CN110464345A - 一种独立头部生物电源信号干扰剔除方法及系统 - Google Patents
一种独立头部生物电源信号干扰剔除方法及系统 Download PDFInfo
- Publication number
- CN110464345A CN110464345A CN201910777324.9A CN201910777324A CN110464345A CN 110464345 A CN110464345 A CN 110464345A CN 201910777324 A CN201910777324 A CN 201910777324A CN 110464345 A CN110464345 A CN 110464345A
- Authority
- CN
- China
- Prior art keywords
- signal
- separate head
- power signal
- brain electricity
- head bioelectrical
- 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.)
- Granted
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
-
- 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
- A61B5/7257—Details of waveform analysis characterised by using transforms using Fourier transforms
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Psychiatry (AREA)
- Animal Behavior & Ethology (AREA)
- Pathology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Mathematical Physics (AREA)
- Psychology (AREA)
- Power Engineering (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开一种独立头部生物电源信号干扰剔除方法及系统,所述方法包括:获取脑电混合信号;对脑电混合信号进行滤波处理;采用矩阵分解法进行盲源分离;再进行波段划分,得到划分的不同波段的独立头部生物电源信号;求取按照不同波段划分的独立头部生物电源信号的信息增益;选取信息增益最大的对应波段划分的独立头部生物电源信号作为干扰剔除后的脑电信号。本发明计算按照不同波段划分独立头部生物电源信号的信息增益,由信息增益的大小反映出信息的重要度,信息增益越大,表示信号受到干扰越小,通过选取信息增益最大的对应波段划分的独立头部生物电源信号作为干扰剔除后的脑电信号,有效提升脑电信号提取的准确度。
Description
技术领域
本发明涉及信息技术领域,特别是涉及一种独立头部生物电源信号干扰剔除方法及系统。
背景技术
脑电波是一种复杂程度高的综合信号,混合了头部可以检测到的所有生物电信号,包括脑电、眼电和肌肉等多种信号。若直接对采集到的脑电波进行人体状态分析,脑电波中含有的眼电和肌肉等其他生物电信号会对处理过程产生干扰,导致结果不能明显表现人体状态。
目前,处理脑电波数据,消除眼电干扰常用的方法有两种,手动去除和自动去除。其中手动去除眼电干扰是根据工作人员的经验进行删除,存在很大主观性,使得到的脑电波数据准确性较低;自动去除眼电干扰的方法是依据计算机程序自动进行,而为了有效去除眼电干扰信息,自动去除过程中,一般会删除较多的信号,导致在删除眼电干扰信号的同时也删除了有用的脑电信号,使提取的有效信息不全,得到的脑电波数据也不够准确。
发明内容
本发明的目的是提供一种独立头部生物电源信号干扰剔除方法及系统,提高脑电信号提取的准确度。
为实现上述目的,本发明提供了如下方案:
一种独立头部生物电源信号干扰剔除方法,所述方法包括:
获取脑电混合信号;
对所述脑电混合信号进行滤波处理,得到处理后的脑电混合信号;
采用矩阵分解法对所述处理后的脑电混合信号进行盲源分离,得到独立头部生物电源信号;
对所述独立头部生物电源信号进行波段划分,得到划分的不同波段的独立头部生物电源信号;
分别求取按照不同波段划分的所述独立头部生物电源信号的信息增益;所述信息增益为按照预设波段划分所述独立头部生物电源信号前后的熵的差值;
选取信息增益最大的对应波段划分的所述独立头部生物电源信号作为干扰剔除后的脑电信号。
可选的,所述对所述脑电混合信号进行滤波处理,得到处理后的脑电混合信号具体包括:
