CN117064405A - 一种单通道脑电信号伪迹去除方法、设备及介质 - Google Patents
一种单通道脑电信号伪迹去除方法、设备及介质 Download PDFInfo
- Publication number
- CN117064405A CN117064405A CN202311223518.7A CN202311223518A CN117064405A CN 117064405 A CN117064405 A CN 117064405A CN 202311223518 A CN202311223518 A CN 202311223518A CN 117064405 A CN117064405 A CN 117064405A
- Authority
- CN
- China
- Prior art keywords
- eeg
- component
- signal
- eog
- matrix
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 19
- 238000000605 extraction Methods 0.000 claims abstract description 7
- 230000009466 transformation Effects 0.000 claims abstract description 6
- 239000011159 matrix material Substances 0.000 claims description 32
- 238000000354 decomposition reaction Methods 0.000 claims description 29
- 238000012545 processing Methods 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 14
- 210000004556 brain Anatomy 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000000926 separation method Methods 0.000 claims description 5
- 238000007667 floating Methods 0.000 claims description 2
- SJPMNHCEWPTRBR-BQBZGAKWSA-N Glu-Glu-Gly Chemical compound OC(=O)CC[C@H](N)C(=O)N[C@@H](CCC(O)=O)C(=O)NCC(O)=O SJPMNHCEWPTRBR-BQBZGAKWSA-N 0.000 claims 11
- 238000007781 pre-processing Methods 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000012880 independent component analysis Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 10
- 230000000694 effects Effects 0.000 description 7
- 210000005252 bulbus oculi Anatomy 0.000 description 4
- 238000011160 research Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 210000001508 eye Anatomy 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 230000003183 myoelectrical effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000004761 scalp Anatomy 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 210000003625 skull Anatomy 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000035900 sweating Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
- 230000002087 whitening effect Effects 0.000 description 1
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
- A61B5/24—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
- A61B5/7235—Details of waveform analysis
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Psychiatry (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Pathology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physiology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Psychology (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开提供了一种单通道脑电信号伪迹去除方法、设备及介质，属于脑电信号预处理与特征提取领域，该方法基于VMD和ICA，并结合小波阈值降噪技术完成眼电伪迹去除，首先通过VMD算法将EEG信号分解为若干个相互正交、中心频率与带宽不同的本征模态分量IMF；然后经过ICA后将IMF分解为若干个独立分量；采用样本熵将若干个独立分量初步判定为EEG信号和EOG信号；采用小波阈值去噪技术，进一步提取出残存在EOG信号中的EEG信号，与上一步骤中的EEG信号合并，经过ICA逆变换、VMD逆变换后得到最终去除伪迹后的脑电信号。本发明去除眼电伪迹后的脑电信号与原始脑电信号相关系数性能有了较大提升，均方误差性能也得到明显改善。并且该方法的运算速度较快，效率较高。
Description
技术领域
本发明涉及一种单通道脑电信号伪迹去除方法、设备及介质，属于脑电信号预处理与特征提取技术领域。
背景技术
脑电信号(EEG)在医学临床、大脑意识及认知等研究活动中非常重要。但实际采集的脑电信号非常微弱，一般幅值仅有10～50μV(微伏)，并且往往被多种伪迹成分所污染，特别是眼电伪迹的干扰，因而提取出纯净的脑电活动信号对临床诊断和科学研究意义重大。
