CN110269608B - 一种去除信号干扰的方法、装置以及可读存储介质 - Google Patents

一种去除信号干扰的方法、装置以及可读存储介质 Download PDF

Info

Publication number
CN110269608B
CN110269608B CN201910496640.9A CN201910496640A CN110269608B CN 110269608 B CN110269608 B CN 110269608B CN 201910496640 A CN201910496640 A CN 201910496640A CN 110269608 B CN110269608 B CN 110269608B
Authority
CN
China
Prior art keywords
signal
amplitude envelope
interference
low
corresponding time
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
Application number
CN201910496640.9A
Other languages
English (en)
Other versions
CN110269608A (zh
Inventor
郑元庄
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang Pearlcare Medical Technology Co ltd
Original Assignee
Zhejiang Pearlcare Medical Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang Pearlcare Medical Technology Co ltd filed Critical Zhejiang Pearlcare Medical Technology Co ltd
Priority to CN201910496640.9A priority Critical patent/CN110269608B/zh
Publication of CN110269608A publication Critical patent/CN110269608A/zh
Application granted granted Critical
Publication of CN110269608B publication Critical patent/CN110269608B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • A61B5/726—Details of waveform analysis characterised by using transforms using Wavelet transforms

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Surgery (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Veterinary Medicine (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Public Health (AREA)
  • Molecular Biology (AREA)
  • Physics & Mathematics (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Psychiatry (AREA)
  • Signal Processing (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)
  • Noise Elimination (AREA)

Abstract

本发明公开了一种去除信号干扰的方法、装置以及可读存储介质，该方法包括接收待去除干扰的信号；从所述信号中获取低频信号；按预定方式获取所述低频信号的振幅包络阈值；根据所述振幅包络阈值确定对应时间区间内的信号；将对应时间区间内的信号进行滤波得到无干扰信号，提供了一种准确可靠的去除信号中低频干扰的方法，解决了现有技术无法通过单通道的信号进行去除低频干扰的技术问题。

