CN116070101A - 基于ica和异常值检测的脑电伪迹去除方法、系统及设备 - Google Patents

基于ica和异常值检测的脑电伪迹去除方法、系统及设备 Download PDF

Info

Publication number
CN116070101A
CN116070101A CN202211690128.6A CN202211690128A CN116070101A CN 116070101 A CN116070101 A CN 116070101A CN 202211690128 A CN202211690128 A CN 202211690128A CN 116070101 A CN116070101 A CN 116070101A
Authority
CN
China
Prior art keywords
signal
artifact
electroencephalogram
source
ica
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
CN202211690128.6A
Other languages
English (en)
Inventor
李易霖
计樱莹
孙杨帆
王欣欣
周彪
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.)
Wuxi Central Rehabilitation Hospital
WUXI MENTAL HEALTH CENTER
Jiangnan University
Original Assignee
Wuxi Central Rehabilitation Hospital
WUXI MENTAL HEALTH CENTER
Jiangnan University
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 Wuxi Central Rehabilitation Hospital, WUXI MENTAL HEALTH CENTER, Jiangnan University filed Critical Wuxi Central Rehabilitation Hospital
Priority to CN202211690128.6A priority Critical patent/CN116070101A/zh
Publication of CN116070101A publication Critical patent/CN116070101A/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
    • A61B5/24—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]
    • A61B5/372—Analysis of electroencephalograms
    • 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
    • A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
    • A61B5/7207—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal of noise induced by motion artifacts
    • 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
    • A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters

Landscapes

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

Abstract

本发明提供了一种基于ICA和异常值检测的脑电伪迹去除方法、系统及设备，该方法包括实时选取含伪迹的EEG信号；对所述含伪迹的EEG信号进行处理；对处理后的EEG信号进行处理，分解生成N个独立的估计源信号；计算各独立的估计源信号的峰态系数，设定峰态系数的阈值；根据设定的峰态系数阈值判断各独立的估计源信号是否为伪迹源，如果是，检测伪迹源中的异常数据，并对异常数据进行处理；如果不是，得到剩余的原信号；将处理后的伪迹源和剩余的源信号重构，得到去伪迹后的脑电信号。本发明脑迹去除方法复杂度低、精确度高以及鲁棒性好。

