CN109009092B - 一种去除脑电信号噪声伪迹的方法 - Google Patents
一种去除脑电信号噪声伪迹的方法 Download PDFInfo
- Publication number
- CN109009092B CN109009092B CN201810622937.0A CN201810622937A CN109009092B CN 109009092 B CN109009092 B CN 109009092B CN 201810622937 A CN201810622937 A CN 201810622937A CN 109009092 B CN109009092 B CN 109009092B
- Authority
- CN
- China
- Prior art keywords
- signal
- electroencephalogram
- artifacts
- separation
- independent 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
Images
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
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
本发明涉及一种去除脑电信号噪声伪迹的方法,其步骤如下:首先对经去噪处理的脑电信号进行独立分量分离,然后选择出含有伪迹的独立分量,最后对不含有伪迹的独立分量进行重构获得去除噪声伪迹后的脑电信号,其中独立分量分离基于改进的五阶FastICA算法,改进之处在于利用改进的更新公式进行更新的独立分量的分离向量和松弛因子,含有伪迹的独立分量是基于多域的自适应阈值信号选择方法进行选择。本发明的一种去除脑电信号噪声伪迹的方法,不仅能够自动识别多种眼电伪迹并进行去除,还能够保留大量的脑电信息,能够较好地提高脑电信号的信噪比以及减少信号的均方误差。
Description
技术领域
本发明属于脑电信号预处理领域,涉及一种去除脑电信号噪声伪迹的方法。
背景技术
脑电信号(EEG)是由大脑神经细胞产生的一种反映大脑活动的生物电信号。随着计算机和传感器的发展,脑电信号已然能够通过相关设备在不侵入人体内的情况下获取,所以脑电信号在科学研究和疾病诊断等方面发挥着越来越重要的作用。但是脑电信号具有非线性、非平稳性和随机性强的特点,而且在采集信号的过程中极易受到各种噪声的干扰,例如眼电、心电、肌电和工频等等,因此,采集到的脑电信号中包含多种噪声伪迹。眼电伪迹作为一种常见的伪迹,其包括水平眼电伪迹、垂直眼电伪迹和眨眼伪迹,其幅值远远大于脑电信号的幅值,而且能量分布和EEG信号相似,也是主要集中在低频段,这严重影响了脑电信号的基本节律波α波(8-13Hz)或β波(14-30Hz)。为了消除眼电伪迹的影响,在临床上,医生通常将含有眼电伪迹的脑电数据段舍弃掉,但这样可能导致一些重要脑电信息的丢失。因此噪声伪迹的去除一直是脑电信号预处理领域中的非常重要的研究工作。
传统的滤波器在消除工频干扰和其他高频伪迹等方面有很好的效果,可是眼电和脑电的信号频谱有重叠部分,所以在去除眼电伪迹的同时势必造成脑电信息的损失。自回归方法(Autoregressive model,AR)是一个比较好的去除眼电伪迹的方法,但是该方法要求有一个眼电参考电极,对硬件设备有附加的要求,而有些设备不含有眼电参考电极。小波变换(wavelet transform,WT)是由傅立叶变换发展而来,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除噪声伪迹,但是眼电伪迹的频段和脑电频段重叠,使用小波变换保留脑电的同时也会保留到眼电伪迹。独立分量分析方法(independentcomponent analysis,ICA)是九十年代发展起来的一项新的信号分解技术,用来从混合信号中提取具有统计独立性的成分。由于ICA方法分解出来的各个独立分量之间是相互独立的,这样就可以利用ICA将眼电伪迹从脑电信号中分离出来,从而把眼电伪迹消除,但是ICA以及ICA的一系列改进方法,例如二阶FastICA和三阶FastICA等,在处理含有更多电极导联的脑电信号时即要分离的独立分量较多时,会使得算法复杂度增加,并且在获得每个独立分量时算法需要依赖初始分离矢量的设定,尤其算法有时不会收敛而不能获得全部的独立分量。
因此,开发一种不依赖眼电参考电极并且能快速准确地去除噪声伪迹的方法极具现实意义。
发明内容
本发明的目的是为了克服上述现有技术中存在的问题,提供一种不依赖眼电参考电极并且能快速准确地去除脑电信号噪声伪迹的方法,其可以广泛地应用于大脑工作记忆、脑电信号特征提取以及辅助疾病诊断治疗等方面。本发明方法不仅能够自动识别多种眼电伪迹并进行去除,还能够保留大量的脑电信息,为脑电去噪提供了一种新思路。
为了达到上述目的,本发明采用的技术方案为:
一种去除脑电信号噪声伪迹的方法,首先对经去噪处理的脑电信号进行独立分量分离,然后选择出含有伪迹的独立分量,最后对不含有伪迹的独立分量进行重构获得去除噪声伪迹后的脑电信号;
所述独立分量分离基于改进的五阶FastICA算法,改进之处在于独立分量的分离向量和松弛因子的更新,其公式如下:
式中,wk+1为wk更新后的分离向量,λk+1为λk更新后的松弛因子,wk为更新前的分离向量,λk为更新前的松弛因子,为wk的转置矩阵,为的转置矩阵,为的转置矩阵,wP为初始化分离矩阵Wn×n中第P个独立分量的初始分离向量,为wP的转置矩阵,为经去噪、中心化及白化处理后的脑电信号,g(x)的表达式为tanh(x)、x*exp(-x2/2)或x3,g′(x)为g(x)的导函数,上式中所有的g()和g’()分别代表x取不同值时的函数值或导函数值,以为例,其代表x取时的导函数值,u和d为可调参数,u∈(0,1),d∈(0,1),代表矩阵的期望,代表矩阵的期望,代表矩阵的期望,代表矩阵的期望,代表矩阵的期望,代表矩阵的期望。
作为优选的技术方案:
如上所述的一种去除脑电信号噪声伪迹的方法,所述独立分量分离的步骤如下:
(3)设置独立分量的个数为n个,随机初始化分离矩阵Wn×n、可调参数u、可调参数d及λ0,u∈(0,1),d∈(0,1),λ0∈(0,1),并将变量P设为1,其中λ0为初始化分离矩阵Wn×n中第P个独立分量的初始松弛因子;
(4)令wk=wP,λk=λ0;
(5)按照所述更新公式更新独立分量的分离向量和松弛因子;
(6)对wk+1进行正交化和标准化,公式如下:
(8)令P=P+1,判断P<n是否成立,如果是,转去执行步骤(4),反之,则令W”n×n=W'n×n;
(9)最终得到有效脑电信号的独立分离信号Z=W”n×nX'。
如上所述的一种去除脑电信号噪声伪迹的方法,所述去噪处理是指对脑电信号进行4层小波包变换去除高低频噪声后获得频率为8~30Hz的脑电信号,目的是去除由肌电、心电或工频等引起的噪声,其方法如下:
设脑电信号X=[x1,x2,…,xn]T,n为脑电信号的电极导联数,x1,x2,...,xn分别为第1电极、第2电极、...第n电极导联的一段脑电信号,每段脑电信号包含N个采样点;
对脑电信号X中的x1,x2,...,xn进行4层小波包变换得到频率为8~30Hz的脑电信号X′=[x′1,x′2,…,x′n]T,x1',x'2,...x'n分别为第1电极、第2电极、...第n电极导联的经过小波变换后去除噪声后的脑电信号。由于脑电信号的有效频段为8~30Hz,因此要进行小波包变换来获得[8Hz,30Hz]的频率带,例如信号采样频率为250Hz时,则需要进行四层小波包变换,那么第四层会获得16个节点对应的频率子带,而且第四层第一节点对应频率子带为[7.813,15.625],第二节点对应频率子带为[15.625,23.438],第三节点为[23.438,31.25],则此三个频率子带范围近似为[8Hz,30Hz],需要保留,其它子带置零,然后对信号进行重构,可以去除0-8Hz以及30-250Hz噪声信号,获得8-30Hz的有效信号X′=[x′1,x′2,…,x′n]T。
如上所述的一种去除脑电信号噪声伪迹的方法,所述含有伪迹的独立分量是基于多域的自适应阈值信号选择的,具体步骤如下:
(1)根据脑电信号采集设备提供的电极帽中各电极的三维坐标参数将各电级逐一分配至对应的大脑
分区;其中第i个电极的三维坐标为Pi(axis_xi,axis_yi,axis_zi),i=1,2,…,n;
z′i=scalei·zi;
其中,为W”n×n中zi的分离向量,`wi为标准化后的表示分离矩阵的第j个元素,j∈[1,n],zi为Z中第i个独立分量zi,zi∈Z,z'i为zi更新后的独立分量,zi依次更新得到独立分离信号Z',z'i∈Z';
(3)获取z′i的整体空间特征GSFi、眼空间分布特征SEFi、前脑区空间分布特征SFBi、后脑区空间分布特征diff_vari、时域特征Vi和Ki:
z′i的整体空间特征GSFi的计算公式如下:
GSFi=max(auxi,j,j=1,2,3,…,n);
其中,m表示当前通道i的位置到其他n-1个通道的位置距离最小的10个通道的通道编号集合,ml表示集合m中的第l个通道的编号,distl为当前通道i的位置到集合m中的第l个通道的距离值,`wi,j是指`wi的第j个元素,是指`wi的第ml个元素;
z′i的眼空间分布特征SEFi的计算公式如下:
SEFi=abs(LEi-REi);
其中,是指`wi的第LEA_indexa个元素,LEA_indexa表示左眼区域电极导联编号集合中的第a个编号,LN表示左眼区域电极的数量;是指`wi的第REA_indexb个元素,REA_indexb表示右眼区域电极导联编号集合中的第b个编号,RN表示右眼区域电极的数量;
z′i的前脑区空间特征SFBi和后脑区空间特征diff_vari的计算公式如下:
SFBi=abs(FAi-BAi);
diff_vari=FAVi-BAVi;
其中,是指`wi的第BFA_indexc个元素,BFA_indexc表示前脑区电极导联编号集合中的第c个编号,BFN表示前脑区域电极的数量;是指`wi的第BBA_indexe个元素,BBA_indexe表示后脑区电极导联编号集合中的第e个编号,BBN表示后脑区域电极的数量;
zi′的时域特征Vi和Ki的计算公式为:
其中,z′i,h表示z′i的第h个元素,h∈[1,N],N表示每段脑电信号的采样个数;