Description

一种去除信号干扰的方法、装置以及可读存储介质
技术领域
本发明涉及信号处理领域，尤其是指一种去除信号干扰的方法、装置以及可读存储介质。
背景技术
目前，信号处理领域中经常需要除去信号中的干扰。对于一些掺杂在低频信号中的干扰信号，比如在脑电信号中的眨眼伪迹干扰信号在单通道的条件下，现阶段还没有一种可靠准确的方法去除干扰。
脑电信号是一种极其复杂的信号，其包括了大量的生理与疾病信息，在临床医学和工程上都有广泛地应用。尤其在工程上，人们利用脑电信号以达到对人认知、感觉和运动的控制。
由于脑电信号具有微弱、随机性强、节律多样的特点，其中在采集过程中往往极易被各种无关噪声污染，从而形成各种EEG伪迹，如眨眼伪迹、眼动伪迹、心电伪迹、肌电伪迹、脉搏伪迹等等，其中眨眼伪迹是影响脑电信号质量的主要因素之一，尤其是前额通道的脑电信号受其干扰最大。因此，利用信号处理的方法来减少这种伪迹干扰是在进行脑电信号处理分析时必要的预先步骤。需要指出的是脑电信号中去除伪迹干扰只是本申请处理信号中的一种举例，并非是对本申请的限定。
所以发明人发现现有技术中至少存在如下问题，信号的低频干扰还没有一种可靠准确的去除方法，成为了亟待解决的技术问题。
发明内容
本申请提供了一种去除信号干扰的方法，其目的在于从待去除干扰的信号中去除低频信号中的干扰信号。
该方法包括：.
接收待去除干扰的信号；
从所述信号中获取低频信号；
按预定方式获取所述低频信号的振幅包络阈值；
根据所述振幅包络阈值确定对应时间区间内的信号；
将对应时间区间内的信号进行滤波得到无干扰信号。
可选地，所述从所述信号中获取低频信号包括：
利用小波变换对所述信号进行小波分解得到分解结果；
对所述分解结果按照预定规则进行置零处理得到所述低频信号。
可选地，所述根据所述振幅包络的阈值确定对应时间区间内的信号包括：
对所述低频信号进行希尔伯特变换得到振幅包络阈值；
根据所述振幅包络阈值确定所述信号中对应时间区间内的信号。
可选地，所述根据所述振幅包络阈值确定所述信号中对应时间区间内的信号步骤后，该方法还包括：
对每个对应时间区间内的信号进行小波阈值去噪和平滑滤波。
可选地，所述按预定方式获取所述低频信号的振幅包络阈值包括：
对所述低频信号进行希尔伯特变换得到振幅包络；
对所述振幅包络进行高斯平滑滤波去除野点得到平滑振幅包络；
根据所述平滑振幅包络的阈值确定得到所述振幅包络阈值。
可选地，所述根据所述振幅包络阈值确定对应时间区间内的信号包括：
将所述信号中两个相邻大于所述振幅包络阈值的时间节点作为开始时间节点和结束时间节点分别记为t1和t2；
将所述开始时间节点和所述结束时间节点分别进行扩展，记为t1-k1和t2+k2，其中，k1和k2为预设值；
将扩展后所述开始时间节点和所述结束时间节点之间的时间段作为所述对应时间区间。
可选地，将扩展后所述开始时间节点和所述结束时间节点之间的时间段作为所述对应时间区间步骤后，该方法还包括：
对所述对应时间区间内的信号进行加窗处理。
本申请还提供了一种去除信号干扰的装置，该装置包括：
接收模块，用于接收待去除干扰的信号；
信号获取模块，用于从所述信号中获取低频信号；
阈值获取模块，用于按预定方式获取所述低频信号的振幅包络阈值；
确定模块，用于根据所述振幅包络阈值确定对应时间区间内的信号；
滤波模块，用于将对应时间区间内的信号进行滤波得到无干扰信号。
本申请还提供了一种去除信号干扰的装置，所述装置包括：处理器和存储器；
所述存储器中存储有可被所述处理器执行的应用程序，用于使得所述处理器执行所述的去除信号干扰的方法的步骤。
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现所述的去除信号干扰的方法的步骤。
如上可见，基于上述实施例，采用低频信号振幅包络的局部极大值来确定干扰信号的对应时间区间，再通过小波和自适应滤波的相结合的方法对去除干扰信号，在无需参考EOG通道和多通道EEG的情况下，能够精确地识别干扰信号，并能够有效地对干扰信号进行去除，同时确保信号的信息进行最大程度的保留的技术问题。
附图说明
图1为本发明一实施例中去除信号干扰的方法的流程100示意图；
图2为本发明低频信号的波形示意图；
图3为本发明低频信号的振幅包络波形示意图；
图4为本发明振幅包络局部极大值的分布示意图；
图5为本发明中待去除干扰信号的波形示意图；
图6为本发明中干扰信号的波形示意图；
