对应的多个时段内检测到明显波动的独立源,则将该独立源初步确定为下颌噪声独立源;
(4.2)、对步骤(1)中采集的标记信号Jaw_clench和分离出的每个独立成分进行相关性计算,选择出相关性最大的独立源,再用该独立源与步骤(4.1)初步确定的下颌噪声独立源进行对比,如果两者相同,则该独立源为最终确定的包含有下颌噪声独立源;如果两者不相同,则以相关性最大的独立源作为最终确定的包含有下颌噪声独立源。
(4.3)、包含有下颌噪声独立源中对应的下颌噪声置0,通过滤波方式将下颌噪声去除,得到去噪后的独立源;
(5)将去后的独立源进行数据恢复
将去噪后的独立源用混合矩阵A恢复成原始的多通道脑电信号X:
X=A*D0
其中,A为fastICA算法得出的混合矩阵,D0为去噪后的独立源。
2.根据权利要求1所述的多通道脑电信号中下颌干扰的自动去除方法,其特征在于,所述的白化矩阵W=∧-1/2UT;其中,∧和U分别代表X的协方差矩阵的特征向量矩阵和特征值矩阵。
3.根据权利要求1所述的多通道脑电信号中下颌干扰的自动去除方法,其特征在于,所述的fastICA算法在分离过程中采用的是基于负熵极大的目标函数进行分离。
4.根据权利要求1所述的多通道脑电信号中下颌干扰的自动去除方法,其特征在于,所述的独立源成分矩阵D的列数最多不能超过采集多通道脑电信号的通道数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610841417.XA CN106264521A (zh) | 2016-09-22 | 2016-09-22 | 多通道脑电信号中下颌干扰的自动去除方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610841417.XA CN106264521A (zh) | 2016-09-22 | 2016-09-22 | 多通道脑电信号中下颌干扰的自动去除方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106264521A true CN106264521A (zh) | 2017-01-04 |
Family
ID=57712176
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610841417.XA Pending CN106264521A (zh) | 2016-09-22 | 2016-09-22 | 多通道脑电信号中下颌干扰的自动去除方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106264521A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106963373A (zh) * | 2017-04-12 | 2017-07-21 | 博睿康科技(常州)股份有限公司 | 一种脑电自适应滤波方法 |
CN107374620A (zh) * | 2017-08-21 | 2017-11-24 | 南京理工大学 | 一种基于独立成分分析算法的脑电信号预处理方法 |
CN109009101A (zh) * | 2018-07-27 | 2018-12-18 | 杭州电子科技大学 | 一种脑电信号自适应实时去噪方法 |
CN110292376A (zh) * | 2018-03-22 | 2019-10-01 | 深圳先进技术研究院 | 去除脑电信号中眼电伪迹的方法、装置、设备及存储介质 |
CN110464345A (zh) * | 2019-08-22 | 2019-11-19 | 北京航空航天大学 | 一种独立头部生物电源信号干扰剔除方法及系统 |
CN111428596A (zh) * | 2020-03-16 | 2020-07-17 | 重庆邮电大学 | 一种基于三拾音器的磨音信号检测方法 |
CN113057655A (zh) * | 2020-12-29 | 2021-07-02 | 深圳迈瑞生物医疗电子股份有限公司 | 用于脑电信号干扰的识别方法以及识别系统、检测系统 |
CN115836867A (zh) * | 2023-02-14 | 2023-03-24 | 中国科学技术大学 | 一种双分支融合的深度学习脑电降噪方法、设备及介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006072150A1 (en) * | 2005-01-07 | 2006-07-13 | K.U. Leuven Research And Development | Muscle artifact removal from encephalograms |
CN102697493A (zh) * | 2012-05-03 | 2012-10-03 | 北京工业大学 | 一种快速的脑电信号中眼电伪迹自动识别和去除的方法 |
CN103690163A (zh) * | 2013-12-21 | 2014-04-02 | 哈尔滨工业大学 | 基于ica和hht融合的自动眼电干扰去除方法 |
CN103761424A (zh) * | 2013-12-31 | 2014-04-30 | 杭州电子科技大学 | 基于二代小波和ica的肌电信号降噪与去混迭方法 |
CN104382614A (zh) * | 2014-12-09 | 2015-03-04 | 重庆邮电大学 | 一种基于快速独立分量分析的心音肺音信号分离方法及装置 |
CN104614778A (zh) * | 2015-01-27 | 2015-05-13 | 吉林大学 | 基于ica的核磁共振地下水探测信号噪声消除方法 |
-
2016
- 2016-09-22 CN CN201610841417.XA patent/CN106264521A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006072150A1 (en) * | 2005-01-07 | 2006-07-13 | K.U. Leuven Research And Development | Muscle artifact removal from encephalograms |
CN102697493A (zh) * | 2012-05-03 | 2012-10-03 | 北京工业大学 | 一种快速的脑电信号中眼电伪迹自动识别和去除的方法 |
CN103690163A (zh) * | 2013-12-21 | 2014-04-02 | 哈尔滨工业大学 | 基于ica和hht融合的自动眼电干扰去除方法 |
CN103761424A (zh) * | 2013-12-31 | 2014-04-30 | 杭州电子科技大学 | 基于二代小波和ica的肌电信号降噪与去混迭方法 |
