CN114224360A - 一种基于改进emd-ica的eeg信号处理方法、设备及存储介质 - Google Patents

Abstract

本发明公开了一种基于改进EMD‑ICA的EEG信号处理方法、设备及存储介质，涉及信号处理技术领域，该方法利用改进经验模式分解法EMD对脑电信号EEG进行分解，得到本征模态分量IMFS和余量；对得到的所有符合要求的本征模态分量IMFS进行叠加重构，对重构后的脑电信号通过ICA法进行信号分离，消除噪声，得到去噪后的脑电信号；利用连续小波变换将去噪后的脑电信号变成二维时频图，并将生成的二维时频图输入卷积神经网络模型；采用卷积神经网络模型对步骤S3中的二维时频图进行特征提取，并进行分类。该方法基于改进的EMD‑ICA对脑电信号进行去噪，采用去噪后的信号再进行特征提取和分类，使得运动想象脑电信号分类准确，准确率明显高于现有的其他的分类方法。

Description

一种基于改进EMD-ICA的EEG信号处理方法、设备及存储介质

技术领域

本发明涉及EEG信号处理方法技术领域，尤其涉及一种基于改进EMD-ICA的EEG信号处理方法、设备及存储介质。

背景技术

EEG信号易受噪声影响，例如眼电(EOG)，肌电(EMG)，心电(ECG)，及电源线干扰。为了滤除接收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Wiener(WD)分布和小波变换。

ICA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与背景噪声区分开来，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。

经验模式分解法(Empirical Mode Decomposition,简称EMD)对于分析非线性、非平稳信号序列具有很大的优势，同时具有高信噪比的特点。该方法的核心是经验模式分解，即将复杂的信号分解为按频率由高到低顺序排列的有限个本征模函数(Intrinsic ModeFunction,简称IMF),分解出来的IMF分量包含了原信号的不同时间尺度的局部特征信号。EMD的关键是使复杂信号分解为有限个本征模函数(IMF)，所分解出来的各IMF分量包含了原信号的不同时间尺度的局部特征信号。

小波变换是1980年代后期发展起来的应用数学的一个分支。它是一种时频分解技术，并已广泛应用于信号处理，图像处理，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它们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。

卷积神经网络通常由多个卷积层和池化层组成。典型的CNN网络有以下几个层次：输入层、卷积层、池化层、完全连接层和输出层。深度学习算法提取特征的能力与传统算法相比有很大的提升，而且通常网络越复杂提取的特征越充分，得到的分类器效果越好。作为一种多层神经网络，卷积神经网络凭借其强大的特征提取能力成功地应用在计算机视觉和图像处理等领域。

总之，由于EEG信号本身的特性，仅使用上述任一传统的去噪方法及特征提取分类难以实现理想的分类效果。因此，本文结合EMD、ICA算法、连续小波变换及CNN算法，提出一种基于改进的EMD-ICA的EEG信号处理方法。

发明内容

本发明的目的在于提供一种基于改进EMD-ICA的EEG信号处理方法，从而解决现有技术中存在的前述问题。

为了实现上述目的，本发明采用的技术方案如下：

一种基于改进EMD-ICA的EEG信号处理方法，包括以下步骤：

S1,利用改进经验模式分解法EMD对脑电信号EEG进行分解，得到本征模态分量IMFS和余量；

S2，对得到的所有符合要求的本征模态分量IMFS进行叠加重构，对重构后的脑电信号通过ICA法进行信号分离，消除噪声，得到去噪后的脑电信号；

S3，利用连续小波变换将去噪后的脑电信号变成二维时频图，并将生成的二维时频图输入卷积神经网络模型；

S4，采用卷积神经网络模型对步骤S3中的二维时频图进行特征提取，并进行分类。

优选的，步骤S1中具体包括：

S11，把原始脑电信号X(t)的起始端点作为一个极大值起点记为M(0)，横坐标为t(0),选取一个相邻的极大值点记为M(1)，横坐标为t_m(1),两点连线，计算其斜率S1；

S12，计算起始端点处延展得到的极小值N(0)；

N(0)＝N(1)-S₁·[t_n(1)-t_n(0)] (2)

(公式变化了)

N(1)指的是距离起始端点处最近的极小值，t_n(1)指的是N(1)的横坐标，t_n(0)＝t(0)；

S13，相应的，把原始脑电信号的终端端点作为极小值点记为N(Qmin)，横坐标为t_n(Q_min)，选取一个相邻的极小值点记为N(Q_min-1)，横坐标为t_n(Q_min-1)，采用公式(3)计算两点连线的斜率S2：