(4)特征阈值计算;
利用图像二值化OTSU算法确定特征值GSFi、SEFi、SFBi、diff_vari、Vi和Ki的阈值,GSFi、SEFi、SFBi、diff_vari、Vi和Ki的阈值分别为threshold_GSF、threshold_SEF、threshold_SFB、threshold_diff、threshold_V和threshold_K;
(5)确定含有眼电伪迹信号的独立分量集合;
含有水平眼电信号的独立分量集合He:
He=(SEF>threshold_SEF)∩(LE·RE<0)∩(V>threshold_V)∩(GSF>threshold_GSF);
含有垂直眼电信号的独立分量集合Ve:
Ve=(SFB>threshold_SFB)∩(LE·RE>0)∩(V>threshold_V)∩(diff_var>0)∩(GSF>threshold_GSF);
含有眨眼信号的独立变量的集合Be:
Be=(SFB>threshold_SFB)∩(LE·RE>0)∩(K>threshold_K)∩(diff_var>0)∩(GSF>threshold_GSF);
所有的含有眼电伪迹的独立分量集合all_artifacts=He∪Ve∪Be;
式中GSF、SEF、SFB、diff_var分别代表整体空间特征、眼空间分布特征、前脑区空间分布特征、后脑区空间分布特征,V和K代表时域特征,LE和RE分别代表左眼和右眼的空间分布特征。
如上所述的一种去除脑电信号噪声伪迹的方法,根据大脑皮质52个分区位置与功能将大脑进行分区,所述大脑分区共有4个,分别为大脑前区、大脑后区、左眼区域和右眼区域。
如上所述的一种去除脑电信号噪声伪迹的方法,所述重构采用ICA逆变换。
如上所述的一种去除脑电信号噪声伪迹的方法,所述对不含有伪迹的独立分量进行重构获得去除噪声伪迹后的脑电信号的方法为:将Z'中的属于all_artifacts的z'i置零,获得Z”;基于Xnew=W”n×nZ”得到重构后的脑电信号Xnew,重构后的脑电信号可应用于脑电信号特征提取等方面。
有益效果:
本发明方法的优势在于:一方面,该方法不仅能够对含有少量电极导联的脑电信号进行去除噪声伪迹,而且还能快速的对含有较多电极导联(例如64导联、128导联等)的脑电信号进行去除噪声伪迹;另一方面,该方法在没有参考眼电伪迹的情况下,不仅自动有效地分离出多种眼电伪迹并进行去除,而且能够保留大量有效的脑电信息。本发明能够较好地提高脑电信号的信噪比以及减少信号的均方误差。
附图说明
图1为本发明的一种去除脑电信号噪声伪迹的方法的流程图;
图2为本发明的改进的五阶FastICA算法的流程图;
图3为本发明的基于多域的自适应阈值信号选择方法的流程图;
图4为实施例1中采集的含有噪声伪迹的真实脑电信号图;
图5为实施例1中采集的不含有噪声伪迹的真实脑电信号图;
图6为实施例1中经改进的五阶FastICA算法分离出的独立分量信号图;
图7为实施例1中每类运动想象信号的60电极导联帽的平面分布图;
图8为实施例1中经基于多域的自适应阈值信号选择方法选择出的含有多种眼电伪迹的独立分量信号图;
图9为实施例1中获得的去除噪声伪迹后的脑电信号图;
图10为噪声伪迹真实信号图。
具体实施方式
下面结合具体实施方式,进一步阐述本发明。应理解,这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解,在阅读了本发明讲授的内容之后,本领域技术人员可以对本发明作各种改动或修改,这些等价形式同样落于本申请所附权利要求书所限定的范围。
一种去除脑电信号噪声伪迹的方法,如图1所示,步骤如下:
(1)对每个电极导联的脑电信号进行去噪处理,具体如下:
设脑电信号X=[x1,x2,…,xn]T,n为脑电信号的电极导联数,x1,x2,...,xn分别为第1电极、第2电极、...第n电极导联的一段脑电信号,每段脑电信号包含N个采样点;
对脑电信号X中的x1,x2,...,xn进行4层小波包变换得到频率为8~30Hz的脑电信号X′=[x′1,x′2,…,x′n]T,x1',x'2,...x'n分别为第1电极、第2电极、...第n电极导联的经过小波变换后去除噪声后的脑电信号;
(2)对经去噪处理的脑电信号利用改进的五阶FastICA算法进行独立分量分离进而获得独立分离信号,如图2所示,具体如下:
(2.3)设置独立分量的个数为n个,随机初始化分离矩阵Wn×n、可调参数u、可调参数d及λ0,
u∈(0,1),d∈(0,1),λ0∈(0,1),并将变量P设为1,其中λ0为初始化分离矩阵Wn×n中第P个独立分
量的初始松弛因子;
(2.4)令wk=wP,λk=λ0,设置收敛误差0<ε<<1;
(2.5)按照下述更新公式更新独立分量的分离向量和松弛因子;
式中,wk+1为wk更新后的分离向量,λk+1为λk更新后的松弛因子,wk为更新前的分离向量,λk为
更新前的松弛因子,为wk的转置矩阵,为的转置矩阵,为的转置矩阵,wP为初始化分离矩阵Wn×n中第P个独立分量的初始分离向量,为wP的转置矩阵,为经去噪、中心化及白化处理后的脑电信号,g(x)的表达式为tanh(x)、x*exp(-x2/2)或x3,g′(x)为g(x)的导函数,u和d为可调参数,u∈(0,1),d∈(0,1),代表矩阵的期望,代表矩阵的期望,代表矩阵的期望,代表矩阵的期望,代表矩阵的期望,代表矩阵的期望;
