CN113229829A - 一种四元数脑电信号提取方法及系统 - Google Patents
一种四元数脑电信号提取方法及系统 Download PDFInfo
- Publication number
- CN113229829A CN113229829A CN202110407972.2A CN202110407972A CN113229829A CN 113229829 A CN113229829 A CN 113229829A CN 202110407972 A CN202110407972 A CN 202110407972A CN 113229829 A CN113229829 A CN 113229829A
- Authority
- CN
- China
- Prior art keywords
- quaternion
- unit
- matrix
- reconstruction
- signal
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 26
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 83
- 239000013598 vector Substances 0.000 claims abstract description 83
- 238000001228 spectrum Methods 0.000 claims abstract description 60
- 238000010183 spectrum analysis Methods 0.000 claims abstract description 47
- 238000012880 independent component analysis Methods 0.000 claims abstract description 37
- 230000003190 augmentative effect Effects 0.000 claims abstract description 35
- 230000003595 spectral effect Effects 0.000 claims abstract description 28
- 238000004458 analytical method Methods 0.000 claims abstract description 22
- 238000000926 separation method Methods 0.000 claims abstract description 11
- 238000009826 distribution Methods 0.000 claims abstract description 9
- 239000011159 matrix material Substances 0.000 claims description 77
- 238000000034 method Methods 0.000 claims description 52
- 238000011160 research Methods 0.000 claims description 20
- 210000004556 brain Anatomy 0.000 claims description 15
- 238000005070 sampling Methods 0.000 claims description 12
- 238000013507 mapping Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 10
- 230000017105 transposition Effects 0.000 claims description 8
- 238000003491 array Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 239000003814 drug Substances 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 4
- 239000000203 mixture Substances 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 230000002087 whitening effect Effects 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 3
- 238000012886 linear function Methods 0.000 claims description 3
- 150000001875 compounds Chemical class 0.000 claims description 2
- 238000005457 optimization Methods 0.000 claims description 2
- 230000002441 reversible effect Effects 0.000 claims description 2
- 239000004576 sand Substances 0.000 claims description 2
- 230000007547 defect Effects 0.000 abstract description 6
- 239000013589 supplement Substances 0.000 abstract description 2
- 238000007689 inspection Methods 0.000 abstract 1
- 230000000694 effects Effects 0.000 description 9
- 230000009467 reduction Effects 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000008929 regeneration Effects 0.000 description 1
- 238000011069 regeneration method Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 208000019116 sleep disease Diseases 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明提供一种四元数脑电信号提取方法，包括：利用增广四元奇异谱分析获取四元奇异值分解的特征向量并利用功率谱密度分析对奇异值分解的特征向量进行主导频率的估计，从而对奇异谱分解分量进行划分；以脑电波段为划分依据利用多次四元奇异谱分析对特征向量进行分组；通过四元快速独立成分分析对得到的多通道信号进行源分离并通过峰度值及其分布的检查和对比提取脑电成分。本发明还提供一种四元数脑电信号提取系统，通过结合对电脑波段的分析，引入了四元数，在通道数、通道相关性和成分分解方面对奇异谱分析和独立成分分析进行有机结合并对不足进补充，突破现有技术存在的技术瓶颈。
Description
技术领域
本发明涉及四元数盲源分离技术领域，特别是涉及一种四元数脑电信号提取方法及系统。
背景技术
已有研究指出常见的脑波种类及其频率大致分为5种：δ波(0.1～3Hz),θ波(4～7Hz)，α波(8～14Hz)，β波(12.5～28Hz),γ波(25～100Hz)。其中α波又可分为慢速α波(8～9Hz)、中速α波(9～12Hz)、快速α波(12～14Hz)，β波又可分为低频范围(12.5～16Hz)、中频范围(16.5～20Hz)、高频范围(20.5～28Hz)；罕见脑波大致有3种：κ波(6～12Hz，通常在8～10Hz),σ波(12～14Hz)，μ波(7～11Hz)。不同频率的脑电波有不同的特性。
脑电信号(Electroencephalography，EEG)的采集常遵守10-20国际系统(10-20International System)标准，共有32个通道。有研究指出未来多数商业化的便携式脑电图设备可能都是少量通道设计，如2至8通道，但如此用多通道脑电技术进行采用便携式脑电图设备处理可能并不适合。
传统的奇异谱分析(Singular SpectrumAnalysis，SSA)对单通道信号进行成分分解并根据奇异值大小对分解成分进行分组重构以提取去噪信号。对于通道数多于一条的脑电测量仪器来说，传统的SSA一次只能处理其中一个通道而不能同时考虑多通道信息及相关性；并且研究发现当信号各种源贡献相似时SSA可分性较弱，利用奇异值大小进行分组的效果不明显。针对这两个问题，分别已有文献[1]Enshaeifar,S.,et al.(2015)."Quaternion singular spectrum analysis of electroencephalogram withapplication in sleep analysis."IEEE Transactions on Neural Systems andRehabilitation Engineering 24(1):57-67.指出可通过利用增广四元数奇异谱分析(Augmented Quaternion Singular SpectrumAnalysis，AQSSA)实现对多通道脑电信号进行处理，有文献[2]Maddirala,A.K.and R.A.Shaik(2017)."Separation of sources fromsingle-channel EEG signals using independent component analysis."IEEETransactions on Instrumentation and Measurement 67(2):382-393.利用功率谱密度(power spectral density,PSD)以二分之一的采样频率为高低频分界对分解成分进行分组，但没有涉及对于超过两个来源的信号如何选择阈值进行分组，且第一次SSA丢掉大于二分之一的采样频率的分解信号成分可能造成脑电信息的丢失。
独立成分分析(Independent ComponentAnalysis，ICA)算法通过计算去混合矩阵对混合源信号进行分离，但无法对单通道信号进行直接的自适应。ICA目前被应用于直接处理多通道脑电信号；或者用于处理单通道信号经过多次奇异谱分析得到的多通道信号；或者将四个通道作为一个四元数通道，采用较多通道得到多个四元数通道再进行四元独立成分分析，这适用于处理由较多通道采集仪器得到的脑电信号。已有文献[2]指出通过多次SSA将单通道信号分解成多通道信号以应用于ICA。
对于用于ICA的通道的数据类型为四元数，在已有文献解决对信号估计非线性函数的选择的基础上，有文献[4]Javidi,S.,et al.(2011)."Fast independent componentanalysis algorithm for quaternion valued signals."IEEE transactions on neuralnetworks 22(12):1967-1978.提出一种四元快速独立成分分析方法(Fast IndependentComponent Analysis Algorithm for Quaternion Valued Signals，q-FastICA)，通过最大化基于负熵的成本函数来实现快速独立成分分析，并严格地使用HR微积分来推导，以便在增广四元数统计框架中实现牛顿优化。但文献中每一条用于ICA的通道都包含4个不同的脑电采集通道，但在不同的ICA通道使用的脑电采集通道完全不同，这样要求有较多的脑电采集通道，现有技术很难将成分分解方面和脑电采集通道进行有效的结合，实现更高精度的脑电信号提取。
发明内容
本发明的目的是解决现有的脑电信号提取技术存在难以将成分分解方面和脑电采集通道进行有效的结合的技术缺陷，提供一种四元数脑电信号提取方法及系统。
为解决上述技术问题，本发明的技术方案如下：
一种四元数脑电信号提取方法，包括以下步骤：
S1：采用四元数将四通道信号映射为单通道信号，并利用增广四元奇异谱分析对单通道信号进行处理，获取奇异值分解的特征向量；
S2：利用功率谱密度分析对奇异值分解的特征向量进行主导频率的估计，以作为对奇异谱分解分量进行划分的依据；
S3：设置初始主导频率阈值和目标重构次数阈值，同时，设置当前重构次数为0；
S4：基于四元数奇异谱分析法，对主导频率超出初始主导频率阈值的特征向量对应的奇异谱分解分量进行舍弃，利用未超过初始主导频率阈值的特征向量对应的奇异谱分解分量进行信号重构，得到第一重构信号并将其作为当前一维时间序列；
S5：将当前重构次数加1，判断当前重构次数是否大于等于目标重构次数阈值，若是，则执行步骤S7，否则，执行步骤S6；
S6：基于四元数奇异谱分析法，根据具体医学研究问题设置主导频率阈值并根据当前一维时间序列进行四元奇异谱分析，选出超出主导频率阈值的特征向量对应的奇异谱分解分量进行信号重构，得到对应的重构信号；将未超过主导频率阈值的特征向量对应的奇异谱分解分量进行重构，更新当前一维时间序列；返回执行步骤S5；
S7：通过四元快速独立成分分析对步骤S6中得到的多个重构信号进行源分离并通过峰度值及其分布的检查和对比提取感兴趣的脑电成分。
上述方案中，本方案通过结合对电脑波段的分析，引入了四元数，在通道数和成分分解方面对奇异谱分析和独立成分分析进行有机结合并对不足进行补充，突破现有技术存在的技术瓶颈。
一种四元数脑电信号提取系统，包括四元数映射单元、增广四元奇异谱分析单元、功率谱密度分析单元、奇异谱分解分量划分单元、参数预设单元、初始主导频率判断单元、信号重构单元、重构信号存储单元、重构次数叠加单元、重构次数判断单元、主导频率设置单元、主导频率判断单元、四元快速独立成分分析单元和脑电成分提取单元；其中：
所述四元数映射单元采用四元数将四通道信号映射为单通道信号，并由所述增广四元奇异谱分析单元利用增广四元奇异谱分析对单通道信号进行处理，获取奇异值分解的特征向量；
所述功率谱密度分析单元利用功率谱密度分析对奇异值分解的特征向量进行主导频率的估计，并由所述奇异谱分解分量划分单元对奇异谱分解分量进行划分；
所述参数预设单元用于初始主导频率阈值、目标重构次数阈值的设置，并设置当前重构次数为0；
所述初始主导频率判断单元对初始的主导频率进行判断，基于四元数奇异谱分析法对主导频率超出初始主导频率阈值的特征向量对应的奇异谱分解分量进行舍弃；由所述信号重构单元利用未超过初始主导频率阈值的特征向量对应的奇异谱分解分量进行信号重构，得到第一重构信号并将其作为当前一维时间序列；
所述重构次数叠加单元用于对重构次数的增加，每次增加量为1；并由所述重构次数判断单元判断当前重构次数是否大于等于目标重构次数阈值；
若是，则由所述脑电成分提取单元对所述重构信号存储单元中的多个重构信号进行源分离并通过峰度值及其分布的检查和对比，提取感兴趣的脑电成分；否则，由主导频率设置单元根据具体医学研究问题重新设置主导频率阈值，由所述主导频率判断单元根据当前一维时间序列进行四元奇异谱分析，选出超出主导频率阈值的特征向量对应的奇异谱分解分量输入所述信号重构单元进行信号重构；选出未超过主导频率阈值的特征向量对应的奇异谱分解分量进行重构，更新当前一维时间序列，并由所述重构次数叠加单元进行下一步操作。
上述方案中，本方案通过提供一种四元数脑电信号提取系统，用于执行一种四元数脑电信号提取方法。
与现有技术相比，本发明技术方案的有益效果是：
本发明提出一种四元数脑电信号提取方法及系统，通过结合对电脑波段的分析，引入了四元数，在通道数和成分分解方面对奇异谱分析和独立成分分析进行有机结合并对不足进行补充，突破现有技术存在的技术瓶颈。
附图说明
图1为本发明所述方法流程示意图。
具体实施方式
附图仅用于示例性说明，不能理解为对本专利的限制；
为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；
对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
如图1所示，一种四元数脑电信号提取方法，涉及一种以四元数的形式将多通道脑电信号综合处理成单通道信号，再进行成分分离成多通道四元数信号以应用的盲源分离技术方法，具体包括以下步骤：
S1：采用四元数将四通道信号映射为单通道信号，并利用增广四元奇异谱分析对单通道信号进行处理，获取奇异值分解的特征向量；
S2：利用功率谱密度分析对奇异值分解的特征向量进行主导频率的估计，以作为对奇异谱分解分量进行划分的依据；
S3：设置初始主导频率阈值和目标重构次数阈值，同时，设置当前重构次数为0；
S4：基于四元数奇异谱分析法，对主导频率超出初始主导频率阈值的特征向量对应的奇异谱分解分量进行舍弃，利用未超过初始主导频率阈值的特征向量对应的奇异谱分解分量进行信号重构，得到第一重构信号并将其作为当前一维时间序列；
S5：将当前重构次数加1，判断当前重构次数是否大于等于目标重构次数阈值，若是，则执行步骤S7，否则，执行步骤S6；
S6：基于四元数奇异谱分析法，根据具体医学研究问题设置主导频率阈值并根据当前一维时间序列进行四元奇异谱分析，选出超出主导频率阈值的特征向量对应的奇异谱分解分量进行信号重构，得到对应的重构信号；将未超过主导频率阈值的特征向量对应的奇异谱分解分量进行重构，更新当前一维时间序列；返回执行步骤S5；
S7：通过四元快速独立成分分析对步骤S6中得到的多个重构信号进行源分离并通过峰度值及其分布的检查和对比提取感兴趣的脑电成分。
在具体实施过程中，本方案通过结合对电脑波段的分析，引入了四元数，在通道数、通道相关性和成分分解方面对奇异谱分析和独立成分分析进行有机结合并对不足进行补充，突破现有技术存在的技术瓶颈。
在具体实施过程中，可根据具体医学研究问题对脑电波段进行分析。参考医学上不同脑波频率对应的人体生理特性，对于具体研究的不同的问题，对脑波进行更细致合理的划分。比如对于睡眠问题的研究，Beta波和Gamma波无需做详细划分，因为这些频率的脑波与睡眠相关性较小，但可能需要选择出罕见脑波Sigma波重构出此波段的脑电信号用作快速四元独立成分分析的其中一条数据通道。至于脑电波段如何划分，重构次数为多少，需要根据实验得出的对感兴趣的脑电波段的去噪效果来判断。
更具体的，在所述步骤S1中，由于增广四元奇异谱分析仅适用于同时对四通道信号进行处理，对于少通道但通道数仍然多于4的脑电采集设备的数据处理，首先需要对数据进行预处理。具体步骤为：
将多通道信号进行比较，对数据较差的通道进行舍弃或者插值处理，筛选出4个通道，用于下述增广四元奇异谱分析；
设信号有限N个一维时间序列为：[x1,x2,…,xN]，在序列中用四元数xi表示第i个采样点记录的挑选出的4个通道的电压幅值，四元数xi是1、ι、
κ的线性组合，具体表示为：
其中，ι、
κ为虚数单位，有：
xi,a,xi,b,xi,c,xi,d分别为同一时间四个不同通道的采样点，由此，以四元数的形式将4通道脑电信号综合处理成单通道信号；选择合适的窗口长度K对有限一维时间序列进行滞后排序，得到的Hankel矩阵作为四元轨迹矩阵，具体表示为：
四元数x关于ι、
κ虚数单位的三个对合分别表示为：
根据四元数对合运算法则，构造增广四元轨迹矩阵Wa为：
其中，Wι、
Wκ为四元轨迹矩阵W进行对合运算，(.)T为转置算符；
得到增广四元协方差矩阵Ca为：
式中，E{WaWaH}为Wa和WaH的协方差，WaH为增广四元矩阵Wa的共轭转置，CWW是标准协方差矩阵，
α,β∈{i,j,k}；
对Ca进行四元奇异值分解，有E{WaWaH}＝UΣVH，由此将增广四元轨迹矩阵表示为：
其中，U和V为单位正交阵，Σ为对角阵；Wa由各奇异值分解分量加和进行精确重构，具体表示为：
式中，d1＞d2＞…＞dL...0为对角阵Σ的对角线元素，对应特征向量组成U的列向量；uj和vj分别为左矩阵U和右矩阵V第j个特征向量，r为在dj＞0条件下的最大j值；
对Wa的r个奇异值分解分量分成不相干的h个子集Il,l＝1,2,…,h；
从中选择一个需要的子集，将Wa重构为：
对
进行对角线平均，重构信号
的第n个元素
由满足f+g＝n+1的所有
的平均值构成，f和g分别表示矩阵
的行和列；且有：
f∈{1,2,…,L},g∈{1,2,…,K}
得到的重构信号为：
更具体的，在所述步骤S2中，对四元奇异值分解分量进行分组是四元奇异谱分析的关键步骤，在此步骤上，已有算法实现的增广四元奇异谱分析和传统的奇异谱分析在本质上无太大差异，都是根据奇异值的大小对奇异值分解分量进行分组，并结合实验效果对划分进行调整；
但是，当信号中各种信源贡献相似，或者信噪比较低时SSA可分性较弱，利用奇异值大小进行分组的做法效率低且效果不明显，由此，对于增广四元奇异谱分析，功率谱分析技术的改进和具体算法如下：
基于将各特征向量第n个元素uj(n)表示为第j个特征向量在第n个元素往前的p个元素的线性输出来建立自回归模型，即AR模型，此处j＝1,2,…,r，阶数为p的第j个特征向量的AR模型表示为：
aj(k)为第j个特征向量的AR系数，ej(n)为第j个特征向量的随机噪声扰动，模型阶数p由Akaike信息准则(VIC)确定；对AR模型表达式进行z变换得到系统函数Hj(z)表达为：
其中对uj(n)进行z变换得到Uj(z)，对ej(n)进行z变换得到Ej(z)；在单位圆上评估Hj(z)，得到第j个特征向量的功率谱：
式中Pj(p)为p阶第j个特征向量AR模型的平均输出功率，Δt为采样间隔；
为虚数单位；已知Burg方法中最大熵功率谱定义为：
式中，r(k)为自相关系数；利用Burg方法计算AR模型系数时，假设r(k)＝r(-k)，将从AR模型得到的功率谱表达式与Burg方法中最大熵功率谱表达式取等，得到矩阵等式：
式中，aj(p,k)为p阶第j个特征向量AR模型的第k个系数，k＝1,2,…,p，这些系数通过上式将p从0逐步增加到设定的期望值来迭代求解得到；接着，通过将p阶第j个特征向量AR模型以正向和反向的方式应用于现有数据来计算Pj(p)：
根据功率谱密度Pj(p)得出第j个特征向量的主导频率，以各特征向量的主导频率为依据对奇异谱分解分量进行划分，由此可以弥补利用奇异值大小进行分组的做法效率低且效果不明显的缺陷，同时充分利用脑电信号的频率特征，以便对脑电信号成分进行提取。
更具体的，在所述步骤S3中，所述初始主导频率阈值及目标重构次数阈值依据实际研究问题进行设置，其中，初始主导频率阈值单位为Hz。
在具体实施过程中，由于独立成分分析用于处理多通道数据，而增广四元奇异谱分析只经过一次分解分量分组和信号重构得到的信号在本质上仍然属于单通道信号，而独立成分分析无法对单通道信号进行直接的自适应。有文献指出以二分之一的采样频率为高低频率分界先丢弃大于二分之一的采样频率的分解信号成分，通过对前一步重构得到的低频部分再次以当前保留的最高频率的二分之一为分界进行奇异谱分解成分划分，如此重复4次，以实现多次奇异谱分析，从而将单通道信号分解成4通道信号以应用于独立成分分析。但已有文献仅适用于简单划分高低频信号，而对于对除了背景噪声还含有超过两个信号源的信号进行降噪提取脑电成分，可能效果不佳，且第一次SSA丢掉大于二分之一的采样频率的分解信号成分可能造成脑电信息的丢失。因此，充分利用医学上对脑波在不同频率的特性研究，可将所测得的脑电信号中频率大于100Hz的成分视为实验背景噪声，故将此部分信号成分滤除。因此，所述初始主导频率阈值设置为100Hz；根据具体医学研究问题，辅以实验得出的对感兴趣的脑电波段的降噪效果验证，设置目标重构次数M和各阶段主导频率阈值。当前重构次数阈值设置为0。
更具体的，初始主导频率阈值设为100Hz，利用未超过初始主导频率阈值的特征向量对应的奇异谱分解分量进行信号重构，具体表达式为：
得到第一重构信号：
将
作为当前一维时间序列用于所述步骤S6中。
在具体实施过程中，根据具体医学研究问题对脑电波段进行划分。参考医学上不同脑波频率对应的人体生理特性，对于具体研究的不同的问题，对感兴趣的脑电波段进行更细致合理的划分，对相关性较低的脑电波段无需作过于详细的划分。
对于利用脑电波对睡眠进行分析这一具体医学研究问题，比较相关的脑波种类和频段分别有：δ波(0.1～3Hz),θ波(4～7Hz)，慢速α波(8～9Hz)，σ波(12～14Hz)。因此，设置重构次数为6，设置各阶段主导频率f阈值，对各阶段未超过初始主导频率阈值的特征向量对应的奇异谱分解分量进行信号重构，具体分别为：
得到多个重构信号分别表示为
此处，M等于6，重构信号
作为第一组数据，重构信号
作为第二组数据，以此类推，重构信号
作为第M组数据，并且，可根据实验验证对感兴趣的脑电的降噪效果来调整重构次数阈值和各阶段的主导频率f阈值；将以上M组数据用于步骤S7中进行独立成分分析。
对于利用脑电波进行专注度分析这一具体医学研究问题，比较相关的脑波种类和频段分别有：θ波(4～7Hz)，中速α波(9～12Hz)，快速α波(12～14Hz)，β波低频范围(12.5～16Hz),β波中频范围(16.5～20Hz)，γ波(25～100Hz)。
因此，设置重构次数为9，设置各阶段主导频率f阈值，对各阶段未超过初始主导频率阈值的特征向量对应的奇异谱分解分量进行信号重构，具体分别为：
得到多个重构信号分别表示为
此处，M等于9，重构信号
作为第一组数据，重构信号
作为第二组数据，以此类推，重构信号
作为第M组数据。并且，可根据实验验证对感兴趣的脑电的降噪效果来调整重构次数阈值和各阶段的主导频率f阈值；将以上M组数据用于步骤S7中进行独立成分分析。
更具体的，所述步骤S7具体为：
独立成分分析模型，即ICA模型表示为：
式中信号源混合的数据矩阵
信号源分离的数据矩阵
混合矩阵
M为通过四元数奇异谱分析分离出的通道数，此处M等于重构次数，，Ms为分离源数目，假设B为可逆方阵，有Ms＝M；将
的协方差矩阵表示为：
其中
为
和
的协方差，通过四元数右特征值分解，有
其中，Λ为
右特征值的对角矩阵，E为与Λ对应的特征向量矩阵；
由此，
的白化矩阵F表示为：
经过白化后信号源混合的数据矩阵为：
对于每一通道的每个数据通过减去通道数据的平均值进行数据中心化，得到处理后的数据矩阵
通过去混和矩阵Q估计信号源分离的数据矩阵s，即：
对第n个信号源的估计，有：
式中
qn为去混和矩阵Q的第列，D＝FB，b是仅有一个非零值的向量，由标志着H任意方向的第n项
得到，
是一个未知的任意角度，单位纯四元数向量ξ表示为：
对去混和向量qn任意赋值进行初始化；近似于负熵的实值四元快速独立成分分析的代价函数为：
其中，G为对y的非线性函数，此处选择G(y)＝logcosh(y)；接着对q进行优化，有：
利用拉格朗日乘子法求解该约束优化问题，并利用牛顿法快速迭代求解最优值qopt；
估计一个可能非圆源的实值四元快速独立成分分析算法的增广形式为：
其中，
L是拉格朗日方程，λ为通过步长为μ的梯度上升方法更新的拉格朗日参数，向量
是拉格朗日方程的增强梯度向量，矩阵
是拉格朗日方程的Hessian矩阵；接着，取四通道的平均值重构实值信号，有：
对Ms个分离源分别进行估计，并通过对各分离源的峰度值及其分布进行检查对比，提取出脑电信号源波形图。
实施例2
更具体的，在实施例1的基础上，提供一种四元数脑电信号提取系统，包括四元数映射单元、增广四元奇异谱分析单元、功率谱密度分析单元、奇异谱分解分量划分单元、参数预设单元、初始主导频率判断单元、信号重构单元、重构信号存储单元、重构次数叠加单元、重构次数判断单元、主导频率设置单元、主导频率判断单元、四元快速独立成分分析单元和脑电成分提取单元；其中：
所述四元数映射单元采用四元数将四通道信号映射为单通道信号，并由所述增广四元奇异谱分析单元利用增广四元奇异谱分析对单通道信号进行处理，获取奇异值分解的特征向量；
所述功率谱密度分析单元利用功率谱密度分析对奇异值分解的特征向量进行主导频率的估计，并由所述奇异谱分解分量划分单元对奇异谱分解分量进行划分；
所述参数预设单元用于初始主导频率阈值、目标重构次数阈值的设置，并设置当前重构次数为0；
所述初始主导频率判断单元对初始的主导频率进行判断，基于四元数奇异谱分析法对主导频率超出初始主导频率阈值的特征向量对应的奇异谱分解分量进行舍弃；由所述信号重构单元利用未超过初始主导频率阈值的特征向量对应的奇异谱分解分量进行信号重构，得到第一重构信号并将其作为当前一维时间序列；
所述重构次数叠加单元用于对重构次数的增加，每次增加量为1；并由所述重构次数判断单元判断当前重构次数是否大于等于目标重构次数阈值；
若是，则由所述脑电成分提取单元对所述重构信号存储单元中的多个重构信号通过四元快速独立成分分析进行源分离并通过峰度值及其分布的检查和对比，提取感兴趣的脑电成分；
否则，由主导频率设置单元根据具体医学研究问题重新设置主导频率阈值，由所述主导频率判断单元根据当前一维时间序列进行四元奇异谱分析，选出超出主导频率阈值的特征向量对应的奇异谱分解分量输入所述信号重构单元进行信号重构；选出未超过主导频率阈值的特征向量对应的奇异谱分解分量进行重构，更新当前一维时间序列，并由所述重构次数叠加单元进行下一步操作。
更具体的，在所述四元数映射单元、增广四元奇异谱分析单元中，执行以下步骤：
设信号有限N个一维时间序列为：[x1,x2,...,xN]，在序列中用四元数xi表示第i个采样点记录的4个通道的电压幅值，四元数xi是1、ι、
κ的线性组合，具体表示为：
其中，ι、
κ为虚数单位，有：
xi,a,xi,b,xi,c,xi,d分别为同一时间四个不同通道的采样点；选择合适的窗口长度K对有限一维时间序列进行滞后排序，得到的Hankel矩阵作为四元轨迹矩阵，具体表示为：
四元数x关于ι、
κ虚数单位的三个对合分别表示为：
根据四元数对合运算法则，构造增广四元轨迹矩阵Wa为：
其中，Wι、
Wκ为四元轨迹矩阵W进行对合运算，(.)T为转置算符；
得到增广四元协方差矩阵Ca为：
式中，E{WaWaH}为Wa和WaH的协方差，WaH为增广四元矩阵Wa的共轭转置，CWW是标准协方差矩阵，
α,β∈{i,j,k}；
对Ca进行四元奇异值分解，有E{WaWaH}＝UΣVH，由此将增广四元轨迹矩阵表示为：
其中，U和V为单位正交阵，Σ为对角阵；Wa由各奇异值分解分量加和进行精确重构，具体表示为：
式中，d1＞d2＞…＞dL…0为对角阵Σ的对角线元素，对应特征向量组成U的列向量；uj和vj分别为左矩阵U和右矩阵V第j个特征向量，r为在dj＞0条件下的最大j值；
对Wa的r个奇异值分解分量分成不相干的h个子集Il,l＝1,2,…,h；
从中选择一个需要的子集，将Wa重构为：
对
进行对角线平均，重构信号
的第n个元素
由满足f+g＝n+1的所有
的平均值构成，f和g分别表示矩阵
的行和列；且有：
f∈{1,2,…,L},g∈{1,2,…,K}
得到的重构信号为：
更具体的，在所述功率谱密度分析单元中，执行以下步骤：
基于将各特征向量第n个元素uj(n)表示为第j个特征向量在第n个元素往前的p个元素的线性输出来建立自回归模型，即AR模型，此处j＝1,2,…,r，阶数为p的第j个特征向量的AR模型表示为：
aj(k)为第j个特征向量的AR系数，ej(n)为第j个特征向量的随机噪声扰动，模型阶数p由Akaike信息准则确定；对AR模型表达式进行z变换得到系统函数Hj(z)表达为：
其中对uj(n)进行z变换得到Uj(z)，对ej(n)进行z变换得到Ej(z)；在单位圆上评估Hj(z)，得到第j个特征向量的功率谱：
式中Pj(p)为p阶第j个特征向量AR模型的平均输出功率，Δt为采样间隔；
为虚数单位；已知Burg方法中最大熵功率谱定义为：
式中，r(k)为自相关系数；利用Burg方法计算AR模型系数时，假设r(k)＝r(-k)，将从AR模型得到的功率谱表达式与Burg方法中最大熵功率谱表达式取等，得到矩阵等式：
式中，aj(p,k)为p阶第j个特征向量AR模型的第k个系数，k＝1,2,…,p，这些系数通过上式将p从0逐步增加到设定的期望值来迭代求解得到；接着，通过将p阶第j个特征向量AR模型以正向和反向的方式应用于现有数据来计算Pj(p)：
接着，由所述奇异谱分解分量划分单元根据功率谱密度Pj(p)得出第j个特征向量的主导频率，以各特征向量的主导频率为依据对奇异谱分解分量进行划分。
在具体实施过程中，同理可知，本方案通过提供一种四元数脑电信号提取系统，用于执行一种四元数脑电信号提取方法。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。
Claims (10)
1.一种四元数脑电信号提取方法，其特征在于，包括以下步骤：
S1：采用四元数将四通道信号映射为单通道信号，并利用增广四元奇异谱分析对单通道信号进行处理，获取奇异值分解的特征向量；
S2：利用功率谱密度分析对奇异值分解的特征向量进行主导频率的估计，以作为对奇异谱分解分量进行划分的依据；
S3：设置初始主导频率阈值和目标重构次数阈值，同时，设置当前重构次数为0；
S4：基于四元数奇异谱分析法，对主导频率超出初始主导频率阈值的特征向量对应的奇异谱分解分量进行舍弃，利用未超过初始主导频率阈值的特征向量对应的奇异谱分解分量进行信号重构，得到第一重构信号并将其作为当前一维时间序列；
S5：将当前重构次数加1，判断当前重构次数是否大于等于目标重构次数阈值，若是，则执行步骤S7，否则，执行步骤S6；
S6：基于四元数奇异谱分析法，根据具体医学研究问题设置主导频率阈值并根据当前一维时间序列进行四元奇异谱分析，选出超出主导频率阈值的特征向量对应的奇异谱分解分量进行信号重构，得到对应的重构信号；将未超过主导频率阈值的特征向量对应的奇异谱分解分量进行重构，更新当前一维时间序列；返回执行步骤S5；
S7：通过四元快速独立成分分析对步骤S6中得到的多个重构信号进行源分离并通过峰度值及其分布的检查和对比提取感兴趣的脑电成分。
2.根据权利要求1所述的一种四元数脑电信号提取方法，其特征在于，所述步骤S1具体为：
设信号有限N个一维时间序列为：[x1,x2,…,xN]，在序列中用四元数xi表示第i个采样点记录的挑选出的4个通道的电压幅值，四元数xi是1、ι、
κ的线性组合，具体表示为：
其中，ι、
κ为虚数单位，有：
xi,a,xi,b,xi,c,xi,d分别为同一时间四个不同通道的采样点，由此，以四元数的形式将4通道脑电信号综合处理成单通道信号；选择合适的窗口长度K对有限一维时间序列进行滞后排序，得到的Hankel矩阵作为四元轨迹矩阵，具体表示为：
四元数x关于ι、
κ虚数单位的三个对合分别表示为：
根据四元数对合运算法则，构造增广四元轨迹矩阵Wa为：
其中，Wι、
Wκ为四元轨迹矩阵W进行对合运算，(.)T为转置算符；
得到增广四元协方差矩阵Ca为：
式中，E{WaWaH}为Wa和WaH的协方差，WaH为增广四元矩阵Wa的共轭转置，CWW是标准协方差矩阵，
α,β∈{i,j,k}；
对Ca进行四元奇异值分解，有E{WaWaH}＝UΣVH，由此将增广四元轨迹矩阵表示为：
其中，U和V为单位正交阵，Σ为对角阵；Wa由各奇异值分解分量加和进行精确重构，具体表示为：
式中，d1＞d2＞…＞dL...0为对角阵Σ的对角线元素，对应特征向量组成U的列向量；uj和vj分别为左矩阵U和右矩阵V第j个特征向量，r为在dj＞0条件下的最大j值；
对Wa的r个奇异值分解分量分成不相干的h个子集Il,l＝1,2,…,h；
从中选择一个需要的子集，将Wa重构为：
对
进行对角线平均，重构信号
的第n个元素
由满足f+g＝n+1的所有
的平均值构成，f和g分别表示矩阵
的行和列；且有：
f∈{1,2,…,L},g∈{1,2,…,K}
得到的重构信号为：
3.根据权利要求2所述的一种四元数脑电信号提取方法，其特征在于，所述步骤S2具体为：
基于将第j个特征向量第n个元素uj(n)表示为第j个特征向量在第n个元素往前的p个元素的线性输出来建立自回归模型，即AR模型，此处j＝1,2,…,r，阶数为p的第j个特征向量的AR模型表示为：
aj(k)为第j个特征向量的AR系数，ej(n)为第j个特征向量的随机噪声扰动，模型阶数p由Akaike信息准则确定；对AR模型表达式进行z变换得到系统函数Hj(z)表达为：
其中对uj(n)进行z变换得到Uj(z)，对ej(n)进行z变换得到Ej(z)；在单位圆上评估Hj(z)，得到第j个特征向量的功率谱：
式中Pj(p)为p阶第j个特征向量AR模型的平均输出功率，Δt为采样间隔；
为虚数单位；已知Burg方法中最大熵功率谱定义为：
式中，r(k)为自相关系数；利用Burg方法计算AR模型系数时，假设r(k)＝r(-k)，将从AR模型得到的功率谱表达式与Burg方法中最大熵功率谱表达式取等，得到矩阵等式：
式中，aj(p,k)为p阶第j个特征向量AR模型的第k个系数，k＝1,2,…,p，这些系数通过上式将p从0逐步增加到设定的期望值来迭代求解得到；接着，通过将p阶第j个特征向量AR模型以正向和反向的方式应用于现有数据来计算Pj(p)：
根据功率谱密度Pj(p)得出第j个特征向量的主导频率，以各特征向量的主导频率为依据对奇异谱分解分量进行划分。
4.根据权利要求3所述的一种四元数脑电信号提取方法，其特征在于，在所述步骤S3中，利用医学上对脑波在不同频率的特性研究和脑波种类研究，并依据实际研究问题，对所述初始主导频率阈值及目标重构次数阈值进行设置，其中，初始主导频率阈值单位为Hz。
5.根据权利要求4所述的一种四元数脑电信号提取方法，其特征在于，在所述步骤S4中，利用未超过初始主导频率阈值的特征向量对应的奇异谱分解分量进行信号重构，具体表达式为：
得到第一重构信号：
将
作为当前一维时间序列用于所述步骤S6中。
6.根据权利要求4所述的一种四元数脑电信号提取方法，其特征在于，在所述步骤S6中，得到多个重构信号分别表示为
其中，M等于重构次数，重构信号
作为第一组数据，重构信号
作为第二组数据，以此类推，重构信号
作为第M组数据；将以上M组数据用于步骤S7中进行独立成分分析。
7.根据权利要求6所述的一种四元数脑电信号提取方法，其特征在于，所述步骤S7具体为：
独立成分分析模型，即ICA模型表示为：
式中信号源混合的数据矩阵
信号源分离的数据矩阵
混合矩阵
M为通过四元数奇异谱分析分离出的通道数，此处M等于重构次数，Ms为分离源数目，假设B为可逆方阵，有Ms＝M；将
的协方差矩阵表示为：
其中
为
和
的协方差，通过四元数右特征值分解，有
其中，Λ为
右特征值的对角矩阵，E为与Λ对应的特征向量矩阵；
由此，
的白化矩阵F表示为：
经过白化后信号源混合的数据矩阵为：
对于每一通道的每个数据通过减去通道数据的平均值进行数据中心化，得到处理后的数据矩阵
通过去混和矩阵Q估计信号源分离的数据矩阵s，即：
对第n个信号源的估计，有：
式中
qn为去混和矩阵Q的第列，D＝FB，b是仅有一个非零值的向量，由标志着H任意方向的第n项
得到，
是一个未知的任意角度，单位纯四元数向量ξ表示为：
对去混和向量qn任意赋值进行初始化；近似于负熵的实值四元快速独立成分分析的代价函数为：
其中，G为对y的非线性函数，此处选择G(y)＝log cosh(y)；接着对q进行优化，有：
利用拉格朗日乘子法求解该约束优化问题，并利用牛顿法快速迭代求解最优值qopt；
估计一个可能非圆源的实值四元快速独立成分分析算法的增广形式为：
其中，
L是拉格朗日方程，λ为通过步长为μ的梯度上升方法更新的拉格朗日参数，向量
是拉格朗日方程的增强梯度向量，矩阵
是拉格朗日方程的Hessian矩阵；接着，取四通道的平均值重构实值信号，有：
对Ms个分离源分别进行估计，并通过对各分离源的峰度值及其分布进行检查对比，提取出脑电信号源波形图。
8.一种四元数脑电信号提取系统，其特征在于，包括四元数映射单元、增广四元奇异谱分析单元、功率谱密度分析单元、奇异谱分解分量划分单元、参数预设单元、初始主导频率判断单元、信号重构单元、重构信号存储单元、重构次数叠加单元、重构次数判断单元、主导频率设置单元、主导频率判断单元、四元快速独立成分分析单元和脑电成分提取单元；其中：
所述四元数映射单元采用四元数将四通道信号映射为单通道信号，并由所述增广四元奇异谱分析单元利用增广四元奇异谱分析对单通道信号进行处理，获取奇异值分解的特征向量；
所述功率谱密度分析单元利用功率谱密度分析对奇异值分解的特征向量进行主导频率的估计，并由所述奇异谱分解分量划分单元对奇异谱分解分量进行划分；
所述参数预设单元用于初始主导频率阈值、目标重构次数阈值的设置，并设置当前重构次数为0；
所述初始主导频率判断单元对初始的主导频率进行判断，基于四元数奇异谱分析法对主导频率超出初始主导频率阈值的特征向量对应的奇异谱分解分量进行舍弃；由所述信号重构单元利用未超过初始主导频率阈值的特征向量对应的奇异谱分解分量进行信号重构，得到第一重构信号并将其作为当前一维时间序列；
所述重构次数叠加单元用于对重构次数的增加，每次增加量为1；并由所述重构次数判断单元判断当前重构次数是否大于等于目标重构次数阈值；
若是，则由所述脑电成分提取单元对所述重构信号存储单元中的多个重构信号通过四元快速独立成分分析进行源分离并通过峰度值及其分布的检查和对比，提取感兴趣的脑电成分；
否则，由主导频率设置单元重新根据具体医学研究问题设置主导频率阈值，由所述主导频率判断单元根据当前一维时间序列进行四元奇异谱分析，选出超出主导频率阈值的特征向量对应的奇异谱分解分量输入所述信号重构单元进行信号重构；选出未超过主导频率阈值的特征向量对应的奇异谱分解分量进行重构，更新当前一维时间序列，并由所述重构次数叠加单元进行下一步操作。
9.根据权利要求8所述的一种四元数脑电信号提取系统，其特征在于，在所述四元数映射单元、增广四元奇异谱分析单元中，执行以下步骤：
设信号有限N个一维时间序列为：[x1,x2,…,xN]，在序列中用四元数xi表示第i个采样点记录的4个通道的电压幅值，四元数xi是1、ι、
κ的线性组合，具体表示为：
其中，i、
κ为虚数单位，有：
xi,a,xi,b,xi,c,xi,d分别为同一时间四个不同通道的采样点；选择合适的窗口长度K对有限一维时间序列进行滞后排序，得到的Hankel矩阵作为四元轨迹矩阵，具体表示为：κ2
四元数x关于ι、
κ虚数单位的三个对合分别表示为：
根据四元数对合运算法则，构造增广四元轨迹矩阵Wa为：
其中，Wι、
Wκ为四元轨迹矩阵W进行对合运算，(.)T为转置算符；
得到增广四元协方差矩阵Ca为：
式中，E{WaWaH}为Wa和WaH的协方差，WaH为增广四元矩阵Wa的共轭转置，CWW是标准协方差矩阵，
α,β∈{i,j,k}；
对Ca进行四元奇异值分解，有E{WaWaH}＝UΣVH，由此将增广四元轨迹矩阵表示为：
其中，U和V为单位正交阵，Σ为对角阵；Wa由各奇异值分解分量加和进行精确重构，具体表示为：
式中，d1＞d2＞…＞dL...0为对角阵Σ的对角线元素，对应特征向量组成U的列向量；uj和vj分别为左矩阵U和右矩阵V第j个特征向量，r为在dj＞0条件下的最大j值；
对Wa的r个奇异值分解分量分成不相干的h个子集Il,l＝1,2,…,h；
从中选择一个需要的子集，将Wa重构为：
对
进行对角线平均，重构信号
的第n个元素
由满足f+g＝n+1的所有
的平均值构成，f和g分别表示矩阵
的行和列；且有：
f∈{1,2,…,L},g∈{1,2,…,K}
得到的重构信号为：
10.根据权利要求9所述的一种四元数脑电信号提取系统，其特征在于，在所述功率谱密度分析单元中，执行以下步骤：
基于将各特征向量第n个元素uj(n)表示为第j个特征向量在第n个元素往前的p个元素的线性输出来建立自回归模型，即AR模型，此处j＝1,2,…,r，阶数为p的第j个特征向量的AR模型表示为：
aj(k)为第j个特征向量的AR系数，ej(n)为第j个特征向量的随机噪声扰动，模型阶数p由Akaike信息准则确定；对AR模型表达式进行z变换得到系统函数Hj(z)表达为：
其中对uj(n)进行z变换得到Uj(z)，对ej(n)进行z变换得到Ej(z)；在单位圆上评估Hj(z)，得到第j个特征向量的功率谱：
式中Pj(p)为p阶第j个特征向量AR模型的平均输出功率，Δt为采样间隔；
为虚数单位；已知Burg方法中最大熵功率谱定义为：
式中，r(k)为自相关系数；利用Burg方法计算AR模型系数时，假设r(k)＝r(-k)，将从AR模型得到的功率谱表达式与Burg方法中最大熵功率谱表达式取等，得到矩阵等式：
式中，aj(p,k)为p阶第j个特征向量AR模型的第k个系数，k＝1,2,…,p，这些系数通过上式将p从0逐步增加到设定的期望值来迭代求解得到；接着，通过将p阶第j个特征向量AR模型以正向和反向的方式应用于现有数据来计算Pj(p)：
接着，由所述奇异谱分解分量划分单元根据功率谱密度Pj(p)得出第j个特征向量的主导频率，以各特征向量的主导频率为依据对奇异谱分解分量进行划分。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110407972.2A CN113229829B (zh) | 2021-04-15 | 2021-04-15 | 一种四元数脑电信号提取方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110407972.2A CN113229829B (zh) | 2021-04-15 | 2021-04-15 | 一种四元数脑电信号提取方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113229829A true CN113229829A (zh) | 2021-08-10 |
| CN113229829B CN113229829B (zh) | 2023-09-01 |
Family
ID=77128230
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110407972.2A Active CN113229829B (zh) | 2021-04-15 | 2021-04-15 | 一种四元数脑电信号提取方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113229829B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114098763A (zh) * | 2021-12-13 | 2022-03-01 | 清华大学深圳国际研究生院 | 一种脑电去噪方法 |
| CN114224300A (zh) * | 2022-02-23 | 2022-03-25 | 广东工业大学 | 基于三维四元图卷积神经网络的癫痫分类检测系统及方法 |
| CN114997252A (zh) * | 2022-08-05 | 2022-09-02 | 西南交通大学 | 一种基于惯性原理的车轮多边形车载检测方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180138896A1 (en) * | 2016-11-17 | 2018-05-17 | Hwashen Electronics Co., Ltd. | Fuzzy entropy based noisy signal processing method and iterative singular spectrum analysis soft threshold de-noising method |
| CN109558863A (zh) * | 2019-01-07 | 2019-04-02 | 哈尔滨工业大学（深圳） | 脑电信号特征表示与提取方法、装置及存储介质 |
| 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 |
| US20200073908A1 (en) * | 2018-03-06 | 2020-03-05 | Dalian University Of Technology | Sparse component analysis method for structural modal identification when the number of sensors is incomplete |
| CN112244869A (zh) * | 2020-09-17 | 2021-01-22 | 广东工业大学 | 一种提取eeg脑电波信号用于专注力集中分析的方法 |
-
2021
- 2021-04-15 CN CN202110407972.2A patent/CN113229829B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180138896A1 (en) * | 2016-11-17 | 2018-05-17 | Hwashen Electronics Co., Ltd. | Fuzzy entropy based noisy signal processing method and iterative singular spectrum analysis soft threshold de-noising method |
| US20200073908A1 (en) * | 2018-03-06 | 2020-03-05 | Dalian University Of Technology | Sparse component analysis method for structural modal identification when the number of sensors is incomplete |
| CN109558863A (zh) * | 2019-01-07 | 2019-04-02 | 哈尔滨工业大学（深圳） | 脑电信号特征表示与提取方法、装置及存储介质 |
| 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 |
| CN112244869A (zh) * | 2020-09-17 | 2021-01-22 | 广东工业大学 | 一种提取eeg脑电波信号用于专注力集中分析的方法 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114098763A (zh) * | 2021-12-13 | 2022-03-01 | 清华大学深圳国际研究生院 | 一种脑电去噪方法 |
| 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 |
| CN114224300A (zh) * | 2022-02-23 | 2022-03-25 | 广东工业大学 | 基于三维四元图卷积神经网络的癫痫分类检测系统及方法 |
| CN114224300B (zh) * | 2022-02-23 | 2022-07-12 | 广东工业大学 | 基于三维四元图卷积神经网络的癫痫分类检测系统及方法 |
| CN114997252A (zh) * | 2022-08-05 | 2022-09-02 | 西南交通大学 | 一种基于惯性原理的车轮多边形车载检测方法 |
| CN114997252B (zh) * | 2022-08-05 | 2022-10-25 | 西南交通大学 | 一种基于惯性原理的车轮多边形车载检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113229829B (zh) | 2023-09-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113229829A (zh) | 一种四元数脑电信号提取方法及系统 | |
| CN110269609B (zh) | 基于单通道的脑电信号中眼电伪迹分离方法 | |
| Ahirwal et al. | Power spectrum analysis of EEG signals for estimating visual attention | |
| Maddirala et al. | Motion artifact removal from single channel electroencephalogram signals using singular spectrum analysis | |
| Jäckel et al. | Applicability of independent component analysis on high-density microelectrode array recordings | |
| Azlan et al. | Feature extraction of electroencephalogram (EEG) signal-A review | |
| CN112906578B (zh) | 一种桥梁时间序列位移信号去噪的方法 | |
| CN106236080B (zh) | 基于多通道的脑电信号中肌电噪声的消除方法 | |
| Liu et al. | Removal of EMG artifacts from multichannel EEG signals using combined singular spectrum analysis and canonical correlation analysis | |
| Zhao et al. | Classification of epileptic IEEG signals by CNN and data augmentation | |
| CN111631710B (zh) | 一种状态相关的动态脑电信号中肌电伪迹的消除方法 | |
| Weis et al. | Multi-dimensional space-time-frequency component analysis of event related EEG data using closed-form PARAFAC | |
| CN111368884B (zh) | 一种基于矩阵变量高斯模型的运动想象脑电特征提取方法 | |
| CN113842115A (zh) | 一种改进的eeg信号特征提取方法 | |
| CN110403602B (zh) | 用于脑电信号情感分析的改进公共空间模式特征提取方法 | |
| US20140316746A1 (en) | Real-time signal processing system and method based on multi-channel independent component analysis | |
| US9192319B2 (en) | Method for separating signal sources by use of physically unique dictionary elements | |
| Xu et al. | Feature extraction and classification of EEG for imaging left-right hands movement | |
| Jaffino et al. | Expectation-maximization extreme machine learning classifier for epileptic seizure detection | |
| Ziehe et al. | A comparison of ICA-based artifact reduction methods for MEG | |
| CN116172576A (zh) | 一种基于多模块神经网络的脑电信号伪迹去除方法 | |
| Singh et al. | Frequency band separation for epilepsy detection using EEG | |
| Oweiss et al. | A unified framework for advancing array signal processing technology of multichannel microprobe neural recording devices | |
| CN114861738A (zh) | 一种基于脑电溯源和偶极子选择的运动想象分类方法 | |
| CN114587357A (zh) | 基于脑电频谱特征的太极桩精神状态检测方法 |
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 |