图7为本发明中无干扰信号的波形示意图；
图8为本发明中去除干扰信号后与待去除干扰的信号相干性的示意图；
图9为本发明一实施例中去除信号干扰的方法的流程200示意图；
图10为本发明一实施例中去除信号干扰的方法的流程300示意图；
图11为本发明一实施例中去除信号干扰的方法的流程400示意图；
图12为本发明一实施例中去除信号干扰的装置的架构示意图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白，以下参照附图并举实施例，对本发明进一步详细说明。
以下以脑电信号中眨眼伪迹信号的干扰去除为例进行进一步的描述，但本申请的方法不限于脑电信号中眨眼伪迹信号的去除。
对于脑电信号中眨眼伪迹去除可以通过多通道或者参考EOG信号来完成，但是在采集过程中往往采用单通道方式，单通道方式无法获取EOG的参考信号。
相对于正常的脑电信号，眨眼伪迹在波形上具有频带低、幅值高、时间有限等特点。本申请对于有以上特点的干扰信号均可以进行有效的去除。
可以将工程上具有上述特点的信号简单表示为：
S(n)＝xeeg(n)+xblink(n)+xnoise(n)
图1为本申请一实施例中去除信号干扰的方法的流程100示意图。如图1所示，在一实施例中，本申请提供了一种去除信号干扰的方法，该方法包括：
S101，接收待去除干扰的信号；
在本步骤中接收待去除干扰的信号，可以通过信号采集装置实现。
S102，从所述信号中获取低频信号；
通过上述接收的信号获取该信号中的低频信号，因为正如前文的举例眨眼伪迹在波形上具有频带低的实际特点。
S103，按预定方式获取所述低频信号的振幅包络阈值；
图2为本发明低频信号的波形示意图，图3为本发明低频信号的振幅包络波形示意图，图4为本发明振幅包络局部极大值的分布示意图。如图2和图3，以及图4所示，在本步骤中通过比如希尔伯特变换等方式，获取低频信号中的振幅包络阈值。比如获取振幅包络的最大极值。
比如，可以根据以下公式进行计算：
Ek＝e(k)
Figure BDA0002088825170000041
满足
Figure BDA0002088825170000042
需要指出的是公式中阈值T根据局部极大值的拟合分布确定，即T取局部极大值拟合分布的第一个局部极小值。
S104，根据所述振幅包络阈值确定对应时间区间内的信号；
在本步骤中提供了一种通过振幅包络的阈值确定干扰信号对应时间区间的方式。
S105，将对应时间区间内的信号进行滤波得到无干扰信号。
对确定出来的干扰信号对应时间区间进行滤波后，信号则被去除了其中具有干扰信号部分，得到无干扰信号，即为最终想得到的信号。
图5为本发明中待去除干扰信号的波形示意图，图6为本发明中干扰信号的波形示意图，图7为本发明中无干扰信号的波形示意图，图8为本发明中去除干扰信号后与待去除干扰的信号相干性的示意图。如图5和图6，以及图7和图8，在本实施例中，首先接收待去除干扰的信号，然后从信号中获取低频信号，增加对其中干扰信号滤波的针对性，然后对低频信号进行对应的处理得到振幅包络阈值，根据振幅包络阈值确定找到干扰信号对应的时间区间，最后将该时间区间中的信号进行滤波完成干扰信号的去除，得到无干扰信号。需要指出的是其中将该时间区间中的信号进行滤波可采用自适应滤波的方式。
图9为本申请一实施例中去除信号干扰的方法的流程200示意图。如图9所示，在一实施例中，所述从所述信号中获取低频信号包括：
S201，利用小波变换对所述信号进行小波分解得到分解结果；
本步骤提供了一种对信号进行小波分解的具体实施方式，作为提取低频信号的基础。需要指出的是分解结果是指两个要素，即尺度和小波系数。
S202，对所述分解结果按照预定规则进行置零处理得到所述低频信号。
本步骤中通过对小尺度(比如1至4层)的小波系数进行置零处理，得到低频信号。比如，小波分解层数为4，小波基函数为coif3。
在本实施例中，通过小波分解的方式得到信号中的低频信号。
在一实施例中，所述根据所述振幅包络的阈值确定对应时间区间内的信号包括：
对所述低频信号进行希尔伯特变换得到振幅包络阈值；
在本步骤中提供了一种得到振幅包络阈值的具体方法，即希尔伯特变换。
根据所述振幅包络阈值确定所述信号中对应时间区间内的信号。
在本步骤中根据振幅包络阈值，比如振幅包络的最大阈值确定信号中干扰信号对应的时间区间，将该时间区间内的信号作为干扰信号。