对所述脑电混合信号进行带通滤波处理,得到所述处理后的脑电混合信号,所述带通滤波的频率为1-30Hz。
可选的,所述采用矩阵分解法对所述处理后的脑电混合信号进行盲源分离,得到独立头部生物电源信号具体包括:
根据公式X(t)=AS(t)将处理后的脑电混合信号源X(t)分解为独立估计源信号S(t),其中A为混合矩阵且A-1=W,W为分离矩阵,t表示获取脑电混合信号的采样时间点;
根据公式得到分离矩阵W的最大似然估计,其中n为处理后的脑电混合信号点数,ps(wi(t))表示S(t)的概率密度,S(t)为独立估计源信号。
可选的,所述对所述独立头部生物电源信号进行波段划分,得到划分的不同波段的独立头部生物电源信号具体包括:
对所述独立头部生物电源信号进行分段处理,得到若干个分段信号;
分别对各所述分段信号进行傅里叶变换,得到若干个频域分段信号;
分别将各所述频域分段信号根据频段划分为δ、θ、α和β四种波段的信号波,其中δ表示频率为1-3Hz的信号波、θ表示频率为4-7Hz的信号波、α表示频率为8-13Hz的信号波、β表示频率为14-30Hz的信号波。
可选的,所述对所述独立头部生物电源信号进行分段处理,得到若干个分段信号具体包括:
将所述独立头部生物电源信号以设定长度进行等分;
以每个等分点作为起始端点,以所选等分点之后的第二个等分点作为对应的终止端点,截取起始端点和对应的终止端点之间的独立头部生物电源信号作为分段信号。
可选的,所述分别对各所述分段信号进行傅里叶变换,得到若干个频域分段信号具体包括:
根据公式分别对各所述分段信号进行傅里叶变换,得到若干个频域分段信号,其中f(t)代表分段信号,t表示获取脑电混合信号的采样时间点;
可选的,所述分别求取按照不同波段划分所述独立头部生物电源信号的信息增益具体包括:
根据公式分别计算各波段划分所述独立头部生物电源信号之前的熵,其中,D为划分的总波段数,k为波段类别,K为划分的波段总数,|Ck|为波段类别为k的波段数;
根据公式H(D|k)=-P(D|k)log2P(D|k)分别计算各波段划分所述独立头部生物电源信号之后的熵,其中P(D|k)为以k波段正确划分所述独立头部生物电源信号的概率;
根据公式g(D,A)=H(D)-H(D|A)分别计算各波段划分所述独立头部生物电源信号之后的信息增益。
一种独立头部生物电源信号干扰剔除系统,
所述系统包括:
脑电混合信号获取模块,用于获取脑电混合信号;
滤波模块,用于对所述脑电混合信号进行滤波处理,得到处理后的脑电混合信号;
盲源分离模块,用于采用矩阵分解法对所述处理后的脑电混合信号进行盲源分离,得到独立头部生物电源信号;
波段划分模块,用于对所述独立头部生物电源信号进行波段划分,得到划分的不同波段的独立头部生物电源信号;
信息增益求取模块,用于分别求取按照不同波段划分的所述独立头部生物电源信号的信息增益;所述信息增益为按照预设波段划分所述独立头部生物电源信号前后的熵的差值;
脑电信号选择模块,用于选取信息增益最大的对应波段划分的所述独立头部生物电源信号作为干扰剔除后的脑电信号。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明的独立头部生物电源信号干扰剔除方法包括:获取脑电混合信号,对脑电混合信号进行滤波处理,再采用矩阵分解法对处理后的脑电混合信号进行盲源分离,得到独立头部生物电源信号,再对独立头部生物电源信号进行波段划分,再分别求取按照不同波段划分独立头部生物电源信号的信息增益,选取信息增益最大的对应波段划分的独立头部电源信号作为干扰剔除后的脑电信号。
即本发明的独立头部生物电源信号干扰剔除过程中,包括计算按照不同波段划分独立头部生物电源信号的信息增益,而信息增益的大小能够反映出信息的重要度,信息增益越大,表示信号受到干扰越小,通过选取信息增益最大的对应波段划分的独立头部生物电源信号作为干扰剔除后的脑电信号,有效提升脑电信号提取的准确度。
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,下面描述中的附图仅仅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为本发明实施例提供的独立头部生物电源信号干扰剔除方法流程图;
图2为本发明实施例提供的独立头部生物电源信号干扰剔除系统结构图。
具体实施方式
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、完整地描述,显然,所描述的实施例仅仅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做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。
