CN114176605B - 一种多通道脑电信号眼电伪迹自动去除方法及存储介质 - Google Patents

一种多通道脑电信号眼电伪迹自动去除方法及存储介质 Download PDF

Info

Publication number
CN114176605B
CN114176605B CN202111541708.4A CN202111541708A CN114176605B CN 114176605 B CN114176605 B CN 114176605B CN 202111541708 A CN202111541708 A CN 202111541708A CN 114176605 B CN114176605 B CN 114176605B
Authority
CN
China
Prior art keywords
ocular
artifact
sample entropy
component
artifacts
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202111541708.4A
Other languages
English (en)
Other versions
CN114176605A (zh
Inventor
蔡艳平
陈万
杨梅枝
李爱华
齐啸
姜柯
苏延召
韩德帅
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.)
Rocket Force University of Engineering of PLA
Original Assignee
Rocket Force University of Engineering of PLA
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 Rocket Force University of Engineering of PLA filed Critical Rocket Force University of Engineering of PLA
Priority to CN202111541708.4A priority Critical patent/CN114176605B/zh
Publication of CN114176605A publication Critical patent/CN114176605A/zh
Application granted granted Critical
Publication of CN114176605B publication Critical patent/CN114176605B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • A61B5/7235—Details of waveform analysis
    • A61B5/7253—Details of waveform analysis characterised by using transforms
    • A61B5/726—Details of waveform analysis characterised by using transforms using Wavelet transforms
    • 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
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Physics & Mathematics (AREA)
  • Pathology (AREA)
  • General Health & Medical Sciences (AREA)
  • Psychiatry (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biophysics (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Signal Processing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Psychology (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明涉及一种多通道脑电信号眼电伪迹自动去除方法及存储介质，该方法包括：S1、利用FastICA和差分进化算法对原始EEG信号进行处理，以得到若干独立分量；S2、利用小波变换和所述差分进化算法对包含眼电伪迹的独立分量进行处理，以得到眼电伪迹分量；S3、基于小波重构和逆变换，根据所述眼电伪迹分量得到去除眼电伪迹的EEG信号。本发明为结合差分进化算法、FastICA和小波变换的眼电伪迹自动去除方法。本发明采用小波分解对FastICA中的伪迹分量进行分解，能够进一步分离出伪迹，最大化保留EEG信号中的有用信息，解决了伪迹自动去除过程中有用信息丢失的问题。

