CN109157214A - 一种适用于单通道脑电信号的在线去除眼电伪迹的方法 - Google Patents
一种适用于单通道脑电信号的在线去除眼电伪迹的方法 Download PDFInfo
- Publication number
- CN109157214A CN109157214A CN201811058054.8A CN201811058054A CN109157214A CN 109157214 A CN109157214 A CN 109157214A CN 201811058054 A CN201811058054 A CN 201811058054A CN 109157214 A CN109157214 A CN 109157214A
- Authority
- CN
- China
- Prior art keywords
- artefact
- eeg signals
- eye electricity
- signal
- eye
- 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
-
- 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
- A61B5/7253—Details of waveform analysis characterised by using transforms
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Signal Processing (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Psychiatry (AREA)
- Molecular Biology (AREA)
- Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychology (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明提出了一种自适应单通道脑电信号眼电伪迹自动去除方法,属于生物信息技术领域,主要应用于脑电信号获取的预处理过程中。具体包括:对采集的含有眼电伪迹的脑电数据实时地进行经验小波分解;并对得到的虚拟多通道信号进行典型相关分析;根据样本熵的值最终辨别出眼电分量进行带阻滤波处理,最后依次重构出脑电信号。本发明解决了单通道信号盲源分离需要多个观测信号的问题以及包含眼电伪迹的手动筛选问题,并且滤波去除眼电伪迹信号,从而达到了去除单通道脑电信号眼电伪迹的问题。
Description
技术领域
本发明涉及生物信息技术领域以及脑电信号预处理方法,特别涉及单通道脑电信号中自动去除眼电伪迹的方法,主要应用于脑电信号特征提取,具体涉及一种基于经验小波变换(Empirical Wavelet Transforms,EWT)与典型相关分析(Canonical CorrelationAnalysis,CCA)相结合的的自动去眼电伪迹算法。
背景技术
脑机接口(brain-computer interface,BCI)技术一直是人们研究的热点,目前,市面上已经逐渐开始出现了便携式BCI产品,但是由于脑电信号的复杂性以及其极易受到干扰等特点,目前的便携式BCI产品还存在很大的完善空间。通常的便携式BCI产品都是少通道甚至单通道的,考虑到便携式产品无法像医用设备一样进行侵入式多通道脑电采集,因此其极易受到肌电信号、心电信号以及眼电信号的干扰,其中由低频和高振幅信号表征的眼球运动引起的眼电伪迹被发现是最显着和常见的。
在眼电伪迹去除领域,回归分析法是该领域使用最多的方法,但是其需要一个或者多个参考眼电通道以及大量的数据和计算时间,这就限制了该方法的应用领域[1]。奇异值分解(Singular Value Decomposition,SVD)和盲源分离(Blind Source Separation,BSS)的方法例如主成分分析(Principal Component Analysis,PCA)和独立成分分析(Independent Component Analysis,ICA)可以估计未知源并可用于眼电伪迹的去除,但是PCA需要正交性以及眼电和脑电之间不同的振幅来区分它们,而ICA需要参考通道和一定程度的主观决策。此外,由于方差的错误分配,BSS可能不能有效地处理高度非平稳的伪影信号。为了处理非平稳信号,使用源分解的方法例如小波变换(Wavelet Transform,WT)和经验模态分解(Empirical Mode Decomposition,EMD)已被提出。Mammone等采用ICA对小波分析的结果进行独立成分分析,提出了一种基于WT-ICA的去眼电伪迹算法。B.Mijovic等提出了将集成经验模态分解与ICA联合用于眼电伪迹的去除。刘志勇等提出了一种基于小波变换、集合经验模态分解和独立成分分析相结合的算法。这些算法的缺点是经验模态分解和独立成分分析等算法都具有较大的计算量从而导致计算时间过长,不适合用在实时嵌入式脑机接口产品中。
EWT为Gilles在结合EMD和小波变换基础上提出的一种自适应信号处理方法,该算法理论基础完备,并且相比于EMD具有更小的计算量。经验小波变换包含两个重要的方面:1.分割信号的频谱。2.构造经验小波并将其应用于信号的每一段处理中。
典型相关分析是利用BSS方法分离混合信号或污染信号的一种技术。类似于ICA方法的CCA技术要求有更多或相等数量的记录信号作为基础源。CCA在分离源的方法上也与ICA不同。ICA和CCA的不同之处在于前者使用高阶统计量提取源信号,后者使用二阶统计量,由于ICA使用高阶统计量,ICA的计算复杂度大于CCA。通常来说,如果随机向量具有多元正态分布,那么其不相关的任何两个或更多个分量也是独立的,因此CCA通常可以返回与ICA相同的结果。如果不是这种情况,则CCA将返回不相关但不独立的分量。
样本熵是近似熵的一种改进算法,其目的是对时间序列的复杂度进行度量。当时间序列维数产生变化时,样本熵用于体现其生成新模式概率的大小,样本熵越大则表明该序列生成新模式的概率越大、序列越复杂。眼电伪迹序列相较于脑电信号具有更小的样本熵值,因此可以通过使用样本熵来对眼电分量进行自动判别。
发明内容
针对独立分量分析ICA在去除脑电信号中的眼电伪迹时,因需要多个源信号从而无法应用于单通道脑电信号盲源分离,以及无法自动识别眼电伪迹这两个不足,本发明提出了一种基于经验小波变换与典型相关分析的单通道脑电信自动去除眼电伪迹的方法,即EWT-CCA,在去除眼电伪迹的过程中无须人工干扰,该方法的抗噪能力强,收敛速度快且实时性好。
为了达到上述的目的,本发明的技术方案为:
一种适用于单通道便携式脑电采集设备的在线去除眼电伪迹的方法,其特征在于包括一下步骤:
步骤一、对含眼电伪迹的脑电信号进行经验小波变换(Empirical WaveletTransforms,EWT)处理,设含眼电伪迹的脑电信号为S(n),对其进行EWT处理后得多个模态分量从而构成虚拟多通道观测信号S(n)=S{s1(n),s2(n),L L,sm(n)}。
步骤二、对S(n)时延一个点得到S'(n)=S(n-1),然后利用典型相关分析(Canonical Correlation Analysis,CCA)对中心化后的S(n)和S'(n)进行处理求得U(n)=[u1(n),u2(n),L,um(n)],其中u1(n)自相关性最强然后依次递减并且各变量之间互不相关。由于S'(n)和S(n)实际上就是同一信号,所以求得的U(n)就是对未知源信号的估计。
步骤三、得到未知源信号的估计以后采用样本熵作为判别依据识别出眼电伪迹分量,样本熵的自动识别方法,具体操作如下:
1)按照样本熵值的大小对盲源分离出来的源信号进行排序:其对应的源信号依次为:s1',s'2,L s'N。
2)将以下的源信号判为伪迹成分:s1',s'2,L s'k,其中k满足以下条件:其中,k取整数1<k≤[N/2],[N/2]是不大于N/2的最大整数,若无满足上述条件的则k取1。
步骤四、由于眼电信号频率主要集中在8HZ附近,所以将识别到的眼电伪迹成分通过2-15HZ的带阻滤波器进行滤波,然后再将所有未知源信号依次进行CCA逆变换以及EWT逆变换从而重构出去伪迹后的脑电信号。
本发明的优势在于:本发明提出了一种基于经验小波变换与典型相关分析相结合的单通道脑电信号自动去除眼电伪迹的方法即EWT-CCA方法,该方法不仅能有效的去除眼电伪迹,并且其计算速度满足脑机接口实时性的要求,通过与现有的EMD-ICA方法的对比,结果表明该方法去噪效果好,计算速度快,适用于各种单通道脑电信号处理中。
附图说明
图1是基于经验小波变换与典型相关分析方法的去除眼电伪迹的流程框图;
图2是国际标准10-20电极系统的放置示意图;
图3是采集到的原始脑电信号;
图4是原始脑电信号经过经验小波变换得到的模拟多通道观测信号;
图5采用本发明的方法进行实验,对脑电信号中眼电伪迹去除效果图。
具体实时方式
下面结合附图对本发明做详细叙述。
本文的单通道脑电采集设备来自神念科技的MindBand设备,该设备是神念公司开发的一种在线脑机接口设备,目前已经得到广泛的应用和认可。信号的采样频率为512HZ,其中电极参考如图2所示的国际10-20导联系统,放置在FP1处。具体的处理过程与实施方式按照以下步骤进行。
1.首先进行脑电采集实验,采用MindBand设备采集FP1处的脑电信号8秒,其中包含有意的眨眼造成的眼电信号,如图3所示为其中一次的原始脑电信号,共计采集20次。
2.对采集到的脑电信号进行预处理,其中包括将512HZ的脑电信号降频至256HZ,并用0.5~64HZ的带通滤波器和50HZ的陷波滤波器对脑电信号进行滤波处理。
3.对含眼电伪迹的脑电信号进行经验小波变换(Empirical WaveletTransforms,EWT)处理,设含眼电伪迹的脑电信号为S(n),对其进行EWT处理后得多个模态分量从而构成虚拟多通道观测信号S(n)=S{s1(n),s2(n),L L,sm(n)},最终得到的结果参照图4。
4.对S(n)时延一个点得到S'(n)=S(n-1),然后利用典型相关分析(CanonicalCorrelation Analysis,CCA)对中心化后的S(n)和S'(n)进行处理求得U(n)=[u1(n),u2(n),L,um(n)],其中u1(n)自相关性最强然后依次递减并且各变量之间互不相关。由于S'(n)和S(n)实际上就是同一信号,所以求得的U(n)就是对未知源信号的估计。
5.得到未知源信号的估计以后采用样本熵作为判别依据识别出眼电伪迹分量并将其通过2-15HZ的带阻滤波器进行滤波,最终将所有未知源信号依次进行CCA逆变换以及EWT逆变换从而重构出去伪迹后的脑电信号,如图5所示为重构后信号与原始信号的对比图。
为了进一步验证本发明去除眼电伪迹的有益效果,取现有的EMD-ICA方法进行量化评价指标对比,该算法首先利用EMD算法将单通道原始脑电信号分解成多个IMF分量作为虚拟多通道,然后利用ICA算法进行独立成分分析并剔除独立的眼电成分,最后依次将剔除眼电后的信号进行重构得到新的不含眼电伪迹的脑电信号。
本发明选取相关系数R、信号伪迹比(Signal-to-artifact Ratio,SAR)以及计算时间T作为参考评价指标对本方法进行评价。其中,相关系数R和SAR的定义如下:
式1中相关系数R表示两原始信号与去伪迹重构信号的相关程度,最大为1表示完全相关,由于没有原始的不含眼电伪迹的信号作为参考,本次实验选择眼电伪迹以外的部分进行原始信号和重构信号的相关程度计算。式2中EEGmixed为受干扰的单通道原始脑电信号,EEGcorrected为去除眼电伪迹后的脑电信号,SAR是一种量化的方法,用于测量特定信号经算法处理后的伪影去除量,该值越大表明伪迹去除效果越好。
从表中可以看出EWT-CCA方法与EMD-ICA方法相比,去伪迹效果号,与原始信号的相关程度高,并且最重要的是从计算时间看出,EWT-CCA方法比EMD-ICA方法快近乎六倍,这说明该方法更加适用于在线的眼电去伪迹的应用中。
Claims (1)
1.一种适用于单通道便携式脑电采集设备的在线去除眼电伪迹的方法,其特征在于包括一下步骤:
步骤一、对含眼电伪迹的脑电信号进行经验小波变换处理,设含眼电伪迹的脑电信号为S(n),对其进行经验小波变换处理后得多个模态分量从而构成虚拟多通道观测信号S(n)=S{s1(n),s2(n),L L,sm(n)};
步骤二、对S(n)时延一个点得到S'(n)=S(n-1),然后利用典型相关分析对中心化后的S(n)和S'(n)进行处理求得U(n)=[u1(n),u2(n),L,um(n)],其中u1(n)自相关性最强然后依次递减并且各变量之间互不相关,由于S'(n)和S(n)实际上就是同一信号,所以求得的U(n)就是对未知源信号的估计;
步骤三、得到未知源信号的估计以后采用样本熵作为判别依据识别出眼电伪迹分量,样本熵的自动识别方法,具体操作如下:
1)按照样本熵值的大小对盲源分离出来的源信号进行排序:其对应的源信号依次为:s′1,s'2,L s'N;
2)将以下的源信号判为伪迹成分:s′1,s'2,L s'k,其中k满足以下条件:其中,k取整数1<k≤[N/2],[N/2]是不大于N/2的最大整数,若无满足上述条件的则k取1;
步骤四、由于眼电信号频率主要集中在8HZ附近,所以将识别到的眼电伪迹成分通过2-15HZ的带阻滤波器进行滤波,然后再将所有未知源信号依次进行典型相关分析逆变换以及经验小波逆变换从而重构出去伪迹后的脑电信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811058054.8A CN109157214A (zh) | 2018-09-11 | 2018-09-11 | 一种适用于单通道脑电信号的在线去除眼电伪迹的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811058054.8A CN109157214A (zh) | 2018-09-11 | 2018-09-11 | 一种适用于单通道脑电信号的在线去除眼电伪迹的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109157214A true CN109157214A (zh) | 2019-01-08 |
Family
ID=64894945
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811058054.8A Pending CN109157214A (zh) | 2018-09-11 | 2018-09-11 | 一种适用于单通道脑电信号的在线去除眼电伪迹的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109157214A (zh) |
Cited By (9)
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 |
CN110269609A (zh) * | 2019-07-08 | 2019-09-24 | 江苏理工学院 | 基于单通道的脑电信号中眼电伪迹分离方法 |
CN110353672A (zh) * | 2019-07-15 | 2019-10-22 | 西安邮电大学 | 一种脑电信号中眼部伪迹去除系统及去除方法 |
CN110575163A (zh) * | 2019-08-01 | 2019-12-17 | 深圳大学 | 一种检测驾驶员分心的方法及装置 |
CN111956217A (zh) * | 2020-07-15 | 2020-11-20 | 山东师范大学 | 一种面向实时脑电信号的眨眼伪迹识别方法及系统 |
CN112245756A (zh) * | 2020-10-16 | 2021-01-22 | 郑州大学 | 一种基于单通道脑电的注意力训练方法 |
CN112438738A (zh) * | 2019-09-03 | 2021-03-05 | 西安慧脑智能科技有限公司 | 基于单通道脑电信号睡眠分期的方法、装置及存储介质 |
CN114403896A (zh) * | 2022-01-14 | 2022-04-29 | 南开大学 | 单通道脑电信号中眼电伪迹去除方法 |
CN117958841A (zh) * | 2024-03-28 | 2024-05-03 | 北京理工大学 | 一种脑电信号头动伪影去除方法、装置、存储介质及产品 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101869477A (zh) * | 2010-05-14 | 2010-10-27 | 北京工业大学 | 一种自适应脑电信号中眼电伪迹的自动去除方法 |
US20120071743A1 (en) * | 2010-09-21 | 2012-03-22 | Somaxis Incorporated | Systems for assessing and optimizing muscular performance |
CN102521505A (zh) * | 2011-12-08 | 2012-06-27 | 杭州电子科技大学 | 用于控制意图识别的脑电和眼电信号决策融合方法 |
CN104809434A (zh) * | 2015-04-22 | 2015-07-29 | 哈尔滨工业大学 | 一种基于单通道脑电信号眼电伪迹去除的睡眠分期方法 |
CN105342605A (zh) * | 2015-12-09 | 2016-02-24 | 西安交通大学 | 一种去除脑电信号中肌电伪迹的方法 |
CN106485208A (zh) * | 2016-09-22 | 2017-03-08 | 小菜儿成都信息科技有限公司 | 单通道脑电信号中眼电干扰的自动去除方法 |
CN106805945A (zh) * | 2017-01-22 | 2017-06-09 | 合肥工业大学 | 一种少数通道的脑电信号中肌电伪迹的消除方法 |
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 |
CN107411739A (zh) * | 2017-05-31 | 2017-12-01 | 南京邮电大学 | 基于双树复小波的脑电信号情绪识别特征提取方法 |
CN107832709A (zh) * | 2017-11-10 | 2018-03-23 | 辽宁师范大学 | 基于经验小波变换进行特征提取的脑电情感识别方法 |
CN108309290A (zh) * | 2018-02-24 | 2018-07-24 | 华南理工大学 | 单通道脑电信号中肌电伪迹的自动去除方法 |
-
2018
- 2018-09-11 CN CN201811058054.8A patent/CN109157214A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101869477A (zh) * | 2010-05-14 | 2010-10-27 | 北京工业大学 | 一种自适应脑电信号中眼电伪迹的自动去除方法 |
US20120071743A1 (en) * | 2010-09-21 | 2012-03-22 | Somaxis Incorporated | Systems for assessing and optimizing muscular performance |
CN102521505A (zh) * | 2011-12-08 | 2012-06-27 | 杭州电子科技大学 | 用于控制意图识别的脑电和眼电信号决策融合方法 |
CN104809434A (zh) * | 2015-04-22 | 2015-07-29 | 哈尔滨工业大学 | 一种基于单通道脑电信号眼电伪迹去除的睡眠分期方法 |
CN105342605A (zh) * | 2015-12-09 | 2016-02-24 | 西安交通大学 | 一种去除脑电信号中肌电伪迹的方法 |
CN106485208A (zh) * | 2016-09-22 | 2017-03-08 | 小菜儿成都信息科技有限公司 | 单通道脑电信号中眼电干扰的自动去除方法 |
CN106805945A (zh) * | 2017-01-22 | 2017-06-09 | 合肥工业大学 | 一种少数通道的脑电信号中肌电伪迹的消除方法 |
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 |
CN107411739A (zh) * | 2017-05-31 | 2017-12-01 | 南京邮电大学 | 基于双树复小波的脑电信号情绪识别特征提取方法 |
CN107832709A (zh) * | 2017-11-10 | 2018-03-23 | 辽宁师范大学 | 基于经验小波变换进行特征提取的脑电情感识别方法 |
CN108309290A (zh) * | 2018-02-24 | 2018-07-24 | 华南理工大学 | 单通道脑电信号中肌电伪迹的自动去除方法 |
Non-Patent Citations (5)
Title |
---|
JEROME GILLES: "Empirical Wavelet Transform", 《IEEE TRASACTIONS ON SIGNAL PROCESSING》 * |
MD.KHADEMUL ISLAM MOLLA ET AL.: "Artifact suppression from EEG signals using data adaptive time domain filtering", 《NEUROCOMPUTING》 * |
刘志勇等: "单通道脑电信号眼电伪迹去除算法研究", 《自动化学报》 * |
王魁等: "脑电信号中眼电伪迹的自动去除算法", 《计算机工程》 * |
赵春煜,邱天爽: "基于典型相关分析和小波变换的眼电伪迹去除", 《北京生物医学工程》 * |
Cited By (13)
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 |
CN110269609A (zh) * | 2019-07-08 | 2019-09-24 | 江苏理工学院 | 基于单通道的脑电信号中眼电伪迹分离方法 |
CN110269609B (zh) * | 2019-07-08 | 2021-09-28 | 江苏理工学院 | 基于单通道的脑电信号中眼电伪迹分离方法 |
CN110353672A (zh) * | 2019-07-15 | 2019-10-22 | 西安邮电大学 | 一种脑电信号中眼部伪迹去除系统及去除方法 |
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 |
CN110575163A (zh) * | 2019-08-01 | 2019-12-17 | 深圳大学 | 一种检测驾驶员分心的方法及装置 |
CN112438738A (zh) * | 2019-09-03 | 2021-03-05 | 西安慧脑智能科技有限公司 | 基于单通道脑电信号睡眠分期的方法、装置及存储介质 |
CN111956217A (zh) * | 2020-07-15 | 2020-11-20 | 山东师范大学 | 一种面向实时脑电信号的眨眼伪迹识别方法及系统 |
CN111956217B (zh) * | 2020-07-15 | 2022-06-24 | 山东师范大学 | 一种面向实时脑电信号的眨眼伪迹识别方法及系统 |
CN112245756A (zh) * | 2020-10-16 | 2021-01-22 | 郑州大学 | 一种基于单通道脑电的注意力训练方法 |
CN114403896A (zh) * | 2022-01-14 | 2022-04-29 | 南开大学 | 单通道脑电信号中眼电伪迹去除方法 |
CN114403896B (zh) * | 2022-01-14 | 2023-08-25 | 南开大学 | 单通道脑电信号中眼电伪迹去除方法 |
CN117958841A (zh) * | 2024-03-28 | 2024-05-03 | 北京理工大学 | 一种脑电信号头动伪影去除方法、装置、存储介质及产品 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109157214A (zh) | 一种适用于单通道脑电信号的在线去除眼电伪迹的方法 | |
Gómez-Herrero et al. | Automatic removal of ocular artifacts in the EEG without an EOG reference channel | |
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 | |
US8315970B2 (en) | Method and rhythm extractor for detecting and isolating rhythmic signal features from an input signal using the wavelet packet transform | |
CN105342605B (zh) | 一种去除脑电信号中肌电伪迹的方法 | |
CN110353672A (zh) | 一种脑电信号中眼部伪迹去除系统及去除方法 | |
Soomro et al. | A method for automatic removal of eye blink artifacts from EEG based on EMD-ICA | |
CN106236080A (zh) | 基于多通道的脑电信号中肌电噪声的消除方法 | |
Bigirimana et al. | A hybrid ICA-wavelet transform for automated artefact removal in EEG-based emotion recognition | |
CN113967022B (zh) | 一种基于个体自适应的运动想象脑电特征表征方法 | |
Lee et al. | Single-trial event-related potential extraction through one-unit ICA-with-reference | |
CN113576495A (zh) | 结合eeg数据质量的运动想象评估方法 | |
CN113208633A (zh) | 一种基于eeg脑波的情绪识别方法、系统 | |
Binias et al. | Real-time detection and filtering of eye movement and blink related artifacts in EEG | |
CN117064405A (zh) | 一种单通道脑电信号伪迹去除方法、设备及介质 | |
Maswanganyi et al. | Overview of artifacts detection and elimination methods for BCI using EEG | |
Ferdousy et al. | Electrooculographic and electromyographic artifacts removal from EEG | |
Kaur et al. | EEG artifact suppression based on SOBI based ICA using wavelet thresholding | |
Lolure et al. | Wavelet transform based EMG feature extraction and evaluation using scatter graphs | |
CN115299960A (zh) | 基于短时变分模态分解的电信号分解方法及脑电信号分解装置 | |
CN116725550A (zh) | 一种多通道脑电信号中眼电伪迹去除方法 | |
Molla et al. | EEG signal enhancement using multivariate wavelet transform application to single-trial classification of event-related potentials | |
Tu et al. | Single-trial detection of visual evoked potentials by common spatial patterns and wavelet filtering for brain-computer interface | |
CN113229781A (zh) | 一种基于多视图的跨患者癫痫检测系统 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190108 |
|
WD01 | Invention patent application deemed withdrawn after publication |