CN113842115B - 一种改进的eeg信号特征提取方法 - Google Patents
一种改进的eeg信号特征提取方法 Download PDFInfo
- Publication number
- CN113842115B CN113842115B CN202111137633.3A CN202111137633A CN113842115B CN 113842115 B CN113842115 B CN 113842115B CN 202111137633 A CN202111137633 A CN 202111137633A CN 113842115 B CN113842115 B CN 113842115B
- Authority
- CN
- China
- Prior art keywords
- signal
- wavelet
- electroencephalogram
- matrix
- following formula
- 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
Links
- 238000000605 extraction Methods 0.000 title claims abstract description 23
- 239000011159 matrix material Substances 0.000 claims abstract description 44
- 238000000034 method Methods 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 15
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 8
- 230000009466 transformation Effects 0.000 claims abstract description 8
- 230000001537 neural effect Effects 0.000 claims abstract description 7
- 210000005036 nerve Anatomy 0.000 claims abstract description 4
- 210000004556 brain Anatomy 0.000 claims description 17
- 239000013598 vector Substances 0.000 claims description 17
- 238000013145 classification model Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 4
- 230000008602 contraction Effects 0.000 claims description 3
- 230000001276 controlling effect Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012805 post-processing Methods 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 2
- 238000012880 independent component analysis Methods 0.000 description 16
- 238000010586 diagram Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 6
- 230000005611 electricity Effects 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 5
- 238000001914 filtration Methods 0.000 description 4
- 230000033001 locomotion Effects 0.000 description 4
- 230000033764 rhythmic process Effects 0.000 description 4
- 230000007177 brain activity Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000010355 oscillation Effects 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004434 saccadic eye movement Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
Abstract