(2.6)对wk+1进行正交化和标准化,公式如下:
(2.8)令P=P+1,判断P<n是否成立,如果是,转去执行步骤(4),反之,则令W”n×n=W'n×n;
(2.9)最终得到有效脑电信号的独立分离信号Z=W”n×nX'。
(3)使用基于多域的自适应阈值信号选择方法选择出含有伪迹的独立分量,如图3所示,具体如下:
(3.1)根据脑电信号采集设备提供的电极帽中各电极的三维坐标参数将各电级逐一分配至对应的大脑分区;其中大脑分区共有4个,分别为大脑前区、大脑后区、左眼区域和右眼区域,第i个电极的三维坐标为Pi(axis_xi,axis_yi,axis_zi),i=1,2,…,n;
z′i=scalei·zi;
其中为W”n×n中zi的分离向量,`wi为标准化后的表示分离矩阵的第j个元素,j∈[1,n],zi为Z中第i个独立分量zi,zi∈Z,z'i为zi更新后的独立分量,zi依次更新得到独立分离信号Z',z'i∈Z';
(3.3)获取z′i的整体空间特征GSFi、眼空间分布特征SEFi、前脑区空间分布特征SFBi、后脑区空间分布特征diff_vari、时域特征Vi和Ki:
zi′的整体空间特征GSFi的计算公式如下:
GSFi=max(auxi,j,j=1,2,3,…,n);
其中,m表示当前通道i的位置到其他n-1个通道的位置距离最小的10个通道的通道编号集合,ml表示集合m中的第l个通道的编号,distl为当前通道i的位置到集合m中的第l个通道的距离值,`wi,j是指`wi的第j个元素,是指`wi的第ml个元素;
z′i的眼空间分布特征SEFi的计算公式如下:
SEFi=abs(LEi-REi);
其中,是指`wi的第LEA_indexa个元素,LEA_indexa表示左眼区域电极导联编号集合中的第a个编号,LN表示左眼区域电极的数量;是指`wi的第REA_indexb个元素,REA_indexb表示右眼区域电极导联编号集合中的第b个编号,RN表示右眼区域电极的数量;
z′i的前脑区空间特征SFBi和后脑区空间特征diff_vari的计算公式如下:
SFBi=abs(FAi-BAi);
diff_vari=FAVi-BAVi;
BBA_indexe表示后脑区电极导联编号集合中的第e个编号,BBN表示后脑区域电极的数量;
z′i的时域特征Vi和Ki的计算公式为:
其中,z′i,h表示z′i的第h个元素,h∈[1,N],N表示每段脑电信号的采样个数;
(3.4)特征阈值计算;
利用图像二值化OTSU算法确定特征值GSFi、SEFi、SFBi、diff_vari、Vi和Ki的阈值,GSFi、SEFi、SFBi、diff_vari、Vi和Ki的阈值分别为threshold_GSF、threshold_SEF、threshold_SFB、threshold_diff、threshold_V和threshold_K;
(3.5)确定含有眼电伪迹信号的独立分量集合;
含有水平眼电信号的独立分量集合He:
He=(SEF>threshold_SEF)∩(LE·RE<0)∩(V>threshold_V)∩(GSF>threshold_GSF);
含有垂直眼电信号的独立分量集合Ve:
Ve=(SFB>threshold_SFB)∩(LE·RE>0)∩(V>threshold_V)∩(diff_var>0)∩(GSF>threshold_GSF);
含有眨眼信号的独立变量的集合Be:
Be=(SFB>threshold_SFB)∩(LE·RE>0)∩(K>threshold_K)∩(diff_var>0)∩(GSF>threshold_GSF);
所有的含有眼电伪迹的独立分量集合all_artifacts=He∪Ve∪Be;
式中,GSF、SEF、SFB、diff_var分别代表整体空间特征、眼空间分布特征、前脑区空间分布特征、后脑区空间分布特征,V和K代表时域特征,LE和RE分别代表左眼和右眼的空间分布特征;
(4)对不含有伪迹的独立分量进行重构获得去除噪声伪迹后的脑电信号,具体如下:
将Z'中的属于all_artifacts的z'i置零,获得Z”,然后基于Xnew=W”n×nZ”得到重构后的脑电信号Xnew。
实施例1
一种去除脑电信号噪声伪迹的方法,先利用NeurOne脑电采集设备,采集两位受试者的四类运动想象脑电信号数据X,每个脑电信号样本是由60个电极导联的信号组成,信号采样频率为250Hz,每个样本采集4s,则一个脑电信号样本X的大小为60×1000。采集到的脑电信号包括每一类含有噪声伪迹的EEG信号和不含有噪声伪迹的EEG信号,其中含有噪声伪迹的真实脑电信号的图如图4所示,不含有噪声伪迹的真实脑电信号图如图5所示,然后按前述步骤去除脑电信号噪声伪迹,具体如下:
(1)对脑电信号X进行4层小波变换,则第四层的各子带的频率范围如表1所示;
表1小波包变换第四层各子带的频率范围
由表1可以看出第四层节点(4,1)对应频率子带为[7.813,15.625],节点(4,2)对应频率子带为[15.625,23.438],节点(4,3)为[23.438,31.25],则此三个频率子带范围近似为[8Hz,30Hz],那么要获得[8Hz,30Hz]的频率带,则需要对这三个子带保留,其他子带置零,然后对信号进行重构,获得8~30Hz的有效脑电信号X′;
