CN106599839B - 车载脑电外源性干扰的电磁场特征的并行降噪方法及装置 - Google Patents
车载脑电外源性干扰的电磁场特征的并行降噪方法及装置 Download PDFInfo
- Publication number
- CN106599839B CN106599839B CN201611146866.9A CN201611146866A CN106599839B CN 106599839 B CN106599839 B CN 106599839B CN 201611146866 A CN201611146866 A CN 201611146866A CN 106599839 B CN106599839 B CN 106599839B
- Authority
- CN
- China
- Prior art keywords
- probability
- moment
- frequency
- vector
- probability component
- 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
- 210000004556 brain Anatomy 0.000 title claims abstract description 55
- 230000005611 electricity Effects 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims abstract description 45
- 230000005672 electromagnetic field Effects 0.000 title claims abstract description 21
- 239000013598 vector Substances 0.000 claims abstract description 75
- 238000007689 inspection Methods 0.000 claims abstract description 41
- 238000012545 processing Methods 0.000 claims abstract description 32
- 230000009467 reduction Effects 0.000 claims abstract description 27
- 238000012360 testing method Methods 0.000 claims description 5
- 230000005684 electric field Effects 0.000 abstract description 15
- 238000009826 distribution Methods 0.000 description 17
- 238000010586 diagram Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 10
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 230000007177 brain activity Effects 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 210000004761 scalp Anatomy 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000007831 electrophysiology Effects 0.000 description 3
- 238000002001 electrophysiology Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 239000004020 conductor Substances 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000004744 fabric Substances 0.000 description 2
- 238000011946 reduction process Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 230000001594 aberrant effect Effects 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 230000000875 corresponding effect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000338 in vitro Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000035479 physiological effects, processes and functions Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000005316 response function Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