在本步骤中提供了一种得到振幅包络阈值的具体方法，进而根据振幅包络值确定信号中的对应时间区间内的信号，将该对应时间区间内的信号作为干扰信号，进行后续的去除。
在一实施例中，所述根据所述振幅包络阈值确定所述信号中对应时间区间内的信号步骤后，该方法还包括：
对每个对应时间区间内的信号进行小波阈值去噪和平滑滤波。
本实施例中提供了一种对时间区间内的信号进行去燥和平滑滤波的具体步骤，以作为最后去除干扰信号自适应滤波前的预处理。
图10为本申请一实施例中去除信号干扰的方法的流程300示意图。如图10所示，在一实施例中，所述按预定方式获取所述低频信号的振幅包络阈值包括：
S301，对所述低频信号进行希尔伯特变换得到振幅包络；
本步骤中提供了一种计算振幅包络的具体方式，此时，只获取振幅包络，而非像之前实施例中提到的阈值。
S302，对所述振幅包络进行高斯平滑滤波去除野点得到平滑振幅包络；
本步骤中提供了一种通过高斯平滑滤波去除野点，最终得到平滑振幅包络的具体方式。
S303，确定所述平滑振幅包络的阈值得到所述振幅包络阈值。
本步骤利用平滑振幅包络的阈值作为振幅包络阈值，进行之后的去除干扰步骤。
在本实施例中通过高斯平滑滤波去除野点，以使后续的结果更加准确可靠。
图11为本申请一实施例中去除信号干扰的方法的流程400示意图。如图11所示，在一实施例中，所述根据所述振幅包络阈值确定对应时间区间内的信号包括：
S401，将所述信号中两个相邻大于所述振幅包络阈值的时间节点作为开始时间节点和结束时间节点分别记为t1和t2；
本步骤提供了一种提取对应时间区间的时间节点获取方法。具体来说，比如振幅包络阈值采用极大值E来表示，当信号的振幅第一次等于E值时，将该点作为开始时间节点，相对地，当信号的振幅第二次等于E值时，将该点作为结束时间节点，并将开始时间节点和结束世界节点分别记为t1和t2。
S402，将所述开始时间节点和所述结束时间节点分别进行扩展，记为t1-k1和t2+k2，其中，k1和k2为预设值；
本步骤中将上述的开始时间节点和结束时间节点向时间轴的两端进行扩展，k1和k2为人为设置一个预设值，当然k1和k2可以均取值为k，以简化后续计算。
S403，将扩展后所述开始时间节点和所述结束时间节点之间的时间段作为所述对应时间区间。
本步骤中将已经扩展的时间段作为对应时间区间，对该时间段进行滤波。
本实施方式提供了一种对信号边界的处理方式，在开始时间节点和结束时间节点分别向时间轴的两侧进行扩展，对扩展后的对应时间区间进行后续处理。
在一实施例中，将扩展后所述开始时间节点和所述结束时间节点之间的时间段作为所述对应时间区间步骤后，该方法还包括：
对所述对应时间区间内的信号进行加窗处理。
在本实施例中，考虑到眨眼伪迹去除后脑电信号端点的可能形成间断点，这里对眨眼信号进行加窗处理。我们选择的窗函数为tukey窗，以保证窗函数对估计的眨眼信号的影响最小，其方程如下：
Figure BDA0002088825170000061
其中，r＝0.25
最终，将进行上述处理的信号输入自适应滤波器，利用RLS算法通过逐步迭代得到最佳的滤波系数，最终将干扰信号从信号中移去，从而得到无干扰信号。
采用低频信号振幅包络的局部极大值来确定干扰信号的对应时间区间，再通过小波和自适应滤波的相结合的方法对去除干扰信号，在无需参考EOG通道和多通道EEG的情况下，能够精确地识别干扰信号，并能够有效地对干扰信号进行去除，同时确保信号的信息进行最大程度的保留。
图12为本申请一实施例中去除信号干扰的装置的架构示意图。如图12所示，在一实施例中，本申请还提供了一种去除信号干扰的装置，该装置包括：
接收模块101，用于接收待去除干扰的信号；
信号获取模块102，用于从所述信号中获取低频信号；
阈值获取模块103，用于按预定方式获取所述低频信号的振幅包络阈值；
确定模块104，用于根据所述振幅包络阈值确定对应时间区间内的信号；
滤波模块105，用于将对应时间区间内的信号进行滤波得到无干扰信号。
在一实施例中，本申请还提供了一种去除信号干扰的装置，所述装置包括：处理器和存储器；
所述存储器中存储有可被所述处理器执行的应用程序，用于使得所述处理器执行任一项所述的去除信号干扰的方法的步骤。
在一实施例中，一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现所述的去除信号干扰的方法的步骤。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。