本发明提供一种改进的EEG信号特征提取方法,包括以下步骤:将包含噪声的脑电观测信号,分解为各分量间互相独立的脑电信号;采用最终的解混矩阵,对脑电信号进一步处理,得到新的脑电信号;使用小波基函数对独立分量进行5层连续小波分解,得到小波系数;对小波系数进行阈值处理,对阈值处理后的小波系数进行小波逆变换,重建脑电信号,得到包含低振幅神经源信号的独立分量估计值。本发明提供一种改进的EEG信号特征提取方法,本方法提取到的脑电信号在识别和去除EOG和ECG伪影方面具有明显的优势,可以有效保留遗漏在噪声成分的神经活动。
Description
技术领域
本发明属于信号处理技术领域,具体涉及一种改进的EEG信号特征提取方法。
背景技术
EEG信号易受噪声影响,例如眼电(EOG)、肌电(EMG)、心电(ECG)、以及电源线等干扰。为滤除EEG观测信号中的噪声并恢复源信号,多年来开发的技术主要包括时域分析、频域分析和时频分析方法,例如,ICA(独立成分分析)和小波变换方法。
ICA(独立成分分析)是一种无监督的统计学习方法,可以将复杂的混合信号分解为独立的分量。在BCI-P300系统中,已经使用独立成分分析(ICA)将P300与背景噪声区分开,以实现对运动图像任务的伪影识别。但是,由于ICA算法无法获得时域噪声信号的特征,如果将其视为噪声,则会去除某些区域的大脑活动成分,也就是说,一些有价值的大脑活动信息可能会丢失。
小波变换方法(wavelet transform,WT)是1980年代后期发展起来的应用数学的一个分支,是一种时频分解技术,并已广泛应用于信号处理、图像处理和语音识别等领域。由于通过WT后信号和噪声的统计特性不同,因此在多尺度分析中表现出不同的传播行为。该特性可用于对噪声信号进行降噪。但是,WT不能有效地保留噪声的时频结构,也无法单独恢复隐藏在噪声成分中的神经活动。
CSP算法(共空间模式)是一种对两分类任务下的空域滤波特征提取算法,能够从多通道的脑机接口数据里提取出每一类的空间分布成分。这种空间滤波器适用于BCI实现运动想象任务的特征提取。但是,CSP滤波对脑电中的伪影及脑电的非平稳不确定性等影响高度敏感,而且传统的CSP算法需要大量的输入通道,并且缺乏频域信息。
总之,由于EEG信号本身的特性,仅通过使用以上传统的去噪方法难以实现理想的去噪效果。
发明内容
针对现有技术存在的缺陷,本发明提供一种改进的EEG信号特征提取方法,可有效解决上述问题。
本发明采用的技术方案如下:
本发明提供一种改进的EEG信号特征提取方法,包括以下步骤:
步骤1,读取原始脑电观测信号X(t)=(x1(t),…,xm(t))T,其中,x1(t),…,xm(t)代表原始脑电观测信号的第1个分量,...,原始脑电观测信号第m个分量;m代表原始脑电观测信号的分量数量;t代表原始脑电观测信号的采样时间;
步骤2,采用下式,对原始脑电观测信号X(t)去均值,得到处理后的脑电观测信号X’(t);
X’(t)=X(t)-E[X(t)]
其中:
E[·]表示数学期望;
步骤3,采用下式,将处理后的脑电观测信号X’(t),分解为各分量间互不相关的脑电信号Z(t)=(z1(t),…,zm(t))T:
其中:
代表投影因子;
Ds是以X’(t)的协方差矩阵CX=E[X’(t)*X’(t)T]特征值为对角元素的对角矩阵;
Us是以CX的单位范数特性向量为列的矩阵;
I是单位矩阵;
σ表示X’(t)的噪声方差,
步骤4,采用以下方法,得到最终的解混矩阵:
步骤4.1,设置解混矩阵的初始值为W;
步骤4.2,采用下式,得到解混矩阵的优化值W*:
W*=E[Z(t)G(WTZ(t))]-E[G'(WTZ(t))]W
其中:
G'(·)代表G(·)的导数;
G(·)的含义为:令x=WTZ(t),则:G(x)=xexp(-x2/2);
步骤4.3,采用下式,对解混矩阵的优化值W*进行去相关和归一化处理,得到处理后的解混矩阵
其中:
||·||表示范数;
步骤4.4,判断处理后的解混矩阵是否收敛,即:处理后的解混矩阵/>的无穷范数是否小于10-6,如果是,则代表收敛,此时得到的处理后的解混矩阵/>即为最终得到的解混矩阵;如果否,则代表不收敛,令/>返回步骤4.2;
步骤5,将步骤4得到的最终的解混矩阵表示为:W**;采用下式,对步骤3得到的脑电信号Z(t)=(z1(t),…,zm(t))T进行处理,得到新的脑电信号Y(t)=(y1(t),…,ym(t))T;其中,y1(t),…,ym(t)间互不相关;
Y(t)=W***Z(t)
步骤6,对于y1(t),…,ym(t)中的任意分量,表示为独立分量yi(t),其中,i=1,…,m;采用下式,使用小波基函数对独立分量yi(t)进行5层连续小波分解,得到独立分量yi(t)的小波系数Wi(a,b):
其中:
ψ为小波基函数;
a代表小波变换的尺度参数,用于控制小波函数的伸缩;
b代表平移参数,控制小波系数的位置;
步骤7,设置小波系数阈值η的初始值:
步骤8,采用以下公式,对小波系数Wi(a,b)进行阈值处理,得到阈值处理后的小波系数
其中:
sign()代表数学符号函数;
λ代表小波收缩的最佳阈值的上限,通过以下公式计算得到:其中,N代表独立分量yi(t)的信号长度;
γ是小波系数中宽频低振幅神经信号强度的估计值;
步骤9,对阈值处理后的小波系数进行小波逆变换,重建脑电信号,得到包含低振幅神经源信号的独立分量估计值/>
由此得到重建后的脑电信号
步骤10,计算重建后的脑电信号的信噪比SNR;