(2)使用上述改进的五阶FastICA算法对经过小波包变换的EEG信号X′进行独立分量分离获得独立分离信号Z,如图6所示;
(3)使用上述基于多域的自适应阈值信号选择方法选择出含有伪迹的独立分量,其中电极导联的脑电信号的导联帽的平面分布图如图7所示,则大脑前区的电极集合BFA_index=[1,2,3,4,5,6,7,8,9],大脑后区的电极集合:BBA_index=[53,54,55,56,57,58,59,60],左眼区域的电极集合:LEA_index=[2,5,6,10,11,12],右眼区域的电极集合:REA_index=[4,8,9,14,15,16],选择出的含有多种眼电伪迹的独立分量图如图8所示;
(4)对不含眼电伪迹的独立分量进行重构,重构后获得的去除噪声伪迹后的脑电信号图如图9所示。
为了定量评价本发明去噪效果的好坏,使用信噪比(signal-to-noise ratio,SNR)、均方误差(mean-square error,MSE)、相关系数(Correlation coefficient)作为评价指标,由于信噪比指标的获得需要知道噪声信号,噪声信号可以通过含有噪声伪迹的EEG信号与没有噪声伪迹的EEG信号作差获得,噪声伪迹真实信号图如图10所示;
信噪比的公式如下:
式中,SNR表示信号的信噪比,x表示有效信号,y表示噪声信号,xi表示第i个有效信号的值,yi表示第i个噪声信号的值,n表示信号的大小;
均方误差的公式如下:
式中,MSE表示两种信号的均方误差;
相关系数的公式如下:
式中,Coe表示相关两种信号的相关系数,cov(x,y)表示表示信号x与信号y的协方差,var(x)表示信号x的方差,var(y)表示信号y的方差。
根据信噪比的公式,得到受试者在去除噪声伪迹前后4类运动想象信号中每类60导联信号的信噪比的均值和标准差,结果如表2所示,每个电极导联的信噪比变化结果如表3所示,其中Original signal表示去除噪声伪迹前的脑电信号,Processed signal表示去除噪声伪迹后的脑电信号,Class1表示第一类运动想象信号,Class2表示第二类运动想象信号,Class3表示第三类运动想象信号,Class4表示第四类运动想象信号。
表2四类运动想象脑电信号60导联去除噪声伪迹前后信噪比的均值和标准差
表3四类运动想象脑电信号60导联去除噪声伪迹前后信噪比
从表2和表3看出,本发明提出的算法大大提高了信噪比,由于眼电伪迹的幅值远大于脑电信号的幅值,因此在未去除噪声伪迹前,信噪比是负数,但是在使用本发明提出的方法后,信噪比变为较大的正数,说明本发明提出的算法有一定的效果。
根据均方误差的公式,得到受试者在去除噪声伪迹前后4类运动想象信号中每类60导联信号与没有噪声伪迹的脑电信号的均方误差的均值和标准差,结果如表4所示。
表4四类信号60导联去除噪声伪迹前后与无噪声伪迹的脑电信号的均方误差的均值和标准差
根据相关系数的公式,得到受试者在去除噪声伪迹前后4类运动想象信号中每类60导联信号与没有噪声伪迹的脑电信号的相关系数的均值和标准差,结果如表5所示:
表5四类信号60导联去除噪声伪迹前后与无噪声伪迹的脑电信号的相关系数的均值和标准差
从表4和表5看出,去除噪声伪迹前后,与无噪声伪迹的脑电信号的均方误差有明显的下降,与无噪声伪迹的脑电信号的相关性明显加强,两个指标都反映出去除噪声伪迹的信号与无伪迹信号很相似。
综上三种指标,都能反映出本发明提出的方法能有效的去除噪声伪迹信号,保留大量脑电信息。
Claims (7)
1.一种去除脑电信号噪声伪迹的方法,其特征是:首先对经去噪处理的脑电信号进行独立分量分离,然后选择出含有伪迹的独立分量,最后对不含有伪迹的独立分量进行重构获得去除噪声伪迹后的脑电信号;
所述独立分量分离基于改进的五阶FastICA算法,改进之处在于独立分量的分离向量和松弛因子的更新,其公式如下:
2.根据权利要求1所述的一种去除脑电信号噪声伪迹的方法,其特征在于,所述独立分量分离的步骤如下:
(3)设置独立分量的个数为n个,随机初始化分离矩阵Wn×n、可调参数u、可调参数d及λ0,u∈(0,1),d∈(0,1),λ0∈(0,1),并将变量P设为1,其中λ0为初始化分离矩阵Wn×n中第P个独立分量的初始松弛因子;
(4)令wk=wP,λk=λ0;
(5)按照所述更新公式更新独立分量的分离向量和松弛因子;
(6)对wk+1进行正交化和标准化,公式如下:
(8)令P=P+1,判断P<n是否成立,如果是,转去执行步骤(4),反之,则令W”n×n=W'n×n;
(9)最终得到有效脑电信号的独立分离信号Z=W”n×nX'。
3.根据权利要求1所述的一种去除脑电信号噪声伪迹的方法,其特征在于,所述去噪处理是指对脑电信号进行4层小波包变换去除高低频噪声后获得频率为8~30Hz的脑电信号,其方法如下:
设脑电信号X=[x1,x2,…,xn]T,n为脑电信号的电极导联数,x1,x2,...,xn分别为第1电极、第2电极、...第n电极导联的一段脑电信号,每段脑电信号包含N个采样点;