Claims (9)

1.一种去除信号干扰的方法，其特征在于，该方法包括：
接收待去除干扰的信号；
从所述信号中获取低频信号；
按预定方式获取所述低频信号的振幅包络阈值；
根据所述振幅包络阈值确定对应时间区间内的信号；
将对应时间区间内的信号进行滤波得到无干扰信号；
其中，所述从所述信号中获取低频信号包括：
利用小波变换对所述信号进行小波分解得到分解结果；
对所述分解结果按照预定规则进行置零处理得到所述低频信号。
2.根据权利要求1所述的去除信号干扰的方法，其特征在于，所述根据所述振幅包络的阈值确定对应时间区间内的信号包括：
对所述低频信号进行希尔伯特变换得到振幅包络阈值；
根据所述振幅包络阈值确定所述信号中对应时间区间内的信号。
3.根据权利要求2所述的去除信号干扰的方法，其特征在于，所述根据所述振幅包络阈值确定所述信号中对应时间区间内的信号步骤后，该方法还包括：
对每个对应时间区间内的信号进行小波阈值去噪和平滑滤波。
4.根据权利要求1所述的去除信号干扰的方法，其特征在于，所述按预定方式获取所述低频信号的振幅包络阈值包括：
对所述低频信号进行希尔伯特变换得到振幅包络；
对所述振幅包络进行高斯平滑滤波去除野点得到平滑振幅包络；
根据所述平滑振幅包络的阈值确定得到所述振幅包络阈值。
5.根据权利要求4所述的去除信号干扰的方法，其特征在于，所述根据所述振幅包络阈值确定对应时间区间内的信号包括：
将所述信号中两个相邻大于所述振幅包络阈值的时间节点作为开始时间节点和结束时间节点分别记为t1和t2；
将所述开始时间节点和所述结束时间节点分别进行扩展，记为t1-k1和t2+k2，其中，k1和k2为预设值；
将扩展后所述开始时间节点和所述结束时间节点之间的时间段作为所述对应时间区间。
6.根据权利要求5所述的去除信号干扰的方法，其特征在于，将扩展后所述开始时间节点和所述结束时间节点之间的时间段作为所述对应时间区间步骤后，该方法还包括：
对所述对应时间区间内的信号进行加窗处理。
7.一种去除信号干扰的装置，其特征在于，该装置包括：
接收模块，用于接收待去除干扰的信号；
信号获取模块，用于从所述信号中获取低频信号；
阈值获取模块，用于按预定方式获取所述低频信号的振幅包络阈值；
确定模块，用于根据所述振幅包络阈值确定对应时间区间内的信号；
滤波模块，用于将对应时间区间内的信号进行滤波得到无干扰信号；
所述信号获取模块，具体用于利用小波变换对所述信号进行小波分解得到分解结果；
对所述分解结果按照预定规则进行置零处理得到所述低频信号。
8.一种去除信号干扰的装置，其特征在于，所述装置包括：处理器和存储器；
所述存储器中存储有可被所述处理器执行的应用程序，用于使得所述处理器执行如权利要求1至6中任一项所述的去除信号干扰的方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1至6任一项所述的去除信号干扰的方法的步骤。
CN201910496640.9A 2019-06-10 2019-06-10 一种去除信号干扰的方法、装置以及可读存储介质 Active CN110269608B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910496640.9A CN110269608B (zh) 2019-06-10 2019-06-10 一种去除信号干扰的方法、装置以及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910496640.9A CN110269608B (zh) 2019-06-10 2019-06-10 一种去除信号干扰的方法、装置以及可读存储介质