-
- 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]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/15—Biometric patterns based on physiological signals, e.g. heartbeat, blood flow
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Pathology (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Biophysics (AREA)
- Primary Health Care (AREA)
- Databases & Information Systems (AREA)
- Psychiatry (AREA)
- Psychology (AREA)
- Epidemiology (AREA)
- Data Mining & Analysis (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明提供了一种车载脑电外源性干扰的电磁场特征的并行降噪方法及装置。该方法包括:对目标数据集合建立向量先验表和导联关系先验表,并根据非目标数据集合对向量先验表和导联关系先验表进行校验,获取降噪先验知识;采集待处理的脑电信号,根据先验知识并行处理待处理的脑电信号,获取待处理的脑电信号的向量检验概率分量、权重检验概率分量和概率检验概率分量;根据向量检验分量、权重检验概率分量和概率检验概率分量获取对待处理的脑电信号的处理结果,完成对脑电信号的降噪。本发明在高强度的外源干扰下降低干扰源对脑电的影响,对多频段的外源电场干扰和磁场干扰下降低干扰源对脑电的影响,提高了脑电信号处理精度。
Description
技术领域
本发明涉及脑电信号处理技术领域,具体涉及一种车载脑电外源性干扰的电磁场特征的并行降噪方法及装置。
背景技术
脑电作为重要人体电生理指标对于医疗、科学研究、脑机接口研究、航空航天等领域有着重要的意义,但是脑电信号极其微弱,很容易受到外界电磁干扰的影响,特别是当前电子设备越来越多,外部环境内的电磁干扰非常复杂。一般脑电放大器在使用时都要建设专门的屏蔽室,脑电监护在使用电刀时受到干扰时会不起作用,这些都给电生理信号的使用带来很大的不便也局限了这些技术的应用。
在脑电中采到的头皮脑电是在采样时刻传感器采到的参考导联与采集导联间的电势差,是大脑活动引起的电场变化,而空间电磁场干扰是多元空间电磁场干扰,其电场特征有本质的不同。在车载空间人穿戴的原因很难用屏蔽解决脑电采集过程中由电极和导线部分引入的外源干扰。现有的脑电信号的降噪处理方法中采用典型相关算法CCA,但该方法无法满足对车载实时脑电信号的降噪处理,导致在高强度外源干扰下无法对脑电信号进行处理。
发明内容
本发明实施例提供一种车载脑电外源性干扰的电磁场特征的并行降噪方法及装置,用于解决现有技术中在高强度的外源干扰下无法对脑电信号进行处理的问题。
本发明实施例提供了一种车载脑电外源性干扰的电磁场特征的并行降噪方法,包括:
在有刺激情况下获取脑电目标数据集合,在无刺激情况下获取脑电非目标数据集合;
对所述目标数据集合建立向量先验表和导联关系先验表,并根据所述非目标数据集合对所述向量先验表和所述导联关系先验表进行校验,获取降噪先验知识;
采集待处理的脑电信号,根据所述先验知识并行处理所述待处理的脑电信号,获取所述待处理的脑电信号的向量检验概率分量、权重检验概率分量和概率检验概率分量;
根据所述向量检验概率分量、权重检验概率分量和概率检验概率分量获取对待处理的脑电信号的处理结果,完成对所述脑电信号的降噪。
可选地,所述对所述目标数据集合建立向量先验表,包括:
采用向量投影法对所述目标数据集合建立向量先验表。
可选地,根据所述先验知识获取所述待处理的脑电信号的向量检验概率分量,包括:
根据如下公式获取所述待处理的脑电信号的向量检验概率分量:
其中,VTki代表k频率i时刻的向量检验概率分量;WOzki表示Oz导联在k频率i时刻的空域权重值;Wjki表示外周第j导联在k频率i时刻的空域权重值。
可选地,根据所述先验知识获取所述待处理的脑电信号的概率检验概率分量,包括:
根据如下公式获取所述待处理的脑电信号的概率检验概率分量:
PTki=P(Vki)/Max(P(Vki))
其中,PTki代表k频率i时刻的概率检验概率分量;P(Vki)代表概率计数器。
可选地,根据所述先验知识获取所述待处理的脑电信号的权重检验概率分量,包括:
根据如下公式获取所述待处理的脑电信号的权重检验概率分量:
其中,WTki代表k频率i时刻的权重检验概率分量;Wpzki表示pz导联在i时刻k频率的空域权重值;WOzki表示Oz导联在i时刻k频率的空域权重值;WO1ki表示O1导联在i时刻k频率的空域权重值;WO2ki表示O2导联在i时刻k频率的空域权重值;Wp3ki表示p3导联在i时刻k频率的空域权重值;Wcpki表示cp导联在i时刻k频率的空域权重值;Wp4ki表示p4导联在i时刻k频率的空域权重值。
本发明实施例提供了一种车载脑电外源性干扰的电磁场特征的并行降噪装置,包括:
数据集合获取单元,用于在有刺激情况下获取脑电目标数据集合,在无刺激情况下获取脑电非目标数据集合;
先验知识获取单元,用于对所述目标数据集合建立向量先验表和导联关系先验表,并根据所述非目标数据集合对所述向量先验表和所述导联关系先验表进行校验,获取降噪先验知识;
概率分量获取单元,用于采集待处理的脑电信号,根据所述先验知识并行处理所述待处理的脑电信号,获取所述待处理的脑电信号的向量检验概率分量、权重检验概率分量和概率检验概率分量;
降噪单元,用于根据所述向量检验概率分量、权重检验概率分量和概率检验概率分量获取对待处理的脑电信号的处理结果,完成对所述脑电信号的降噪。
可选地,所述先验知识获取单元进一步用于:
采用向量投影法对所述目标数据集合建立向量先验表。
可选地,所述概率分量获取单元进一步用于:
根据如下公式获取所述待处理的脑电信号的向量检验概率分量:
其中,VTki代表k频率i时刻的向量检验概率分量;WOzki表示Oz导联在k频率i时刻的空域权重值;Wjki表示外周第j导联在k频率i时刻的空域权重值。
可选地,所述概率分量获取单元进一步用于:
根据如下公式获取所述待处理的脑电信号的概率检验概率分量:
PTki=P(Vki)/Max(P(Vki))
其中,PTki代表k频率i时刻的概率检验概率分量;P(Vki)代表概率计数器。
可选地,所述概率分量获取单元进一步用于:
根据如下公式获取所述待处理的脑电信号的权重检验概率分量:
其中,WTki代表k频率i时刻的权重检验概率分量;Wpzki表示pz导联在i时刻k频率的空域权重值;WOzki表示Oz导联在i时刻k频率的空域权重值;WO1ki表示O1导联在i时刻k频率的空域权重值;WO2ki表示O2导联在i时刻k频率的空域权重值;Wp3ki表示p3导联在i时刻k频率的空域权重值;Wcpki表示cp导联在i时刻k频率的空域权重值;Wp4ki表示p4导联在i时刻k频率的空域权重值。
本发明实施例提供的车载脑电外源性干扰的电磁场特征的并行降噪方法及装置,能够在高强度的外源干扰条件降低干扰源对脑电的影响,能够对多频段的外源电场干扰和磁场干扰条件下降低干扰源对脑电的影响,提高了脑电信号处理精度。可以满足车载条件下对病人进行对电生理监护的降噪需求,或在电手术刀使用过程中对病人进行脑电心电监护的降噪需求,也可满足在户外开展脑电研究以及构建脑机接口系统的降噪需求。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明一个实施例的车载脑电外源性干扰的电磁场特征的并行降噪方法的流程示意图;
图2是本发明一个实施例的车载脑电外源性干扰的电磁场特征的并行降噪方法的原理图;
图3是本发明一个实施例的脑电电极分布图;
图4是本发明一个实施例的向量先验表的示意图;
图5是本发明一个实施例的基于CCA建立的导联关系先验表;
图6是本发明一个实施例的对待处理脑电信号进行并行处理的原理图;
图7是本发明一个实施例的车载脑电外源性干扰的电磁场特征的并行降噪装置的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整的描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1是本发明一个实施例的方法的流程示意图。如图1所示,该实施例的方法包括:
S11:在有刺激情况下获取脑电目标数据集合,在无刺激情况下获取脑电非目标数据集合;
S12:对所述目标数据集合建立向量先验表和导联关系先验表,并根据所述非目标数据集合对所述向量先验表和所述导联关系先验表进行校验,获取降噪先验知识;
S13:采集待处理的脑电信号,根据所述先验知识并行处理所述待处理的脑电信号,获取所述待处理的脑电信号的向量检验概率分量、权重检验概率分量和概率检验概率分量;
S14:根据所述向量检验概率分量、权重检验概率分量和概率检验概率分量获取对待处理的脑电信号的处理结果,完成对所述脑电信号的降噪;
需要说明的是,本发明实施例通过如下公式获取待处理的脑电信号的处理结果(如图2所示):
Routki=VTki*WTki*PTki*Rki
其中,Routki表示在k频率i时刻的脑电信号处理结果;Rki表示空域滤波器k频率i时刻的相关系数。
可理解的是,本发明实施例使用了三个变量VT向量检验(Vector Test),WT权重检验(Weight Test)和PT概率检验(Probability Test)来加权传统CCA中的结果相关系数R,这三个变量其中VT(向量检验概率分量)是通过统计得到的w场分布的根据以往脑电数据分布高斯特性检验值,WT(权重检验概率分量)是根据受试导联权重的相关统计特性检验值,PT(概率检验概率分量)是场稳定性统计检验值,由于这三个概率分量相互独立,所以根据朴素贝叶斯构建CCA的脑电信号处理结果。
本发明实施例提供的车载脑电外源性干扰的电磁场特征的并行降噪方法,能够在高强度的外源干扰条件降低干扰源对脑电的影响,能够对多频段的外源电场干扰和磁场干扰条件下降低干扰源对脑电的影响,提高了脑电信号处理精度。可以满足车载条件下对病人进行对电生理监护的降噪需求,或在电手术刀使用过程中对病人进行脑电心电监护的降噪需求,也可满足在户外开展脑电研究以及构建脑机接口系统的降噪需求。
在脑电中采到的头皮脑电是在采样时刻传感器采到的参考导联与采集导联间的电势差,是大脑活动引起的电场变化,而空间电磁场干扰是多元空间电磁场干扰,其电场特征有本质的不同,空间场的描述在物理学中的描述为式1。其中r表示观测点与源的距离,ε为介电常数,u为单位阶越函数,δ为冲击响应函数。