步骤11,判断信噪比SNR是否小于设定阈值,如果小于,则输出最终的去噪后脑电信号否则,调节小波系数阈值η,得到新的小波系数阈值η,再返回步骤8。
优选的,还包括:
步骤12,CSP特征提取过程:
将重建后的脑电信号的每个特征分量作为一个通道信号,由此形成m个多通道信号;
将形成的m个多通道信号,作为CSP算法的输入空间,通过公共空间模式分解后,根据信号在不同类别状态下的能量差异选取空间滤波器的构造成分,获取特征向量组,包括m个特征向量;
步骤13,分类:
将特征向量组输入分类模型,进行模式分类。
本发明提供的一种改进的EEG信号特征提取方法具有以下优点:
本发明提供一种改进的EEG信号特征提取方法,本方法提取到的脑电信号在识别和去除EOG和ECG伪影方面具有明显的优势,可以有效保留遗漏在噪声成分的神经活动。
附图说明
图1为本发明提供的一种改进的EEG信号特征提取方法的整体流程示意图;
图2为EEG信号中的眼电干扰示意图;
图3为EEG信号中的心电干扰示意图;
图4为独立成分的时域波形图;
图5为独立成分的脑电地形图;
图6为本发明提供的消噪后的原始信号和重构信号图;
图7为ICA算法和本发明算法的SNR值对比图;
图8为ICA算法和本发明算法的RMSE值对比图;
图9为手部ERD现象图;图10为脚部ERD现象图;
图11为手部运动想象运动脑电特征的特征梯形图;
图12为脚部运动想象运动脑电特征的特征梯形图;
图13为不同特征提取算法的平均分类精度对比图。
具体实施方式
为了使本发明所解决的技术问题、技术方案及有益效果更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
本发明提供一种改进的EEG信号特征提取方法,本方法提取到的脑电信号在识别和去除EOG和ECG伪影方面具有明显的优势,可以有效保留遗漏在噪声成分的神经活动。
参考图1,本发明提供一种改进的EEG信号特征提取方法,包括以下步骤:
步骤1,读取原始脑电观测信号X(t)=(x1(t),…,xm(t))T,其中,x1(t),…,xm(t)代表原始脑电观测信号的第1个分量,...,原始脑电观测信号第m个分量;m代表原始脑电观测信号的分量数量;t代表原始脑电观测信号的采样时间;
步骤2,采用下式,对原始脑电观测信号X(t)去均值,得到处理后的脑电观测信号X’(t);
X’(t)=X(t)-E[X(t)]
其中:
E[·]表示数学期望;
步骤3,采用下式,将处理后的脑电观测信号X’(t),分解为各分量间互不相关的脑电信号Z(t)=(z1(t),…,zm(t))T:
其中:
代表投影因子;
Ds是以X’(t)的协方差矩阵CX=E[X’(t)*X’(t)T]特征值为对角元素的对角矩阵;
Us是以CX的单位范数特性向量为列的矩阵;
I是单位矩阵;
σ表示X’(t)的噪声方差,
步骤4,采用以下方法,得到最终的解混矩阵:
步骤4.1,设置解混矩阵的初始值为W;
步骤4.2,采用下式,得到解混矩阵的优化值W*:
W*=E[Z(t)G(WTZ(t))]-E[G'(WTZ(t))]W
其中:
G'(·)代表G(·)的导数;
G(·)的含义为:令x=WTZ(t),则:G(x)=xexp(-x2/2);
步骤4.3,采用下式,对解混矩阵的优化值W*进行去相关和归一化处理,得到处理后的解混矩阵
其中:
||·||表示范数;
步骤4.4,判断处理后的解混矩阵是否收敛,即:处理后的解混矩阵/>的无穷范数是否小于10-6,如果是,则代表收敛,此时得到的处理后的解混矩阵/>即为最终得到的解混矩阵;如果否,则代表不收敛,令/>返回步骤4.2;
步骤5,将步骤4得到的最终的解混矩阵表示为:W**;采用下式,对步骤3得到的脑电信号Z(t)=(z1(t),…,zm(t))T进行处理,得到新的脑电信号Y(t)=(y1(t),…,ym(t))T;其中,y1(t),…,ym(t)间互不相关;
Y(t)=W***Z(t)
步骤6,对于y1(t),…,ym(t)中的任意分量,表示为独立分量yi(t),其中,i=1,…,m;采用下式,使用小波基函数对独立分量yi(t)进行5层连续小波分解,得到独立分量yi(t)的小波系数Wi(a,b):
其中:
ψ为小波基函数,作为一种优选方式,可采用coif-5小波基函数。
a代表小波变换的尺度参数,用于控制小波函数的伸缩;
b代表平移参数,控制小波系数的位置;
步骤7,设置小波系数阈值η的初始值:
步骤8,采用以下公式,对小波系数Wi(a,b)进行阈值处理,得到阈值处理后的小波系数
其中:
sign()代表数学符号函数;
λ代表小波收缩的最佳阈值的上限,通过以下公式计算得到:其中,N代表独立分量yi(t)的信号长度;
γ是小波系数中宽频低振幅神经信号强度的估计值;
步骤9,对阈值处理后的小波系数进行小波逆变换,重建脑电信号,得到包含低振幅神经源信号的独立分量估计值/>
由此得到重建后的脑电信号
步骤10,计算重建后的脑电信号的信噪比SNR;
步骤11,判断信噪比SNR是否小于设定阈值,如果小于,则输出最终的去噪后脑电信号否则,调节小波系数阈值η,得到新的小波系数阈值η,再返回步骤8。
还包括:
步骤12,CSP特征提取过程:
将重建后的脑电信号的每个特征分量作为一个通道信号,由此形成m个多通道信号;
将形成的m个多通道信号,作为CSP算法的输入空间,通过公共空间模式分解后,根据信号在不同类别状态下的能量差异选取空间滤波器的构造成分,获取特征向量组,包括m个特征向量;
步骤13,分类:
将特征向量组输入分类模型,进行模式分类。
下面介绍一个实施例:
(1)预处理
在一次实验中,选择15个带有受试者运动想象EEG数据的电极进行研究。在EEG信号特征提取之前,原始的脑电信号首先进行预处理。预处理可以通过尽可能消除其他因素的噪声影响来使数据具有代表性。本发明设计了一种正反向两相,零相位,无因果的带通滤波器,以对原始EEG信号执行1~16Hz的带通滤波。与传统滤波器相比,可以消除直流偏移,以帮助区分扫视中的眨眼。
滤波器参数设置为:通带截止频率分别为8Hz和30Hz;通带衰减为1dB;阻带衰减为50dB;密度因子为20。带通滤波后的EEG信号如图2和图3所示,其中,图2为EEG信号中的眼电干扰示意图;图3为EEG信号中的心电干扰示意图;可以看出,预处理后的信号中存在明显的EOG干扰和ECG干扰。
(2)滤波后的EEG信号,即为原始脑电观测信号X(t)=(x1(t),…,xm(t))T,进行去均值后,进行ICA分解,分解为各分量间互不相关的脑电信号Z(t)=(z1(t),…,zm(t))T。
具体的,眼电干扰伪影、心电干扰伪影和运动想象脑电信号源相互独立,满足独立分量分析的应用条件。因此,本实验对脑电信号Z(t)=(z1(t),…,zm(t))T进行分解,得到每个独立分量的时域波形图和脑电地形图。如图4所示,为独立成分的时域波形图;如图5所示,为独立成分的脑电地形图。
(3)采用本发明方法,对独立分量进行小波阈值分解
采用本发明提供的小波变换算法对每个独立分量进行阈值分解。消噪后的原始信号和重构信号如图6所示。
可以看出,本发明算法,很好地去除了EOG和ECG伪影,同时有效地保留了有用的原始地层。
为了定量分析和评估本发明算法对去除干扰噪声和保留有用的原始脑电信息的能力,使用信噪比(SNR)和均方根误差(RMSE)两个指标比较ICA算法和本发明算法。如图7所示,为ICA算法和本发明算法的SNR值对比图。如图8所示,为ICA算法和本发明算法的RMSE值对比图。
从图7可以看出,本发明算法的SNR值都大于单独使用ICA算法时SNR值。从图8可以看出,本发明算法的RMSE值均小于单独使用ICA算法。因此,本发明算法不仅具有更好的降噪效果,而且可以有效地保留原始EEG信号中的细节。
通过计算与运动想象主要相关的三个电极C3,C4和Cz的能量谱,筛选出μ节律和β节律(5-28Hz)的振荡模式,最后提取出来ERD/ERS的光谱峰信息特征,如图9和10所示,其中ERD映射为红色,而ERS映射为蓝色。图9为手部ERD现象图;图10为脚部ERD现象图。从图9和图10可以看出,本发明算法可以有效地提取出脑电节律和β节律信号,滤除噪声和无关的脑活动频带,保留运动虚觉脑电信息,使信号更好地反映运动虚觉特征。为以后的特征提取和分类提供了有力的保证。
因此,通过计算每个独立分量的能量谱,筛选在μ节律和β节律(5-28Hz)之间的振荡模态以提取ERD/ERS的谱峰信息特征。把多个独立成分看成新的多通道信号。
(4)CSP特征提取
将采用本发明提供的改进的EEG信号特征提取方法处理后的特征分量作为CSP算法的输入,并形成15*2000矩阵Xi(i=L代表手部运动,i=R代表脚部运动),其中,独立成分的数量为15,将其视为通道数量。
具体的,把每个特征分量作为一个通道信号,将形成的多通道信号作为CSP算法的输入空间,通过公共空间模式分解后,根据数据在不同类别状态下的能量差异选取空间滤波器的构造成分,获取特征向量组,包括m个特征向量。
实验中的采样点数为2000,即窗口的长度。整个实验过程包括120组实验,获得120组向量矩阵,分为40组测试向量矩阵和80组训练向量矩阵。使用CSP特征提取算法后,得到图11和图12。其中,图11为手部运动想象运动脑电特征的特征梯形图。图12为脚部运动想象运动脑电特征的特征梯形图。
(5)分类
本发明使用四种分类模型:BaggingTree(BT),线性判别分析(LDA),贝叶斯线性判别分析(BLDA),支持向量机(SVM),分别对本发明算法提取的EEG特征进行模式分类,包括手部,脚部分类,验证本发明算法的有效性。
实验结果对比图如图13所示,在4种分类器下,通过本发明算法对原始EEG信号进行处理分析,其分类精度均比没有经过本发明处理时多特征及组合的特征提取算法的精度高。证明了本发明算法能有效的去除噪声伪迹对特征提取及模式分类结果的影响,进而有效提高不同试验间的脑电信号手部,脚部分类的精度。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视本发明的保护范围。
Claims (2)
1.一种改进的EEG信号特征提取方法,其特征在于,包括以下步骤:
步骤1,读取原始脑电观测信号X(t)=(x1(t),…,xm(t))T,其中,x1(t),…,xm(t)代表原始脑电观测信号的第1个分量,...,原始脑电观测信号第m个分量;m代表原始脑电观测信号的分量数量;t代表原始脑电观测信号的采样时间;
步骤2,采用下式,对原始脑电观测信号X(t)去均值,得到处理后的脑电观测信号X’(t);
X’(t)=X(t)-E[X(t)]
其中:
E[·]表示数学期望;
步骤3,采用下式,将处理后的脑电观测信号X’(t),分解为各分量间互不相关的脑电信号Z(t)=(z1(t),…,zm(t))T:
其中:
代表投影因子;
Ds是以X’(t)的协方差矩阵CX=E[X’(t)*X’(t)T]特征值为对角元素的对角矩阵;
Us是以CX的单位范数特性向量为列的矩阵;
I是单位矩阵;
σ表示X’(t)的噪声方差,
步骤4,采用以下方法,得到最终的解混矩阵:
步骤4.1,设置解混矩阵的初始值为W;
步骤4.2,采用下式,得到解混矩阵的优化值W*:
W*=E[Z(t)G(WTZ(t))]-E[G'(WTZ(t))]W
其中:
G'(·)代表G(·)的导数;
G(·)的含义为:令x=WTZ(t),则:G(x)=xexp(-x2/2);
步骤4.3,采用下式,对解混矩阵的优化值W*进行去相关和归一化处理,得到处理后的解混矩阵
其中:
||·||表示范数;
步骤4.4,判断处理后的解混矩阵是否收敛,即:处理后的解混矩阵/>的无穷范数是否小于10-6,如果是,则代表收敛,此时得到的处理后的解混矩阵/>即为最终得到的解混矩阵;如果否,则代表不收敛,令/>返回步骤4.2;
步骤5,将步骤4得到的最终的解混矩阵表示为:W**;采用下式,对步骤3得到的脑电信号Z(t)=(z1(t),…,zm(t))T进行处理,得到新的脑电信号Y(t)=(y1(t),…,ym(t))T;其中,y1(t),…,ym(t)间互不相关;
Y(t)=W***Z(t)
步骤6,对于y1(t),…,ym(t)中的任意分量,表示为独立分量yi(t),其中,i=1,…,m;采用下式,使用小波基函数对独立分量yi(t)进行5层连续小波分解,得到独立分量yi(t)的小波系数Wi(a,b):
其中:
ψ为小波基函数;
a代表小波变换的尺度参数,用于控制小波函数的伸缩;
b代表平移参数,控制小波系数的位置;
步骤7,设置小波系数阈值η的初始值:
步骤8,采用以下公式,对小波系数Wi(a,b)进行阈值处理,得到阈值处理后的小波系数
其中:
sign()代表数学符号函数;
λ代表小波收缩的最佳阈值的上限,通过以下公式计算得到:其中,N代表独立分量yi(t)的信号长度;
γ是小波系数中宽频低振幅神经信号强度的估计值;
步骤9,对阈值处理后的小波系数进行小波逆变换,重建脑电信号,得到包含低振幅神经源信号的独立分量估计值/>
由此得到重建后的脑电信号
步骤10,计算重建后的脑电信号的信噪比SNR;
步骤11,判断信噪比SNR是否小于设定阈值,如果小于,则输出最终的去噪后脑电信号否则,调节小波系数阈值η,得到新的小波系数阈值η,再返回步骤8。
2.根据权利要求1所述的一种改进的EEG信号特征提取方法,其特征在于,还包括:
步骤12,CSP特征提取过程:
将重建后的脑电信号的每个特征分量作为一个通道信号,由此形成m个多通道信号;
将形成的m个多通道信号,作为CSP算法的输入空间,通过公共空间模式分解后,根据信号在不同类别状态下的能量差异选取空间滤波器的构造成分,获取特征向量组,包括m个特征向量;
步骤13,分类:
将特征向量组输入分类模型,进行模式分类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111137633.3A CN113842115B (zh) | 2021-09-27 | 一种改进的eeg信号特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111137633.3A CN113842115B (zh) | 2021-09-27 | 一种改进的eeg信号特征提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113842115A CN113842115A (zh) | 2021-12-28 |
CN113842115B true CN113842115B (zh) | 2024-06-21 |
Family
ID=
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108573207A (zh) * | 2017-12-22 | 2018-09-25 | 南京邮电大学 | Emd和csp融合最优波长空间滤波脑电特征提取方法 |
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108573207A (zh) * | 2017-12-22 | 2018-09-25 | 南京邮电大学 | Emd和csp融合最优波长空间滤波脑电特征提取方法 |
Non-Patent Citations (1)
Title |
---|
小波分析和独立分量分析结合的诱发电位信号提取研究;邹凌;陈树越;孙玉强;马正华;;生物医学工程学杂志;20100825(04);全文 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | Removal of muscle artifacts from the EEG: A review and recommendations | |