Description

一种多通道脑电信号眼电伪迹自动去除方法及存储介质
技术领域
本发明属于脑电信号技术领域，具体涉及一种多通道脑电信号眼电伪迹自动去除方法及存储介质。
背景技术
脑电图(Electroencephalogram，EEG)技术是一种比较成熟和典型的非侵入式脑机接口(Brain-computer Interface，BCI)技术，也是BCI技术的热点研究领域。EEG信号中包含了丰富的大脑活动和行为认知信息，常用于脑活动分析和疾病的诊断，然而EEG信号在采集的过程中容易受到各种伪迹的污染，其中眼电(electrooculogram，EOG)伪迹的污染最为严重，这导致采集到的EEG信号出现失真，会降低信号分析识别的准确率，因此实现眼电伪迹的去除十分重要。
独立成分分析(Independent Component Analysis，ICA)是多通道EEG信号眼电伪迹去除的常用方法，其原理是通过分离EEG信号，得到统计上相互独立的分量，将包含眼电伪迹的分量置零，然后经过反变换得到去除眼电伪迹的EEG信号。然而传统的ICA方法需要人工识别包含眼电伪迹的分量，十分耗费精力，并且存在较大的主观因素，影响伪迹去除的效果；此外ICA不能彻底分离出源信号，识别出的眼电伪迹分量会包含一些有用的脑电信息，如果直接去除这些伪迹分量会导致有用信息的大量丢失。
眼电伪迹的自动去除需要设置识别伪迹的阈值，目前常用的阈值有样本熵、模糊熵、自相关系数等，然而阈值大小的设置没有明确的方法，常通过人工设置，存在较大的主观因素，导致伪迹分量识别准确率低，不能保证伪迹去除方法的性能最优。
因此，多通道眼电伪迹自动去除过程中存在有用信息丢失，伪迹分量识别困难成为了亟待解决的问题。
发明内容
为了解决现有技术中存在的上述问题，本发明提供了一种多通道脑电信号眼电伪迹自动去除方法及存储介质。
本发明的一个实施例提供了一种多通道脑电信号眼电伪迹自动去除方法，包括：
S1、利用FastICA和差分进化算法对原始EEG信号进行处理，以得到若干独立分量，其中，所述若干独立分量包括包含眼电伪迹的独立分量和不含眼电伪迹的独立分量；
S2、利用小波变换和所述差分进化算法对包含眼电伪迹的独立分量进行处理，以得到眼电伪迹分量；
S3、基于小波重构和逆变换，根据所述眼电伪迹分量得到去除眼电伪迹的EEG信号。
在本发明的一个实施例中，步骤S1包括：
S1.1、利用FastICA对原始EEG信号进行盲源分离，获得若干独立分量；
S1.2、计算每个所述独立分量的样本熵；
S1.3、将所述独立分量的样本熵与基于所述差分进化算法得到的第一样本熵阈值进行比较，若所述独立分量的样本熵小于所述第一样本熵阈值，则所述独立分量为包含眼电伪迹的独立分量。
在本发明的一个实施例中，步骤S2包括：
S2.1、利用小波变换对包含眼电伪迹的独立分量进行分解，获得若干小波分量；
S2.2、计算每个所述小波分量的样本熵；
S2.3、将所述小波分量的样本熵与基于所述差分进化算法得到的第二样本熵阈值进行比较，若所述小波分量的样本熵小于所述第二样本熵阈值，则所述小波分量为眼电伪迹分量。
在本发明的一个实施例中，所述第一样本熵阈值和所述第二样本熵阈值的获取方法包括：
Step1、获取包含第一纯净EEG信号和污染EEG信号的集合；
Step2、初始化差分进化算法的种群；
Step3、利用FastICA和小波变换去除所述污染EEG信号的眼电伪迹，以得到去除眼电伪迹的第二纯净EEG信号；
Step4、利用所述第一纯净EEG信号和去除眼电伪迹的第二纯净EEG信号，结合适应度函数计算种群个体的适应度值，将适应度值最小的个体作为本次迭代的最优个体；
Step5、利用差分进化算法对所述种群进行变异交叉，以得到新的种群个体；
Step6、利用适应度函数计算新的种群个体和旧种群对应个体的适应度值，若新的种群个体的适应度值小于旧种群对应个体的适应度值，则用该新的种群个体代替旧种群对应的个体，由此获得下一代个体；
Step7、判断是否满足循环终止条件，不满足则返回Step3，满足则跳出循环，选取适应度值最小的个体作为样本熵阈值。
在本发明的一个实施例中，所述适应度函数为：
f＝RMSE+Pearson