Description

基于ICA和异常值检测的脑电伪迹去除方法、系统及设备
技术领域
本发明涉及脑电信号分析技术领域，尤其涉及一种基于ICA(IndependentComponent Analysis，独立成分分析)和异常值检测的脑电伪迹去除方法、系统及设备。
背景技术
脑电图(Electroencephalogram，EEG)有两种采集方式分别是侵入式技术和非侵入式技术。前者往往需要在外科手术的帮助下完成而后者是通过非侵入电子仪器测量大脑内部电活动的技术，在医疗和脑-机工程领域有着广泛的应用。电极记录下来的EEG信号通常受到眼球运动、眨眼、肌肉活动和线路噪音的伪迹污染。伪迹通常以高幅值、低频率呈现，破坏了脑电数据的原始性。因此，伪迹去除是EEG数据预处理中的必要步骤，由于伪迹频率与真实信号频率重叠，现行的基于滤波去除伪迹的方法存在局限性。基于时间或频率的回归方法需要参考信道，由于伪迹活动和EEG信号的影响是双向的，导致EOG信号真实程度无法保证。主成分分析(Principal Component Analysis，PCA)作为一种分解方法，已被提出用于消除EEG记录中的眼动伪影，然而，PCA不能完全将伪迹与EEG信号分离。
ICA已成为去除伪迹的一种有效方法。采用ICA将采集到的EEG信号分离为统计独立的信号源ICs，可以方便对伪迹源进行进一步识别。有文献提出使用AWICA算法，首先利用离散小波变换(Discrete Wavelet Transform，DWT)通过递归应用小波变换来生成不同频带的信号。输入信号与低通滤波器h[n](对应于缩放函数)和高通滤波器g[n](对应于小波函数)之间的离散卷积，可以获得有效的分解，分别输出近似系数和细节系数。去除通过峰态系数或模糊熵计算识别到的伪迹成分；最后通过逆ICA和逆DWT重构信号。但离散小波变换(DWT)需要考虑小波分解中小波基函数、分解层数等的选择问题，使得AWICA算法在去除电脑伪迹时复杂度高、精确度低和鲁棒性差。
因此有必要提出一种新的电脑伪迹去除方法来解决上述问题。
发明内容
本发明实施例提供了一种基于ICA和异常值检测的脑电伪迹去除方法、系统及设备，用于解决现有技术中脑电伪迹去除方法复杂度高、精确度低和鲁棒性差的问题。
为解决上述技术问题，本发明实施例提供一种基于ICA和异常值检测的脑电伪迹去除方法，该方法包括：
S1：实时选取含伪迹的EEG信号；
S2：对所述含伪迹的EEG信号进行处理；
S3：对处理后的EEG信号进行处理，分解生成N个独立的估计源信号；
S4：计算各独立的估计源信号的峰态系数，设定峰态系数的阈值；
S5：根据设定的峰态系数阈值判断各独立的估计源信号是否为伪迹源，如果是，检测伪迹源中的异常数据，并对异常数据进行处理；如果不是，得到剩余的原信号；
S6：将处理后的伪迹源和剩余的源信号重构，得到去伪迹后的脑电信号。
优选地，步骤S1中，选取含伪迹的EEG信号的方法为：
在固定宽度的滑动时间窗内选取可能被伪迹污染的L个通道的EEG信号。
优选地，步骤S2中，对所述含伪迹的EEG信号进行预处理的方法为：
对滑动时间窗内脑电数据信号进行巴特沃斯带通滤波处理，去除真实脑电数据以外的频段。
优选地，步骤S3中，对处理后的EEG信号进行ICA算法处理，分解生成N个独立的估计源信号，所述ICA算法为基于负熵最大的fastICA算法。
优选地，对处理后的EEG信号进行处理，分解生成N个独立的估计源信号包括以下步骤：
S31：将L个通道的观测信号归一化成零均值信号；
S32：对观测信号的协方差矩阵进行特征值分解，将观测信号X白化生成矩阵
Figure BDA0004020887040000031
其中E是特征向量按列组成的矩阵，D是特征值的对角矩阵；
S33：逐一估计N个独立的估计源信号，构建解混矩阵W＝[w1,…,wn,…,wN]，设置迭代次数，其中wn是第n个独立的估计源信号；
S34：对W初始化，使得||wn||＝1；
S35：基于负熵最大的fastICA算法，迭代计算wn，迭代公式表示如下：
Figure BDA0004020887040000032
其中，非线性函数g(y)＝tanh(y)，g′(y)是g(y)的导数，g′(y)＝1-tanh2(y)，归一化