本发明的目的是提供一种独立头部生物电源信号干扰剔除方法及系统,提高脑电信号提取的准确度。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明实施例提供的独立头部生物电源信号干扰剔除方法流程图,如图1所示,一种独立头部生物电源信号干扰剔除方法,所述方法包括:
S101:获取脑电混合信号;
S102:对所述脑电混合信号进行滤波处理,得到处理后的脑电混合信号;
S103:采用矩阵分解法对所述处理后的脑电混合信号进行盲源分离,得到独立头部生物电源信号;
S104:对所述独立头部生物电源信号进行波段划分,得到划分的不同波段的独立头部生物电源信号;
S105:分别求取按照不同波段划分的所述独立头部生物电源信号的信息增益;所述信息增益为按照预设波段划分所述独立头部生物电源信号前后的熵的差值;
S106:选取信息增益最大的对应波段划分的所述独立头部生物电源信号作为干扰剔除后的脑电信号。
本实施例在上述步骤S101:获取脑电混合信号中,采用DSI-24可穿戴传感脑电系统自带的软件采集32个电极点的脑电数据,将其中两个电极设置为参考电极,分别设置在左右耳后乳突处,其余电极均设置为作用电极,得到的脑电混合信号就是作用电极与参考电极的差值。
上述步骤S102:对所述脑电混合信号进行滤波处理,得到处理后的脑电混合信号具体包括:对所述脑电混合信号进行带通滤波处理,得到所述处理后的脑电混合信号,所述带通滤波的频率为1-30Hz。
上述步骤S103:采用矩阵分解法对所述处理后的脑电混合信号进行盲源分离,得到独立头部生物电源信号具体包括:
根据公式X(t)=AS(t)将处理后的脑电混合信号源X(t)分解为独立估计源信号S(t),其中A为混合矩阵且A-1=W,W为分离矩阵,t表示获取脑电混合信号的采样时间点;
根据公式得到分离矩阵W的最大似然估计,其中n为处理后的脑电混合信号点数,ps(wi(t))表示S(t)的概率密度,S(t)为独立估计源信号。
具体地,本实施例中对所述处理后的脑电混合信号进行盲源分离,得到独立头部生物电源信号依据的原理是:基于线性变换,用矩阵分解的方法将未知信号源分解为独立的估计源信号S(t),计算模型为:X(t)=AS(t),其中,S(t)=[s1,s2,...,sm]为估计源信号,且每一个成分相互独立,m为独立估计源的个数,X(t)为采集到的脑电波信号,A为混合矩阵。设混合矩阵A的逆矩阵W=A-1是混合的逆向过程,那么找到W就可以得到独立估计源S(t)。
设S(t)可以通过密度函数ps给出,则联合分布p(s)为:
通过在建模中将联合分布拆解为边界分布的乘积,就能得出每个估计源都是独立的假设,利用公式:px(x)=ps(Wx)·|W|
表明对数X(t)=AS(t)=W-1S(t)的概率密度为:
W是模型中的参数,给定X(t),则对数似然函数为:
n为观测数据的数量,最大化似然函数就可以得到参数W的最佳估计,从而得到S(t),ps(wi(t))表示S(t)的概率密度。
上述步骤S104:对所述独立头部生物电源信号进行波段划分,得到划分的不同波段的独立头部生物电源信号具体包括:
对所述独立头部生物电源信号进行分段处理,得到若干个分段信号;
分别对各所述分段信号进行傅里叶变换,得到若干个频域分段信号;
分别将各所述频域分段信号根据频段划分为δ、θ、α和β四种波段的信号波,其中δ表示频率为1-3Hz的信号波、θ表示频率为4-7Hz的信号波、α表示频率为8-13Hz的信号波、β表示频率为14-30Hz的信号波。
所述对所述独立头部生物电源信号进行分段处理,得到若干个分段信号具体包括:
将所述独立头部生物电源信号以设定长度进行等分;
以每个等分点作为起始端点,以所选等分点之后的第二个等分点作为对应的终止端点,截取起始端点和对应的终止端点之间的独立头部生物电源信号作为分段信号。
所述分别对各所述分段信号进行傅里叶变换,得到若干个频域分段信号具体包括:
根据公式分别对各所述分段信号进行傅里叶变换,得到若干个频域分段信号,其中f(t)代表分段信号,t表示获取脑电混合信号的采样时间点;
具体的,本实施例中,依次对独立头部生物电源信号进行分段处理、傅里叶(FFT)转换、功率谱估计和能量计算,得到相应特征值。进行分段处理时,为了把时域上的脑电信号看作是准平稳的,设定每一个片段的时间长度为1s(即1000个采样点)且相邻片段重叠一半的数据(即500个采样点),每一个片段用f(t)表示,即每一个片段就是一个样本。
对每个样本进行FFT转换,得到频域样本,用F(n)表示,公式为:
之后,计算F(n)的功率谱密度P(n),公式为:
其中,F*(n)是F(n)的共轭,N是信号长度。
根据频段分布,独立头部生物电源信号可以分为δ(1-3Hz)、θ(4-7Hz)、α(8-13Hz)、β(14-30Hz)四种波,对每个P(n)计算其能量特征,计算公式如下:
其中,Pfreq指一定频率值下的功率谱密度值。
上述步骤S105:分别求取按照不同波段划分所述独立头部生物电源信号的信息增益具体包括:
根据公式分别计算各波段划分所述独立头部生物电源信号之前的熵,其中,D为划分的总波段数,k为波段类别,K为划分的波段总数,|Ck|为波段类别为k的波段数;
根据公式H(D|k)=-P(D|k)log2P(D|k)分别计算各波段划分所述独立头部生物电源信号之后的熵,其中P(D|k)为以k波段正确划分所述独立头部生物电源信号的概率;
根据公式g(D,A)=H(D)-H(D|A)分别计算各波段划分所述独立头部生物电源信号之后的信息增益。
本实施例中,信息增益指以某个特征划分所有样本前后的熵的差值。划分前计算样本集合的熵,公式为:
其中,D为样本集合,k为样本类别,为每个类别的概率,|Ck|为类别k的样本个数,|D|为样本总数。
以某个特征划分样本后,再计算其熵,信息增益为划分前的熵减去划分后的熵。公式为:
g(D,A)=H(D)-H(D|A)
其中,H(D|A)为以A特征划分后的熵,计算公式为:
H(D|A)=-P(D|A)log2P(D|A)
P(D|A)为以A为特征正确划分样本的概率。
计算使用所有能量特征划分数据集D,得到多个能量特征划分数据集D的信息增益,信息增益越大则划分越准确,即重要度越靠前。
对排序后的能量特征进行选取,选择重要度靠前的能量特征,本实施例中选择信息增益最大的对应波段,再用支持向量机(Support Vector Machine,SVM)算法分类。SVM是通过找到几何间隔最大的超平面对数据进行划分的算法,公式为:
s.t.yi(wTxi+b)≥1,i=1,2,3...,n
其中,w为超平面法向量,b为位移,yi为样本(重要度靠前的能量特征)标签,xi为样本,i为样本数量。
实施例中采集人体静息和负荷状态下脑电波信号,处理后选择重要度靠前的能量特征进行分类,结果表明本发明的方法可以很好区分人体静息和负荷状态。
本发明还提供一种独立头部生物电源信号干扰剔除系统,如图2所示,所述系统包括:
脑电混合信号获取模块1,用于获取脑电混合信号;
滤波模块2,用于对所述脑电混合信号进行滤波处理,得到处理后的脑电混合信号;
盲源分离模块3,用于采用矩阵分解法对所述处理后的脑电混合信号进行盲源分离,得到独立头部生物电源信号;
波段划分模块4,用于对所述独立头部生物电源信号进行波段划分,得到划分的不同波段的独立头部生物电源信号;
信息增益求取模块5,用于分别求取按照不同波段划分的所述独立头部生物电源信号的信息增益;所述信息增益为按照预设波段划分所述独立头部生物电源信号前后的熵的差值;
脑电信号选择模块6,用于选取信息增益最大的对应波段划分的所述独立头部生物电源信号作为干扰剔除后的脑电信号。
本发明的独立头部生物电源信号干扰剔除方法及系统,利用盲源分离方法得到头部独立生物电源信号;利用信息增益的方法对特征重要度排序并选取重要度靠前的特征,可以高效准确的剔除干扰信号,
因为信息增益可以计算不同特征单独分类的重要度,经过排序后的特征,重要度越靠前的特征,含有的干扰信号越少,直接用重要度最大的特征进行分类,就能够达到干扰剔除的目的。
对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种独立头部生物电源信号干扰剔除方法,其特征在于,
所述方法包括:
获取脑电混合信号;
对所述脑电混合信号进行滤波处理,得到处理后的脑电混合信号;
采用矩阵分解法对所述处理后的脑电混合信号进行盲源分离,得到独立头部生物电源信号;
对所述独立头部生物电源信号进行波段划分,得到划分的不同波段的独立头部生物电源信号;
分别求取按照不同波段划分的所述独立头部生物电源信号的信息增益;所述信息增益为按照预设波段划分所述独立头部生物电源信号前后的熵的差值;
选取信息增益最大的对应波段划分的所述独立头部生物电源信号作为干扰剔除后的脑电信号。
2.根据权利要求1所述的一种独立头部生物电源信号干扰剔除方法,其特征在于,所述对所述脑电混合信号进行滤波处理,得到处理后的脑电混合信号具体包括:
对所述脑电混合信号进行带通滤波处理,得到所述处理后的脑电混合信号,所述带通滤波的频率为1-30Hz。
3.根据权利要求1所述的一种独立头部生物电源信号干扰剔除方法,其特征在于,
所述采用矩阵分解法对所述处理后的脑电混合信号进行盲源分离,得到独立头部生物电源信号具体包括:
根据公式X(t)=AS(t)将处理后的脑电混合信号源X(t)分解为独立估计源信号S(t),其中A为混合矩阵且A-1=W,W为分离矩阵,t表示获取脑电混合信号的采样时间点;
根据公式得到分离矩阵W的最大似然估计,其中n为处理后的脑电混合信号点数,ps(wi(t))表示S(t)的概率密度,S(t)为独立估计源信号。