Zhou et al. | Removal of EMG and ECG artifacts from EEG based on wavelet transform and ICA | |
CN109784242A (zh) | 基于一维残差卷积神经网络的脑电信号去噪方法 | |
Azzerboni et al. | Neural-ICA and wavelet transform for artifacts removal in surface EMG | |
Roy et al. | Image denoising by data adaptive and non-data adaptive transform domain denoising method using EEG signal | |
Cichocki | Blind signal processing methods for analyzing multichannel brain signals | |
CN114266276B (zh) | 一种基于通道注意力和多尺度时域卷积的运动想象脑电信号分类方法 | |
Sameni et al. | A deflation procedure for subspace decomposition | |
CN114533086B (zh) | 一种基于空域特征时频变换的运动想象脑电解码方法 | |
CN109558863B (zh) | 脑电信号特征表示与提取方法、装置及存储介质 | |
Liu et al. | Removal of EMG artifacts from multichannel EEG signals using combined singular spectrum analysis and canonical correlation analysis | |
CN109657646B (zh) | 生理时间序列的特征表示与提取方法、装置及存储介质 | |
Damon et al. | Non-negative matrix factorization for single-channel EEG artifact rejection | |
CN112861625B (zh) | 一种堆叠去噪自编码器模型确定方法 | |
CN113967022B (zh) | 一种基于个体自适应的运动想象脑电特征表征方法 | |
AU2020103949A4 (en) | EEG Signal Mixed Noise Processing Method, Equipment and Storage Medium | |
Kalantar et al. | Adaptive dimensionality reduction method using graph-based spectral decomposition for motor imagery-based brain-computer interfaces | |
CN114224360A (zh) | 一种基于改进emd-ica的eeg信号处理方法、设备及存储介质 | |
Hou et al. | An improved artifacts removal method for high dimensional EEG | |
Gao et al. | EEG reconstruction with a dual-scale CNN-LSTM model for deep artifact removal | |
CN117332259A (zh) | 基于信息融合的运动想象脑机接口时频组合优化方法 | |
Bhattacharyya et al. | Ocular artifacts elimination from multivariate EEG signal using frequency-spatial filtering | |
CN113842115B (zh) | 一种改进的eeg信号特征提取方法 | |
Paradeshi et al. | Removal of ocular artifacts from multichannel EEG signal using wavelet enhanced ICA | |
CN114757236B (zh) | 基于tqwt与svmd的脑电信号去噪优化方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
CB03 | Change of inventor or designer information |
Inventor after: Geng Xiaozhong Inventor after: Li Dezhi Inventor after: Yu Ping Inventor after: Zhang Yingjie Inventor after: Chen Hanlin Inventor after: Bao Jie Inventor after: Yue Mengzhe Inventor after: Xue Song Inventor before: Geng Xiaozhong |
|
GR01 | Patent grant |