Figure BDA0004020887040000033
判断
Figure BDA0004020887040000041
是否成立，ε取0.0001，若不成立，则继续迭代，若成立，则执行步骤S36；
S36：当n≥2时用对称正交法
Figure BDA0004020887040000042
更新wn，判断wn是否收敛，若不收敛，则继续执行步骤S35；若收敛，则执行步骤S37；
S37：n＝n+1，重复执行步骤S34，直到n等于独立的估计源信号N。
优选地，步骤S4中，计算各独立的估计源信号的峰态系数，所述峰态系数计算公式如下：
Figure BDA0004020887040000043
其中，kurtn表示第n个源信号的信号序列峰态系数，mi＝E{(sn-E{sn})i}表示估计的第n个源信号序列的i阶中心矩。
优选地，步骤S5中，对异常数据进行处理的方法包括以下步骤：
S51：利用四分位间距将数据分成三个四分位，在Q1-k*IQR和Q3+k*IQR范围以外的区域表示异常数据，其中k是异常点因子，Q1是第一四分位，Q3是第三四分位，IQR是第一四分位Q1和第三四分位Q3之间的距离；
S52：利用粒子群算法优化异常点因子k，找到去伪迹效果最优的伪迹成分，具体包括以下步骤：
Step1：初始化粒子群参数，包括粒子的速度位置、迭代次数、学习因子和惯性权重；
Step2：根据随机的参数初始值代入箱线图算法，对超出异常值截断点的数据清零处理；
Step3：对重构后的信号和原始纯净信号数据段计算相关系数，并将此相关系数作为目标函数；
Step:4：对粒子的速度位置进行更新计算，得到更新后的粒子适应度值；
Step5：根据新的适应度值继续重复更新粒子的个体极值和群体极值，以使相关系数求得最大值，当满足设定的迭代次数后，输出最优的k值；
所述相关系数的公式表示如下：
Figure BDA0004020887040000051
其中，xl(t)表示第l通道观测脑电信号，cl(t)表示去伪迹后的脑电信号，T为采样点数，Cov()代表两个信号序列的协方差，Var()代表信号序列的方差；
S53：通过将最优的k值带入公式
Figure BDA0004020887040000052
将伪迹成分的异常值清零。
本发明实施例还提供了一种基于ICA和异常值检测的脑电伪迹去除系统，该系统包括：
选取模块，用于实时选取含伪迹的EEG信号；
预处理模块，用于对所述含伪迹的EEG信号进行处理；
独立成分分析模块，用于对处理后的EEG信号进行处理，分解生成N个独立的估计源信号；
峰态系数计算模块，用于计算各独立的估计源信号的峰态系数，设定峰态系数的阈值；
伪迹源判断及处理模块，用于根据设定的峰态系数阈值判断各独立的估计源信号是否为伪迹源，如果是，检测伪迹源中的异常数据，并对异常数据进行处理；否则，得到剩余的原信号；
脑电信号重构模块，用于将处理后的伪迹源和剩余的源信号重构，得到去伪迹后的脑电信号。
本发明实施例还提供了一种电子设备，其包括上述任意一项所述的基于ICA和异常值检测的脑电伪迹去除方法，以实现去除脑电伪迹。
本发明实施例还提供了一种计算机储存介质，所述计算机存储介质存储有计算机软件产品，所述计算机软件产品包括的若干指令，用以使得一台计算机设备执行上述任意一项所述的基于ICA和异常值检测的脑电伪迹去除方法。
本发明的上述技术方案相比现有技术具有以下优点：
本发明提供了一种基于ICA和异常值检测的脑电伪迹去除方法、系统及设备，本发明首先利用ICA算法获得各独立估计信号源的分量，然后基于峰态系数识别伪迹，伪迹分量中使用的改进箱线图技术将求取的异常值清零，实现了多通道脑电信号的伪迹自动去除，同时保留了原始信号的真实性；本发明中提出的箱线图中异常值检测采用基于粒子群算法的异常点因子优化，在目标函数即相关系数取最大时得到最优的异常点因子，最大程度地找到去噪效果最优的伪迹成分保留真实的脑电信号；本发明所提供的脑电信号去伪迹算法复杂度不高，便于集成在分布式设备中，随着边缘计算逐渐成为一种主流的处理方式，因此在云获取脑电信号之前应在嵌入式设备中实现伪迹的去除。
附图说明