其中，RMSE表示均方根误差，RMSEi表示第i个通道原始EEG信号和去除眼电伪迹后的EEG信号之间的均方根误差，N表示脑电采集通道数，Pearson表示皮尔逊相关系数，α表示Pearson的权重，Pearsoni表示第i个通道原始EEG信号和去除眼电伪迹后的EEG信号之间的皮尔逊相关系数。
在本发明的一个实施例中，RMSEi的计算公式为：
其中，M表示EEG信号的长度，pij表示长度为j处的纯净EEG信号，Rpij表示长度为j处的去除眼电伪迹的EEG信号。
在本发明的一个实施例中，Pearsoni的计算公式为：
其中，pi表示纯净EEG信号，Rpi表示去除眼电伪迹的EEG信号。
在本发明的一个实施例中，所述小波变换的分解层数的设置方法包括：
第一步、初始化m＝1；
第二步、计算m层小波分解中第m层低频分量的最大频率；
第三步、判断所述最大频率与设定阈值的关系，若所述最大频率大于或者等于所述设定阈值，则令m＝m+1，返回第二步，若所述最大频率小于所述设定阈值，则分解层数为m。
在本发明的一个实施例中，步骤S3包括：
步骤S3.1、将所述眼电伪迹分量置零；
步骤S3.2、利用小波重构处理包括所述眼电伪迹分量的所有独立分量，得到去除伪迹的独立分量；
步骤S3.3、利用分离矩阵的逆矩阵乘以所有独立分量构成的矩阵，以得到去除眼电伪迹的EEG信号。
本发明的一个实施例还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述的方法的步骤。
与现有技术相比，本发明的有益效果：
本发明为结合差分进化算法、FastICA和小波变换的眼电伪迹自动去除方法。本发明采用小波分解对FastICA中的伪迹分量进行分解，能够进一步分离出伪迹，最大化保留EEG信号中的有用信息，解决了伪迹自动去除过程中有用信息丢失的问题。
本发明利用均方根误差和自相关系数设计了差分进化算法的适应度函数，通过差分进化算法实现了样本熵阈值的自适应设置，解决了阈值的设置问题，能够提高伪迹分量识别准确率。
与现有多通道脑电信号眼电伪迹自动去除方法相比，本发明利用差分进化算法实现了样本熵阈值的自适应设置，避免了人为设置的影响，能够提高伪迹分量识别准确率；对小波分解的分解层数设置进行了优化，利用小波分解对FastICA中的伪迹分量进行分解，能够进一步分离出伪迹信号，保留更多有用信息。
附图说明
图1为本发明实施例提供的一种多通道脑电信号眼电伪迹自动去除方法的流程示意图；
图2为本发明实施例提供的另一种多通道脑电信号眼电伪迹自动去除方法的流程示意图；
图3为本发明实施例提供的一种原始19通道的EEG信号和经过FastICA分解的19个独立分量的示意图；
图4为本发明实施例提供的一种样本熵阈值自适应设置的流程示意图；
图5为本发明实施例提供的一种基本ICA原理框图。
具体实施方式
下面结合具体实施例对本发明做进一步详细的描述，但本发明的实施方式不限于此。
文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
这里使用的术语仅为了描述具体实施例的目的，而不意图限制示例实施例。如这里所使用的，除非上下文另外明确指出，否则单数形式的“一种”、“一个”、“该”、“所述”也意图包括复数形式。还将理解的是，如果在此使用术语“包含”和/或“包括”，则说明存在所述特征、整体、步骤、操作、元件和/或组件，但不排除存在或附加一个或更多个其他特征、整体、步骤、操作、元件、组件和/或它们的组。
实施例一
请参见图1、图2，图1为本发明实施例提供的一种多通道脑电信号眼电伪迹自动去除方法的流程示意图，图2为本发明实施例提供的另一种多通道脑电信号眼电伪迹自动去除方法的流程示意图。本发明实施例提供的一种多通道脑电信号眼电伪迹自动去除方法，包括步骤S1至S3，其中：
S1、利用FastICA(Independent ComponentAnalysis，独立成分分析)和差分进化算法对原始EEG信号进行处理，以得到若干独立分量，其中，若干独立分量包括包含眼电伪迹的独立分量和不含眼电伪迹的独立分量。
在一个具体实施例中，步骤S1包括：
S1.1、利用FastICA对原始EEG信号进行盲源分离，获得若干独立分量；