(自由空间的介电常数为8.854×10-12(F/m))
在物理学中磁感应强度可以B可以表示为一个矢量函数A的旋度如下式2所示,磁矢位A满足泊松方程如下式3所示。
J为电流体密度μ为磁导率,在时变电磁场中表示为波动方程式4,电流体密度与场强的关系如式5所示б为介质的电导率。
同时空间辐射电场也可以被描述一个电偶极矩如下式5,其中I为电流与电荷量等价,h为脉冲源电荷空间位移量,z为空间矢量。
由于电磁干扰是空间多源电流源辐射场在各脑电电极导线上的分量,其空间分布电场场强由式1描述。
由式1可推出在空间导线的场强为下式6,由于r很大θ很小cosθ趋近于1,不同导线应为距离很近,所以各电极的r差别不大所以电场强度相近,但多源噪声使得各观测点的场强程随机性分布。
头皮脑电信号是大脑活动引起的电场强度差异传导到头皮被传感器采集的结果,其传输满足物理学中容积导体的描述,如下式7.其场分布主要体现的是大脑活动的生理特征。
J=σE 式7
以下介绍典型相关分析(canonical correlation analysis,CCA)的空间电场分布求解的过程。
CCA研究两组多维变量之间的线性关系的一种统计方法,它是一种最大化相似度的方法。它寻找两个线性组合,使得两组多维变量通过此线性组合后,其相关最大。CCA可以定义为如下问题:有两组多维变量X和Y。分别寻找向量Wx和Wy,使得X和Y在向量Wx和Wy上的投影x=XTWx和y=YTWy间的相关值最大。也就是在约束条件:
E[xxT]=E[Wx TXXTWx]=1,E[xxT]=E[Wy TYYTWy]=1
使得典型相关ρ最大:
该优化问题可以通过拉格朗日方法解决。构建如下拉格朗日算子:
通过对Wx和Wy求导可以得到:
E[XYTWy]-λ1E[XXTWx]=0
通过约束条件,可以解得λ1=λ2。继续求解可以得到:
其中Cxx为X的自相关矩阵,Cyy为Y的自相关矩阵,Cxy为X与Y的互相关矩阵。至此,CCA问题求解可以转化为特征值分解问题,可以通过特征值分解方法求解:
当x表示多导脑电信号,y表示特定频率SSVEP模版CCA所求解出来的矩阵Wx表示的是该频率在脑电信号的空域分布,也可以看成是该频率的电信号在脑电信号中场分布的分量,噪声在不同频率的场分量特征符合在之前的理论分析。
进一步地,所述对所述目标数据集合建立向量先验表,包括:
采用向量投影法对所述目标数据集合建立向量先验表。
需要说明的是,向量先验表可以采用多种方法进行建立,由图4可以看出两种不同的空域投影算法的空间分布W会在不同的性噪比条件下发生较大改变,但用向量投影方法建立的先验则比较稳定。这个先验用于检测出空域滤波的空间权重分布是否符合先验的知识,如果符合则说明目前的数据没有被干扰的可能性大可以使用,否则该数据就不可使用。
图5是本发明一个实施例的基于CCA建立的导联关系先验表。如图5所示,导联关系中1表示Pz和Oz,2表示Oz和O1,3表示Oz和O2,4表示P3和Pz,5表示Pz和Cpz,6表示P4和Pz,7表示T5和Pz,8表示T6和Pz,目标号:1表示6.5hz 2表示7.5hz3表示8.5hz 4.表示9.5hz 5.表示10.5hz 6.表示11.5hz 7.表示12.5 8表示13.5hz 9.表示14.5hz 10表示15.5hz,其中相关值大于0表示正相关,小于0表示负相关。
图6是本发明一个实施例的对待处理脑电信号进行并行处理的原理图。以下具体说明获取向量检验概率分量、权重检验概率分量和概率检验概率分量的过程。
需要说明的是,CCA算法首先是将数据以两秒窗长(窗长可变)与相同频率正弦做CCA,从而可以得到在不同频率的空间分布权重。因为CCA的权重是空间向量的投影方向,而所采的EEG信号是每导相对参考点的电压,可以理解为电场在该频率分量的空间分布。在以往的使用中主要是求CCA的相关值的最大值,而在本算法中要从空间投影分布权重中扩展出先验知识。由于电磁场在空间传导时服从麦克斯维尔方程和高斯分布,尽管在复杂环境中其分布由于混叠会变得异常复杂,但其源都在体外而且其距离远大于人脑的大小所以其导联权重会和SSVEP所产生的电场会有很大的不同,EEG所采到的信号是人脑神经元同步的结果,因此其场分布都在脑内且分布有自身的特点,由之前向量投影先验表最大分布权重在Oz.因此在本算法中将Oz作为场的中心在实验中发现这一分布也适用于检测W分布是否受到干扰的影响(尽管在某些时刻并不是这样,但统计来看大多数情况是这样)。
进一步地,根据所述先验知识获取所述待处理的脑电信号的向量检验概率分量,包括:
根据如下公式获取所述待处理的脑电信号的向量检验概率分量:
其中,VTki代表k频率i时刻的向量检验概率分量;WOzki表示Oz导联在k频率i时刻的空域权重值;Wjki表示外周第j导联在k频率i时刻的空域权重值。
需要说明的是,为了防止算法不收敛VT边界设为1到100,其意义在于对于一个准高斯分布中心场的模与周边场强模的比值的和大于1。
进一步地,根据所述先验知识获取所述待处理的脑电信号的概率检验概率分量,包括:
根据如下公式获取所述待处理的脑电信号的概率检验概率分量:
PTki=P(Vki)/Max(P(Vki))
其中,PTki代表k频率i时刻的概率检验概率分量;P(Vki)代表概率计数器。