CN104382614A (zh) * | 2014-12-09 | 2015-03-04 | 重庆邮电大学 | 一种基于快速独立分量分析的心音肺音信号分离方法及装置 |
CN104614778A (zh) * | 2015-01-27 | 2015-05-13 | 吉林大学 | 基于ica的核磁共振地下水探测信号噪声消除方法 |
Non-Patent Citations (1)
Title |
---|
赵欣欣等: "基于ICA和相关性分析的脑电信号眨眼伪迹去除", 《杭州电子科技大学学报》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106963373A (zh) * | 2017-04-12 | 2017-07-21 | 博睿康科技(常州)股份有限公司 | 一种脑电自适应滤波方法 |
CN107374620A (zh) * | 2017-08-21 | 2017-11-24 | 南京理工大学 | 一种基于独立成分分析算法的脑电信号预处理方法 |
CN110292376A (zh) * | 2018-03-22 | 2019-10-01 | 深圳先进技术研究院 | 去除脑电信号中眼电伪迹的方法、装置、设备及存储介质 |
CN109009101A (zh) * | 2018-07-27 | 2018-12-18 | 杭州电子科技大学 | 一种脑电信号自适应实时去噪方法 |
CN109009101B (zh) * | 2018-07-27 | 2021-04-06 | 杭州电子科技大学 | 一种脑电信号自适应实时去噪方法 |
CN110464345A (zh) * | 2019-08-22 | 2019-11-19 | 北京航空航天大学 | 一种独立头部生物电源信号干扰剔除方法及系统 |
CN111428596A (zh) * | 2020-03-16 | 2020-07-17 | 重庆邮电大学 | 一种基于三拾音器的磨音信号检测方法 |
CN113057655A (zh) * | 2020-12-29 | 2021-07-02 | 深圳迈瑞生物医疗电子股份有限公司 | 用于脑电信号干扰的识别方法以及识别系统、检测系统 |
CN115836867A (zh) * | 2023-02-14 | 2023-03-24 | 中国科学技术大学 | 一种双分支融合的深度学习脑电降噪方法、设备及介质 |
CN115836867B (zh) * | 2023-02-14 | 2023-06-16 | 中国科学技术大学 | 一种双分支融合的深度学习脑电降噪方法、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106264521A (zh) | 多通道脑电信号中下颌干扰的自动去除方法 | |
Chen et al. | A novel EEMD-CCA approach to removing muscle artifacts for pervasive EEG | |
Mijović et al. | Source separation from single-channel recordings by combining empirical-mode decomposition and independent component analysis | |
CN106805945B (zh) | 一种少数通道的脑电信号中肌电伪迹的消除方法 | |
CN102835955A (zh) | 一种无需设定阈值的脑电信号中眼电伪迹自动去除的方法 | |
La Rocca et al. | EEG biometrics for individual recognition in resting state with closed eyes | |
CN111772585B (zh) | 间期颅内脑电信号中癫痫异常群体活动的数据提取方法 | |
Michelmann et al. | Data-driven re-referencing of intracranial EEG based on independent component analysis (ICA) | |
CN104688220B (zh) | 一种去除脑电信号中眼电伪迹的方法 | |
CN106236080B (zh) | 基于多通道的脑电信号中肌电噪声的消除方法 | |
CN103110418A (zh) | 一种脑电信号特征提取方法 | |
CN102793540A (zh) | 一种视听认知事件相关电位实验范式的优化方法 | |
Liu et al. | Removal of EMG Artifacts from Multichannel EEG Signals Using Combined Singular Spectrum Analysis and Canonical Correlation Analysis. | |
CN105342605A (zh) | 一种去除脑电信号中肌电伪迹的方法 | |
CN111184509A (zh) | 一种基于传递熵的情绪诱导脑电信号分类方法 | |
CN109480832A (zh) | 一种单通道的脑电信号中肌电伪迹的消除方法 | |
CN104545900A (zh) | 一种基于配对样本t检验的事件相关电位分析方法 | |
CN110292376A (zh) | 去除脑电信号中眼电伪迹的方法、装置、设备及存储介质 | |
CN107095672A (zh) | 一种去除脑电信号中伪迹信号的方法 | |
CN104510468A (zh) | 一种脑电信号的特征提取方法及装置 | |
Weis et al. | Multi-dimensional space-time-frequency component analysis of event related EEG data using closed-form PARAFAC | |
CN113208631A (zh) | 一种基于eeg脑波的眨眼检测方法及系统 | |
CN110403602B (zh) | 用于脑电信号情感分析的改进公共空间模式特征提取方法 | |
Shete et al. | Comparison of sub-band decomposition and reconstruction of EEG signal by daubechies9 and symlet9 wavelet | |
CN210277161U (zh) | 基于脑电信号处理的癫痫发作预警设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170104 |
|
RJ01 | Rejection of invention patent application after publication |