S1.2、计算每个独立分量的样本熵；
S1.3、将独立分量的样本熵与基于差分进化算法得到的第一样本熵阈值进行比较，若独立分量的样本熵小于第一样本熵阈值，则独立分量为包含眼电伪迹的独立分量。
也就是说，本实施例首先利用FastICA对原始EEG信号进行盲源分离，获得多个独立分量，然后计算每个独立分量的样本熵，将该样本熵与设置的第一样本熵阈值进行比较，当独立分量的样本熵小于设置的第一样本熵阈值时，认为该独立分量为包含眼电伪迹的独立分量，当独立分量的样本熵大于或者等于设置的第一样本熵阈值时，认为该独立分量为不含眼电伪迹的独立分量。其中，样本熵用于表征系统的复杂性，此处用样本熵来表征脑电信号(EEG)分解之后获得的分量的复杂性，这是因为眼电(EOG)伪迹的样本熵通常低于EEG信号的样本熵，如图3所示，图3(a)为原始19通道的EEG信号，图3(b)为经过FastICA分解的19个独立分量，每个分量都可以计算样本熵，最后会有19个值(样本熵)，然后与阈值进行比较就可以自动区分含有伪迹的分量。
S2、利用小波变换和差分进化算法对包含眼电伪迹的独立分量进行处理，以得到眼电伪迹分量。
在一个具体实施例中，步骤S2包括：
S2.1、利用小波变换(avelettransform，WT)对包含眼电伪迹的独立分量进行分解，获得若干小波分量；
S2.2、计算每个小波分量的样本熵；
S2.3、将小波分量的样本熵与基于差分进化算法得到的第二样本熵阈值进行比较，若小波分量的样本熵小于第二样本熵阈值，则小波分量为眼电伪迹分量。
也就是说，首先用WT对包含眼电伪迹的独立分量进行分解，获得多个小波分量，然后计算每个小波分量的样本熵，与设置的第二样本熵阈值进行比较，当小波分量的样本熵小于设置的第二样本熵阈值时，认为该分量为眼电伪迹分量，即包含眼电伪迹的分量，当小波分量的样本熵大于或者等于设置的第二样本熵阈值时，认为该分量为非眼电伪迹分量，即不包含眼电伪迹的分量。
在本实施例中，m层小波变换(即小波分解)能够将信号分解为m+1个不同频率段的分量，其中第m层的低频分量频率范围为[0，f/2m]，其中f代表待分解信号的采样频率。本实施例对小波变换的层数设置进行了优化，利用f/2m与阈值θ相比较的方法来确定小波分解的层数，一般脑电信号中眼电伪迹的频率范围在0-5HZ，因此θ取值5。
因此，小波变换的分解层数的设置方法包括：
第一步、初始化m＝1；
第二步、计算m层小波分解中第m层低频分量的最大频率，即f/2m；
第三步、判断最大频率与设定阈值的关系，若最大频率大于或者等于设定阈值，则令m＝m+1，返回第二步，若最大频率小于设定阈值，则分解层数为m。
在本实施例中，眼电伪迹识别中有两处使用了样本熵阈值(即第一样本熵阈值和第二样本熵阈值)，因此优化问题的维度为2，结合设计的适应度函数，进行样本熵阈值的自适应设置，其中，第一样本熵阈值和第二样本熵阈值的获取方法相同，仅是数值不同，请参见图4，第一样本熵阈值和第二样本熵阈值的获取方法包括：
Step1、获取包含第一纯净EEG信号和污染EEG信号的集合，其中，该集合作为训练集。
Step2、初始化差分进化算法的种群。
具体地，例如种群中的个体为20个，因为该问题为2维的，记个体为[a，b]，其中，a，b为在所设定的范围内随机或者等间距生成的值，因此，可以将a作为第三样本熵阈值，b作为第四样本熵阈值。
Step3、利用FastICA和小波变换去除污染EEG信号的眼电伪迹，以得到去除眼电伪迹的第二纯净EEG信号。
具体地，首先利用FastICA对污染EEG信号进行盲源分离，获得多个独立分量，然后计算每个独立分量的样本熵，将该样本熵与设置的第三样本熵阈值进行比较，当独立分量的样本熵小于设置的第三样本熵阈值时，认为该独立分量为包含眼电伪迹的独立分量。
之后，用WT对包含眼电伪迹的独立分量进行分解，获得多个小波分量，然后计算每个小波分量的样本熵，与设置的第四样本熵阈值进行比较，当小波分量的样本熵小于设置的第四样本熵阈值时，认为该分量为眼电伪迹分量，即包含眼电伪迹的分量。
最后，将识别的眼电伪迹分量置零，利用小波重构得到去除伪迹的独立分量；利用分离矩阵的逆矩阵乘以所有独立分量构成的矩阵，获得去除眼电伪迹的纯净EEG信号。
Step4、利用第一纯净EEG信号和去除眼电伪迹的第二纯净EEG信号，结合适应度函数计算种群个体的适应度值，将适应度值最小的个体作为本次迭代的最优个体。
在本实施例中，基于眼电伪迹去除效果设计DE(差分进化算法,DifferentialEvolution)的适应度函数，均方根误差能够评价算法去除眼电伪迹的能力，相关系数能够评价算法保留有用信息的能力，因此本实施例采用均方根误差和Pearson相关系数设计适应度函数，适应度函数为：
f＝RMSE+Pearson
其中，RMSE表示均方根误差，RMSEi表示第i个通道原始EEG信号和去除眼电伪迹后的EEG信号之间的均方根误差，N表示脑电采集通道数，Pearson表示皮尔逊相关系数，α表示Pearson的权重，Pearsoni表示第i个通道原始EEG信号和去除眼电伪迹后的EEG信号之间的皮尔逊相关系数，M表示EEG信号的长度，pij表示长度为j处的纯净EEG信号，Rpij表示长度为j处的去除眼电伪迹的EEG信号，pij表示长度为j处的纯净EEG信号，Rpij表示长度为j处的去除眼电伪迹的EEG信号。
Step5、利用差分进化算法(DE,Differential Evolution)对上述种群进行变异交叉，以得到新的种群个体；
Step6、利用适应度函数计算新的种群个体和旧种群对应个体的适应度值，若新的种群个体的适应度值小于旧种群对应个体的适应度值，则用该新的种群个体代替旧种群对应的个体，由此获得下一代个体；
Step7、判断是否满足循环终止条件，不满足则返回Step3，满足则跳出循环，选取适应度值最小的个体作为样本熵阈值。
其中，终止条件可以根据实际情况进行设置，可以是迭代次数，也可以是伪迹去除效果达到某一个设置的精度，一般采用迭代次数。
S3、基于小波重构和逆变换，根据眼电伪迹分量得到去除眼电伪迹的EEG信号。
在一个具体实施例中，步骤S3包括：
步骤S3.1、将眼电伪迹分量置零；
步骤S3.2、利用小波重构处理包括眼电伪迹分量的所有独立分量，得到去除伪迹的独立分量；
步骤S3.3、利用分离矩阵的逆矩阵乘以所有独立分量构成的矩阵，以得到去除眼电伪迹的EEG信号。
其中，请参见图5，分离矩阵是在FastICA对原始EEG信号进行分解时获得的，在源信号和观测信号的混合方式未知的情况下，ICA能够从混合信号中分离出相互统计独立的源信号，其数学表达如下：设源信号为Snm＝[s(1)s(2)…s(m)]，观测信号为Xnm＝[x(1)x(2)…x(m)]，那么存在一个混合矩阵Ann，使得Xnm＝Ann·Snm，则ICA就是在Snm和Ann未知的条件下找到解混矩阵W(即分离矩阵)，使得分解信号尽可能精确地逼近源信号S，最终得到估计的源信号/>ICA的原理框图如图3所示。ICA的应用前提是假设源信号在统计上相互独立，并且独立源信号的数目与观测信号的数目相等。与基本ICA算法相比，FastICA算法收敛速度更快，并且分解效果更好，因此采用FastICA进行EEG信号的分解。
与现有多通道脑电信号眼电伪迹自动去除方法相比，本发明的方法利用DE实现了样本熵阈值的自适应设置，避免了人为设置的影响，能够提高伪迹分量识别准确率；对小波分解的分解层数设置进行了优化，利用小波分解对FastICA中的伪迹分量进行分解，能够进一步分离出伪迹信号，保留更多有用信息。
本发明的方法能够进行伪迹分量识别阈值的自适应设置，实现伪迹的自动判别，同时提高了伪迹去除的效果，并保留更多的有用信息。
实施例二
本发明的又一个实施例提供了一种计算机可读存储介质，其上存储有计算机程序，上述计算机程序被处理器执行时实现以下步骤：
S1、利用FastICA和差分进化算法对原始EEG信号进行处理，以得到若干独立分量，其中，所述若干独立分量包括包含眼电伪迹的独立分量和不含眼电伪迹的独立分量；
S2、利用小波变换和所述差分进化算法对包含眼电伪迹的独立分量进行处理，以得到眼电伪迹分量；
S3、基于小波重构和逆变换，根据所述眼电伪迹分量得到去除眼电伪迹的EEG信号。
本发明实施例提供的计算机可读存储介质，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (8)