S14，计算终端端点延展得到的极大值M(Q_max)：

M(Q_max)＝M(Q_max-1)-S₂·[t_m(Q_max-1)-t(N)] (4)

选取一个相邻的极大值点记为M(Q_max-1)，横坐标为t_m(Q_max-1)，T_m(Q_max)＝t(N)；

S15，重复步骤S14,由此找出原始脑电信号数据序列内的所有的极大值点M1(Qmax)和极小值点N1(0)，得到极大值序列；

找出极大值序列中的最大值MAX和最小值MIN，若M(Q_max)<MIN，则定义该延展极大值为：M1(Q_max)＝(终端端点值+MAX)/2；若N(0)＞MAX，则定义该延展极大值为：N1(0)＝(起始端点值+MIN)/2；

S16，采用三次样条插值函数拟合形成原数据的上包络线U_max(t)和下包络线U_min(t)；

根据上、下包络线计算原始数据X(t)的局部平均值，记作公式(5)：

m₁(t)＝(U_max(t)+U_min(t))/2 (5)

S17，计算原始脑电信号与局部平均值的差值h₁(t)，记为公式(6)：

h₁(t)＝X(t)-m₁(t) (6)

S18，判断h₁(t)是否满足IMF的两个条件，若满足，则h₁(t)为第一个IMF分量，从原始信号X(t)中减去h₁(t)得到剩余信号r₁(t)；否则就把h₁(t)当成原始脑电信号转到步骤S16，重复步骤S16-S17,继续寻找原数据序列h₁(t)信号内的所有的极大值点M1(Qmax)和极小值点N1(0)，直至满足IMF的两个条件；

r₁(t)＝X(t)-h₁(t) (7)

S19,将剩余信号r₁(t)看作新的脑电信号重复步骤S11-S18，可筛选得到n个IMF分量：

r_n(t)＝r_n-1(t)-h_n(t) (8)

S110,对n个IMF分量h₁(t),h₂(t),…,h_n(t)做阈值处理，将大于阈值V的分量置为零，如下式所示：

其中，

其中，F为原始脑电信号数据X(t)的长度；

Median()函数，返回一组已知数字的中值，中值是一组数的中间数。

优选的，满足IMF的两个条件具体为：1)在整个数据段内，极值点和零点数量相等或相差至多1个；2)在任意时刻，由局部极大值点形成的上包络和由局部极小值点形成的下包络的平均值为0。

优选的，步骤S110后还包括：分解后的IMF分量和余量叠加重构为去噪后的重构脑电信号

优选的，步骤S2具体包括：

S21采用下式，对重构脑电信号

去均值，得到处理后的脑电观测信号X’(t)；

其中：E[·]表示数学期望；

S22，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),…,z_m(t))^T：

其中：

代表投影因子；

D_s是以X’(t)的协方差矩阵C_X＝E[X’(t)*X’(t)^T]特征值为对角元素的对角矩阵；

U_s是以C_X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，

S23,定义Y(t)＝WZ(t)，W为解混矩阵；

初始化各参数：令循环变量i＝1，初始解混矩阵为：

E[·]表示数学期望；

S24，计算Y(t)＝WZ(t)；

ΔW＝λ[I-Ktanh(Y(t))(Y(t))^T-Y(t)(Y(t))^T]W

其中，λ为学习步长，本文取λ＝0.001，I为单位矩阵；K为对角矩阵，其对角元素k_ii＝sgn{E[sech²y_i(t)]-E[y_i(t)tanhy_i(t)]}