需要说明的是,PT检验主要是检验落点数据的漂移情况,在脑电信号VT检验求出的Vki是一个1-100范围的整数,也就是将场分布变化分了100类,每次相同的Vki出现时这种状态的概率计数器P(Vki)就加1。
进一步地,根据所述先验知识获取所述待处理的脑电信号的权重检验概率分量,包括:
根据如下公式获取所述待处理的脑电信号的权重检验概率分量:
其中,WTki代表k频率i时刻的权重检验概率分量;Wpzki表示pz导联在i时刻k频率的空域权重值;WOzki表示Oz导联在i时刻k频率的空域权重值;WO1ki表示O1导联在i时刻k频率的空域权重值;WO2ki表示O2导联在i时刻k频率的空域权重值;Wp3ki表示p3导联在i时刻k频率的空域权重值;Wcpki表示cp导联在i时刻k频率的空域权重值;Wp4ki表示p4导联在i时刻k频率的空域权重值。
图7是本发明一个实施例的车载脑电外源性干扰的电磁场特征的并行降噪装置的结构示意图。如图7所示,本发明实施例的装置包括:数据集合获取单元71、先验知识获取单元72、概率分量获取单元73和降噪单元74,具体地:
数据集合获取单元71,用于在有刺激情况下获取脑电目标数据集合,在无刺激情况下获取脑电非目标数据集合;
先验知识获取单元72,用于对所述目标数据集合建立向量先验表和导联关系先验表,并根据所述非目标数据集合对所述向量先验表和所述导联关系先验表进行校验,获取降噪先验知识;
概率分量获取单元73,用于采集待处理的脑电信号,根据所述先验知识并行处理所述待处理的脑电信号,获取所述待处理的脑电信号的向量检验概率分量、权重检验概率分量和概率检验概率分量;
降噪单元74,用于根据所述向量检验概率分量、权重检验概率分量和概率检验概率分量获取对待处理的脑电信号的处理结果,完成对所述脑电信号的降噪。
先验知识获取单元72进一步用于:
采用向量投影法对所述目标数据集合建立向量先验表。
概率分量获取单元73进一步用于:
根据如下公式获取所述待处理的脑电信号的向量检验概率分量:
其中,VTki代表k频率i时刻的向量检验概率分量;WOzki表示Oz导联在k频率i时刻的空域权重值;Wjki表示外周第j导联在k频率i时刻的空域权重值。
概率分量获取单元73进一步用于:
根据如下公式获取所述待处理的脑电信号的概率检验概率分量:
PTki=P(Vki)/Max(P(Vki))
其中,PTki代表k频率i时刻的概率检验概率分量;P(Vki)代表概率计数器。
概率分量获取单元73进一步用于:
根据如下公式获取所述待处理的脑电信号的权重检验概率分量:
其中,WTki代表k频率i时刻的权重检验概率分量;Wpzki表示pz导联在i时刻k频率的空域权重值;WOzki表示Oz导联在i时刻k频率的空域权重值;WO1ki表示O1导联在i时刻k频率的空域权重值;WO2ki表示O2导联在i时刻k频率的空域权重值;Wp3ki表示p3导联在i时刻k频率的空域权重值;Wcpki表示cp导联在i时刻k频率的空域权重值;Wp4ki表示p4导联在i时刻k频率的空域权重值。
本发明实施例的装置可以用于执行上述方法实施例,其原理和技术效果类似,此处不再赘述。
本发明实施例提供的车载脑电外源性干扰的电磁场特征的并行降噪方法及装置,能够在高强度的外源干扰条件降低干扰源对脑电的影响,能够对多频段的外源电场干扰和磁场干扰条件下降低干扰源对脑电的影响,提高了脑电信号处理精度。可以满足车载条件下对病人进行对电生理监护的降噪需求,或在电手术刀使用过程中对病人进行脑电心电监护的降噪需求,也可满足在户外开展脑电研究以及构建脑机接口系统的降噪需求。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
需要说明的是术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本发明的说明书中,说明了大量具体细节。然而能够理解的是,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。类似地,应当理解,为了精简本发明公开并帮助理解各个发明方面中的一个或多个,在上面对本发明的示例性实施例的描述中,本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释呈反映如下意图:即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本发明的单独实施例。
以上实施例仅用于说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种车载脑电外源性干扰的电磁场特征的并行降噪方法,其特征在于,包括:
在有刺激情况下获取脑电目标数据集合,在无刺激情况下获取脑电非目标数据集合;
对所述目标数据集合建立向量先验表和导联关系先验表,并根据所述非目标数据集合对所述向量先验表和所述导联关系先验表进行校验,获取降噪先验知识;
采集待处理的脑电信号,根据所述先验知识并行处理所述待处理的脑电信号,获取所述待处理的脑电信号的向量检验概率分量、权重检验概率分量和概率检验概率分量;
根据所述向量检验概率分量、权重检验概率分量和概率检验概率分量获取对待处理的脑电信号的处理结果,完成对所述脑电信号的降噪;通过以下公式根据所述向量检验概率分量、权重检验概率分量和概率检验概率分量获取对待处理的脑电信号的处理结果:Routki=VTki*WTki*PTki*Rki;其中,Routki表示在k频率i时刻的脑电信号处理结果,Rki表示空域滤波器k频率i时刻的相关系数,VTki表示在k频率i时刻的向量检验概率分量,WTki表示在k频率i时刻的权重检验概率分量,PTki表示在k频率i时刻的概率检验概率分量。