1.一种多通道脑电信号眼电伪迹自动去除方法，其特征在于，包括：
S1、利用FastICA和差分进化算法对原始EEG信号进行处理，以得到若干独立分量，其中，所述若干独立分量包括包含眼电伪迹的独立分量和不含眼电伪迹的独立分量；
S2、利用小波变换和所述差分进化算法对包含眼电伪迹的独立分量进行处理，以得到眼电伪迹分量；
S3、基于小波重构和逆变换，根据所述眼电伪迹分量得到去除眼电伪迹的EEG信号；
步骤S1包括：
S1.1、利用FastICA对原始EEG信号进行盲源分离，获得若干独立分量；
S1.2、计算每个所述独立分量的样本熵；
S1.3、将所述独立分量的样本熵与基于所述差分进化算法得到的第一样本熵阈值进行比较，若所述独立分量的样本熵小于所述第一样本熵阈值，则所述独立分量为包含眼电伪迹的独立分量；
步骤S2包括：
S2.1、利用小波变换对包含眼电伪迹的独立分量进行分解，获得若干小波分量；
S2.2、计算每个所述小波分量的样本熵；
S2.3、将所述小波分量的样本熵与基于所述差分进化算法得到的第二样本熵阈值进行比较，若所述小波分量的样本熵小于所述第二样本熵阈值，则所述小波分量为眼电伪迹分量。
2.如权利要求1所述的多通道脑电信号眼电伪迹自动去除方法，其特征在于，所述第一样本熵阈值和所述第二样本熵阈值的获取方法包括：
Step1、获取包含第一纯净EEG信号和污染EEG信号的集合；
Step2、初始化差分进化算法的种群；
Step3、利用FastICA和小波变换去除所述污染EEG信号的眼电伪迹，以得到去除眼电伪迹的第二纯净EEG信号；
Step4、利用所述第一纯净EEG信号和去除眼电伪迹的第二纯净EEG信号，结合适应度函数计算种群个体的适应度值，将适应度值最小的个体作为本次迭代的最优个体；
Step5、利用差分进化算法对所述种群进行变异交叉，以得到新的种群个体；
Step6、利用适应度函数计算新的种群个体和旧种群对应个体的适应度值，若新的种群个体的适应度值小于旧种群对应个体的适应度值，则用该新的种群个体代替旧种群对应的个体，由此获得下一代个体；
Step7、判断是否满足循环终止条件，不满足则返回Step3，满足则跳出循环，选取适应度值最小的个体作为样本熵阈值。
3.如权利要求2所述的多通道脑电信号眼电伪迹自动去除方法，其特征在于，所述适应度函数为：
f＝RMSE+Pearson
其中，RMSE表示均方根误差，RMSEi表示第i个通道原始EEG信号和去除眼电伪迹后的EEG信号之间的均方根误差，N表示脑电采集通道数，Pearson表示皮尔逊相关系数，α表示Pearson的权重，Pearsoni表示第i个通道原始EEG信号和去除眼电伪迹后的EEG信号之间的皮尔逊相关系数。
4.如权利要求3所述的多通道脑电信号眼电伪迹自动去除方法，其特征在于，RMSEi的计算公式为：
其中，M表示EEG信号的长度，pij表示长度为j处的纯净EEG信号，Rpij表示长度为j处的去除眼电伪迹的EEG信号。
5.如权利要求3所述的多通道脑电信号眼电伪迹自动去除方法，其特征在于，Pearsoni的计算公式为：
其中，pi表示纯净EEG信号，Rpi表示去除眼电伪迹的EEG信号。
6.如权利要求1所述的多通道脑电信号眼电伪迹自动去除方法，其特征在于，所述小波变换的分解层数的设置方法包括：
第一步、初始化m＝1；
第二步、计算m层小波分解中第m层低频分量的最大频率；
第三步、判断所述最大频率与设定阈值的关系，若所述最大频率大于或者等于所述设定阈值，则令m＝m+1，返回第二步，若所述最大频率小于所述设定阈值，则分解层数为m。
7.如权利要求1所述的多通道脑电信号眼电伪迹自动去除方法，其特征在于，步骤S3包括：
步骤S3.1、将所述眼电伪迹分量置零；
步骤S3.2、利用小波重构处理包括所述眼电伪迹分量的所有独立分量，得到去除伪迹的独立分量；
步骤S3.3、利用分离矩阵的逆矩阵乘以所有独立分量构成的矩阵，以得到去除眼电伪迹的EEG信号。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
CN202111541708.4A 2021-12-16 2021-12-16 一种多通道脑电信号眼电伪迹自动去除方法及存储介质 Active CN114176605B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111541708.4A CN114176605B (zh) 2021-12-16 2021-12-16 一种多通道脑电信号眼电伪迹自动去除方法及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111541708.4A CN114176605B (zh) 2021-12-16 2021-12-16 一种多通道脑电信号眼电伪迹自动去除方法及存储介质