Sgn()符号函数，返回参数的正负,sech()为双曲正割函数，tanh()为双曲正切函数。

S25，W＝W+ΔW

返回步骤S24继续计算，直到W收敛得到独立分量Y(t)＝WZ(t)；处理后的解混矩阵W的无穷范数是否小于10-6，如果是，则代表收敛。

优选的，步骤S3中绘制二维时频图的具体过程包括：

S31，从C3和C4通道的脑电信号中提取时间、频率和位置信息；

S32，利用连续小波转换将步骤S31中获得的时间、频率和位置信息结合绘制出二维时频图。

优选的，步骤S4中采用的卷积神经网络模型采用2层卷积神经网络模型，具体包括2个卷积层，2个池化层，2个全连接层及1个softmax输出层。

优选的，步骤S4具体包括：

S41，将绘制的二维时频图首先传入第一卷积层，提取局部特征

S42，将提取局部特征后的特征图传入第一池化层，经过特征选择和信息过滤后再依次传入第二卷积层和第二池化层；

S43，进入全连接层，最后进入输出层，采用softmax分类函数即可得到左右手的分类。

本发明的另一个目的在于提供一种计算机可读存储介质，所述计算机可读存储介质包括处理器，所述处理器用于实现基于改进EMD-ICA的EEG信号处理方法。

本发明的最后一个目的在于提供一种基于改进EMD-ICA的EEG信号处理设备，用于执行基于改进EMD-ICA的EEG信号处理方法。

本发明的有益效果是：

本发明公开了一种基于改进EMD-ICA的EEG信号处理方法、设备及存储介质，本方法基于改进的EMD-ICA对脑电信号进行去噪，采用去噪后的信号再进行特征提取和分类，使得脑电运动想象信号进行准确分类，准确率明显高于现有的其他的分类方法。

附图说明

图1是实施例1中提供的基于改进EMD-ICA的EEG信号处理方法流程图；

图2是实施例2中提供的将脑电数据进行EMD-ICA分解的实验显示结果；

图3是利用连续小波变换将去噪后的C3脑电信号变成二维时频图；

图4是利用连续小波变换将去噪后的C4脑电信号变成二维时频图；

图5是图3和图4中的图像组合而成的最终输入图像；

图6是实施例2中采用的卷积神经网络结构模型示意图；

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图，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方式仅仅用以解释本发明，并不用于限定本发明。

实施例1

本实施例提供一种基于改进EMD-ICA的EEG信号处理方法，包括以下步骤：

S1,利用改进经验模式分解法EMD对脑电信号EEG进行分解，得到本征模态分量IMFS和余量；

S2，对得到的所有符合要求的本征模态分量IMFS进行叠加重构，对重构的脑电信号通过ICA法进行信号分离，消除噪声，得到去噪后的脑电信号；

S3，利用连续小波变换将去噪后的脑电信号变成二维时频图，并将生成的二维时频图输入卷积神经网络模型；

S4，采用卷积神经网络模型对步骤S3中的二维时频图进行特征提取，并进行分类。

本实施例中的步骤S1中具体包括：

S11，把原始脑电信号X(t)的起始端点作为一个极大值起点记为M(0)，横坐标为t(0),选取一个相邻的极大值点记为M(1)，横坐标为t_m(1),两点连线，计算其斜率S1；

S12，计算起始端点处延展得到的极小值N(0)；

N(0)＝N(1)-S₁·[t_n(1)-t_n(0)] (2)

(公式变化了)

N(1)指的是距离起始端点处最近的极小值，t_n(1)指的是N(1)的横坐标，t_n(0)＝t(0)；

S13，相应的，把原始脑电信号的终端端点作为极小值点记为N(Qmin)，横坐标为t_n(Q_min)，选取一个相邻的极小值点记为N(Q_min-1)，横坐标为t_n(Q_min-1)，采用公式(3)计算两点连线的斜率S2：

S14，计算终端端点延展得到的极大值M(Q_max)：

M(Q_max)＝M(Q_max-1)-S₂·[t_m(Q_max-1)-t(N)] (4)

选取一个相邻的极大值点记为M(Q_max-1)，横坐标为t_m(Q_max-1)，T_m(Q_max)＝t(N)；

S15，重复步骤S14,由此找出原始脑电信号数据序列内的所有的极大值点M1(Qmax)和极小值点N1(0)，得到极大值序列；

找出极大值序列中的最大值MAX和最小值MIN，若M(Q_max)<MIN，则定义该延展极大值为：M1(Q_max)＝(终端端点值+MAX)/2；若N(0)＞MAX，则定义该延展极大值为：N1(0)＝(起始端点值+MIN)/2；

S16，采用三次样条插值函数拟合形成原数据的上包络线U_max(t)和下包络线U_min(t)；

根据上、下包络线计算原始数据X(t)的局部平均值，记作公式(5)：

m₁(t)＝(U_max(t)+U_min(t))/2 (5)

S17，计算原始脑电信号与局部平均值的差值h₁(t)，记为公式(6)：

h₁(t)＝X(t)-m₁(t) (6)

S18，判断h₁(t)是否满足IMF的两个条件，若满足，则h₁(t)为第一个IMF分量，从原始信号X(t)中减去h₁(t)得到剩余信号r₁(t)；否则就把h₁(t)当成原始脑电信号转到步骤S16，重复步骤S16-S17，继续寻找原数据序列h₁(t)信号内的所有的极大值点M1(Qmax)和极小值点N1(0)，直至满足IMF的两个条件；

r₁(t)＝X(t)-h₁(t) (7)