4.根据权利要求1所述的一种独立头部生物电源信号干扰剔除方法,其特征在于,
所述对所述独立头部生物电源信号进行波段划分,得到划分的不同波段的独立头部生物电源信号具体包括:
对所述独立头部生物电源信号进行分段处理,得到若干个分段信号;
分别对各所述分段信号进行傅里叶变换,得到若干个频域分段信号;
分别将各所述频域分段信号根据频段划分为δ、θ、α和β四种波段的信号波,其中δ表示频率为1-3Hz的信号波、θ表示频率为4-7Hz的信号波、α表示频率为8-13Hz的信号波、β表示频率为14-30Hz的信号波。
5.根据权利要求4所述的一种独立头部生物电源信号干扰剔除方法,其特征在于,
所述对所述独立头部生物电源信号进行分段处理,得到若干个分段信号具体包括:
将所述独立头部生物电源信号以设定长度进行等分;
以每个等分点作为起始端点,以所选等分点之后的第二个等分点作为对应的终止端点,截取起始端点和对应的终止端点之间的独立头部生物电源信号作为分段信号。
6.根据权利要求4所述的一种独立头部生物电源信号干扰剔除方法,其特征在于,
所述分别对各所述分段信号进行傅里叶变换,得到若干个频域分段信号具体包括:
根据公式分别对各所述分段信号进行傅里叶变换,得到若干个频域分段信号,其中f(t)表示任意一段分段信号,t表示获取脑电混合信号的采样时间点。
7.根据权利要求1所述的一种独立头部生物电源信号干扰剔除方法,其特征在于,
所述分别求取按照不同波段划分所述独立头部生物电源信号的信息增益具体包括:
根据公式分别计算各波段划分所述独立头部生物电源信号之前的熵,其中,D为划分的总波段数,k为波段类别,K为划分的波段总数,|Ck|为波段类别为k的波段数;
根据公式H(D|k)=-P(D|k)log2P(D|k)分别计算各波段划分所述独立头部生物电源信号之后的熵,其中P(D|k)为以k波段正确划分所述独立头部生物电源信号的概率;
根据公式g(D,A)=H(D)-H(D|A)分别计算各波段划分所述独立头部生物电源信号之后的信息增益。
8.一种独立头部生物电源信号干扰剔除系统,其特征在于,
所述系统包括:
脑电混合信号获取模块,用于获取脑电混合信号;
滤波模块,用于对所述脑电混合信号进行滤波处理,得到处理后的脑电混合信号;
盲源分离模块,用于采用矩阵分解法对所述处理后的脑电混合信号进行盲源分离,得到独立头部生物电源信号;
波段划分模块,用于对所述独立头部生物电源信号进行波段划分,得到划分的不同波段的独立头部生物电源信号;
信息增益求取模块,用于分别求取按照不同波段划分的所述独立头部生物电源信号的信息增益;所述信息增益为按照预设波段划分所述独立头部生物电源信号前后的熵的差值;
脑电信号选择模块,用于选取信息增益最大的对应波段划分的所述独立头部生物电源信号作为干扰剔除后的脑电信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910777324.9A CN110464345B (zh) | 2019-08-22 | 2019-08-22 | 一种独立头部生物电源信号干扰剔除方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910777324.9A CN110464345B (zh) | 2019-08-22 | 2019-08-22 | 一种独立头部生物电源信号干扰剔除方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110464345A true CN110464345A (zh) | 2019-11-19 |
CN110464345B CN110464345B (zh) | 2020-10-30 |
Family
ID=68513641
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910777324.9A Active CN110464345B (zh) | 2019-08-22 | 2019-08-22 | 一种独立头部生物电源信号干扰剔除方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110464345B (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102085095A (zh) * | 2009-12-07 | 2011-06-08 | 深圳市新元素医疗技术开发有限公司 | 一种检测心电图中st段的方法、系统和心电检测仪器 |
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 |