Publications (2)

Publication Number Publication Date
CN110269608A CN110269608A (zh) 2019-09-24
CN110269608B true CN110269608B (zh) 2022-02-25

Family

ID=67960591

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910496640.9A Active CN110269608B (zh) 2019-06-10 2019-06-10 一种去除信号干扰的方法、装置以及可读存储介质

Country Status (1)

Country Link
CN (1) CN110269608B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110742583A (zh) * 2019-10-09 2020-02-04 南京沃福曼医疗科技有限公司 一种导管偏振敏感光学相干层析成像解调用光谱整形方法
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

Citations (2)

* Cited by examiner, † Cited by third party
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
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

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7702502B2 (en) * 2005-02-23 2010-04-20 Digital Intelligence, L.L.C. Apparatus for signal decomposition, analysis and reconstruction

Patent Citations (2)

* Cited by examiner, † Cited by third party
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
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

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
单通道脑电信号中眼电干扰的自动分离方法;吴明权 等;《电子与信息学报》;20150228;第367-372页 *

Also Published As

Publication number Publication date
CN110269608A (zh) 2019-09-24

Similar Documents

Publication Publication Date Title
Smital et al. Adaptive wavelet wiener filtering of ECG signals
Bajaj et al. Automatic and tunable algorithm for EEG artifact removal using wavelet decomposition with applications in predictive modeling during auditory tasks
Sameni et al. A nonlinear Bayesian filtering framework for ECG denoising
Luo et al. A hierarchical method for removal of baseline drift from biomedical signals: application in ECG analysis
Jafarifarmand et al. Real-time ocular artifacts removal of EEG data using a hybrid ICA-ANC approach
CN110353672B (zh) 一种脑电信号中眼部伪迹去除系统及去除方法
CN109359506B (zh) 一种基于小波变换的心磁信号降噪方法
Sameni et al. An iterative subspace denoising algorithm for removing electroencephalogram ocular artifacts
CN110269608B (zh) 一种去除信号干扰的方法、装置以及可读存储介质
Khatun et al. Comparative analysis of wavelet based approaches for reliable removal of ocular artifacts from single channel EEG
Singh et al. ECG signal denoising based on empirical mode decomposition and moving average filter
Shahbakhti et al. SWT-kurtosis based algorithm for elimination of electrical shift and linear trend from EEG signals
Uthayakumar et al. Multifractal-wavelet based denoising in the classification of healthy and epileptic EEG signals
Torres et al. Heal-T: an efficient PPG-based heart-rate and IBI estimation method during physical exercise
Lin et al. Removal of power line interference in EEG signals with spike noise based on robust adaptive filter
TWI487503B (zh) 自動睡眠分期裝置
Heydari et al. Adaptive wavelet technique for EEG de-noising
CN113040784B (zh) 一种心电信号的肌电噪声滤波方法
Pacola et al. The wavelet transform border effect in EEG spike signals
Malhotra et al. Electrocardiogram signals denoising using improved variational mode decomposition
Malan et al. Removal of Ocular Atrifacts from Single Channel EEG Signal Using DTCWT with Quantum Inspired Adaptive Threshold
Janjarasjitt et al. Examination of scale-invariant characteristics of epileptic electroencephalograms using wavelet-based analysis
AL-Jobouri et al. From biomedical signal processing techniques to fMRI parcellation
Chen et al. Kalman filter based electromyographic signal suppression of real-time ECG signal
Srinivasulu et al. Basis pursuit sparse decomposition using tunable-Q wavelet transform (BPSD-TQWT) for denoising of electrocardiograms

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