S19，将剩余信号r₁(t)看作新的脑电信号重复步骤S11-S18，可筛选得到n个IMF分量：

r_n(t)＝r_n-1(t)-h_n(t) (8)

S110，对n个IMF分量h₁(t)，h₂(t)，…，h_n(t)做阈值处理，将大于阈值V的分量置为零，如下式所示：

其中，

其中，F为原始脑电信号数据X(t)的长度；

Median()函数，返回一组已知数字的中值，中值是一组数的中间数。

本实施例中满足IMF的两个条件具体为：1)在整个数据段内，极值点和零点数量相等或相差至多1个；2)在任意时刻，由局部极大值点形成的上包络和由局部极小值点形成的下包络的平均值为0。

步骤S110后还包括：分解后的IMF分量和余量r_n叠加重构为去噪后的重构脑电信号

本实施例中的步骤S2具体包括：

S21采用下式，对重构脑电信号

去均值，得到处理后的脑电观测信号X’(t)；

其中：E[·]表示数学期望；

S22，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),…,z_m(t))^T：

其中：

代表投影因子；

D_s是以X’(t)的协方差矩阵C_X＝E[X’(t)*X’(t)^T]特征值为对角元素的对角矩阵；

U_s是以C_X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，

S23,定义Y(t)＝WZ(t)，W为解混矩阵；

初始化各参数：令循环变量i＝1，初始解混矩阵为：

E[·]表示数学期望；

S24，计算Y(t)＝WZ(t)；

ΔW＝λ[I-Ktanh(Y(t))(Y(t))^T-Y(t)(Y(t))^T]W

其中，λ为学习步长，本文取λ＝0.001，I为单位矩阵；K为对角矩阵，其对角元素k_ii＝sgn{E[sech²y_i(t)]-E[y_i(t)tanhy_i(t)]}

Sgn()符号函数，返回参数的正负,sech()为双曲正割函数，tanh()为双曲正切函数。

S25，W＝W+ΔW

返回步骤S24继续计算，直到W收敛得到独立分量Y(t)＝WZ(t)；处理后的解混矩阵W的无穷范数是否小于10-6，如果是，则代表收敛。

本实施例中的步骤S3中绘制二维时频图的具体过程包括：

S31，从C3和C4通道的脑电信号中提取时间、频率和位置信息；

S32，利用连续小波转换将步骤S31中获得的时间、频率和位置信息结合绘制出二维时频图。

本实施例中步骤S4中采用的卷积神经网络模型采用2层卷积神经网络模型，具体包括2个卷积层，2个池化层，2个全连接层及1个softmax输出层。

步骤S4具体包括：

S41，将绘制的二维时频图首先传入第一卷积层，提取局部特征；

S42，将提取局部特征后的特征图传入第一池化层，经过特征选择和信息过滤后再依次传入第二卷积层和第二池化层；

S43，进入全连接层，最后进入输出层，采用softmax分类函数即可得到左右手的分类。

实施例2

本实施例采用实施例1中所记载的基于改进EMD-ICA的EEG信号处理方法对一组EEG信号进行处理，包括以下步骤：

(1)EMD-ICA去噪

采用第四届国际脑机接口竞赛——格茨数据集2a，选取第一位受试者的脑电数据进行EMD-ICA分解，实验结果如图2所示，原始脑电信号不平滑，混杂着各种各样的噪声，对原始信号进行EMD-ICA分解后，得到的结果是比较理想的，该方法获得的去噪信号更符合原始数据的自然走向，由此可见EMD-ICA算法不仅精确地消除伪迹成分，更很好地保留原始EEG的局部特性。

(2)利用连续小波变换将去噪后的脑电信号变成二维时频图

左手和右手运动运动想象任务分别导致运动皮层左右两侧出现ERD和ERS现象(事件相关去同步化(event-related desynchronization，ERD)和事件相关同步化(eventrelated synchronization，ERS))，影响C4和C3电极的脑电图信号。图3和图4是在执行左手运动想象任务时C3和C4通道的小波时频图像。从图3、4中可以看出，在实验开始后3秒，C4通道的能量显著下降，一段时间后恢复，即ERD现象发生。然而，C3通道的能量保持在高水平而不是降低，这被称为ERS现象。将C3、C4的图像组合为最终输入图像，如图5所示。