为了更清楚地说明本发明实施案例或现有技术中的技术方案，下边将对实施例中所需要使用的附图做简单说明，通过参考附图会更清楚的会理解本发明的特征和优点，附图是示意性的而不应该理解为对本发明进行任何限制，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，可以根据这些附图获得其他的附图。其中：
图1为根据本发明提供的一种基于ICA和异常值检测的脑电伪迹去除方法的流程图；
图2为根据本发明提供的22个分量的峰态系数图；
图3为根据本发明中提供的EEG电极通道分布图；
图4为根据本发明中提供的zeroing-ICA和本发明提供的基于ICA和异常值检测的脑电伪迹去除方法在22个通道的SNR和CC值的对比图。
图5为根据本发明中提供的AWICA和本发明提供的基于ICA和异常值检测的脑电伪迹去除方法在22个通道的SNR和CC值的对比图。
图6为根据本发明中提供的ICA-DWT和本发明提供的基于ICA和异常值检测的脑电伪迹去除方法在22个通道的SNR和CC值的对比图。
图7为根据本发明中提供的一种基于ICA和异常值检测的脑电伪迹去除系统的框图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好地理解本发明并能予以实施，但所举实施例不作为对本发明的限定。
参照图1所示，本发明实施例提供了一种基于ICA和异常值检测的脑电伪迹去除方法，该方法包括：
S1：实时选取含伪迹的EEG信号；
S2：对所述含伪迹的EEG信号进行处理；
S3：对处理后的EEG信号进行处理，分解生成N个独立的估计源信号；
S4：计算各独立的估计源信号的峰态系数，设定峰态系数的阈值；
S5：根据设定的峰态系数阈值判断各独立的估计源信号是否为伪迹源，如果是，检测伪迹源中的异常数据，并对异常数据进行处理；如果不是，得到剩余的原信号；
S6：将处理后的伪迹源和剩余的源信号重构，得到去伪迹后的脑电信号。
本发明提供了一种基于ICA和异常值检测的脑电伪迹去除方法，本发明通过对EEG信号进行ICA算法获得各独立估计信号源的分量；基于峰态系数进行伪迹识别，并利用改进后的箱线图技术对伪迹分量中的异常值进行清零；将处理后的伪迹源和剩余的源信号重构，得到去伪迹后的脑电信号；本发明实现了多通道脑电信号的伪迹自动去除，本发明所提供的伪迹去除方法与纯净的数据段有着更高的相关系数，同时保留了原始信号的真实性；本发明方法相较于现有的方法伪迹去除的准确率更高，算法的鲁棒性更好。
进一步地，步骤S1包括：
在固定宽度的滑动时间窗内选取可能被伪迹污染的L个通道的EEG信号。
进一步地，步骤S2包括：
由于脑电信号主要集中在1-50Hz，因此对滑动时间窗内脑电数据信号进行巴特沃斯带通滤波处理，去除真实脑电数据以外的频段。
进一步地，步骤S3包括：
对上述带通滤波后的波形信号进行ICA算法处理，分解生成N个独立的估计源信号，具体流程如下：
ICA算法通常用于将混合数据分解成统计独立的非高斯分量。将L个采集通道中测得的脑电信号作为输入矩阵，其中，X＝[x1(t)；x2(t)；…；xL(t)]，t为时间序列，X为大脑中一组统计独立的源信号So的线性混合，即X＝ASo，其中A是混合矩阵，So＝[s1(t)；s2(t)；…；sN(t)]。考虑通道数L和分量数N相等时，独立成分分析即求解混合矩阵的逆矩阵W＝A-1的过程，使得S＝WX尽可能的还原源信号。本发明采用基于负熵最大的fastICA算法对含有伪迹脑电信号进行独立成分分解。
所述fastICA算法具体实施步骤如下：
S31：将L个通道的观测信号归一化成零均值信号，简化ICA处理；
S32：对观测信号的协方差矩阵进行特征值分解，将观测信号X白化生成矩阵
Figure BDA0004020887040000091
其中E是特征向量按列组成的矩阵，D是特征值的对角矩阵，白化后的矩阵
Figure BDA0004020887040000092
的协方差矩阵为单位矩阵，即去除了观测信号之间的相关性，降低观测数据之间的冗余性；
S33：逐一估计N个独立的估计源信号，构建解混矩阵W＝[w1,…,wn,…,wN]，设置迭代次数为1000，其中wn是第n个独立的估计源信号；
S34：对W初始化，使得||wn||＝1；
S35：基于负熵最大的fastICA算法，迭代计算wn，迭代公式表示如下：
Figure BDA0004020887040000093