CN106264521A (zh) * | 2016-09-22 | 2017-01-04 | 小菜儿成都信息科技有限公司 | 多通道脑电信号中下颌干扰的自动去除方法 |
CN106413534A (zh) * | 2015-08-08 | 2017-02-15 | 深圳先进技术研究院 | 连续血压测量装置、测量模型建立方法和系统 |
CN107220591A (zh) * | 2017-04-28 | 2017-09-29 | 哈尔滨工业大学深圳研究生院 | 多模态智能情绪感知系统 |
CN108090507A (zh) * | 2017-10-19 | 2018-05-29 | 电子科技大学 | 一种基于集成方法的医疗影像纹理特征处理方法 |
CN108768543A (zh) * | 2018-05-29 | 2018-11-06 | 河海大学 | 多特征融合认知型水声通信空快时自适应处理算法 |
CN108968933A (zh) * | 2018-06-23 | 2018-12-11 | 苏强 | 心脑血管疾病检测装置 |
CN109009148A (zh) * | 2018-08-24 | 2018-12-18 | 广东工业大学 | 一种步态功能评估方法 |
CN109167805A (zh) * | 2018-07-09 | 2019-01-08 | 同济大学 | 基于城市场景中车联网时空数据的分析处理方法 |
CN109784046A (zh) * | 2018-12-07 | 2019-05-21 | 中国人民解放军战略支援部队航天工程大学 | 一种恶意软件检测方法、装置与电子设备 |
CN109934278A (zh) * | 2019-03-06 | 2019-06-25 | 宁夏医科大学 | 一种信息增益混合邻域粗糙集的高维度特征选择方法 |
CN109993340A (zh) * | 2017-12-29 | 2019-07-09 | 北京京东尚科信息技术有限公司 | 数据处理方法 |
CN110059502A (zh) * | 2019-04-22 | 2019-07-26 | 鹏城实验室 | 隐私数据感知方法及装置 |
-
2019
- 2019-08-22 CN CN201910777324.9A patent/CN110464345B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102085095A (zh) * | 2009-12-07 | 2011-06-08 | 深圳市新元素医疗技术开发有限公司 | 一种检测心电图中st段的方法、系统和心电检测仪器 |
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 |
CN106413534A (zh) * | 2015-08-08 | 2017-02-15 | 深圳先进技术研究院 | 连续血压测量装置、测量模型建立方法和系统 |
CN106264521A (zh) * | 2016-09-22 | 2017-01-04 | 小菜儿成都信息科技有限公司 | 多通道脑电信号中下颌干扰的自动去除方法 |
CN107220591A (zh) * | 2017-04-28 | 2017-09-29 | 哈尔滨工业大学深圳研究生院 | 多模态智能情绪感知系统 |
CN108090507A (zh) * | 2017-10-19 | 2018-05-29 | 电子科技大学 | 一种基于集成方法的医疗影像纹理特征处理方法 |
CN109993340A (zh) * | 2017-12-29 | 2019-07-09 | 北京京东尚科信息技术有限公司 | 数据处理方法 |
CN108768543A (zh) * | 2018-05-29 | 2018-11-06 | 河海大学 | 多特征融合认知型水声通信空快时自适应处理算法 |
CN108968933A (zh) * | 2018-06-23 | 2018-12-11 | 苏强 | 心脑血管疾病检测装置 |
CN109167805A (zh) * | 2018-07-09 | 2019-01-08 | 同济大学 | 基于城市场景中车联网时空数据的分析处理方法 |
CN109009148A (zh) * | 2018-08-24 | 2018-12-18 | 广东工业大学 | 一种步态功能评估方法 |
CN109784046A (zh) * | 2018-12-07 | 2019-05-21 | 中国人民解放军战略支援部队航天工程大学 | 一种恶意软件检测方法、装置与电子设备 |
CN109934278A (zh) * | 2019-03-06 | 2019-06-25 | 宁夏医科大学 | 一种信息增益混合邻域粗糙集的高维度特征选择方法 |
