CN109480832A - 一种单通道的脑电信号中肌电伪迹的消除方法 - Google Patents
一种单通道的脑电信号中肌电伪迹的消除方法 Download PDFInfo
- Publication number
- CN109480832A CN109480832A CN201811289003.6A CN201811289003A CN109480832A CN 109480832 A CN109480832 A CN 109480832A CN 201811289003 A CN201811289003 A CN 201811289003A CN 109480832 A CN109480832 A CN 109480832A
- Authority
- CN
- China
- Prior art keywords
- eeg signals
- matrix
- muscle artifacts
- signal
- moment
- 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
- A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Surgery (AREA)
- Medical Informatics (AREA)
- Psychiatry (AREA)
- Physics & Mathematics (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Public Health (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Artificial Intelligence (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychology (AREA)
- Power Engineering (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种单通道脑电信号中肌电伪迹的消除方法,其特征包括:1,首先用奇异谱分析对单通道脑电信号进行分解,得到多维的信号分量矩阵;2,使用独立向量分析对信号分量矩阵进行盲源分离,得到多个独立分量;3,设置自相关系数阈值,检测出含肌电伪迹的独立分量并置零;4,将部分置零后的独立分量进行盲源分离逆变换,重建得到干净的单通道脑电信号。本发明能实现单通道脑电信号中肌电伪迹的去除,对于脑电信号的后续分析有着重要意义。
Description
技术领域
本发明属于脑电信号处理技术领域,具体涉及一种基于奇异谱分析和独立向量分析,从单通道脑电信号中自动识别肌电伪迹并消除的新方法,主要应用于脑电信号的预处理,及人脑相关疾病和人脑功能的研究。
背景技术
脑电信号是脑神经细胞群的自发性、节律性的电生理活动,包括离子交换、新陈代谢等综合外在表现。脑电设备直接从头皮采集得到的脑电信号往往是微弱的,因此脑电设备采集得到脑电信号一般需要经过放大器放大处理。脑电图是指经过放大处理后的脑电信号所形成的具有一定波形信息的曲线图。由于具有高时域分辨率、便携和无创性等特点,脑电信号已被广泛应用于各种神经系统相关仪器的实际应用和测量。然而,脑电信号极易受到各种电生理伪迹的污染,使后续的脑信号特征分析变得相当艰难。对于只有少数电极的长时间的移动监控脑电设备,污染严重程度尤为突出。众多复杂的伪迹均会干扰脑电图的记录,如分别由头部肌肉收缩、心跳和眼球运动所导致产生的肌电信号、心电信号和眼电信号。由于肌电信号具有幅值大、频域分布广和复杂的波形特征等特点,导致肌电伪迹是众多干扰源中最难消除的干扰伪迹。随着便携式脑电信号采集设备的快速发展,针对单通道脑电信号中肌电伪迹去除的问题引起了越来越多的关注。
在过去数十年里,研究人员已经进行了许多尝试来解决脑电信号中肌电伪迹移除的这个难题。最初,低通滤波器通常被用来去除肌电伪迹。然而,若肌电伪迹与感兴趣的脑电信号的频谱重叠的话,低通滤波器不仅会抑制肌电伪迹,而且可能会造成有价值的脑电信息损失。在最近的研究中,盲源分离开始广泛应用于脑电信号中肌电伪迹的去除。盲源分离方法是指在没有先验知识的条件下,从混叠信号中将各源信号分离出来的过程。脑电信号中肌电伪迹去除的基本方法为,先对被伪迹污染的脑电信号盲源分离,后将判定为肌电伪迹的源信号置零,再进行信号重建得到干净的脑电信号。常用的盲源分离算法有独立成分分析(independent component analysis,ICA)、典型相关分析(canonical correlationanalysis,CCA)。ICA是利用高阶统计量将脑电信号分解为独立分量,但是ICA在去除肌电伪迹的效果上并不好,因为该方法得到的独立分量中肌电伪迹和脑电信号经常发生串扰。为此,一些学者提出CCA去除肌电伪迹。CCA是利用二阶统计量将脑电信号分解成互不相关且自相关性最大的典型变量。由于肌电的特性与白噪声类似具有较低的自相关性,CCA在去除肌电的效果上一般优于ICA。但CCA在应用于采样点数较多的脑电信号中肌电伪迹去除时,效果也不好。
然而,由于盲源分离方法默认假设源信号的数目等于或少于信号的通道数,所以它不能直接应用于单通道脑电的去噪处理。
为了解决单通道脑电信号中肌电伪迹去除的问题,一些学者提出将信号分解方法与盲源分离方法结合,来对单通道脑电进行去噪处理。例如,有学者提出先对单通道脑电信号进行小波分解,得到多通道的小波成分矩阵,再对小波成分矩阵进行盲源分离处理。然而,小波分解有一定局限性。例如,小波分解的效果与小波母函数的选取有重要关系,但小波母函数的最优选择没有固定标准。还有学者提出将集合经验模态分解(ensembleempirical mode decomposition,EEMD)与盲源分离结合进行单通道脑电信号处理(K.T.Sweeney,S.F.McLoone,and T.E.Ward,“The use of ensemble empirical modedecomposition with canonical correlation analysis as a novel artifact removaltechnique,”IEEE transactions on biomedical engineering,vol.60,no.1,pp.97–105,2013.)。实验证明使用集合经验模态分解(EEMD)得到了比小波分解更优的去噪效果。但是集合经验模态分解的计算复杂度过高,且在很多情况下去噪效果不佳。
发明内容
本发明为了克服上述现有技术所存在的不足,提出了一种单通道的脑电信号中肌电伪迹的消除方法,以期能在大多数情况下实现完全消除肌电伪迹对脑电信号的影响,从而为脑电信号的后续分析处理提供支持。
本发明为解决技术问题,采用如下技术方案:
本发明一种单通道的脑电信号中肌电伪迹的消除方法的特点包括如下步骤:
步骤一:使用脑电测量设备采集并记录t时刻单通道的脑电信号X(t);
步骤二:使用奇异谱分析法对所述t时刻单通道的脑电信号X(t)进行分解,得到由N个信号分量所组合的信号分量矩阵,记为:M(t)=[M1(t),M2(t),M3(t),…Mn(t),…MN(t)]T,其中Mn(t)表示t时刻单通道的脑电信号X(t)中第n个信号分量,T为矩阵转置,且1<n<N;
步骤三:使用独立向量分析法对所述信号分量矩阵M(t)进行盲源分离,得到混合矩阵A、解混矩阵W和t时刻的源信号矩阵S(t)=[S1(t),S2(t),S3(t),…Sn(t),…SN(t)]T,其中Sn(t)表示t时刻的第n个独立源成分,并有M(t)=AS(t),S(t)=WM(t);
步骤四:初始化n=1;
步骤五:利用式(1)计算所述t时刻的源信号矩阵S(t)中第n个独立源成分Sn(t)的自相关系数值rn:
式(1)中,E(·)表示求均值函数;Sn(t-τ)表示所述t时刻的源信号矩阵S(t)延迟τ时刻后的信号;
若rn<e,则表示第n个独立源成分Sn(t)含有肌电伪迹的源成分,并将Sn(t)置零;其中e表示所设定的自相关系数阈值;
步骤六:将n+1赋值给n,并判断n>N是否成立,若成立,则表示得到不含肌电伪迹的源信号矩阵并执行步骤七,否则,返回步骤五执行;
步骤七:利用式(2)对所述不含肌电伪迹的源信号矩阵进行盲源分离逆变换处理,得到得到不含肌电伪迹的信号分量矩阵其中表示第n个去除肌电伪迹后的信号分量:
步骤八:利用式(3)对将所述不含肌电伪迹的信号分量矩阵中的信号分量进行叠加,得到去除肌电伪迹后的单通道脑电信号
与已有技术相比,本发明的有益效果体现在:
1.本发明的步骤二在针对单通道脑电信号肌电伪迹去除的问题中,率先使用奇异谱分析法对单通道脑电信号进行分解处理,该方法不需要任何先验知识,避免了小波分解的小波母函数选取问题。同时奇异谱分析相比已有的集合经验模态分解技术减少了计算复杂度,并采用了全新的信号分解原理,不会出现模态混叠问题,能更精确提取信号分量。奇异谱分析(SSA)作为一种强大的时间序列处理方法,目前尚未与独立向量分析结合用于单通道脑电信号中肌电伪迹的去除。
2.本发明的步骤三至步骤七,使用独立向量分析(independent vectoranalysis,IVA)进行盲源分离,能将肌电源集中在少数独立分量中并去除。独立向量分析可以看作是独立成分分析的多维扩展,它同时使用了二阶统计量和高阶统计量,综合了独立成分分析和典型相关分析的优势,能更好地实现脑电源成分与肌电源成分的分离。且由于步骤二能提供更多的信号通道及更有效的信号分量提取,独立向量分析能更精确地将将脑电源和肌电源集中在各自的源分量中。所以本发明相比已有的信号分解与盲源分离结合的单通道去噪方法能得到更优的去噪效果。
附图说明
图1为本发明方法流程图;
图2a为干净半模拟脑电信号示意图;
图2b为含有肌电伪迹的半模拟脑电信号示意图(λ=0.5);
图2c为通过本发明方法得到的部分含噪的信号分量示意图;
图2d为通过本发明方法得到的部分源信号示意图;
图2e为通过本发明方法得到的去除肌电伪迹后重建的单通道脑电信号示意图;
图2f为通过EEMD-ICA单通道处理方法得到的去除肌电伪迹后重建的单通道脑电信号示意图;
图3a为本发明方法与EEMD-ICA方法处理一段半模拟单通道脑电,其去噪性能指标相对均方根误差的比较图;
图3b为本发明方法与EEMD-ICA方法处理一段半模拟单通道脑电,其去噪性能指标相关系数的比较图;
图4a为本发明方法与EEMD-ICA方法处理十段半模拟单通道脑电,其去噪性能指标相对均方根误差取平均的比较图;
图4b为本发明方法与EEMD-ICA方法处理十段半模拟单通道脑电,其去噪性能指标相关系数取平均的比较图;
图5a为单通道包含肌电伪迹的真实癫痫脑电示意图;
图5b为通过本发明方法所得到的去除肌电伪迹后重建的脑电信号示意图。
具体实施方式
如图1所示,单通道脑电信号中肌电伪迹的消除方法是:先用奇异谱分析对单通道脑电信号进行分解,得到信号分量组成的多维矩阵。再对多维矩阵进行独立向量分析处理,使用自相关系数作为阈值指标去除含肌电伪迹的独立分量。最后重建数据得到干净的单通道脑电信号。
为了通过实验方式验证本发明的去噪效果,下面将分别通过半模拟脑电信号与真实脑电信号为例,并结合附图来说明单通道脑电信号中肌电伪迹去除的具体实施方式。
1.半模拟脑电信号
该部分将介绍本发明的具体实施方式(SSA-IVA),并将本发明的去噪效果与EEMD-CCA单通道处理方法进行比较。
步骤一:使用脑电测量设备采集并记录t时刻单通道的脑电信号,记为XEEG(t);使用肌电测量设备采集并记录t时刻肌电信号,记为XEMG(t)。如图2b所示,人为混合干净脑电信号与肌电信号,得到被污染的单通道脑电信号,X(t)=XEEG(t)+λXEMG(t),其中信噪比为0.5。如图2a所示XEMG(t)表示单通道的真实干净脑电信号,XEMG(t)表示真实肌电伪迹。信号的采样频率为1000Hz,长度为10s。
步骤二:使用奇异谱分析法对t时刻单通道的脑电信号X(t)进行分解,得到由N=26个信号分量所组合的信号分量矩阵,记为:M(t)=[M1(t),M2(t),M3(t),…Mn(t),…M26(t)]T,其中Mn(t)表示t时刻单通道的脑电信号X(t)中第n个信号分量,T为矩阵转置,且1<n<N;如图2c展示了分解得到的部分信号分量。
步骤三:使用独立向量分析法对信号分量矩阵M(t)进行盲源分离,得到混合矩阵A、解混矩阵W和t时刻的源信号矩阵S(t)=[S1(t),S2(t),S3(t),…Sn(t),…S26(t)]T,其中Sn(t)表示t时刻的第n个独立源成分,并有M(t)=AS(t),S(t)=WM(t);如图2d展示了部分独立源成分。
步骤四:初始化n=1;
步骤五:利用式(1)计算t时刻的源信号矩阵S(t)中第n个独立源成分Sn(t)的自相关系数值rn:
式(1)中,E(·)表示求均值函数;Sn(t-τ)表示t时刻的源信号矩阵S(t)延迟τ时刻后的信号;
若rn<e,则表示第n个独立源成分Sn(t)含有肌电伪迹的源成分,并将Sn(t)置零;其中e表示所设定的自相关系数阈值,设置e=0.9;
步骤六:将n+1赋值给n,并判断n>N是否成立,若成立,则表示得到不含肌电伪迹的源信号矩阵并执行步骤七,否则,返回步骤五执行;
步骤七:利用式(2)对不含肌电伪迹的源信号矩阵进行盲源分离逆变换处理,得到得到不含肌电伪迹的信号分量矩阵其中表示第n个去除肌电伪迹后的信号分量:
步骤八:利用式(3)对将不含肌电伪迹的信号分量矩阵中的信号分量进行叠加,得到去除肌电伪迹后的单通道脑电信号
如图2e展示了本发明的去噪效果,图2f展示了EEMD-ICA的去噪效果。
为了定量分析SSA-IVA与EEMD-ICA的去噪效果差异,选择了两个性能指标进行评价,即相对均方根误差(RRMSE)和相关系数(CC)。其中RRMSE值计算的是去噪后的脑电与原始干净脑电的相对均方误差,其值越小,表明噪声去除效果越好。CC计算的是去噪后的脑电与原始干净脑电的结构相似度,其值越高,表明有用脑电信号保留的越多,即对脑电信号恢复得越好。图3a和图3b展示了本发明与EEMD-ICA方法在不同信噪比下两个性能指标的数值变化。从两张图中可以直观看出,本发明的去噪效果和对干净脑电信号的保留程度都优于EEMD-ICA方法。
为了进一步比较两种方法的去噪效果,我们重复进行步骤一到步骤八,做了十次实验,并对去噪性能指标取平均,得到两种方法的效果比较,如图4a和图4b所示。从两张图中可以判断出,SSA-IVA的去噪效果是优于EEMD-ICA的。
2.真实脑电信号
在该部分使用真实被污染的脑电数据作为实验对象,使用本发明的SSA-IVA方法进行处理,检验本发明的去噪效果。图5a是一段真实的单通道脑电信号,该信号是于癫痫发作期间采集的。信号的采样频率是250Hz,采样时间为10s,总共2500个采样点。图5a中可以看出该脑电信号在0s-3.9s被肌电噪声严重污染。这种污染对于癫痫发作区域的定位与检测工作影响非常大,因此消除肌电伪迹的影响是非常重要,并具有实际意义的。
按照上述半模拟脑电信号的本发明处理方法对真实脑电信号进行处理,得到去噪后的脑电信号如图5b。将图5a与图5b对比可以看出,本发明成功去除了脑电信号中的肌电伪迹,且保留了原脑电信号的信息。
综上,本发明解决了单通道脑电情况下肌电伪迹难以去除的难题。且本发明不需要人为手动操作,可自动检测并消除脑电伪迹。该方法适用于单通道的便捷式脑电设备,以及临床诊断,对于脑电信号的后续分析处理有着重要意义。
Claims (1)
1.一种单通道的脑电信号中肌电伪迹的消除方法,其特征包括如下步骤:
步骤一:使用脑电测量设备采集并记录t时刻单通道的脑电信号X(t);
步骤二:使用奇异谱分析法对所述t时刻单通道的脑电信号X(t)进行分解,得到由N个信号分量所组合的信号分量矩阵,记为:M(t)=[M1(t),M2(t),M3(t),…Mn(t),…MN(t)]T,其中Mn(t)表示t时刻单通道的脑电信号X(t)中第n个信号分量,T为矩阵转置,且1<n<N;
步骤三:使用独立向量分析法对所述信号分量矩阵M(t)进行盲源分离,得到混合矩阵A、解混矩阵W和t时刻的源信号矩阵S(t)=[S1(t),S2(t),S3(t),…Sn(t),…SN(t)]T,其中Sn(t)表示t时刻的第n个独立源成分,并有M(t)=AS(t),S(t)=WM(t);
步骤四:初始化n=1;
步骤五:利用式(1)计算所述t时刻的源信号矩阵S(t)中第n个独立源成分Sn(t)的自相关系数值rn:
式(1)中,E(·)表示求均值函数;Sn(t-τ)表示所述t时刻的源信号矩阵S(t)延迟τ时刻后的信号;
若rn<e,则表示第n个独立源成分Sn(t)含有肌电伪迹的源成分,并将Sn(t)置零;其中e表示所设定的自相关系数阈值;
步骤六:将n+1赋值给n,并判断n>N是否成立,若成立,则表示得到不含肌电伪迹的源信号矩阵并执行步骤七,否则,返回步骤五执行;
步骤七:利用式(2)对所述不含肌电伪迹的源信号矩阵进行盲源分离逆变换处理,得到得到不含肌电伪迹的信号分量矩阵其中表示第n个去除肌电伪迹后的信号分量:
步骤八:利用式(3)对将所述不含肌电伪迹的信号分量矩阵中的信号分量进行叠加,得到去除肌电伪迹后的单通道脑电信号
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811289003.6A CN109480832A (zh) | 2018-10-31 | 2018-10-31 | 一种单通道的脑电信号中肌电伪迹的消除方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811289003.6A CN109480832A (zh) | 2018-10-31 | 2018-10-31 | 一种单通道的脑电信号中肌电伪迹的消除方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109480832A true CN109480832A (zh) | 2019-03-19 |
Family
ID=65693462
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811289003.6A Pending CN109480832A (zh) | 2018-10-31 | 2018-10-31 | 一种单通道的脑电信号中肌电伪迹的消除方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109480832A (zh) |
Cited By (6)
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 |
CN110680317A (zh) * | 2019-10-15 | 2020-01-14 | 中国科学技术大学 | 基于独立向量分析的高密度表面肌电信号消噪方法 |
CN111631710A (zh) * | 2020-06-22 | 2020-09-08 | 中国科学技术大学 | 一种状态相关的动态脑电信号中肌电伪迹的消除方法 |
WO2022166401A1 (zh) * | 2021-02-05 | 2022-08-11 | 中国科学院深圳先进技术研究院 | 基于eemd-pca去除eeg信号中运动伪迹的方法及装置 |
CN115510692A (zh) * | 2022-11-09 | 2022-12-23 | 齐鲁工业大学 | 基于变分模态分解和二阶盲辨识的脑电信号伪迹去除方法 |
CN117292703A (zh) * | 2023-11-24 | 2023-12-26 | 国网辽宁省电力有限公司电力科学研究院 | 变电设备声源定位方法、装置、电子设备及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130138009A1 (en) * | 2011-11-25 | 2013-05-30 | Persyst Development Corporation | Method And System For Displaying EEG Data |
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
- 2018-10-31 CN CN201811289003.6A patent/CN109480832A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130138009A1 (en) * | 2011-11-25 | 2013-05-30 | Persyst Development Corporation | Method And System For Displaying EEG Data |
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 (1)
Title |
---|
陈强,等: "基于独立向量分析的脑电信号中肌电伪迹的去除方法", 《电子与信息学报》 * |
Cited By (7)
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 |
CN110680317A (zh) * | 2019-10-15 | 2020-01-14 | 中国科学技术大学 | 基于独立向量分析的高密度表面肌电信号消噪方法 |
CN111631710A (zh) * | 2020-06-22 | 2020-09-08 | 中国科学技术大学 | 一种状态相关的动态脑电信号中肌电伪迹的消除方法 |
WO2022166401A1 (zh) * | 2021-02-05 | 2022-08-11 | 中国科学院深圳先进技术研究院 | 基于eemd-pca去除eeg信号中运动伪迹的方法及装置 |
CN115510692A (zh) * | 2022-11-09 | 2022-12-23 | 齐鲁工业大学 | 基于变分模态分解和二阶盲辨识的脑电信号伪迹去除方法 |
CN117292703A (zh) * | 2023-11-24 | 2023-12-26 | 国网辽宁省电力有限公司电力科学研究院 | 变电设备声源定位方法、装置、电子设备及存储介质 |
CN117292703B (zh) * | 2023-11-24 | 2024-03-15 | 国网辽宁省电力有限公司电力科学研究院 | 变电设备声源定位方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109480832A (zh) | 一种单通道的脑电信号中肌电伪迹的消除方法 | |
CN102697493B (zh) | 一种快速的脑电信号中眼电伪迹自动识别和去除的方法 | |
CN102835955B (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 | |
US7809433B2 (en) | Method and system for limiting interference in electroencephalographic signals | |
CN106805945B (zh) | 一种少数通道的脑电信号中肌电伪迹的消除方法 | |
CN104688220B (zh) | 一种去除脑电信号中眼电伪迹的方法 | |
Michelmann et al. | Data-driven re-referencing of intracranial EEG based on independent component analysis (ICA) | |
CN106236080B (zh) | 基于多通道的脑电信号中肌电噪声的消除方法 | |
CN105342605B (zh) | 一种去除脑电信号中肌电伪迹的方法 | |
CN103110418A (zh) | 一种脑电信号特征提取方法 | |
Liu et al. | Removal of EMG Artifacts from Multichannel EEG Signals Using Combined Singular Spectrum Analysis and Canonical Correlation Analysis. | |
CN109820503A (zh) | 单通道脑电信号中多种伪迹同步去除方法 | |
Abbaspour et al. | Evaluation of wavelet based methods in removing motion artifact from ECG signal | |
CN106264521A (zh) | 多通道脑电信号中下颌干扰的自动去除方法 | |
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 | |
CN112294340A (zh) | 快速自动去除肌电伪迹的方法、系统、存储介质及计算机设备 | |
CN105266804A (zh) | 一种基于低秩和稀疏矩阵分解的新型脑电信号处理方法 | |
Feng et al. | A Novel SSA-CCA Framework forMuscle Artifact Removal from Ambulatory EEG | |
CN116671932A (zh) | 一种基于小波及自适应滤波的抑郁症脑电信号提取方法 | |
CN116584960A (zh) | 一种膈肌肌电信号降噪方法 | |
Dhiman et al. | Artifact removal from eeg recordings–an overview | |
Zhang et al. | Multi-resolution dyadic wavelet denoising approach for extraction of visual evoked potentials in the brain | |
Singh et al. | Frequency band separation for epilepsy detection using EEG | |
Liberati et al. | Parametric method for the detection of inter-and intrasweep variability in VEP processing | |
Kalbhor et al. | The review of detection and classification of epilectic seizures using wavelet transform |
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 |