(3)利用卷积神经网络对图像进行特征提取并分类

采用如图6所示的卷积神经网络模型，对图5进行特征提取并分类。

(4)对比试验

为了对算法进行定量评价，对9名受试者的数据分别进行ICA、ICA-WT和本发明中提供的EMD-ICA三种不同方法去噪处理，对比分类结果如表1所示，由表1中显示的内容可以知晓，本文提出的EMD-ICA方法的平均精度结果要高于ICA和ICA-WT。可以分析出，使用本文提出的EMD-ICA算法提高了信号的信噪比，很好的保留了信号的有效成分，得到了更理想的消噪效果，可以有效地提高分类精度。

表1 ICA、ICA-WT和EMD-ICA去噪算法的分类结果

kappa值是去除随机分类准确性影响的分类性能度量，

其中，p₀为分类精度，p_e为随机分类的结果，两类分类时为0.5。

将本文方法的Kappa结果与当前的研究现状进行了比较，如表2所示。

表2 CNN、SAE和SVM的Kappa值

从表2可以看出来自每个受试者的运动想象脑电信号的质量不同，导致预测的准确性有很大差异。

本文提出的EMD-ICA算法对相同受试者的脑电图记录在不同时段的变化具有相当的鲁棒性，对比其他方法对受试者之间的差异更具有鲁棒性。结果表明，本文提出的EMD-ICA去噪方法具有较高的准确率和可靠性。

通过采用本发明公开的上述技术方案，得到了如下有益的效果：

本发明公开了一种基于改进EMD-ICA的EEG信号处理方法、设备及存储介质，本方法基于改进的EMD-ICA对脑电信号进行去噪，采用去噪后的信号再进行特征提取和分类，使得运动想象脑电信号进行准确分类，准确率明显高于现有的其他的分类方法。

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 (10)

1.一种基于改进EMD-ICA的EEG信号处理方法，其特征在于，包括以下步骤：

S1,利用改进经验模式分解法EMD对脑电信号EEG进行分解，得到本征模态分量IMFS和余量；

S2，对得到的所有符合要求的本征模态分量IMFS进行叠加重构，对重构后的脑电信号通过改进ICA法进行信号分离，消除噪声，得到去噪后的脑电信号；

S3，利用连续小波变换将去噪后的脑电信号变成二维时频图，并将生成的二维时频图输入卷积神经网络模型；

S4，采用卷积神经网络模型对步骤S3中的二维时频图进行特征提取，并进行分类。

2.根据权利要求1所述的基于改进EMD-ICA的EEG信号处理及分类方法，其特征在于，步骤S1中具体包括：

S11，把原始脑电信号X(t)的起始端点作为一个极大值起点记为M(0)，横坐标为t(0),选取一个相邻的极大值点记为M(1)，横坐标为t_m(1),两点连线，计算其斜率S1；

S12，计算起始端点处延展得到的极小值N(0)；

N(0)＝N(1)-S₁·[t_n(1)-t_n(0)] (2)

N(1)指的是：距离起始端点处最近的极小值，t_n(1)指的是：N(1)的横坐标。t_n(0)＝t(0)；

S13，相应的，把原始脑电信号的终端端点作为极小值点记为N(Qmin)，横坐标为t_n(Q_min)，选取一个相邻的极小值点记为N(Q_min-1)，横坐标为t_n(Q_min-1)，采用公式(3)计算两点连线的斜率S2：

S14，计算终端端点延展得到的极大值M(Q_max)：

M(Q_max)＝M(Q_max-1)-S₂·[t_m(Q_max-1)-t(N)] (4)

选取一个相邻的极大值点记为M(Q_max-1)，横坐标为t_m(Q_max-1)，T_m(Q_max)＝t(N)；

S15，重复步骤S14,由此找出原始脑电信号数据序列X(t)内的所有的极大值点M1(Qmax)和极小值点N1(0)，得到极大值序列；

找出极大值序列中的最大值MAX和最小值MIN，若M(Q_max)<MIN，则定义该延展极大值为：M1(Q_max)＝(终端端点值+MAX)/2；若N(0)＞MAX，则定义该延展极大值为：N1(0)＝(起始端点值+MIN)/2；

S16，采用三次样条插值函数拟合形成原数据的上包络线U_max(t)和下包络线U_min(t)；

根据上、下包络线计算原始数据X(t)的局部平均值，记作公式(5)：

m₁(t)＝(U_max(t)+U_min(t))/2 (5)

S17，计算原始脑电信号与局部平均值的差值h₁(t)，记为公式(6)：

h₁(t)＝X(t)-m₁(t) (6)

S18，判断h₁(t)是否满足IMF的两个条件，若满足，则h₁(t)为第一个IMF分量，从原始信号X(t)中减去h₁(t)得到剩余信号r₁(t)；否则就把h₁(t)当成原始脑电信号转到步骤S16，重复步骤S16-S17,继续寻找原数据序列h₁(t)信号内的所有的极大值点M1(Qmax)和极小值点N1(0)，直至满足IMF的两个条件

r₁(t)＝X(t)-h₁(t) (7)

S19,将剩余信号r₁(t)看作新的脑电信号重复步骤S11-S18，可筛选得到n个IMF分量：

r_n(t)＝r_n-1(t)-h_n(t) (8)

S110,对n个IMF分量h₁(t),h₂(t)…h_n(t)做阈值处理，将大于阈值V的分量置为零，如下式所示：

其中，

其中，F为原始脑电信号数据X(t)的长度；

Median()函数，返回一组已知数字的中值，中值是一组数的中间数。

3.根据权利要求2所述的基于改进EMD-ICA的EEG信号处理方法，其特征在于，满足IMF的两个条件具体为：1)在整个数据段内，极值点和零点数量相等或相差至多1个；2)在任意时刻，由局部极大值点形成的上包络和由局部极小值点形成的下包络的平均值为0。

4.根据权利要求2所述的基于改进EMD-ICA的EEG信号处理方法，其特征在于，步骤S110后还包括：分解后的IMF分量和余量r_n叠加重构为去噪后的重构脑电信号

5.根据权利要求4所述的基于改进EMD-ICA的EEG信号处理方法，其特征在于，步骤S2具体包括：

S21，采用下式，对重构脑电信号

去均值，得到处理后的脑电观测信号X’(t)；

其中：E[·]表示数学期望；

S22,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),…,z_m(t))^T：

其中：

代表投影因子；

D_s是以X’(t)的协方差矩阵C_X＝E[X’(t)*X’(t)^T]特征值为对角元素的对角矩阵；

U_s是以C_X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，

S23,定义Y(t)＝WZ(t)，W为解混矩阵；

初始化各参数：令循环变量i＝1，初始解混矩阵为：

E[·]表示数学期望；

S24，计算Y(t)＝WZ(t)；

ΔW＝λ[I-Ktanh(Y(t))(Y(t))^T-Y(t)(Y(t))^T]W

其中，λ为学习步长，本文取λ＝0.001，I为单位矩阵；K为对角矩阵，其对角元素k_ii＝sgn{E[sech² y_i(t)]-E[y_i(t)tanhy_i(t)]}

Sgn()符号函数，返回参数的正负,sech()为双曲正割函数，tanh()为双曲正切函数。

S25，W＝W+ΔW

返回步骤S24继续计算，直到W收敛得到独立分量Y(t)＝WZ(t)；处理后的解混矩阵W的无穷范数是否小于10-6，如果是，则代表收敛。

6.根据权利要求1所述的基于改进EMD-ICA的EEG信号处理方法，其特征在于，步骤S3中绘制二维时频图的具体过程包括：

S31，从C3和C4通道的脑电信号中提取时间、频率和位置信息；

S32，利用连续小波转换将步骤S31中获得的时间、频率和位置信息结合绘制出二维时频图。

7.根据权利要求1所述的基于改进EMD-ICA的EEG信号处理方法，其特征在于，步骤S4中采用的卷积神经网络模型采用2层卷积神经网络模型，具体包括2个卷积层，2个池化层，2个全连接层及1个softmax输出层。

8.根据权利要求7所述的基于改进EMD-ICA的EEG信号处理方法，其特征在于，步骤S4具体包括：

S41，将绘制的二维时频图首先传入第一卷积层，提取局部特征

S42，将提取局部特征后的特征图传入第一池化层，经过特征选择和信息过滤后再依次传入第二卷积层和第二池化层；

S43，进入全连接层，最后进入输出层，采用softmax分类函数即可得到左右手的分类。

9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括处理器，所述处理器用于实现权利要求1-8任一所述的基于改进EMD-ICA的EEG信号处理方法。

10.一种基于改进EMD-ICA的EEG信号处理设备，其特征在于，用于执行权利要求1-8任一所述的基于改进EMD-ICA的EEG信号处理方法。

Images