对脑电信号X中的x1,x2,...,xn进行4层小波包变换得到频率为8~30Hz的脑电信号X′=[x′1,x′2,…,x′n]T,x′1,x'2,...x'n分别为第1电极、第2电极、...第n电极导联的经过小波变换后去除噪声后的脑电信号。
4.根据权利要求1所述的一种去除脑电信号噪声伪迹的方法,其特征在于,所述含有伪迹的独立分量是基于多域的自适应阈值信号选择的,具体步骤如下:
(1)根据脑电信号采集设备提供的电极帽中各电极的三维坐标参数将各电级逐一分配至对应的大脑分区;其中第i个电极的三维坐标为Pi(axis_xi,axis_yi,axis_zi),i=1,2,…,n;
其中为W”n×n中zi的分离向量,`wi为标准化后的 表示分离矩阵的第j个元素,j∈[1,n],zi为Z中第i个独立分量zi,zi∈Z,z'i为zi更新后的独立分量,zi依次更新得到独立分离信号Z',z'i∈Z';
(3)获取z′i的整体空间特征GSFi、眼空间分布特征SEFi、前脑区空间分布特征SFBi、后脑区空间分布特征diff_vari、时域特征Vi和Ki:
zi′的整体空间特征GSFi的计算公式如下:
GSFi=max(auxi,j,j=1,2,3,…,n);
其中,m表示当前通道i的位置到其他n-1个通道的位置距离最小的10个通道的通道编号集合,ml表示集合m中的第l个通道的编号,distl为当前通道i的位置到集合m中的第l个通道的距离值,`wi,j是指`wi的第j个元素,是指`wi的第ml个元素;
z′i的眼空间分布特征SEFi的计算公式如下:
SEFi=abs(LEi-REi);
其中,是指`wi的第LEA_indexa个元素,LEA_indexa表示左眼区域电极导联编号集合中的第a个编号,LN表示左眼区域电极的数量;是指`wi的第REA_indexb个元素,REA_indexb表示右眼区域电极导联编号集合中的第b个编号,RN表示右眼区域电极的数量;
zi′的前脑区空间特征SFBi和后脑区空间特征diff_vari的计算公式如下:
SFBi=abs(FAi-BAi);
diff_vari=FAVi-BAVi;
其中,是指`wi的第BFA_indexc个元素,BFA_indexc表示前脑区电极导联编号集合中的第c个编号,BFN表示前脑区域电极的数量;是指`wi的第BBA_indexe个元素,BBA_indexe表示后脑区电极导联编号集合中的第e个编号,BBN表示后脑区域电极的数量;
zi′的时域特征Vi和Ki的计算公式为:
其中,z′i,h表示z′i的第h个元素,h∈[1,N],N表示每段脑电信号的采样个数;
(4)特征阈值计算;
利用图像二值化OTSU算法确定特征值GSFi、SEFi、SFBi、diff_vari、Vi和Ki的阈值,GSFi、SEFi、SFBi、diff_vari、Vi和Ki的阈值分别为threshold_GSF、threshold_SEF、threshold_SFB、threshold_diff、threshold_V和threshold_K;
(5)确定含有眼电伪迹信号的独立分量集合;
含有水平眼电信号的独立分量集合He:
含有垂直眼电信号的独立分量集合Ve:
含有眨眼信号的独立变量的集合Be:
所有的含有眼电伪迹的独立分量集合all_artifacts=He∪Ve∪Be;
式中GSF、SEF、SFB、diff_var分别代表整体数据的整体空间特征、整体数据的眼空间分布特征、整体数据的前脑区空间分布特征、整体数据的后脑区空间分布特征,V和K代表整体数据的时域特征,LE和RE分别代表左眼和右眼的空间分布特征。
5.根据权利要求4所述的一种去除脑电信号噪声伪迹的方法,其特征在于,所述大脑分区共有4个,分别为大脑前区、大脑后区、左眼区域和右眼区域。
6.根据权利要求5所述的一种去除脑电信号噪声伪迹的方法,其特征在于,所述重构采用ICA逆变换。
7.根据权利要求6所述的一种去除脑电信号噪声伪迹的方法,其特征在于,所述对不含有伪迹的独立分量进行重构获得去除噪声伪迹后的脑电信号的方法为:将Z'中的属于all_artifacts的z'i置零,获得Z”;基于Xnew=W”n×nZ”得到重构后的脑电信号Xnew。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810622937.0A CN109009092B (zh) | 2018-06-15 | 2018-06-15 | 一种去除脑电信号噪声伪迹的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810622937.0A CN109009092B (zh) | 2018-06-15 | 2018-06-15 | 一种去除脑电信号噪声伪迹的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109009092A CN109009092A (zh) | 2018-12-18 |
CN109009092B true CN109009092B (zh) | 2020-06-02 |
Family
ID=64609939
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810622937.0A Active CN109009092B (zh) | 2018-06-15 | 2018-06-15 | 一种去除脑电信号噪声伪迹的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109009092B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109820503A (zh) * | 2019-04-10 | 2019-05-31 | 合肥工业大学 | 单通道脑电信号中多种伪迹同步去除方法 |
CN110575163B (zh) * | 2019-08-01 | 2021-01-29 | 深圳大学 | 一种检测驾驶员分心的方法及装置 |
CN111012341B (zh) * | 2020-01-08 | 2022-04-22 | 东南大学 | 基于可穿戴脑电设备的伪迹去除和脑电信号质量评估方法 |
CN111803064A (zh) * | 2020-06-22 | 2020-10-23 | 燕山大学 | 基于eeg和血清炎症因子分析脑损伤标志物的方法 |
CN112220482B (zh) * | 2020-09-25 | 2021-07-30 | 北京大学 | 基于神经网络的脑磁图眼动伪迹检测、清除方法及电子装置 |
CN112183331B (zh) * | 2020-09-28 | 2024-04-16 | 南京伟思医疗科技股份有限公司 | 一种对新生儿脑电信号的心电伪差的识别系统和方法 |
CN114098763B (zh) * | 2021-12-13 | 2023-05-19 | 清华大学深圳国际研究生院 | 一种脑电去噪方法 |
CN114469135A (zh) * | 2022-01-17 | 2022-05-13 | 北京脑陆科技有限公司 | 多导联脑电信号的伪迹去除方法、装置及脑机接口 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105094324A (zh) * | 2015-07-14 | 2015-11-25 | 南京航空航天大学 | 基于左右手运动想象脑电信号的大脑状态识别方法 |
CN106859640A (zh) * | 2017-01-24 | 2017-06-20 | 东莞见达信息技术有限公司 | 一种基于独立分量分析的脑电测量器及方法 |
CN107260166A (zh) * | 2017-05-26 | 2017-10-20 | 昆明理工大学 | 一种实用化在线脑电伪迹剔除方法 |
CN107958213A (zh) * | 2017-11-20 | 2018-04-24 | 北京工业大学 | 一种基于脑机接口辅助康复医疗的共空间模式与深度学习方法 |
CN108196164A (zh) * | 2017-12-27 | 2018-06-22 | 西安电子科技大学 | 一种用于强背景噪声下电缆故障点放电声音信号提取方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI456516B (zh) * | 2010-12-17 | 2014-10-11 | Univ Nat Chiao Tung | 獨立成分分析處理器 |
US10531806B2 (en) * | 2013-12-17 | 2020-01-14 | University Of Florida Research Foundation, Inc. | Brain state advisory system using calibrated metrics and optimal time-series decomposition |
-
2018
- 2018-06-15 CN CN201810622937.0A patent/CN109009092B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105094324A (zh) * | 2015-07-14 | 2015-11-25 | 南京航空航天大学 | 基于左右手运动想象脑电信号的大脑状态识别方法 |
CN106859640A (zh) * | 2017-01-24 | 2017-06-20 | 东莞见达信息技术有限公司 | 一种基于独立分量分析的脑电测量器及方法 |
CN107260166A (zh) * | 2017-05-26 | 2017-10-20 | 昆明理工大学 | 一种实用化在线脑电伪迹剔除方法 |
CN107958213A (zh) * | 2017-11-20 | 2018-04-24 | 北京工业大学 | 一种基于脑机接口辅助康复医疗的共空间模式与深度学习方法 |
CN108196164A (zh) * | 2017-12-27 | 2018-06-22 | 西安电子科技大学 | 一种用于强背景噪声下电缆故障点放电声音信号提取方法 |
Non-Patent Citations (2)
Title |
---|
FastICA算法在脑电信号去噪中的应用;胡叶容 等;《广西物理》;20071231;第28卷(第3期);全文 * |