2.根据权利要求1所述的方法,其特征在于,所述对所述目标数据集合建立向量先验表,包括:
采用向量投影法对所述目标数据集合建立向量先验表。
3.根据权利要求1所述的方法,其特征在于,根据所述先验知识获取所述待处理的脑电信号的向量检验概率分量,包括:
根据如下公式获取所述待处理的脑电信号的向量检验概率分量:
其中,VTki代表k频率i时刻的向量检验概率分量;WOzki表示Oz导联在k频率i时刻的空域权重值;Wjki表示外周第j导联在k频率i时刻的空域权重值。
4.根据权利要求1所述的方法,其特征在于,根据所述先验知识获取所述待处理的脑电信号的概率检验概率分量,包括:
根据如下公式获取所述待处理的脑电信号的概率检验概率分量:
PTki=P(Vki)/Max(P(Vki))
其中,PTki代表k频率i时刻的概率检验概率分量;P(Vki)代表概率计数器。
5.根据权利要求1所述的方法,其特征在于,根据所述先验知识获取所述待处理的脑电信号的权重检验概率分量,包括:
根据如下公式获取所述待处理的脑电信号的权重检验概率分量:
其中,WTki代表k频率i时刻的权重检验概率分量;Wpzki表示pz导联在i时刻k频率的空域权重值;WOzki表示Oz导联在i时刻k频率的空域权重值;WO1ki表示O1导联在i时刻k频率的空域权重值;WO2ki表示O2导联在i时刻k频率的空域权重值;Wp3ki表示p3导联在i时刻k频率的空域权重值;Wcpki表示cp导联在i时刻k频率的空域权重值;Wp4ki表示p4导联在i时刻k频率的空域权重值。
6.一种车载脑电外源性干扰的电磁场特征的并行降噪装置,其特征在于,包括:
数据集合获取单元,用于在有刺激情况下获取脑电目标数据集合,在无刺激情况下获取脑电非目标数据集合;
先验知识获取单元,用于对所述目标数据集合建立向量先验表和导联关系先验表,并根据所述非目标数据集合对所述向量先验表和所述导联关系先验表进行校验,获取降噪先验知识;
概率分量获取单元,用于采集待处理的脑电信号,根据所述先验知识并行处理所述待处理的脑电信号,获取所述待处理的脑电信号的向量检验概率分量、权重检验概率分量和概率检验概率分量;
降噪单元,用于根据所述向量检验概率分量、权重检验概率分量和概率检验概率分量获取对待处理的脑电信号的处理结果,完成对所述脑电信号的降噪;
其中,所述降噪单元具体通过以下公式根据所述向量检验概率分量、权重检验概率分量和概率检验概率分量获取对待处理的脑电信号的处理结果:
Routki=VTki*WTki*PTki*Rki;
其中,Routki表示在k频率i时刻的脑电信号处理结果,Rki表示空域滤波器k频率i时刻的相关系数,VTki表示在k频率i时刻的向量检验概率分量,WTki表示在k频率i时刻的权重检验概率分量,PTki表示在k频率i时刻的概率检验概率分量。
7.根据权利要求6所述的装置,其特征在于,所述先验知识获取单元进一步用于:
采用向量投影法对所述目标数据集合建立向量先验表。
8.根据权利要求6所述的装置,其特征在于,所述概率分量获取单元进一步用于:
根据如下公式获取所述待处理的脑电信号的向量检验概率分量:
其中,VTki代表k频率i时刻的向量检验概率分量;WOzki表示Oz导联在k频率i时刻的空域权重值;Wjki表示外周第j导联在k频率i时刻的空域权重值。
9.根据权利要求6所述的装置,其特征在于,所述概率分量获取单元进一步用于:
根据如下公式获取所述待处理的脑电信号的概率检验概率分量:
PTki=P(Vki)/Max(P(Vki))
其中,PTki代表k频率i时刻的概率检验概率分量;P(Vki)代表概率计数器。
10.根据权利要求6所述的装置,其特征在于,所述概率分量获取单元进一步用于:
根据如下公式获取所述待处理的脑电信号的权重检验概率分量:
其中,WTki代表k频率i时刻的权重检验概率分量;Wpzki表示pz导联在i时刻k频率的空域权重值;WOzki表示Oz导联在i时刻k频率的空域权重值;WO1ki表示O1导联在i时刻k频率的空域权重值;WO2ki表示O2导联在i时刻k频率的空域权重值;Wp3ki表示p3导联在i时刻k频率的空域权重值;Wcpki表示cp导联在i时刻k频率的空域权重值;Wp4ki表示p4导联在i时刻k频率的空域权重值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611146866.9A CN106599839B (zh) | 2016-12-13 | 2016-12-13 | 车载脑电外源性干扰的电磁场特征的并行降噪方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611146866.9A CN106599839B (zh) | 2016-12-13 | 2016-12-13 | 车载脑电外源性干扰的电磁场特征的并行降噪方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106599839A CN106599839A (zh) | 2017-04-26 |
CN106599839B true CN106599839B (zh) | 2019-07-12 |
Family
ID=58802056