其中，非线性函数g(y)＝tanh(y)，g′(y)是g(y)的导数，g′(y)＝1-tanh2(y)，归一化
Figure BDA0004020887040000101
判断
Figure BDA0004020887040000102
是否成立，ε取0.0001，若不成立，则继续迭代，若成立，则执行步骤S36；
S36：当n≥2时用对称正交法
Figure BDA0004020887040000103
更新wn，判断wn是否收敛，若不收敛，则继续执行步骤S35；若收敛，则执行步骤S37；
S37：n＝n+1，重复执行步骤S34，直到n等于独立的估计源信号数量N。
进一步地，步骤S4包括：
当含有伪迹的EEG信号数据经过ICA分解后，会有若干独立的源信号表现出类似伪迹的特征。峰态系数(Kurtosis)表示四阶累积量，用于评估随机变量的峰值分布。由于脑电信号的幅值低于伪迹信号，含伪迹的独立源信号具有较大的峰态系数。第n个源信号的信号序列峰态系数计算公式如下：
Figure BDA0004020887040000104
其中，kurtn表示第n个源信号的信号序列峰态系数，mi＝E{(sn-E{sn})i}表示估计的第n个源信号序列的i阶中心矩。
通过上述峰态系数计算公式对分解出的22个分量进行峰态系数计算，计算结果如图2所示。从图中可以发现，分解出的22个分量的峰态系数基本在5.5以下，因此在后续处理中将峰态系数的阈值设为5.5。
进一步地，步骤S5包括：
根据设定的峰态系数阈值判断各独立的估计源信号是否为伪迹源。超出阈值的分量被认为是伪迹分量，可以初步认定s2、s18和s22为伪迹源。检测出伪迹源后使用箱线图技术检测伪迹源中的伪迹成分，并对这些异常数据进行处理，对异常数据进行处理的方法包括以下步骤：
S51：利用四分位间距将数据分成三个四分位，在Q1-k*IQR和Q3+k*IQR范围以外的区域表示异常数据，其中k是异常点因子，Q1是第一四分位，Q3是第三四分位，IQR是第一四分位Q1和第三四分位Q3之间的距离；
S52：利用粒子群算法优化异常点因子k，找到去伪迹效果最优的伪迹成分，具体包括以下步骤：
Step1：初始化粒子群参数，包括粒子的速度位置、迭代次数、学习因子和惯性权重；
Step2：根据随机的参数初始值代入箱线图算法，对超出异常值截断点的数据清零处理；
Step3：对重构后的信号和原始纯净信号数据段计算相关系数，并将此相关系数作为目标函数；
Step4：对粒子的速度位置进行更新计算，得到更新后的粒子适应度值；
Step5：根据新的适应度值继续重复更新粒子的个体极值和群体极值，以使相关系数求得最大值，当满足设定的迭代次数后，输出最优的k值；
所述相关系数的公式表示如下：
Figure BDA0004020887040000111
其中，xl(t)表示第l通道观测脑电信号，cl(t)表示去伪迹后的脑电信号，T为采样点数，Cov()代表两个信号序列的协方差，Var()代表信号序列的方差；
S53：通过将最优的j值带入公式
Figure BDA0004020887040000112
将伪迹成分的异常值清零。
再进一步地，步骤S6包括：
将处理后的伪迹源和剩余的源信号重构，得到去伪迹后的脑电信号。
以下将通过具体的实验来验证本发明方法的性能优点。
一、实验数据集
本次实验选用的是第四届国际脑-机接口竞赛(BCI Competition IV)数据集Dataset2a。
二、实验过程
实验过程中分别执行“想象左手运动”，“想象右手运动”，“想象双脚运动”和“想象舌头运动”4类运动想象任务。每类想象任务执行12次，执行完有短暂的休息。分为6个部分，则共有288次实验。本实验用L＝22个电极通道记录EEG信号，分别是Fz、FC3、FC1、FCz、FC2、FC4、C5、C3、C1、Cz、C2、C4、C6、CP3、CP1、CPz、CP2、CP4、P1、Pz、P2、POz。图3是对应的EEG电极通道分布图。实验通过EEGLAB工具箱对数据分段，选取运动想象脑电信号288次试验中四类运动想象在固定宽度2-4秒的脑电数据对其预处理。
三、性能分析