On the Blind Channel Identifiability of MIMO-STBC Systems Using Noncircular Complex FastICA Algorithm;Guobing Qian等;《Circuits Syst Signal Process》;20131218;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109009092A (zh) | 2018-12-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109009092B (zh) | 一种去除脑电信号噪声伪迹的方法 | |
CN110353672B (zh) | 一种脑电信号中眼部伪迹去除系统及去除方法 | |
CN110269609B (zh) | 基于单通道的脑电信号中眼电伪迹分离方法 | |
Jafarifarmand et al. | Real-time ocular artifacts removal of EEG data using a hybrid ICA-ANC approach | |
CN107260166A (zh) | 一种实用化在线脑电伪迹剔除方法 | |
CN109784242A (zh) | 基于一维残差卷积神经网络的脑电信号去噪方法 | |
CN104688220B (zh) | 一种去除脑电信号中眼电伪迹的方法 | |
Mannan et al. | Effect of EOG signal filtering on the removal of ocular artifacts and EEG-based brain-computer interface: A comprehensive study | |
Robinson et al. | Adaptive estimation of hand movement trajectory in an EEG based brain–computer interface system | |
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 | |
CN106236080B (zh) | 基于多通道的脑电信号中肌电噪声的消除方法 | |
CN112464902B (zh) | 基于多通道多维特征优化的脑电眨眼伪迹检测方法 | |
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 | |
Sheoran et al. | Methods of denoising of electroencephalogram signal: A review | |
CN108836321A (zh) | 一种基于自适应噪声消除系统的脑电信号预处理方法 | |
CN113842115A (zh) | 一种改进的eeg信号特征提取方法 | |
CN106859641B (zh) | 一种基于自动ica去除eeg信号中核磁伪迹的方法 | |
Paradeshi et al. | Removal of ocular artifacts from multichannel EEG signal using wavelet enhanced ICA | |
Hu et al. | ECG cancellation for surface electromyography measurement using independent component analysis | |
Hsu | Wavelet-coherence features for motor imagery EEG analysis posterior to EOG noise elimination | |
Borse | EEG de-noising using wavelet transform and fast ICA | |
Molla et al. | EEG signal enhancement using multivariate wavelet transform application to single-trial classification of event-related potentials | |
Wang | Temporally local maximum signal fraction analysis for artifact removal from biomedical signals | |
Upadhyay et al. | Ocular artifact removal from EEG signals using discrete orthonormal stockwell transform | |
Nguyen et al. | A deep sparse autoencoder method for automatic EOG artifact removal |
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 |