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611146866.9A Active CN106599839B (zh) | 2016-12-13 | 2016-12-13 | 车载脑电外源性干扰的电磁场特征的并行降噪方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106599839B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101599127A (zh) * | 2009-06-26 | 2009-12-09 | 安徽大学 | 眼电信号的特征提取与识别方法 |
CN103092340A (zh) * | 2012-12-26 | 2013-05-08 | 北京大学 | 一种脑-机接口视觉刺激方法及信号识别方法 |
CN104586387A (zh) * | 2015-01-19 | 2015-05-06 | 秦皇岛市惠斯安普医学系统有限公司 | 一种时、频、空域多参数脑电特征提取与融合方法 |
CN105260025A (zh) * | 2015-10-15 | 2016-01-20 | 中国兵器科学研究院 | 基于移动终端的稳态视觉诱发电位脑机接口系统 |
CN105615878A (zh) * | 2016-03-10 | 2016-06-01 | 西安科技大学 | 一种疲劳驾驶脑电监测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9414786B1 (en) * | 2009-11-03 | 2016-08-16 | Vivaquant Llc | ECG sensing with noise filtering |
-
2016
- 2016-12-13 CN CN201611146866.9A patent/CN106599839B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101599127A (zh) * | 2009-06-26 | 2009-12-09 | 安徽大学 | 眼电信号的特征提取与识别方法 |
CN103092340A (zh) * | 2012-12-26 | 2013-05-08 | 北京大学 | 一种脑-机接口视觉刺激方法及信号识别方法 |
CN104586387A (zh) * | 2015-01-19 | 2015-05-06 | 秦皇岛市惠斯安普医学系统有限公司 | 一种时、频、空域多参数脑电特征提取与融合方法 |
CN105260025A (zh) * | 2015-10-15 | 2016-01-20 | 中国兵器科学研究院 | 基于移动终端的稳态视觉诱发电位脑机接口系统 |
CN105615878A (zh) * | 2016-03-10 | 2016-06-01 | 西安科技大学 | 一种疲劳驾驶脑电监测方法 |
Non-Patent Citations (2)
Title |
---|
EEG cortical imaging:a vector field approach for laplacian denosing and missing data estimation;Teodor lulian Alecu;《IEEE international symposium on biomedical imaging》;20040531;全文 |
基于脑电信号的警觉度估计研究;石立臣;《中国博士学位论文全文数据库 信息科技辑》;20130415(第04期);全文 |
Also Published As
Publication number | Publication date |
---|---|
CN106599839A (zh) | 2017-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111417342B (zh) | 脑网络的活动估计系统、方法和存储介质 | |
CA2996607A1 (en) | Ultra-dense electrode-based brain imaging system | |
CA2591641C (en) | Analysis of multi-channel measurement data using orthogonal virtual channels | |
US9370309B2 (en) | Magnetoencephalography system and method for 3D localization and tracking of electrical activity in brain | |
Gramfort et al. | Functional brain imaging with M/EEG using structured sparsity in time-frequency dictionaries | |
KR20120122617A (ko) | 움직임을 상상하는 뇌파 분류 방법 및 그 장치 | |
Zhang et al. | Directionality of large-scale resting-state brain networks during eyes open and eyes closed conditions | |
Sorrentino et al. | Bayesian multi-dipole modelling of a single topography in MEG by adaptive sequential Monte Carlo samplers | |
Hansen et al. | Unmixing oscillatory brain activity by EEG source localization and empirical mode decomposition | |
Yu et al. | Real-time multiple gesture recognition: application of a lightweight individualized 1D CNN model to an edge computing system | |
CN116887752A (zh) | 脑磁图方法和系统 | |
Basti et al. | Looking through the windows: a study about the dependency of phase-coupling estimates on the data length | |
Veeramalla et al. | Multiple dipole source localization of EEG measurements using particle filter with partial stratified resampling | |
Kumar et al. | EEG based motor imagery classification using instantaneous phase difference sequence | |
JP6880721B2 (ja) | ストレス判定装置、プログラム及び方法 | |
Kaundanya et al. | Performance of k-NN classifier for emotion detection using EEG signals | |
CN106599839B (zh) | 车载脑电外源性干扰的电磁场特征的并行降噪方法及装置 | |
Tian et al. | A two-way regularization method for MEG source reconstruction | |
Mughal et al. | Separation of cardiac and respiratory components from the electrical bio-impedance signal using PCA and fast ICA | |
Vergallo et al. | Brain source localization: A new method based on MUltiple SIgnal Classification algorithm and spatial sparsity of the field signal for electroencephalogram measurements | |
Jonmohamadi et al. | Source-space ICA for MEG source imaging | |
Miao et al. | Real-time closed-loop tracking of an unknown number of neural sources using probability hypothesis density particle filtering | |
Legeay et al. | Neuxus: a biosignal processing and classification pipeline for real-time brain-computer interaction | |
Wu et al. | A single-pair antenna microwave medical detection system based on unsupervised feature learning | |
Kołodziej et al. | Processing and analysis of EEG signal for SSVEP detection |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20231023 Address after: 100084 Tsinghua Yuan, Beijing, Haidian District Patentee after: TSINGHUA University Address before: 100084 mailbox, 100084-82 Tsinghua Yuan, Beijing, Haidian District, Beijing Patentee before: TSINGHUA University Patentee before: ORDNANCE SCIENCE AND RESEARCH ACADEMY OF CHINA |
|
TR01 | Transfer of patent right |