Publications (2)

Publication Number Publication Date
CN114176605A CN114176605A (zh) 2022-03-15
CN114176605B true CN114176605B (zh) 2023-08-29

Family

ID=80544111

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111541708.4A Active CN114176605B (zh) 2021-12-16 2021-12-16 一种多通道脑电信号眼电伪迹自动去除方法及存储介质

Country Status (1)

Country Link
CN (1) CN114176605B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102697493A (zh) * 2012-05-03 2012-10-03 北京工业大学 一种快速的脑电信号中眼电伪迹自动识别和去除的方法
CN107273338A (zh) * 2017-05-26 2017-10-20 宁波大学 一种基于差分进化算法的非线性独立成分分析方法
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
CN110292376A (zh) * 2018-03-22 2019-10-01 深圳先进技术研究院 去除脑电信号中眼电伪迹的方法、装置、设备及存储介质

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090048530A1 (en) * 2007-08-15 2009-02-19 The General Electric Company Monitoring of epileptiform activity
WO2012165602A1 (ja) * 2011-05-31 2012-12-06 国立大学法人名古屋工業大学 認知機能障害判別装置、認知機能障害判別システム、およびプログラム

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102697493A (zh) * 2012-05-03 2012-10-03 北京工业大学 一种快速的脑电信号中眼电伪迹自动识别和去除的方法
CN107273338A (zh) * 2017-05-26 2017-10-20 宁波大学 一种基于差分进化算法的非线性独立成分分析方法
CN110292376A (zh) * 2018-03-22 2019-10-01 深圳先进技术研究院 去除脑电信号中眼电伪迹的方法、装置、设备及存储介质
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

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Evolutionary Based ICA With Reference for EEG mu Rhythm Extraction;Kavuri SS 等;IEEE Access;19702-19713 *

Also Published As

Publication number Publication date
CN114176605A (zh) 2022-03-15

Similar Documents

Publication Publication Date Title
Chen et al. Removal of muscle artifacts from the EEG: A review and recommendations
CN107844755B (zh) 一种结合dae和cnn的脑电信号特征提取与分类方法
CN107157477B (zh) 脑电信号特征识别系统及方法
CN109758145B (zh) 基于脑电信号因果关系的自动睡眠分期方法
CN110575164B (zh) 脑电信号伪迹去除方法及计算机可读存储介质
WO2010045724A1 (en) Method and rhythm extractor for detecting and isolating rhythmic signal features from an input signal using the wavelet packet transform
CN102835955A (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
CN113191225B (zh) 一种基于图注意力网络的情绪脑电识别方法及系统
CN114224360B (zh) 一种基于改进emd-ica的eeg信号处理方法、设备及存储介质
CN114533086A (zh) 一种基于空域特征时频变换的运动想象脑电解码方法
CN113616213B (zh) 一种基于bp神经网络及改进的emd方法的心电信号去噪方法、设备及存储介质
Zhao et al. Classification of epileptic IEEG signals by CNN and data augmentation
CN115363531A (zh) 基于双模态脑电信号信息瓶颈的癫痫检测系统
CN116250849A (zh) 一种基于信息分离器和区域卷积网络的脑电信号识别方法
CN111914735A (zh) 一种基于tqwt和熵特征的癫痫脑电信号特征提取方法
CN108717535B (zh) 一种基于混合特征和长短时记忆网络的麻醉深度估计方法
CN114176605B (zh) 一种多通道脑电信号眼电伪迹自动去除方法及存储介质
CN117235576A (zh) 一种基于黎曼空间的运动想象脑电意图分类方法
CN111887811B (zh) 基于脑电信号特征的大脑异常放电检测方法及系统
CN116392145A (zh) 一种单通道脑电信号中眨眼伪影的去除方法
CN115017960B (zh) 一种基于时空联合mlp网络的脑电信号分类方法及应用
Chendeb et al. Classification of non stationary signals using multiscale decomposition
CN116098637A (zh) 一种基于ica优化校正脑电微状态的大脑功能评测装置
CN116584960A (zh) 一种膈肌肌电信号降噪方法
CN116010840A (zh) 一种多源域样本重加权的eeg信号跨设备解码方法

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