CN110059502A (zh) * | 2019-04-22 | 2019-07-26 | 鹏城实验室 | 隐私数据感知方法及装置 |
Non-Patent Citations (3)
Title |
---|
HONGQUAN QU,EL AL: "A Study on Sensitive Bands of EEG Data under Di erent MentalWorkloads", 《ALGORITHMS》 * |
LAURA ELENA RAILEANU AND KILIAN STOFFEL: "Theoretical comparison between the Gini Index and Information Gain criteria", 《ANNALS OF MATHEMATICS AND ARTIFICIAL INTELLIGENCE》 * |
赵阳: "基于ICA的盲源信号分离方法研究与应用", 《哈尔滨工程大学专业硕士学位论文》 * |
Also Published As
Publication number | Publication date |
---|---|
CN110464345B (zh) | 2020-10-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN110338786B (zh) | 一种癫痫样放电的识别与分类方法、系统、装置和介质 | |
CN107157477A (zh) | 脑电信号特征识别系统及方法 | |
CN105496363B (zh) | 基于检测睡眠脑电信号对睡眠阶段进行分类的方法 | |
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 | |
CN111772585B (zh) | 间期颅内脑电信号中癫痫异常群体活动的数据提取方法 | |
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 | |
CN106236080B (zh) | 基于多通道的脑电信号中肌电噪声的消除方法 | |
CN108309290A (zh) | 单通道脑电信号中肌电伪迹的自动去除方法 | |
CN109497997A (zh) | 基于多数据采集的癫痫发作检测设备及预警系统 | |
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 | |
CN114532993B (zh) | 一种癫痫患者脑电高频振荡信号的自动检测方法 | |
CN102824172A (zh) | 一种脑电特征提取方法 | |
CN109858537A (zh) | 改进的eemd与csp结合的脑电信号特征提取方法 | |
CN109480832A (zh) | 一种单通道的脑电信号中肌电伪迹的消除方法 | |
CN105249962B (zh) | 头皮脑电信号回顾性癫痫发作点检测方法及系统 | |
Nick et al. | DrCell—a software tool for the analysis of cell signals recorded with extracellular microelectrodes | |
CN104510468A (zh) | 一种脑电信号的特征提取方法及装置 | |
CN114081508B (zh) | 一种基于深度神经网络与cca特征融合的棘波检测方法 | |
Shamma et al. | Spectro-temporal templates unify the pitch percepts of resolved and unresolved harmonics | |
Wang et al. | EMD-based EEG signal enhancement for auditory evoked potential recovery under high stimulus-rate paradigm | |
Moser et al. | Classification and detection of single evoked brain potentials using time-frequency amplitude features | |
CN110464345A (zh) | 一种独立头部生物电源信号干扰剔除方法及系统 | |
CN109579979A (zh) | 一种新能源车电机噪声信号提取方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |