CN113827253A - 计算设备和从脑电信号中去除噪声的方法 - Google Patents

计算设备和从脑电信号中去除噪声的方法 Download PDF

Info

Publication number
CN113827253A
CN113827253A CN202010500876.8A CN202010500876A CN113827253A CN 113827253 A CN113827253 A CN 113827253A CN 202010500876 A CN202010500876 A CN 202010500876A CN 113827253 A CN113827253 A CN 113827253A
Authority
CN
China
Prior art keywords
noise
electroencephalogram
classification
signal
electroencephalogram signals
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
Application number
CN202010500876.8A
Other languages
English (en)
Inventor
罗竣文
蒲宇
张晨贝
王星
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.)
Alibaba Group Holding Ltd
Original Assignee
Alibaba Group Holding 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 Alibaba Group Holding Ltd filed Critical Alibaba Group Holding Ltd
Priority to CN202010500876.8A priority Critical patent/CN113827253A/zh
Publication of CN113827253A publication Critical patent/CN113827253A/zh
Pending legal-status Critical Current

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
    • A61B5/72—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
    • 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)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Psychiatry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Veterinary Medicine (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Physiology (AREA)
  • Public Health (AREA)
  • Mathematical Physics (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

公开一种计算设备和从脑电信号中去除噪声的方法。该计算设备包括：缓存模块，用于缓存脑电信号；分类模块，与所述缓冲器耦接，用于确定脑电信号的分类，所述脑电信号的分类表示所述脑电信号的噪声种类；译码器，与所述分类模块耦接，用于根据所述脑电信号的分类生成指令编码，并将所述指令编码传送给状态机；多个噪声去除模块，分别用于去除对应的噪声种类，以得到经过噪声去除的脑电信号；状态机，与所述译码器和所述多个噪声去除模块耦接，用于根据所述指令编码启用所述多个噪声去除模块中的至少一个噪声去除模块。该计算设备可在自由移动的场景下检测和去除脑电信号中的噪声。

Description

计算设备和从脑电信号中去除噪声的方法
技术领域
本公开涉及芯片领域，具体而言，涉及计算设备和从脑电信号中去 除噪声的方法。
背景技术
脑电信号(EEG)是一种在头皮处记录脑神经元活动传递到头皮表面 的电势波动信号。其非侵入式的优点使得其在医疗上得到广泛的应用， 但脑神经元的源信号传递到头皮处不可避免地造成能量损失，这就使得 脑电信号十分地微弱，在微伏级别。同时脑电信号也不可避免地存在噪 声地干扰，且存在不止一种噪声，噪声的存在尤其噪声的能量过大很可 能会掩盖掉有效的脑电信号，因而去除噪声获取相对真实有效的脑电信 号是实现对脑电信号后续应用的关键。
发明内容
基于此，本公开的目的是提供一种计算设备和从脑电信号中去除伪 影的方法，用于从脑电信号去除各种噪声。
第一方面，本公开实施例提供一种计算设备，
缓存模块，用于缓存脑电信号；
分类模块，与所述缓冲器耦接，用于确定脑电信号的分类，所述脑 电信号的分类表示所述脑电信号的噪声种类；
译码器，与所述分类模块耦接，用于根据所述脑电信号的分类生成 指令编码，并将所述指令编码传送给状态机；
多个噪声去除模块，分别用于去除对应的噪声种类，以得到经过噪 声去除的脑电信号；
状态机，与所述译码器和所述多个噪声去除模块耦接，用于根据所 述指令编码启用所述多个噪声去除模块中的至少一个噪声去除模块。
可选地，还包括：输出模块，用于从所述译码器接收所述脑电信号， 并输出不包含任何噪声的脑电信号，并将包含噪声的脑电信号输出给所 述多个噪声去除模块。
可选地，所述分类模块包括：
小波变换单元，与所述缓存模块耦接，用于采用小波函数对所述脑 电信号进行小波变换，并将小波变换后的脑电信号传送给边缘检测单元；
边缘检测单元，与小波变换单元耦接，用于检测小波变换后的脑电 信号中的阶跃数据，并根据阶跃数据存在与否确定是否存在眼电噪声；
傅里叶变换单元，与所述缓存模块耦接，用于对所述脑电信号进行 快速傅里叶变换，以将时域数据信息转化为频域数据信息，并将频域数 据信息分别传送给峰度计算单元和能量估计单元；
峰度计算单元，与所述傅里叶变换单元耦接，用于根据所述频域数 据信息计算所述脑电信号的峰度值，并根据所述脑电信号的峰度值是否 满足预设条件确定所述脑电信号是否存在工频/谐波噪声；
能量估计单元，与所述傅里叶变换单元耦接，用于根据频域数据信 息进行固定频段的能量占比计算，如果能量占比评估超过预设定阈值， 确定存在肌电噪声。
可选地，所述缓存模块包括：
第一寄存器和第二寄存器；
第一逆多路器，包括两个输出端，两个输出端分别与所述第一寄存 器和第二寄存器耦接，用于将脑电信号输送给所述第一寄存器或所述第 二寄存器；
第一多路器，包括两个输入端，两个输入端分别与所述第一寄存器 和所述第二寄存器耦接，用于所述第一寄存器或所述第二寄存器中的脑 电信号输送给所述分类模块。
可选地，所述输出模块包括第二逆多路器，所述第二逆多路器的输 入端和所述译码器耦接，所述第二逆多路器的一个输出端输出不包含任 何噪声的脑电信号，另一输出端与所述多个噪声去除模块耦接。
可选地，所述多个噪声去除模块包括：小波算法单元、EMD模块、 CCA模块和过滤器，所述计算设备还包括：
第三逆多路器，输入端接收所述脑电信号，四路输出端分别耦接到 所述小波算法单元，所述EMD模块、所述CCA模块和所述过滤器；
第四逆多路器，输入端与所述小波算法单元耦接，两路输出端分别 耦接到所述EMD模块和输出经过噪声去除的脑电信号；
第五逆多路器，输入端与所述EMD模块耦接，两路输出端分别耦接 到所述CCA模块和输出经过噪声去除的脑电信号；
第六逆多路器，输入端与所述CCA模块耦接，两路输出端分别耦接 到所述过滤器和输出经过噪声去除的脑电信号；
第七逆多路器，输入端与所述过滤器耦接，一个输出端输出经过噪 声去除的脑电信号，另一个输出端耦接至所述小波算法单元、所述EMD 单元、所述CCA模块和所述过滤器。
可选地，所述计算设备还包括第二多路器和第三多路器，所述第二 多路器包括两个输入端，一个输入端与所述缓存模块耦接，另一输入端 与所述第三多路器的输出端耦接，输出端与所述分类模块耦接，所述第 三多路器的多个输入端分别与所述第三逆多路器、所述第四逆多路器、 所述第五逆多路器、所述第六逆多路器和所述第七逆多路器的一个输出 端耦接。
可选地，还包括：与所述缓冲器耦接的模数转换单元，用于将模拟 化的脑电信号转换为数字化的脑电信号。
第二方面，本公开实施例提供一种可穿戴设备，包括上述任一项所 述的计算设备和用于采集模拟化的脑电信号的至少一个电极。
第三方面，本公开实施例提供一种处理单元，包括上述任一项所述 的计算设备。
第四方面，本公开实施例提供一种家用检测设备，包括上述任一项 所述的计算设备。
第五方面，本公开实施例提供一种计算设备，包括：
取指令单元，用于从外部的存储器取回计算机指令；
指令译码单元，用于对取回的计算机指令进行译码；
指令执行单元，用于执行译码后的所述计算机指令，以实现：
获取脑电信号；
确定所述脑电信号的分类，所述脑电信号的分类表示所述脑电信号 的噪声种类；
根据所述脑电信号的分类执行噪声去除操作。
可选地，所述确定所述脑电信号的分类包括：
对所述脑电信号进行频域和时域的检测；以及
根据检测结果和预定义的分类规则确定脑电信号的分类。
可选地，预定义的分类规则包括：
在时域上，定义脑电信号的幅值范围；
在频域上，定义频谱分布能量集中的频段范围，且要求频段能量随 着频率的增大，整体呈现逐步下降的趋势，而且不存在某一频率能量突 然急剧的增大，
则所述根据检测结果和预定义的分类规则确定脑电信号的分类包括：
同时符合时域和频域的分类规则的脑电信号为第一分类，表示所述 脑电信号为不包含任何噪声的脑电信号；
不符合时域但符合频域的分类规则的脑电信号为第二分类，表示包 含眼电噪声的脑电信号；
不符合频域但符合时域的分类规则的脑电信号为第三分类，表示包 含肌电噪声和工频/谐波噪声的脑电信号；
不符合频域且不符合时域的分类规则的脑电信号为第四分类，表征 包含眼电噪声、肌电噪声和工频/谐波噪声的脑电信号。
可选地，在根据所述脑电信号的分类执行噪声去除操作时，如果所 述脑电信号包括工频/谐波噪声、眼电噪声和肌电噪声中的至少两项，则 按照以下优先级从高到底的顺序依次去除噪声：
工频/谐波噪声去除操作的优先级高于肌电噪声去除操作的优先级， 并且，肌电噪声去除操作的优先级高于眼电噪声去除操作的优先级。
可选地，所述根据所述脑电信号的分类执行噪声去除操作包括：
采用离散小波变换，通过小波函数分解所述脑电信号来检测眼电噪 声的区域，并利用小波阈值法去除所述脑电信号中存在的眼电噪声；
采用集合经验模态分解与典型相关分析相结合检测并去除肌电噪 声；
利用滑动窗口遍历所述脑电信号的整个频谱并计算每个滑动窗口的 峰度，在滑动窗口的峰度超过阈值的情况下，判定滑动窗口中存在工频/ 谐波噪声，并采用陷波滤波器去除滑动窗口中存在工频/谐波噪声。
第六方面，本公开实施例提供一种从脑电信号中去除噪声的方法， 包括：
获取脑电信号；
确定所述脑电信号的分类，所述脑电信号的分类表示所述脑电信号 的噪声种类；
根据所述脑电信号的分类执行噪声去除操作。
可选地，所述确定所述脑电信号的分类包括：
对所述脑电信号进行频域和时域的检测；以及
根据检测结果和预定义的分类规则确定脑电信号的分类。
可选地，预定义的分类规则包括：
在时域上，定义脑电信号的幅值范围；
在频域上，定义频谱分布能量集中的频段范围，且要求频段能量随 着频率的增大，整体呈现逐步下降的趋势，而且不存在某一频率能量突 然急剧的增大，
则所述根据检测结果和预定义的分类规则确定脑电信号的分类包括：
同时符合时域和频域的分类规则的脑电信号为第一分类，表示所述 脑电信号为不包含任何噪声的脑电信号；
不符合时域但符合频域的分类规则的脑电信号为第二分类，表示包 含眼电噪声的脑电信号；
不符合频域但符合时域的分类规则的脑电信号为第三分类，表示包 含肌电噪声和工频/谐波噪声的脑电信号；
不符合频域且不符合时域的分类规则的脑电信号为第四分类，表征 包含眼电噪声、肌电噪声和工频/谐波噪声的脑电信号。
可选地，在根据所述脑电信号的分类执行噪声去除操作时，如果所 述脑电信号包括工频/谐波噪声、眼电噪声和肌电噪声中的至少两项，则 按照以下优先级从高到底的顺序依次去除噪声：
工频/谐波噪声去除操作的优先级高于肌电噪声去除操作的优先级， 并且，肌电噪声去除操作的优先级高于眼电噪声去除操作的优先级。
可选地，所述根据所述脑电信号的分类执行噪声去除操作包括：
采用离散小波变换，通过小波函数分解所述脑电信号来检测眼电噪 声的区域，并利用小波阈值法去除所述脑电信号中存在的眼电噪声；
采用集合经验模态分解与典型相关分析相结合检测并去除肌电噪 声；
利用滑动窗口遍历所述脑电信号的整个频谱并计算每个滑动窗口的 峰度，在滑动窗口的峰度超过阈值的情况下，判定滑动窗口中存在工频/ 谐波噪声，并采用陷波滤波器去除滑动窗口中存在工频/谐波噪声。
本公开实施例提供了去除脑电信号中的噪声的软件和硬件两个方面 的解决方案。这两方面的解决方案都能够检测并去除脑电信号中的噪声， 据此提供的计算设备可在自由移动的场景使用，因此可用于功耗和成本 较为敏感的轻量级的电子产品中。
附图说明
通过参考以下附图对本公开实施例的描述，本公开的上述以及其它 目的、特征和优点将更为清楚，在附图中：
图1是本公开实施例所提供的脑电信号处理装置所应用的网络架构 图；
图2是图1所示的脑电信号处理装置采用软件解决方案时一实施例 所提供的从脑电信号中去除伪影的方法的流程图；
图3a是表示脑电信号的小波分解阶跃图；
图3b表示初步的眼电噪声检测结果；
图3c表示最终的眼电噪声检测结果；
图4是图1所示的脑电信号处理装置采用软件解决方案时另一实施 例所提供的从脑电信号中去除伪影的方法的流程图；
图5是本公开实施例提供的从脑电信号中去除伪影的方法所应用的 嵌入式系统的一种系统架构图；
图6是图5所示的嵌入式处理器的结构图；
图7是图1所示的脑电信号处理装置采用硬件解决方案时一实施例 所对应的硬件架构图；
图8是图7中的边缘检测单元的硬件结构示意图；
图9是图7中的峰度计算单元的硬件结构示意图；
图10是图7中的译码器的信号时序图；
图11是图7中的状态机的信号时序图；
图12是图7中的过滤器的硬件结构示意图；
图13是图7中的小波算法单元的硬件结构示意图；
图14a-14c分别用于示意初始的脑电信号以及各种噪声去除之后的 脑电信号。
具体实施方式
以下基于实施例对本公开进行描述，但是本公开并不仅仅限于这些 实施例。在下文对本公开的细节描述中，详尽描述了一些特定的细节部 分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本 公开。为了避免混淆本公开的实质，公知的方法、过程、流程没有详细 叙述。另外附图不一定是按比例绘制的。
整体网络架构
图1是本公开实施例所提供的脑电信号处理装置所应用的网络架构 图。
架构100包括网络110，服务器120以及通过网络110与服务器120通信 的脑电信号处理装置101-105。网络110可以是，但不限于，局域网("LAN")、 虚拟专用网("VPN")、蜂窝网络、因特网、物联网或各种网络的组合。例 如，网络110可包括耦合到因特网或内部专用网的移动网络，网络110也 可以是位于云计算边缘的互联网络，该互联网络通过多个物联网设备之 间的互相联通组成。
脑电信号处理装置101-105用于采集脑电信号并对脑电信号去除伪 影(即噪声)。针对脑电信号处理装置101-105，本公开实施例将提供软 件和硬件两种决方案。当采用软件解决方案时，上述信号采集装置 101-105将作为功能单元存储并在终端设备中执行。终端设备可以是但不 限于便携式手持机、智能电话、平板计算机、个人数字助理(PDA)、医疗检测终端等。当采用硬件解决方案时，上述信号采集装置101-105可作为 体外检测设备，专用于脑电信号采集和处理，或者与其他的例如智能可 穿戴设备、VR设备、蓝牙耳机等设备结合，在产品已有的功能之外另增 加一个脑电信号采集和去除噪声的功能。
脑电信号处理装置101-105采用电极121连接到用户的头皮上。在各 种实施例中，电极121可以有一个或多个；电极121可以经由物理线路(例 如线缆)有线地耦合到脑电信号处理装置101-105上，或者经由短距离无 线通信技术无线地耦合到脑电信号处理装置101-105，如果是有线地耦合， 电极121还可以可拆卸地与脑电信号处理装置101-105连接，如果是无线 地通信，则采用例如近场通信(NFC)、ZigBee和蓝牙等短程无线通信技术 来实现；在设计时，电极121可以隐藏在脑电信号处理装置的内部，例如 将电极的隐藏在VR头盔的内部，当电极工作时仅有一小部分作为触角延 伸出来，并贴合到用户的头皮上。初始的脑电信号为模拟信号，需通过 模数转换电路，将模拟信号转换为数字信号，以后续进行数字信号处理。
脑电信号处理装置101-105可在移动场景下采集和处理脑电信号。为 了说明这一特点，图上示出了在人站立、睡眠和行走三种状态下采集脑 电信号。
脑电信号处理装置101-105将去除噪声后的脑电信号发送给服务器 120。服务器120上部署有EEG处理系统，用于进一步地分析和存储数字化 的脑电信号。例如，处理系统121可以根据数字化的脑电信号进行健康监 控，并在判断可能存在脑部问题的情况下，向用户发送提醒信息，处理 系统121还可以根据脑电信号数据进行健康统计报告，定期发送给用户。
当然，随着终端设备的性能提升，本例中部署在脑电信号处理装置 101-105和服务器120的EEG处理系统可以都部署在一个终端设备中。并且 终端设备可以设计成一个便携式产品，以方便在移动场景下使用，相应 的产品有家用检测设备、可穿戴设备、等等。
下面将详细介绍脑电信号处理装置的软件和硬件两个方面的解决方 案。
软件解决方案
图2是图1所示的脑电信号处理装置采用软件解决方案时一实施例所 提供的从脑电信号中去除伪影的方法的流程图。该流程图包括步骤 S10-S30。
步骤S10用于获取数字化的脑电信号。初始的脑电信号是模拟信号， 经过模数转换电路，将模拟信号转换为数字信号，即为本步骤中所指的 数字化的脑电信号。本步骤定时采集一定时长的脑电信号，例如每次采 集60秒的数字化的脑电信号。
步骤S20用于对数字化的脑电信号进行频域和时域的检测，根据检测 结果与预定义的分类规则确定脑电信号的分类。该步骤先从频域和时域 两个角度对数字化的脑电信号进行检测，然后将检测结果与预定义的分 类规则进行比对，确定脑电信号的分类。预定义的分类规则从频域和时 域两个角度规定如下：1)在时域上，定义脑电信号的幅值范围；2)在 频域上，定义频谱分布能量集中的频段范围，且要求频段能量随着频率 的增大，整体呈现逐步下降的趋势，而且不存在某一频率能量突然急剧 的增大。当接收到的数字化的脑电信号满足条件则标记为“+”，否则标 记为“-”。由此，根据上述条件，可将脑电信号分为四类。为了方便描 述与刻画，引入象限分类来代表噪声检测的结果，将时域分析结果作为 横坐标，频域分析结果为纵坐标，这样分析检测的结果就可划分为四个 象限。通过上述分类规则得到的脑电信号的分类表征脑电信号可能存在 的一种或多种噪声种类。
步骤S30执行与脑电信号可能存在的噪声种类对应的噪声检测和去 除操作。
具体地，如图上所示，将脑电信号分类为Type-1～Type-4中的一种。 Type_1表示该脑电信号为不包含任何噪声的脑电信号，无需伪影去除。 Type_2表示该脑电信号仅可能存在眼电噪声，并执行步骤S311，即检测 眼电噪声得到眼电噪声区域并做眼电噪声去除。Type_3表示该脑电信号 中可能存在肌电噪声和工频/谐波噪声，并执行步骤S321，即分别检测 肌电噪声和工频/谐波噪声，并根据检测结果分别执行步骤S323、S324 或S325。S323表示从脑电信号中仅检测到肌电噪声，因此仅去除肌电噪 声。S324表示仅检测到工频/谐波噪声，因此仅去除工频/谐波噪声。S325 表示从脑电信号检测到肌电噪声和工频/谐波噪声，因此分别去除工频/ 谐波噪声和肌电噪声。Type_4表示该脑电信号中可能存在眼电噪声、肌 电噪声和工频/谐波噪声，并执行步骤S331，即分别检测眼电噪声、肌 电噪声和工频/谐波噪声，并根据检测结果分别执行步骤S332、S333或 S334。S332表示从脑电信号中仅检测到眼电噪声和肌电噪声，因此分别 去除肌电噪声和眼电噪声。S333表示从脑电信号中检测到眼电噪声和工 频/谐波噪声，因此分别去除工频/谐波噪声和眼电噪声。S334表示从脑 电信号中检测到眼电噪声、肌电噪声和工频/谐波噪声，因此分别去除工 频/谐波噪声、肌电噪声和眼电噪声。
当脑电信号包括工频/谐波噪声、眼电噪声和肌电噪声中的至少两项 时，当按照优先级从高到底的顺序依次去除各种噪声时，工频/谐波噪声 的优先级最高，肌电噪声的优先级次之，肌电噪声的优先级最低。
本公开实施例提供的脑电信号检测方法和装置，针对脑电信号，先从 时域和频域两个角度进行粗略检测，确定脑电信号分类，所述脑电信号 的分类表示所述脑电信号中可能存在的不同噪声种类，然后根据脑电信 号的分类进行相应噪声的详细检测和噪声去除，由于无需将所有噪声的 详细检测都执行一次就可以完成脑电信号的检测和噪声去除，从而有助 于减少系统计算量，降低系统功耗，且更加适用于边缘计算。
下面具体介绍眼电噪声、肌电噪声和工频/谐波噪声的检测和去除算 法。
Figure BDA0002524635910000101
眼电噪声检测和去除
眼电噪声主要有眼睛的眨动所引起的，眼电噪声在脑电信号中并不是 时时刻刻存在的，因而需要通过检测出眼电噪声存在的区域来判断眼电 噪声的存在。眼电噪声的幅值相当高，是脑电信号的多倍，因而从时域 上就可以明显看到。采用离散小波变换，可以Haar(哈尔)小波作为小 波基函数，通过运用Haar小波来分解脑电信号来检测眼睛状态从睁开 到闭上或从闭上到张开的确切时刻，即眼电噪声的区域。Haar小波是小 波分析中最早用到的一个具有紧支撑的正交小波函数，也是最简单的一 个小波函数，它是支撑域在t∈[0,1]范围内的单个矩形波。使用Haar 小波分解脑电信号会得到一个阶跃函数图，由于眼电噪声在时域上是一 个尖锐的尖峰，对应在阶跃函数图里的阶跃值也很大，因而阶跃值过大 被判定为眼电阶跃。一个标记为眼电下降沿代表眼睛从睁开到闭眼，一 个标记为眼电上升沿的代表眼睛从闭眼到睁开。为了进一步提高检测的 正确率，减少误检的情况发生，将通过阶跃函数图所得到的所有眼电区 域进行判断，确定该区域的最大幅值是否大于设定阈值，如果眼电区域 的最大幅值大于设定阈值，则认为是眼电噪声区域，如果未超过设定阈 值，则不是眼电噪声区域。此外，眼电噪声检测不局限必须采用Haar 小波，例如还可以采用Symlet小波(近似对称的紧支集正交小波)、 Coiflet小波、Biorthogonal小波、ReverseBior小波等等。
参考图3a-3c所示，图3a是表示脑电信号的小波分解阶跃图；图3b 表示初步的眼电噪声检测结果，其中区域1-4是初步的眼电噪声区域；
图3c表示最终的眼电噪声检测结果，根据设定阈值剔除了初步结果中的 1-2，将3-4作为最终的眼电噪声区域。
由于眼电噪声在脑电信号中并不是时时刻刻存在的，因而仅对眼电检 测算法得到的眼电噪声区域做眼电去除处理，这样能减少脑电信号中的 有效信息的损失。采用以Coif3作为小波基函数的小波阈值法去噪。对 于小波系数的阈值设定，常用的衡量方法有：通用阈值与基于信号统计 量的统计量阈值。本文中采用了统计量阈值法，其公式(1)为
T＝1.5*std(Hk) (1)
其中T是求得的估值，std(Hk)表示计算第k层的小波系数的标准偏差。 由于眼电噪声主要集中在0～8Hz频段，因而将256Hz采样频率的脑电信 号小波变换分解成8层，仅对第5～8层的小波系数作小波阈值处理，处 理方式是软阈值处理，相比与硬阈值处理方式，其处理后的信号更为光 滑连贯。完整的流程步骤：
1.根据眼电噪声检测算法得到的眼电区域，逐个对每个区域做处理；
2.以Coif3为小波基函数，将脑电信号分解成八层，计算第5～8层 的小波去噪阈值；
3.根据求得的阈值，采用软阈值的处理方式进行眼电噪声去除。
其中，软阈值处理思想公式：
Figure BDA0002524635910000121
其中，x为输入的信号，t为设定阈值，y为处理后的输出信号，tmp 和tmpl表示公式中间变量，无具体含义。
软阈值处理的复杂度分析：
1.所有的输入均为n个点的数组；
2.计算四层小波系数阈值：四个乘运算
3.软阈值处理：一个乘运算和一个除运算。
可以看到软阈值处理的乘除运算极少，因此，该算法处理的复杂度 不高，使用较少的硬件资源就可以实现，同时延时也不大。
Figure BDA0002524635910000123
肌电噪声检测和去除
根据肌电噪声的特征，肌电噪声分布十分的广泛，但是其主要集中 分布在20～100Hz这频段中，而脑电信号的能量又恰好主要集中在低频段 区域，因而定义一个肌电检测公式(MAD)，通过计算20～100Hz频段的能 量占整个脑电信号的能量的比例来判断是否存在肌电噪声，若比例过大， 则判定脑电信号中存在肌电信号。肌电检测公式(MAD)如下所示。
Figure BDA0002524635910000122
其中，MAD是定义的一个公式，用于得到肌电检测比例，PSD表示功 率谱密度，即在固定频率区间的能量占总能量的比例。
肌电噪声去除采用集合经验模态分解(EEMD)与典型相关分析(CCA) 相结合实现。经验模态分解(EMD)可以将非线性、非平稳的时间序列信 号分解为有限个本征模态函数(IMF)，IMF是单分量、零均值的振荡函 数，相互之间正交，这也意味着每个IMF分量代表了不同时间尺度上的 样本特征。但是EMD对噪声十分敏感从而造成“模态混叠”问题，因而 采用了一种更为稳定的、噪声协助的EEMD。EEMD就是在EMD基础上，在 原始信号中加入具有相同标准偏差的独立、同分布的白噪声，使信号在 整个频带中极值点间隔分布均匀，在不同尺度上具有连续性，从而降低 了模态混叠效应。
将盲源分离技术(例如独立成分分析ICA、典型相关分析等)应用到 由EEMD分解出的IMFs(多条本征模态函数)来分离出有意义的源信号， 计算每个分离出的源信号的MAD(肌电检测比例)，从而判断出属于肌 电噪声的成分。CCA(典型相关分析)能够使得分解的源信号最大的自相 关和相互不相关，由于相对越小的自相关，排的越靠后，因而分离出的最后几个源成分为独立的肌电噪声。相比于另一种常用的盲源分离技术 --ICA，CCA具有更强的稳定性，CCA对于固定的数据集输入始终得到相 同的结果；以及具有更低的计算复杂度，CCA是基于二阶统计量，而ICA 则是基于高阶统计量。基于以上稳定性和复杂度综合考虑与分析，有理 由讲EEDM-CCA是当前去除肌电最有效的方法。
具体的肌电去除算法步骤：
1.采用EEDM将单通道信号分解成有限个IMFs
2.将所有IMFs作为盲源分离的输入信号，采用CCA分离出多个互不 相关的源信号。
3.采用肌电噪声检测算法中的公式MAD，判定肌电成分。
4.对判定为肌电成分的分量作置零操作，作CCA逆变换，得到新的 IMFs，再将所有的IMFs相加得到去肌电后的信号。
由EMD分解得到一系列的本征模态分量(IMF)，如下所示：
Figure BDA0002524635910000131
其中imfi(t)表示EMD分解得到的第i个IMF；rn(t)是分解筛除n个IMF 后的信号残余分量，t表示时间，n表示数量，x(t)表示初始源信号。
下面是EMD执行流程。
初始化r0(t)＝x(t),i＝1；
While(ri(t)的极值数)>＝2)
Figure BDA0002524635910000141
<＝0.2)％分解第i个IMFSd结束条件：
两个连续处理结果标准差。其中，hj(t)表示第j个分解后的余下信号， Sd表示筛分门限值，一般取值0.2-0.3。
1.找出整条信号所有的极大值与极小值，采用三次样条曲线分别将 所有极大值与极小值连接起来，形成上下两个包络线，取两者均 值得到mj(t)；
2.hj(t)＝hj-1(t)-mj(t)原信号减去求得的均值，得到一个新信号；
3.得到新的信号重复1、2步骤，直到满足结束条件。
End while
imfi(t)＝hj(t)
ri(t)＝ri-1(t)-imfi(t)其中imfi(t)表示EMD分解得到的第i个IMF；ri(t) 表示第i次分解后的残差信号，ri-1(t)表示第i-1次分解后的残差信 号。
该循环操作得到满足条件的本征模态函数(IMF)。
End while
下面是EEMD执行流程。
1.EEMD就是给原始信号加入零均值，频谱均匀分布的白噪声，然后 再进行EMD操作；
2.将独立同分布的白噪声加入到原始信号中；
3.将加入白噪声的进行EMD操作，得到各个IMF分量；
4.重复1、2操作，每次加入新的白噪声；
5.将每次得到的IMF做集成平均处理后得到最终IMF分量。
下面是典型相关分析(CCA)算法的理论公式
寻找X＝(X1,X2,...,Xp)',Y＝(Y1,Y2,...,Yq)'的线性组合
Figure BDA0002524635910000142
使得U1、V1的相关系数ρ(U1,V1)达到最大，其中
Figure BDA0002524635910000143
因而能够得到相关系数为
Figure BDA0002524635910000151
其中，Σ11和Σ22分别是X与Y的子协方差矩阵，Σ12是X与Y的交叉协方 差矩阵。
下面是CCA算法执行的伪代码：
Input：脑电信号X,尺寸大小为C*T。
Output：去除几点后的脑电信号X’
建立两个矩阵X＝X(t)，Y＝X(t-1)；初始化两个unmixing矩阵(U、 V)为空；初始化两个源矩阵(A、B)为空。
For m＝1:C
If m＝＝1then
求解公式(2)；
将分解出的a1和b1放入unmixing矩阵中：
Figure BDA0002524635910000152
将第一对典型变量放入源矩阵中：
Figure BDA0002524635910000153
Else
求解公式(2)时附加一个额外条件：变量与之前所有找到的变量不 相关。
将分解出的a1'和b1'放入unmixing矩阵中：U＝[U；(a1')T]、V＝[V；(b1')T]。
将第m对典型变量放入源矩阵中：A＝[A；(a1')TX]、B＝[B；(b1')TY]。
End if
End for
由于肌电去除运用了EEMD+CCA组合算法，且这两算法都不简单，可 以在matlab中命令窗口执行’open emd’和’open canoncorr’查看其 中算法的部分代码。
在EMD中：求取极值，存在3个乘操作，3个除操作；在求包络线均 值，存在调用1次求极值操作，3个乘操作，2个除操作；在停止IMF 筛选条件，存在1次求极值操作；在结束EMD条件，存在1次调用极值 操作，3个乘操作，1个除操作。
在EEMD中：也是循环操作，每次循环：存在1个乘操作，1个除操作， 以及调用1次EMD操作。
在CCA中：每次循环存在21个乘操作，7个除操作。
可见EEMD+CCA算法的乘除法运算并不多，不会耗用过多的硬件资源， 因此，肌电去除的复杂度在可接受的范围之内。
Figure BDA0002524635910000162
工频/谐波噪声检测和去除
工频噪声是由电力系统的电流传输产生，频率主要在50/60Hz。由于 工频噪声一旦存在，就会遍布信号中的时时刻刻，其主要特征体现在某 一频率能量突然急剧的上升。因而采用峰度来衡量检测是否存在工频/ 谐波噪声。用一个长度为k的滑动窗口遍历信号的整个频谱，计算每个 滑动窗口的峰度，若算得的峰度超过设定阈值，则判定该滑窗中存在工 频/谐波噪声，对应的噪声频率为s+k/2，s为滑窗的起始频率。对于工 频/谐波干扰，使用简单的陷波滤波器就可以去除。
构造陷波滤波器思想公式如下所示：
Figure BDA0002524635910000161
其中fs为采样频率；frez为要去除的频率；q为质量因子，Wo，Bw， Gb，beta，num，den均为一系列的公式中间变量，无具体含义。因为若 没这些中间变量，把其整合成一个公式会显得公式十分复杂繁琐巨大累 赘。
构造陷波滤波器时，存在一个指数函数(求Gb中存在，但由于采用 了默认值，Gb为sqrt(2)/2,可取一个常数0.7071)，一个tan函数， 一个cos函数，一个开根号函数，八个乘法，七个除法。
图4是图1所示的脑电信号处理装置采用软件解决方案时另一实施 例所提供的从脑电信号中去除伪影的方法的流程图。如图上所示，步骤 S401用于获取数字化的脑电信号。步骤S402用于对脑电信号进行初步 检测，根据检测结果确定脑电信号的分类。步骤S403根据脑电信号的分 类与表征(++)象限的参考信号S1比较，如果相同，则表示该脑电信号 为不包含任何噪声的脑电信号，不需要去除噪声，否则进行去噪处理。 当进行去噪处理时，根据脑电信号的象限分类分别执行步骤S404、S405 或S406。S404表示执行(-,+)象限下的噪声处理算法。S405表示执行(+,-) 象限下的噪声处理算法。S406表示执行(-,-)象限下的噪声处理算法。 这三种象限对应于不同的噪声存在，也对应于用户的不同状态。S404、S405和S406输出的脑电信号继续输入给步骤S402，以确定是否还需要 进行去噪处理。即于脑电信号对于脑电信号，可重复噪声检测和去除， 直到得到不包含任何噪声的脑电信号。
图5是上述方法所应用的嵌入式系统500的一种系统架构图。嵌入 式系统(Embedded system)是一种完全嵌入受控器件内部，为特定应用 而设计的专用计算机系统。根据英国电气工程师协会(U.K. Institution of Electrical Engineer)的定义，嵌入式系统为控制、 监视或辅助设备、机器或用于工厂运作的设备。与个人计算机这样的通 用计算机系统不同，嵌入式系统通常执行的是带有特定要求的预先定义 的任务。由于嵌入式系统只针对一项特殊的任务，设计人员能够对它进 行优化，减小尺寸降低成本。嵌入式系统通常进行大量生产，所以单个 的成本节约，能够随着产量进行成百上千的放大。
尽管各种具体的嵌入式系统的功能、外观界面、操作等各不相同， 甚至千差万别，但是基本的硬件结构却是大同小异的，而且和通用计算 机的硬件系统有着高度的相似性，但是嵌入式系统应用上的特点致使嵌 入式系统在硬件的组成和实现形式上与通用计算机系统又有较大区别。
首先，为满足嵌入式系统500在速度、体积和功耗上的要求，操作 系统、应用软件、特殊数据等需要长期保存的数据，通常不使用磁盘这 类具有大容量且速度较慢的存储介质，而大多使用随机存储器502或闪 存(Flash Memory)503，如图5所示。
另外，在嵌入式系统500中，需要A/D(模拟/数字转换)接口505 和串行接口506，用于测控的需要，这在通用计算机中用得很少。A/D 接口505主要完成测试中所需要的模拟信号到数字信号的转换、和数字 信号到模拟信号的转换。嵌入式系统500应用于工业生产时经常需要测 试。由于单片机产生的是数字信号，在测试时需要转换成模拟信号用于 测试，因此，与通用计算机不同，需要A/D(模拟/数字转换)接口505 完成相关转换。另外，工业中经常需要多个嵌入式系统串接在一起，完 成相关功能，因此需要用于将多个嵌入式系统串联的串行接口506，而 在通用计算机中则大多不需要。
另外，嵌入式系统500作为一个基本的处理单元，常常在工业设计 中需要将多个嵌入式系统500联成网络，因此需要将嵌入式系统500联 入网络的网络接口507。这在通用计算机中大多也不需要。此外，根据 实际应用和规模的不同，有些嵌入式系统500要采用外部总线504。随 着嵌入式系统500应用领域的迅速扩张，嵌入式系统500越来越趋于个 性化，根据自身特点采用总线的种类也越来越多。另外，为了对嵌入式 处理器501内部电路进行测试，处理器芯片普遍采用了边界扫描测试技 术。为了适应该测试，采用了调试接口508。
嵌入式系统500的处理核心是嵌入式处理器501。图6是图5所示 的嵌入式处理器的结构图。嵌入式处理器501包括算术逻辑单元(ALU) 511、寄存器512和控制单元513。算术逻辑单元511完成实际的运算处 理。寄存器512用于存储运算处理过程中的指令和运算处理中的中间结 果等。控制单元513完成对外部的RAM 502、闪存503的访问的控制。
在执行待执行指令时，ALU 511将待执行指令从RAM 502或闪存503 中搬运到寄存器512中，并接收下一个取指地址或根据取指算法计算获 得下一个取指地址，取指算法例如包括：根据指令长度递增地址或递减 地址。
取出指令后，ALU 511进入指令译码阶段，其按照预定的指令格式， 对取回的指令进行译码，以获得取回的指令所需的操作数获取信息，从 而为指令的执行做准备。操作数获取信息例如指向RAM 502或闪存503 中的地址等。译码后，ALU按照操作数获取信息，获取RAM 502或闪存 503中存储的操作数执行处理。
ALU 511在执行某类指令(例如访存指令)时，需要访问RAM 502 或闪存503，以获取其中存储的信息或提供需要写入RAM 502或闪存503 中的数据。
访存指令被ALU 511获取之后，ALU 511可以对访存指令进行译码 处理，使得访存指令的源操作数可被获取。ALU 511可以对访存指令的 源操作数进行相应的运算(例如由算术逻辑单元对存储于寄存器中的源 操作数进行运算)以获得访存指令对应的地址信息，并根据该地址信息 发起相应的请求，例如地址转译请求、写访问请求等。
访存指令的源操作数通常包括地址操作数。ALU 511对该地址操作 数进行运算以获得访存指令对应的虚拟地址。ALU 511根据该虚拟地址 向控制单元513发起地址转译请求，该地址转译请求包括与访存指令的 地址操作数对应的虚拟地址。控制单元513响应地址转译请求，并根据 与该虚拟地址匹配的表项将地址转译请求中的虚拟地址转换为物理地址， 使得ALU 511可以根据转译后的物理地址访问RAM 502或闪存503。
根据功能的不同，访存指令可包括加载指令和存储指令。加载指令 的执行过程通常不需要对RAM 502或闪存503中的信息进行修改，ALU 511 只需要根据加载指令的地址操作数读取存储于RAM 502或闪存503或外 部的存储设备中的数据。
不同于加载指令，存储指令的源操作数不仅包括地址操作数，还包 括数据信息，存储指令的执行过程通常需要对RAM 502或闪存503进行 修改。存储指令的数据信息可以指向写入数据，该写入数据的来源可以 是运算指令、加载指令等指令的执行结果，也可以是寄存器512中的数 据，还可以是立即数。
随着超大规模集成电路(Very Large Scale Integration)和半导体 工艺的迅速发展,上述的嵌入式系统的部分或者全部可实现在一个硅片 上，即为嵌入式片上系统(SoC)。换言之，上述实施例提供的方法也可 以应用于一个嵌入式片上系统。此外，虽然本文并未介绍传统的计算机 系统，但是本领域的技术人员能够明白，上述实施例提供的方法也可以 应用于传统的计算机系统。
硬件解决方案
图7是图1所示的脑电信号处理装置采用硬件解决方案时一实施例所 对应的硬件架构图。脑电信号处理装置根据输入的信号，确定可能存在 的噪声种类，再选择相适配的噪声去除算法，从而实现信号的噪声去除。
硬件架构图80包括缓存模块81、分类模块82、译码器83、状态机 84、输出模块85和噪声去除算法库86以及一些图上未示出的寄存器。 缓存模块81用于接收并缓存初始的数字化的脑电信号。缓存模块81可 与一个图上未示出的模数转换电路耦合，并可定时采集一定时长的数字 化的脑电信号。分类模块82与缓存单元81耦接，用于获取数字化的脑 电信号，对数字化的脑电信号的频率和幅值进行检测，确定该脑电信号 的分类，脑电信号的分类表征脑电信号存在的一种或多种噪声种类。译 码器83与分类模块82耦接，用于获取与脑电信号的分类相对应的指令 编码，将指令编码传送给状态机84，同时将脑电信号传送给输出模块。 输出模块85与译码器83耦接，用于输出脑电信号。状态机84根据输入 的指令编码控制与状态机84耦接的噪声去除算法库86的多个噪声去除 模块的启用和关闭，当某个噪声去除模块启用时，从脑电信号中去除相 应的噪声种类，并输出经过噪声去除的脑电信号。输出模块85为非必须 模块。当省略输出模块85时，可将译码器83与多个噪声去除模块耦接， 译码器83向多个噪声去除模块分别提供脑电信号。
作为可选的实施例，如图上所示，缓存模块81与分类模块82之间设 置一个多路器87。多路器87包括两个输入端和一个输出端，两个输入 端分别从缓存模块81接收数字化的脑电信号和从噪声去除算法库86接 收经过噪声去除的脑电信号，并根据选择信号CR3将其中的一路信号输 送给分类模块82。多路器87的作用就是将执行过噪声去除操作的脑电 信号再输送给分类模块82，从而使得脑电信号可进行多次的噪声去除操 作。
作为可选的实施例，如图上所示，缓存模块81包括逆多路器810、 寄存器reg1和reg2，以及多路器811。逆多路器810包括一个输入端和 两个输出端，输入端与外部的模数转换电路耦接，两个输出端分别与两 个寄存器reg1和reg2耦接，逆多路器810从输入端接收数字化的脑电 信号，根据选择信号CR1将其输送给寄存器reg1和reg2中的一个。寄 存器reg1和reg2用于存储数字化的脑电信号。寄存器reg1和reg2分 别与多路器811的两个输入端耦接。当然，没有多路器87，执行过噪声 去除的脑电信号也将无法输送给分类模块82。多路器811根据选择信号 CR2将寄存器reg1或reg2中的数字化的脑电信号传送给多路器87的一 个输入端，进而传送给分类模块82。这里的多路器87可省略，如果多 路器87被省略，则多路器811的输出端直接与分类模块82耦接，以便 于将数字化的脑电信号传送给分类模块82。在本实施例中，缓存模块81 的两个寄存器交替执行任务，一个执行写操作同时另一个执行读操作， 循环交替，起到数据缓冲作用。因此，使用两个寄存器有助于提高信号 流的处理速度。
作为可选的实施例，如图上所示，分类模块82可包括小波变换单元 821、傅里叶变换单元822、边缘检测单元823、峰度计算单元824和能 量估计单元825。小波变换单元821与多路器87的输出端或者直接与缓 存模块81耦接，用于接收初始的数字化的脑电信号或接收经过噪声去除 操作的脑电信号作为输入信号，采用小波函数对输入信号进行小波变换，并将小波变换后的信号传送给边缘检测单元823。边缘检测单元823与 小波变换单元821的输出端耦接，用于检测小波变换后的脑电信号中的 阶跃数据，并根据阶跃数据存在与否确定是否存在眼电噪声。傅里叶变 换单元822与多路器87的输出端或者直接与缓存模块81耦接，用于接 收初始的数字化的脑电信号或接收经过噪声去除操作的脑电信号作为输 入信号，采对输入信号进行快速傅里叶变换，将时域数据信息转换为频 域数据信息，并将频域数据信息分别传送给峰度计算单元824和能量估 计单元825。峰度计算单元824与傅里叶变换单元822耦接，用于根据 频域数据信息计算脑电信号的峰度值，并根据脑电信号的峰度值是否满 足预设条件确定脑电信号是否存在工频/谐波噪声。峰度计算单元824 还可包括比较器，用于将峰度值与预定义的阈值比较，如果超过预定阈 值，则确定包含工频/谐波噪声。能量估计单元825用于对频域数据信息 进行固定频段的能量占比计算，如果能量占比评估超过预设定阈值，则 表示存在肌电噪声。由此得到的各种噪声存在与否的标志即为脑电信号 的分类。虽然未示出，但是这些噪声存在与否的标志可以存在各个硬件 单元自身所具有的寄存器中，或者存储在整个系统的寄存器中，例如系 统的控制寄存器或状态寄存器。可选地，针对有限数量的噪声种类，预 先为每个噪声种类设置一个系统寄存器用于存储该噪声种类存在与否的 标志位(flag)，通过对flag置1还是置0来表示该噪声种类存在与否， 例如设置标志位flag_ta、flag_oa、flag_ma来表示工频/谐波噪声、眼 电噪声、肌电噪声存在与否。
作为可选的实施例，如图上所示，输出模块85包括逆多路器851， 逆多路器851包括一个输入端和两个输出端，输入端从译码器83接收脑 电信号，根据选择信号CR4从两个输出端选出一个输出端输出脑电信号， 其中，一个输出端输出不包含任何噪声的脑电信号，另一个输出端则耦 接到噪声去除算法库86，即将译码器83输出的脑电信号传送给噪声去 除算法库86再进行噪声去除操作。
作为可选的实施例，如图上所示，噪声去除算法库86包括小波算法 单元851、EMD模块853、CCA模块855和过滤器857四个噪声去除模块。 小波算法单元851用于执行眼电噪声检测和去除。关于眼电噪声检测和 去除的具体内容，可参考上文的相关描述，这里就不再赘述。EMD模块 853和CCA模块855协同工作完成肌电噪声的检测和去除。关于肌电噪 声的检测和去除的具体内容，可参考上文的相关描述，这里就不再赘述。 过滤器857用于执行工频/谐波噪声的检测和去除。关于工频/谐波噪声 的检测和去除的具体内容，可参考上文的相关描述，这里就不再赘述。
噪声去除算法库86还包括用于控制信号流方向的逆多路器860、852、 854、856和858以及多路器859。它们的连接关系和功能如下所述。逆 多路器860的输入端与逆多路器851的一个输出端耦接，用于接收需要 噪声去除操作的脑电信号，四路输出端分别与小波算法单元851、EMD 模块853、CCA模块855和过滤器857耦接，逆多路器860根据选择信号 CR5从四路输出端选出一路输出端传送需要噪声去除操作的脑电信号。 小波算法单元851将经过小波变换的脑电信号传送给逆多路器852的输 入端。逆多路器852包括两个输出端，一个输出端与多路器859的一个 输入端耦接，另一个输出端与EMD模块853耦接。逆多路器852将经过 小波变换后的脑电信号，根据选择信号CR6从两路输出端选出一个输出 端输出。EMD模块853对接收到的脑电信号判断属于肌电噪声的成分， 并据此处理接收到的脑电信号，将处理后的脑电信号传送给逆多路器 854的输入端。逆多路器854包括两个输出端，一个输出端与多路器859 的一个输入端耦接，另一个输出端与CCA模块855耦接。逆多路器854 对于接收到的脑电信号，根据选择信号CR7从两路输出端选出一个输出 端输出。CCA模块855协同EMD模块853，对接收到的脑电信号去除肌电 噪声，并将去除肌电噪声后的脑电信号传送给逆多路器856的输入端。 逆多路器856包括两个输出端，一个输出端与多路器859的输入端耦接， 另一个输出端与过滤器857耦接。逆多路器856对于接收到的脑电信号， 根据选择信号CR8从两路输出端选出一个输出端输出。过滤器857对接 收到的脑电信号进行过滤并将过滤后的脑电信号传送给逆多路器858的 输入端。逆多路器858包括两个输出端，一个输出端与多路器859的一 个输入端耦接，另一个输出端耦接到小波算法单元851、EMD模块853 和CCA模块855，以便于传送处理后的脑电信号。逆多路器858对于接 收到的脑电信号，根据选择信号CR9从两路输出端选出一个输出端输出。 多路器859的四路输入端分别与逆多路器852、854、856和858的一个 输出端耦接，输出端与多路器87的一个输入端耦接。多路器859根据选 择CR10从四路输入端选出一个输入端接收处理后的脑电信号，并通过输 出端输出给多路器87。
噪声去除算法库86中的选择信号CR4-CR10来自状态机84。下面进 一步说明选择信号CR4-CR10控制下的信号流。从译码器83开始，如果 译码器83接收到的脑电信号的分类表示不包含任何噪声的脑电信号，则 状态机84生成的选择信号CR4使得逆多路器851的输出端output输出 该脑电信号，如果译码器83接收到的脑电信号的分类表示包含一种或多种噪声种类，则状态机84根据包含的噪声种类相应地生成选择信号 CR5～CR10。例如，当脑电信号的分类表示脑电信号中包含眼电噪声时， 状态机84生成相应的选择信号CR5和CR6，选择信号CR5使得逆多路器 860在与小波算法单元851耦接的输出端输出脑电信号，以执行小波算 法单元851进行眼电噪声检测和去除，选择信号CR6使得逆多路器852 在与多路器859耦接的输出端输出处理后的脑电信号，从而使得脑电信 号只进行眼电噪声检测和去除；当脑电信号的分类表示脑电信号中包含 肌电噪声和工频/谐波噪声时，状态机84生成相应的选择信号CR5、CR7 和CR8，选择信号CR5使得逆多路器860在与EMD模块853耦接的输出 端输出脑电信号，选择信号CR7使得逆多路器854在与CCA模块855耦 接的输出端输出脑电信号，以执行肌电噪声的检测和去除，选择信号CR8 使得逆多路器856在与过滤器模块857耦接的输出端输出脑电信号，以 执行工频/谐波噪声的检测和去除；当脑电信号的分类表示脑电信号中包 含眼电噪声、肌电噪声和工频/谐波噪声时，状态机84生成相应的选择信号CR5、CR6、CR7和CR8，选择信号CR5使得逆多路器860在与小波 算法单元851耦接的输出端输出脑电信号，以执行小波算法单元851进 行眼电噪声检测和去除，选择信号CR6使得逆多路器852在与EMD模块 853耦接的输出端输出脑电信号，选择信号CR7使得逆多路器854在与 CCA模块855耦接的输出端输出脑电信号，以执行EMD模块853和CCA 模块855进行肌电噪声的检测和去除，选择信号CR8使得逆多路器856 在与过滤器模块857耦接的输出端输出脑电信号，以执行过滤器857进 行工频/谐波噪声的检测和去除。
此外，选择信号CR1～CR3也可以由状态机84生成。在通常的数字处 理电路中，选择信号在生成后会存储在寄存器中。因此状态机84不仅需 要生成选择信号CR4～CR10，还生成相应的寄存器使能信号。通过寄存器 使能信号使能寄存器，其内存储的选择信号控制相应的逆多路器和/或多 路器的信号流方向。
本领域的技术人员能够理解，本实施例提供的硬件结构能够完全去 除脑电信号中的各种噪声，并最终输出不包含任何噪声的脑电信号。此 外，基于本实施例提供的硬件架构，还可以构建包含更多噪声去除模块 的硬件架构，此类硬件结构也应该在本公开的保护范围之内。
图8是图7中的边缘检测单元的硬件结构示意图。边缘检测单元823 提取小波变换第5层系数进行分析，根据数据的阶跃情况来初步得到眼 电噪声区域，再结合峰值检测，确定最终的眼电噪声区域。若存在眼电 噪声区域，则将flag_oa置为1，表示存在眼电噪声。
如图上所示，输入信号是经过小波变换的脑电信号，WD-5从小波变 换后的信号中提取第5层系数来进行后续的分析，X0和X1表示从第5 层提取的两个系数，边缘分析(Stepedge analysis)模块91将X0和 X1结合，分析是否存在阶跃数据，E1和E2表示在先分析出的阶跃数据， 边缘分析模块92综合当前的阶跃数据和在先的阶跃数据分析得出初步 的眼电噪声区域，峰值检测模块93对初步的眼电噪声区域进行峰值检测， 将满足条件的阶跃数据确定最终的眼电噪声区域。
图9是图7中的峰度计算单元的硬件结构示意图。如图上所示，x0～x9 表示从傅里叶变换单元822得到的频域数据信息的10个输入数据，对这 些输入数据进行求均值，相减，四次方，平方，相除一系列计算操作后， 得到相应的峰度值。峰度计算单元824对于对每十个数据求取峰度，峰 度满足预设定的条件(例如超过设定阈值)则将flag_ta置为1，表示存在工频/谐波噪声。
图10是图7中的译码器的信号时序图。Clock表示时钟信号， flag_ta,flag_oa,flag_ma表示译码器83的输入信号，channel表示输 出信号。不同的输入对应产生一个不同的指令编码。如图上所示，不同 的编码对应不同噪声种类。其中，编码111表示噪声检测结果存在工频/ 谐波噪声、眼电噪声、肌电噪声这三种噪声，110表示噪声检测结果存 在眼电噪声、肌电噪声这两种噪声。101表示噪声检测结果存在工频/谐 波噪声、肌电噪声这两种噪声，100表示噪声检测结果存在工频/谐波噪 声、眼电噪声这两种噪声，011表示噪声检测结果存在肌电噪声，010 表示噪声检测结果存在眼电噪声，001表示噪声检测结果存在工频/谐波 噪声。000表示没有噪声。
图11是图7中的状态机的信号时序图。如图上所示，clk为时钟信 号，rst为重置信号，channel为输入信号(即译码器83的输出)；CR5～CR9， ER5～ER9为输出信号，其中CR5～CR9表示选择信号，ER5～ER9表示使能信 号。状态机84获得的指令编码生成控制信号CR5～CR9和使能信号 ER5～ER9，从而实现算法库86的哪些噪声去除模块是启用的，哪些是关 闭不运转以及数据下一步流向。算法库86的每个噪声去除模块是一个用 于噪声去除的数字信号处理器(DSP)，由于不需要所有噪声去除模块同 时工作，因此通过使能信号控制噪声去除模块的启用与否。
图12是图7中的过滤器的硬件结构示意图。过滤器857的作用是用 来去除工频和谐波噪声。如图上所示，x0～x2、y1～y2为参与计算的数据， 输出为滤波后的数据，通过多次相乘、相加和相减的操作对输入数据 x0～x2进行滤波，得到滤波后的数据输出。
图13是图7中的小波算法单元的硬件结构示意图。WD-1～WD-8获取 小波分解后的脑电信号的相应层的系数，WR-1～WR-8表示小波重构。如 图上所示，利用阈值处理55至阈值处理58只在对5-8的系数进行阈值 处理，即将超过设定阈值的幅值去除，最后利用处理后的5～8层系数结 合未作处理的1～4层系数，进行小波重构(WR)。该过程就去除了眼电噪声。
技术效果
图14a-14c分别用于示意初始的脑电信号以及各种噪声去除之后的 脑电信号。图14a-14c各有四个子图，第一个子图代表含有噪声的原信 号，第二个子图代表原信号的时频能量分布图，第三个子图代表去噪后 的信号，第四个子图代表去噪后信号的时频能量分布图。其中，图14a 中的原信号为人在静止状态获得的脑电信号；图14b的原信号为人在轻微移动状态下获取的脑电信号；图14c的原信号表示设备出问题获得的 脑电信号。
从图14a中可以看到，两个幅值很大明显的眼电噪声(图上椭圆指 示的位置)得到很好的抑制，以及信号中间的肌电信号也有效的去除， 即去除噪声后的脑电信号变得比较平缓。从图14b中可以看到，在加入 幅度很大的身体移动噪声，同样可以有效的去除。从图14c中可以看到， 由设备原因所引入的阻抗噪声同样可以有效的去除。从以上三种状态可以看到该算法框架适用于多种状态下获取的脑电信号，不仅仅可有效的 应用于静止状态，对于轻微的自由移动场景中同样使用。
由此可见，上述脑电信号处理装置能够有效地去除噪声，其主要优 点在于以下几点：1.能自动地检测多种脑电信号中存在地噪声；2.无需 多通道，不需要参考通道等，基于单通道信号就能实现噪声去除；3.能 应用于多种场景环境中，尤其可应用到人自由移动的场景中。而且，上 述脑电信号处理装置可用于云计算的边缘侧并作为边缘计算装置进行初步的计算再将计算后的数据发送给云服务端。
基于以上优点，本公开实施例提供的脑电信号处理装置可应用于各 种电子设备，包括物联网设备、可穿戴设备、VR设备，而且本公开实施 例提供的脑电信号处理装置还可以作为专用处理脑电信号的处理器，与 并可与其他元件集成。
本公开实施例的商业价值
针对当前脑电信号处理设备比较笨重且往往不能移动，本公开实施 例提供可面向多种场景的尤其是能够在可自由移动的场景下能够处理脑 电信号的轻量级的脑电信号处理装置，只需要单通道信号就可检测并去 除多种脑电噪声，因此，该脑电信号处理装置具有市场前景。
应该理解的是，虽然上文一直以脑电信号为例对本公开各种实施例 进行描述，但是本公开各种实施例实际上可用于对多种生物特征的电信 号进行检测和噪声去除，多种生物特征的电信号除了脑电信号之外，还 还可以是肌肉电信号、脉搏电信号、心跳电信号、诸如此类。
本领域的技术人员能够理解，本公开可以实现为系统、方法和计算 机程序产品。因此，本公开可以具体实现为以下形式，即完全的硬件、 完全的软件(包括固件、驻留软件、微代码)，还可以实现为软件和硬 件结合的形式。此外，在一些实施例中，本公开还可以实现为一个或多 个计算机可读介质中的计算机程序产品的形式，该计算机可读介质中包 含计算机可读的程序代码。
可以采用一个或多个计算机可读介质的任意组合。计算机可读介质 可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储 介质例如但不限于为电、磁、光、电磁、红外线或半导体的系统、装置 或器件，或其他任意以上的组合。计算机可读存储介质的更具体的例子 包括：具体一个或多个导线的电连接，便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM 或者闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器、 磁存储器或者上述任意合适的组合。在本文中，计算机可读的存储介质 可以是任意包含或存储程序的有形介质，该程序可以被处理单元、装置 或者器件使用，或者与其结合使用。
计算机可读信号介质可以包括在基带中或者作为截波一部分传播的 数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可 以采用多种形式，包括但不限于电磁信号、光信号或者其他任意合适的 组合。计算机可读的信号介质还可以是计算机可读存储介质之外的任何 计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指 令系统、装置或器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包 括但不限于无线、电线、光缆、RF等等，以及上述任意合适的组合。
可以以一种或者多种程序设计语言或者组合来编写用于执行本公开 实施例的计算机程序代码。所述程序设计语言包括面向对象的程序设计 语言，例如JAVA、C++，还可以包括常规的过程式程序设计语言，例如C。 程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、 作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上 执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情 形中，远程计算机可以通过任意种类的网络包括局域网(LAN)或广域 网(WAN)连接到用户计算机，或者，可以连接到外部计算机(例如利用 因特网服务提供商来通过因特网连接)。
以上所述仅为本公开的优选实施例，并不用于限制本公开，对于本 领域技术人员而言，本公开可以有各种改动和变化。凡在本公开的精神 和原理之内所作的任何修改、等同替换、改进等，均应包含在本公开的 保护范围之内。

Claims (21)

1.一种计算设备，包括：
缓存模块，用于缓存脑电信号；
分类模块，与所述缓冲器耦接，用于确定脑电信号的分类，所述脑电信号的分类表示所述脑电信号的噪声种类；
译码器，与所述分类模块耦接，用于根据所述脑电信号的分类生成指令编码，并将所述指令编码传送给状态机；
多个噪声去除模块，分别用于去除对应的噪声种类，以得到经过噪声去除的脑电信号；
状态机，与所述译码器和所述多个噪声去除模块耦接，用于根据所述指令编码启用所述多个噪声去除模块中的至少一个噪声去除模块。
2.根据权利要求1所述的计算设备，还包括：输出模块，用于从所述译码器接收所述脑电信号，并输出不包含任何噪声的脑电信号，以及将包含噪声的脑电信号输出给所述多个噪声去除模块。
3.根据权利要求1所述的计算设备，其中，所述分类模块包括：
小波变换单元，与所述缓存模块耦接，用于采用小波函数对所述脑电信号进行小波变换，并将小波变换后的脑电信号传送给边缘检测单元；
边缘检测单元，与小波变换单元耦接，用于检测小波变换后的脑电信号中的阶跃数据，并根据阶跃数据存在与否确定是否存在眼电噪声；
傅里叶变换单元，与所述缓存模块耦接，用于对所述脑电信号进行快速傅里叶变换，以将时域数据信息转化为频域数据信息，并将频域数据信息分别传送给峰度计算单元和能量估计单元；
峰度计算单元，与所述傅里叶变换单元耦接，用于根据所述频域数据信息计算所述脑电信号的峰度值，并根据所述脑电信号的峰度值是否满足预设条件确定所述脑电信号是否存在工频/谐波噪声；
能量估计单元，与所述傅里叶变换单元耦接，用于根据频域数据信息进行固定频段的能量占比计算，如果能量占比评估超过预设定阈值，确定存在肌电噪声。
4.根据权利要求1所述的计算设备，所述缓存模块包括：
第一寄存器和第二寄存器；
第一逆多路器，包括两个输出端，两个输出端分别与所述第一寄存器和第二寄存器耦接，用于将脑电信号输送给所述第一寄存器或所述第二寄存器；
第一多路器，包括两个输入端，两个输入端分别与所述第一寄存器和所述第二寄存器耦接，用于所述第一寄存器或所述第二寄存器中的脑电信号输送给所述分类模块。
5.根据权利要求2所述的计算设备，其中，所述输出模块包括第二逆多路器，所述第二逆多路器的输入端和所述译码器耦接，所述第二逆多路器的一个输出端输出不包含任何噪声的脑电信号，另一输出端与所述多个噪声去除模块耦接。
6.根据权利要求1所述的计算设备，其中，所述多个噪声去除模块包括：小波算法单元、EMD模块、CCA模块和过滤器，所述计算设备还包括：
第三逆多路器，输入端接收所述脑电信号，四路输出端分别耦接到所述小波算法单元，所述EMD模块、所述CCA模块和所述过滤器；
第四逆多路器，输入端与所述小波算法单元耦接，两路输出端分别耦接到所述EMD模块和输出经过噪声去除的脑电信号；
第五逆多路器，输入端与所述EMD模块耦接，两路输出端分别耦接到所述CCA模块和输出经过噪声去除的脑电信号；
第六逆多路器，输入端与所述CCA模块耦接，两路输出端分别耦接到所述过滤器和输出经过噪声去除的脑电信号；
第七逆多路器，输入端与所述过滤器耦接，一个输出端输出经过噪声去除的脑电信号，另一个输出端耦接至所述小波算法单元、所述EMD单元、所述CCA模块和所述过滤器。
7.根据权利要求6所述的计算设备，其中，所述计算设备还包括第二多路器和第三多路器，所述第二多路器包括两个输入端，一个输入端与所述缓存模块耦接，另一输入端与所述第三多路器的输出端耦接，输出端与所述分类模块耦接，所述第三多路器的多个输入端分别与所述第三逆多路器、所述第四逆多路器、所述第五逆多路器、所述第六逆多路器和所述第七逆多路器的一个输出端耦接。
8.根据权利要求1所述的计算设备，还包括：与所述缓冲器耦接的模数转换单元，用于将模拟化的脑电信号转换为数字化的脑电信号。
9.一种可穿戴设备，包括权利要求1至8任一项所述的计算设备和用于采集模拟化的脑电信号的至少一个电极。
10.一种处理单元，包括权利要求1至8任一项所述的计算设备。
11.一种家用检测设备，包括权利要求1至8任一项所述的计算设备。
12.一种计算设备，包括：
取指令单元，用于从外部的存储器取回计算机指令；
指令译码单元，用于对取回的计算机指令进行译码；
指令执行单元，用于执行译码后的所述计算机指令，以实现：
获取脑电信号；
确定所述脑电信号的分类，所述脑电信号的分类表示所述脑电信号的噪声种类；
根据所述脑电信号的分类执行噪声去除操作。
13.根据权利要求12所述的计算设备，其中，所述确定所述脑电信号的分类包括：
对所述脑电信号进行频域和时域的检测；以及
根据检测结果和预定义的分类规则确定脑电信号的分类。
14.根据权利要求12所述的计算设备，其中，预定义的分类规则包括：
在时域上，定义脑电信号的幅值范围；
在频域上，定义频谱分布能量集中的频段范围，且要求频段能量随着频率的增大，整体呈现逐步下降的趋势，而且不存在某一频率能量突然急剧的增大，
则所述根据检测结果和预定义的分类规则确定脑电信号的分类包括：
同时符合时域和频域的分类规则的脑电信号为第一分类，表示所述脑电信号为不包含任何噪声的脑电信号；
不符合时域但符合频域的分类规则的脑电信号为第二分类，表示包含眼电噪声的脑电信号；
不符合频域但符合时域的分类规则的脑电信号为第三分类，表示包含肌电噪声和工频/谐波噪声的脑电信号；
不符合频域且不符合时域的分类规则的脑电信号为第四分类，表征包含眼电噪声、肌电噪声和工频/谐波噪声的脑电信号。
15.根据权利要求14所述的计算装置，其中，在根据所述脑电信号的分类执行噪声去除操作时，如果所述脑电信号包括工频/谐波噪声、眼电噪声和肌电噪声中的至少两项，则按照以下优先级从高到底的顺序依次去除噪声：
工频/谐波噪声去除操作的优先级高于肌电噪声去除操作的优先级，并且，肌电噪声去除操作的优先级高于眼电噪声去除操作的优先级。
16.根据权利要求15所述的计算装置，其中，所述根据所述脑电信号的分类执行噪声去除操作包括：
采用离散小波变换，通过小波函数分解所述脑电信号来检测眼电噪声的区域，并利用小波阈值法去除所述脑电信号中存在的眼电噪声；
采用集合经验模态分解与典型相关分析相结合检测并去除肌电噪声；
利用滑动窗口遍历所述脑电信号的整个频谱并计算每个滑动窗口的峰度，在滑动窗口的峰度超过阈值的情况下，判定滑动窗口中存在工频/谐波噪声，并采用陷波滤波器去除滑动窗口中存在工频/谐波噪声。
17.一种从脑电信号中去除噪声的方法，包括：
获取脑电信号；
确定所述脑电信号的分类，所述脑电信号的分类表示所述脑电信号的噪声种类；
根据所述脑电信号的分类执行噪声去除操作。
18.根据权利要求17所述的方法，其中，所述确定所述脑电信号的分类包括：
对所述脑电信号进行频域和时域的检测；以及
根据检测结果和预定义的分类规则确定脑电信号的分类。
19.根据权利要求17所述的方法，其中，预定义的分类规则包括：
在时域上，定义脑电信号的幅值范围；
在频域上，定义频谱分布能量集中的频段范围，且要求频段能量随着频率的增大，整体呈现逐步下降的趋势，而且不存在某一频率能量突然急剧的增大，
则所述根据检测结果和预定义的分类规则确定脑电信号的分类包括：
同时符合时域和频域的分类规则的脑电信号为第一分类，表示所述脑电信号为不包含任何噪声的脑电信号；
不符合时域但符合频域的分类规则的脑电信号为第二分类，表示包含眼电噪声的脑电信号；
不符合频域但符合时域的分类规则的脑电信号为第三分类，表示包含肌电噪声和工频/谐波噪声的脑电信号；
不符合频域且不符合时域的分类规则的脑电信号为第四分类，表征包含眼电噪声、肌电噪声和工频/谐波噪声的脑电信号。
20.根据权利要求19所述的方法，其中，在根据所述脑电信号的分类执行噪声去除操作时，如果所述脑电信号包括工频/谐波噪声、眼电噪声和肌电噪声中的至少两项，则按照以下优先级从高到底的顺序依次去除噪声：
工频/谐波噪声去除操作的优先级高于肌电噪声去除操作的优先级，并且，肌电噪声去除操作的优先级高于眼电噪声去除操作的优先级。
21.根据权利要求20所述的方法，其中，所述根据所述脑电信号的分类执行噪声去除操作包括：
采用离散小波变换，通过小波函数分解所述脑电信号来检测眼电噪声的区域，并利用小波阈值法去除所述脑电信号中存在的眼电噪声；
采用集合经验模态分解与典型相关分析相结合检测并去除肌电噪声；
利用滑动窗口遍历所述脑电信号的整个频谱并计算每个滑动窗口的峰度，在滑动窗口的峰度超过阈值的情况下，判定滑动窗口中存在工频/谐波噪声，并采用陷波滤波器去除滑动窗口中存在工频/谐波噪声。
CN202010500876.8A 2020-06-04 2020-06-04 计算设备和从脑电信号中去除噪声的方法 Pending CN113827253A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010500876.8A CN113827253A (zh) 2020-06-04 2020-06-04 计算设备和从脑电信号中去除噪声的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010500876.8A CN113827253A (zh) 2020-06-04 2020-06-04 计算设备和从脑电信号中去除噪声的方法

Publications (1)

Publication Number Publication Date
CN113827253A true CN113827253A (zh) 2021-12-24

Family

ID=78963322

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010500876.8A Pending CN113827253A (zh) 2020-06-04 2020-06-04 计算设备和从脑电信号中去除噪声的方法

Country Status (1)

Country Link
CN (1) CN113827253A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114403898A (zh) * 2022-01-24 2022-04-29 北京师范大学 一种脑电数据的噪声去除方法、装置及电子设备

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102821681A (zh) * 2010-04-28 2012-12-12 松下电器产业株式会社 脑电波测量装置、电噪声的推定方法、以及执行电噪声的推定方法的计算机程序
CN103300850A (zh) * 2013-04-19 2013-09-18 杭州电子科技大学 一种中风病人脑电信号采集与处理的方法
US20150038869A1 (en) * 2011-07-16 2015-02-05 Cerora, Inc. Systems and methods for the physiological assessment of brain health and the remote quality control of eeg systems
JP2016030096A (ja) * 2014-07-29 2016-03-07 株式会社きもちラボ 生体電気ノイズ同定システム及び生体電気ノイズ除去システム
CN106419898A (zh) * 2016-08-12 2017-02-22 武汉中旗生物医疗电子有限公司 一种去除心电信号基线漂移的方法
CN108836321A (zh) * 2018-05-03 2018-11-20 江苏师范大学 一种基于自适应噪声消除系统的脑电信号预处理方法
KR20190073330A (ko) * 2019-06-14 2019-06-26 주식회사 아이메디신 심층신경망을 이용한 자동 뇌파 잡음 제거 방법 및 장치

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102821681A (zh) * 2010-04-28 2012-12-12 松下电器产业株式会社 脑电波测量装置、电噪声的推定方法、以及执行电噪声的推定方法的计算机程序
US20150038869A1 (en) * 2011-07-16 2015-02-05 Cerora, Inc. Systems and methods for the physiological assessment of brain health and the remote quality control of eeg systems
CN103300850A (zh) * 2013-04-19 2013-09-18 杭州电子科技大学 一种中风病人脑电信号采集与处理的方法
JP2016030096A (ja) * 2014-07-29 2016-03-07 株式会社きもちラボ 生体電気ノイズ同定システム及び生体電気ノイズ除去システム
CN106419898A (zh) * 2016-08-12 2017-02-22 武汉中旗生物医疗电子有限公司 一种去除心电信号基线漂移的方法
CN108836321A (zh) * 2018-05-03 2018-11-20 江苏师范大学 一种基于自适应噪声消除系统的脑电信号预处理方法
KR20190073330A (ko) * 2019-06-14 2019-06-26 주식회사 아이메디신 심층신경망을 이용한 자동 뇌파 잡음 제거 방법 및 장치

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
彭锦强;: "基于因子分析模型的噪声稳健脑电信号分类方法", 计算技术与自动化, no. 01, pages 186 - 193 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114403898A (zh) * 2022-01-24 2022-04-29 北京师范大学 一种脑电数据的噪声去除方法、装置及电子设备

Similar Documents

Publication Publication Date Title
Elgendi et al. Efficient ECG compression and QRS detection for e-health applications
CN109165556B (zh) 一种基于grnn身份识别方法
WO2020228420A1 (zh) 降噪自编码器的训练方法、心电信号的降噪方法及其装置
US9031816B2 (en) Independent component analysis processor
KR101293446B1 (ko) 움직임을 상상하는 뇌파 분류 방법 및 그 장치
Belwafi et al. A hardware/software prototype of EEG-based BCI system for home device control
WO2009131938A1 (en) System and method for signal processing using fractal dimension analysis
CN112957055B (zh) 基于eemd-pca去除eeg信号中运动伪迹的方法及装置
Lin et al. Multichannel EEG compression based on ICA and SPIHT
Cuomo et al. A novel O (n) numerical scheme for ECG signal denoising
Li et al. A low-complexity ECG processing algorithm based on the Haar wavelet transform for portable health-care devices
El B’charri et al. The ECG signal compression using an efficient algorithm based on the DWT
Chen et al. A hybrid method for muscle artifact removal from EEG signals
Lee et al. Improved dynamic programming in local linear approximation based on a template in a lightweight ECG signal-processing edge device
CN113827253A (zh) 计算设备和从脑电信号中去除噪声的方法
Zachariah et al. Automatic EEG artifact removal by independent component analysis using critical EEG rhythms
Figueiredo et al. SSA of biomedical signals: A linear invariant systems approach
CN117349598A (zh) 脑电信号处理方法及装置、设备、存储介质
Chou et al. FPGA implementation of EEG system-on-chip with automatic artifacts removal based on BSS-CCA method
Meng et al. P300 detection with adaptive filtering and EEG spectrogram graph
CN113229799A (zh) 一种ppg心率估计方法、系统、存储介质、设备
Chien et al. Implementation of a real-time ECG signal processor
Marcos Rojas et al. Real time identification of motor imagery actions on EEG signals.
Zhang et al. A Fast Adaptive LPCA Method for Fetal ECG Extraction Based on Multi-channel Signals
US20210145346A1 (en) Systems, methods, and media for efficient real-time embedded processing of physiological signals using s transforms

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