性能评估指标选取：主要有以下两个评估指标。第一个是从信噪比(Signal-to-Noise Ratio，SNR)方面衡量伪迹去除后数据保留真实EEG数据的完整性，求取的SNR越高，说明伪迹去除后更好地保留了原始真实的EEG信号。其计算公式如下：
Figure BDA0004020887040000131
其中，xl(t)表示第l通道观测脑电信号，cl(t)表示去伪迹后的脑电信号，T为采样点数。
选取真实脑电数据集中伪迹较少的一段数据，看作是纯净的EEG数据，引入相关系数(Correlation Coefficient，CC)进行性能评价，其计算公式表示如下：
Figure BDA0004020887040000132
其中，xl(t)表示第l通道观测脑电信号，cl(t)表示去伪迹后的脑电信号，T为采样点数，Cov()代表两个信号序列的协方差，Var()代表信号序列的方差。
相关系数用以评判原始纯净信号与去伪迹信号之间的相似度，计算得到的CC数值越高，代表去除伪迹后的信号和原始纯净信号更为相似，同时说明伪迹去除效果越好。
图4-6分别是zeroing-ICA、AWICA、ICA-DWT和本发明提出的基于ICA和异常值检测的脑电伪迹去除方法在22个通道的SNR和CC值的对比图。
从图中可以看出，在4种方法中，本发明所提出的方法的性能明显优于其它三种现有的方法。本发明方法由于对异常点因子进行了参数寻优，最大程度的在保留原始信号的同时去除了伪迹成分，表明在尖峰值去除后保留了和原始信号更为相似的纯净信号。根据图4文所提算法与Zeroing-ICA相比，各通道的信噪比都远高于Zeroing-ICA，特别是Fz通道本文算法提高了近一倍。考虑到Zeroing-ICA在去除噪声的同时去除了大量有用的脑电信号，所以其信噪比较低。根据图5与图6所示，本文算法相比与其他两种算法在各个脑电通道去除噪声过程中都具有较好优势，去除伪迹之后的信号更加贴合原始的纯净信号。本文方法所得平均相似度比AWICA和ICA-DWT分别提高了3.57％和1.08％，AWICA和ICA-DWT方法在去除伪迹的同时保留真实脑电数据的效果介于本文所提算法和zeroing-ICA之间。在Fz通道下，对比将伪迹源直接去除的方法，本方法所提出的方法的相关系数提高了16％。这证明了本方法去除伪迹的精准性，即在去除伪迹的同时最大限度地保证了原始脑电波的完整性。
为了证明发明所提出的方法的鲁棒性，在数据集中随机截取执行各类想象运动的数据段，包括执行各类想象运动的第2-4秒数据和第4-6秒数据，以及完整执行各类想象运动的第2-6秒数据，可以得到不同方法在SNR和CC的性能对比结果，如表1所示。
表1
Figure BDA0004020887040000141
从上表可以得到：本发明所提的方法在所有数据段均优于ICA-DWT，ICA-DWT优于AWICA，AWICA优于Zeroing-ICA。
如图7所示，本发明提供一种基于ICA和异常值检测的脑电伪迹去除系统，该系统包括：
选取模块100，用于实时选取含伪迹的EEG信号；
预处理模块200，用于对所述含伪迹的EEG信号进行处理；
独立成分分析模块300，用于对处理后的EEG信号进行处理，分解生成N个独立的估计源信号；
峰态系数计算模块400，用于计算各独立的估计源信号的峰态系数，设定峰态系数的阈值；
伪迹源判断及处理模块500，用于根据设定的峰态系数阈值判断各独立的估计源信号是否为伪迹源，如果是，检测伪迹源中的异常数据，并对异常数据进行处理；否则，得到剩余的原信号；
脑电信号重构模块600，用于将处理后的伪迹源和剩余的源信号重构，得到去伪迹后的脑电信号。
该系统用以实现上述所述的一种基于ICA和异常值检测的脑电伪迹去除方法，为了避免冗余，在此不再赘述。
本发明实施例提供了一种电子设备，包括上述任意一项所述的基于ICA和异常值检测的脑电伪迹去除方法，以实现去除脑电伪迹。了避免冗余，在此不再赘述。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，上述实施例仅仅是为清楚地说明所作的举例，并非对实施方式的限定。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变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (10)

1.一种基于ICA和异常值检测的脑电伪迹去除方法，其特征在于，包括：
S1：实时选取含伪迹的EEG信号；
S2：对所述含伪迹的EEG信号进行处理；
S3：对处理后的EEG信号进行处理，分解生成N个独立的估计源信号；
S4：计算各独立的估计源信号的峰态系数，设定峰态系数的阈值；
S5：根据设定的峰态系数阈值判断各独立的估计源信号是否为伪迹源，如果是，检测伪迹源中的异常数据，并对异常数据进行处理；如果不是，得到剩余的原信号；
S6：将处理后的伪迹源和剩余的源信号重构，得到去伪迹后的脑电信号。
2.根据权利要求1所述的基于ICA和异常值检测的脑电伪迹去除方法，其特征在，步骤S1中，选取含伪迹的EEG信号的方法为：
在固定宽度的滑动时间窗内选取可能被伪迹污染的L个通道的EEG信号。
3.根据权利要求1所述的基于ICA和异常值检测的脑电伪迹去除方法，其特征在于，步骤S2中，对所述含伪迹的EEG信号进行预处理的方法为：
对滑动时间窗内脑电数据信号进行巴特沃斯带通滤波处理，去除真实脑电数据以外的频段。
4.根据权利要求1所述的基于ICA和异常值检测的脑电伪迹去除方法，其特征在于，步骤S3中，对处理后的EEG信号进行ICA算法处理，分解生成N个独立的估计源信号，所述ICA算法为基于负熵最大的fastICA算法。
5.根据权利要求1所述的基于ICA和异常值检测的脑电伪迹去除方法，其特征在于，对处理后的EEG信号进行处理，分解生成N个独立的估计源信号包括以下步骤：
S31：将L个通道的观测信号归一化成零均值信号；
S32：对观测信号的协方差矩阵进行特征值分解，将观测信号X白化生成矩阵
Figure FDA0004020887030000021
其中E是特征向量按列组成的矩阵，D是特征值的对角矩阵；
S33：逐一估计N个独立的估计源信号，构建解混矩阵W＝[w1,…,wn,…,wN]，设置迭代次数，其中wn是第n个独立的估计源信号；
S34：对W初始化，使得||wn||＝1；
S35：基于负熵最大的fastICA算法，迭代计算wn，迭代公式表示如下：
Figure FDA0004020887030000022
其中，非线性函数g(y)＝tanh(y)，g′(y)是g(y)的导数，g′(y)＝1-tanh2(y)，归一化
Figure FDA0004020887030000023
判断
Figure FDA0004020887030000024
是否成立，ε取0.0001，若不成立，则继续迭代，若成立，则执行步骤S36；
S36：当n≥2时用对称正交法
Figure FDA0004020887030000025
更新wn，判断wn是否收敛，若不收敛，则继续执行步骤S35；若收敛，则执行步骤S37；
S37：n＝n+1，重复执行步骤S34，直到n等于独立的估计源信号数量N。
6.根据权利要求1所述的基于ICA和异常值检测的脑电伪迹去除方法，其特征在于，步骤S4中，计算各独立的估计源信号的峰态系数，所述峰态系数计算公式如下：
Figure FDA0004020887030000031
其中，kurtn表示第n个源信号的信号序列峰态系数，mi＝E{(sn-E{sn})i}表示估计的第n个源信号序列的i阶中心矩。
7.根据权利要求1所述的基于ICA和异常值检测的脑电伪迹去除方法，其特征在于，步骤S5中，对异常数据进行处理的方法包括以下步骤：
S51：利用四分位间距将数据分成三个四分位，在Q1-k*IQR和Q3+k*IQR范围以外的区域表示异常数据，其中k是异常点因子，Q1是第一四分位，t3是第三四分位，IQR是第一四分位Q1和第三四分位Q3之间的距离；
S52：利用粒子群算法优化异常点因子k，找到去伪迹效果最优的伪迹成分，具体包括以下步骤：
Step1：初始化粒子群参数，包括粒子的速度位置、迭代次数、学习因子和惯性权重；
Step2：根据随机的参数初始值代入箱线图算法，对超出异常值截断点的数据清零处理；
Step3：对重构后的信号和原始纯净信号数据段计算相关系数，并将此相关系数作为目标函数；
Step4：对粒子的速度位置进行更新计算，得到更新后的粒子适应度值；
Step5：根据新的适应度值继续重复更新粒子的个体极值和群体极值，以使相关系数求得最大值，当满足设定的迭代次数后，输出最优的k值；
所述相关系数的公式表示如下：
Figure FDA0004020887030000041
其中，xl(t)表示第l通道观测脑电信号，cl(t)表示去伪迹后的脑电信号，T为采样点数，Cov()代表两个信号序列的协方差，Var()代表信号序列的方差；
S53：通过将最优的k值带入公式
Figure FDA0004020887030000042
将伪迹成分的异常值清零。
8.一种基于ICA和异常值检测的脑电伪迹去除系统，其特征在于，包括：
选取模块，用于实时选取含伪迹的EEG信号；
预处理模块，用于对所述含伪迹的EEG信号进行处理；
独立成分分析模块，用于对处理后的EEG信号进行处理，分解生成N个独立的估计源信号；
峰态系数计算模块，用于计算各独立的估计源信号的峰态系数，设定峰态系数的阈值；
伪迹源判断及处理模块，用于根据设定的峰态系数阈值判断各独立的估计源信号是否为伪迹源，如果是，检测伪迹源中的异常数据，并对异常数据进行处理；否则，得到剩余的原信号；
脑电信号重构模块，用于将处理后的伪迹源和剩余的源信号重构，得到去伪迹后的脑电信号。
9.一种电子设备，其特征在于，包括权利要求1至7任意一项所述的基于ICA和异常值检测的脑电伪迹去除方法，以实现去除脑电伪迹。
10.一种计算机存储介质，其特征在于，所述计算机存储介质存储有计算机软件产品，所述计算机软件产品包括的若干指令，用以使得一台计算机设备执行权利要求1至7任意一项所述的基于ICA和异常值检测的脑电伪迹去除方法。
CN202211690128.6A 2022-12-27 2022-12-27 基于ica和异常值检测的脑电伪迹去除方法、系统及设备 Pending CN116070101A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211690128.6A CN116070101A (zh) 2022-12-27 2022-12-27 基于ica和异常值检测的脑电伪迹去除方法、系统及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211690128.6A CN116070101A (zh) 2022-12-27 2022-12-27 基于ica和异常值检测的脑电伪迹去除方法、系统及设备

Publications (1)

Publication Number Publication Date
CN116070101A true CN116070101A (zh) 2023-05-05

Family

ID=86172588

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211690128.6A Pending CN116070101A (zh) 2022-12-27 2022-12-27 基于ica和异常值检测的脑电伪迹去除方法、系统及设备

Country Status (1)

Country Link
CN (1) CN116070101A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117503162A (zh) * 2023-11-30 2024-02-06 中国人民解放军总医院 单通道脑电信号中的眼电伪迹位置确定方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117503162A (zh) * 2023-11-30 2024-02-06 中国人民解放军总医院 单通道脑电信号中的眼电伪迹位置确定方法
CN117503162B (zh) * 2023-11-30 2024-06-04 中国人民解放军总医院 单通道脑电信号中的眼电伪迹位置确定方法

Similar Documents

Publication Publication Date Title
Hu et al. Adaptive multiscale entropy analysis of multivariate neural data
Akhtar et al. Employing spatially constrained ICA and wavelet denoising, for automatic removal of artifacts from multichannel EEG data
Ergen Signal and image denoising using wavelet transform
Brodu et al. Comparative study of band-power extraction techniques for motor imagery classification
Krishnaveni et al. Automatic identification and removal of ocular artifacts from EEG using wavelet transform
Strasser et al. Motion artifact removal in ECG signals using multi-resolution thresholding
Kumar et al. Optimal selection of wavelet function and decomposition level for removal of ECG signal artifacts
JP7492572B2 (ja) 電気生理学的誘発電位における変化を検出する医用システム及び方法
US20150045684A1 (en) Heart rate extraction using neural wavelet adaptive gain control and neural pattern processing
Yao et al. Model-based verification of a non-linear separation scheme for ballistocardiography
CN103690160A (zh) 一种基于非高斯时序模型的脑电特征提取方法
Belkadi et al. A robust QRS detection approach using stationary wavelet transform
Xiong et al. Wavelet analysis of cardiac optical mapping data
CN116070101A (zh) 基于ica和异常值检测的脑电伪迹去除方法、系统及设备
Abbaspour et al. ECG artifact removal from surface EMG signal using an automated method based on wavelet-ICA
Wang et al. Ecg artifact removal from single-channel surface emg using fully convolutional networks
Bhattacharyya et al. Ocular artifacts elimination from multivariate EEG signal using frequency-spatial filtering
Miljković et al. Independent component analysis (ICA) methods for neonatal EEG artifact extraction: Sensitivity to variation of artifact properties
Barban et al. Removal of tACS artefact: a simulation study for algorithm comparison
Akhtar et al. Focal artifact removal from ongoing EEG–a hybrid approach based on spatially-constrained ICA and wavelet de-noising
Borse EEG de-noising using wavelet transform and fast ICA
Malan et al. Removal of Ocular Atrifacts from Single Channel EEG Signal Using DTCWT with Quantum Inspired Adaptive Threshold
Ibrahim et al. A new approach for an effective eye movement artifact elimination from EEG signal
CN114569140A (zh) 一种纺锤波提取方法、系统、计算机设备、存储介质及程序产品
Khandait et al. ECG signal processing using classifier to analyses cardiovascular disease

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