伪迹信号指的是脑电信号采集过程中由于头皮良好的导电性，采集到的眨眼或肌肉活动引起的电位差，一般来自于被试者的一些生理或心理活动，主要有眼电伪迹、舌电伪迹、肌电伪迹、脉搏伪迹和出汗伪迹等。眼电伪迹干扰是脑电信号中的常见干扰，严重影响到有用脑电信号的提取和分析。当眼球不动时为直流信号，脑电仪记录不到；当眼球运动时，则产生振幅较大的交流信号。所以眼球运动或眨眼都会引起较大的电位变化，形成了眼电；一部分眼电波沿颅骨传播，在脑电图上产生明显的偏转，形成了伪迹。
传统的经验模态分解(EMD，Empirical Mode Decomposition)方法，是时频域的处理方法，它最显著的特点是克服了基函数无自适应性的问题，简单来说就是，对于一段未知的信号，不需要进行预先的处理与人工设置，就可以直接进行分解，得到本征模态函数(IMF，Intrinsic Mode Functions)。EMD与独立成分分析(ICA，Independent ComponentCorrelation Algorithm)相结合，通过ICA算法将IMF分解成独立成分，通过熵值与阈值比较识别出的眼电图(EOG，electro-oculogram)信号直接置零，得到脑电图(EEG，electroencephalogram)信号。
传统的EMD方法存在模态混叠问题，即不同模态的信号混叠在一起，一般有两种情况：不同特征尺度的信号在一个IMF分量中出现；同一特征尺度的信号被分散到不同的IMF分量中。EMD与ICA相结合，识别出的EOG信号直接置零，会将其中残存的EEG信号也一并置零，造成信号失真。另外，EMD算法的复杂度较高，耗时较长。
因此，如何克服现有技术中去除脑电信号伪迹方法的不足，是本领域技术人员急需要解决的技术问题。
发明内容
目的：为了克服现有技术中存在的不足，本发明提供一种单通道脑电信号伪迹去除方法、设备及介质。
技术方案：为解决上述技术问题，本发明采用的技术方案为：
第一方面，一种单通道脑电信号伪迹去除方法，包括如下步骤：
步骤1、对原始待处理脑电信号y(t)进行VMD处理，得到特征模态分量矩阵x(t)。
步骤2、对特征模态分量矩阵x(t)进行ICA处理，得到独立成分分量矩阵s(t)。
步骤3、对独立成分分量矩阵s(t)进行EOG信号和EEG信号判定，得到EOG分量sEOG(t)，EEG分量sEEG(t)。
步骤4、从EOG分量sEOG(t)中提取出EEG信息s′EEG(t)，将EEG分量sEEG(t)与EEG信息s′EEG(t)合并，得到EEG信号s'(t)。
步骤5、对EEG信号s'(t)进行ICA逆变换、VMD逆变换，得到纯净的EEG信号y′(t)。
作为优选方案，所述步骤1，具体包括：
步骤1.1、采用乘法算子交替法方法项求取约束变分模型的最优解。
步骤1.2、将最优解作为特征模态分量矩阵x(t)。
其中，所述约束变分模型计算公式如下：
其中，m为模态分解个数，{ui(t),0<i≤m}为求解IMF过程中m个分量的集合，通过不断迭代最终为所求目标值特征模态分量矩x(t)，{xi(t),0<i≤m}，{ωm}为求解IMF过程中m个分量中心频率的集合，为二范数的平方，y(t)为采集到的原始待处理脑电信号，δ(t)表示单位冲激函数，t表示时间，/>表示对时间t求偏导数，j代表虚数单位，π代表圆周率，e代表自然常数。
作为优选方案，所述m值的设置应使各分量能量之和保持在某一稳定值左右浮动。
作为优选方案，所述ICA处理采用fastICA算法。
作为优选方案，所述步骤3，具体包括：
步骤3.1、求取独立成分分量矩阵s(t)中每个独立分量的样本熵。
步骤3.2、当独立分量的样本熵大于阈值，独立分量的样本熵对应的独立分量作为EEG分量sEEG(t)。
步骤3.3、当独立分量的样本熵小于阈值，独立分量的样本熵对应的独立分量作为EOG分量sEOG(t)。
作为优选方案，所述阈值设置为0.4。
作为优选方案，所述步骤4，具体包括：
步骤4.1、采用小波基为db4，对EOG分量sEOG(t)进行4层小波分解，得到小波分解系数。
步骤4.2、采用自适应阈值函数的方法对小波系数进行处理，自适应的对调节因子n、α做出调整，实现最佳小波系数阈值，获得估计小波系数。
步骤4.3、根据估计小波系数进行小波系数重构，得到残留的EEG信号s′EEG(t)。
步骤4.4、将EEG分量sEEG(t)与EEG信息s′EEG(t)合并，得到EEG信号s'(t)。
作为优选方案，所述步骤5，具体包括：
根据EEG信号s'(t)计算优化后特征模态分量矩阵x'(t)，优化后特征模态分量矩阵x'(t)计算公式如下：
x'(t)＝W-1*s'(t)
其中，s'(t)＝[s'1(t)，s'2(t)，…s'i(t)，…，s'n(t)]T，W表示分离矩阵逆矩阵，x'(t)＝[x'1(t)，x'2(t)，…x'i(t)…，x'm(t)]T，t表示时间，T表示矩阵的转置。
根据优化后特征模态分量矩阵x'(t)，计算纯净的EEG信号y′(t)，计算公式如下：
第二方面，一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时，实现如第一方面中任一所述的一种单通道脑电信号伪迹去除方法。
第三方面，一种计算机设备，包括：
存储器，用于存储指令。
处理器，用于执行所述指令，使得所述计算机设备执行如第一方面中任一所述的一种单通道脑电信号伪迹去除方法的操作。
有益效果：本发明提供的一种单通道脑电信号伪迹去除方法、设备及介质，该方法基于变分模态分解(VMD，Variational Mode Decomposition)和ICA算法，并结合小波阈值降噪(WTD，Wavelet Threshold Denoising)技术去除采集信号中的眼电伪迹。
本发明相较于之前提出的的EMD相关方法，解决了模态混叠问题，仿真数据表明，与传统单通道EEG信号去除眼电伪迹方法相比，采用该方法去除眼电伪迹后的脑电信号与原始脑电信号相关系数性能有了较大提升，均方误差性能也得到明显改善。并且该方法的运算速度较快，效率较高。
附图说明
图1为本发明的结构示意图。
图2为VMD分解得到的各特征模态分量及其对应频谱图。
图3为独立成分分析fastICA后得到的各独立分量。
图4为经VMD-ICA-WTD方法提取的纯净EOG信号与原信号对比图。
图5为经VMD-ICA-WTD方法去除伪迹后的纯净脑电信号与原信号对比图。
具体实施方式
下面结合本发明实例中的附图，对本发明实例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域技术人员在没有做创造性劳动前提下所获得的所有其他实施例，都属于本发明的保护范围。
下面结合具体实施例对本发明作更进一步的说明。
实施例1：
如图1所示，本实施例介绍一种单通道脑电信号伪迹去除方法，包括如下步骤：
步骤1、对采集到的原始待处理脑电信号y(t)进行VMD处理，相对于经验模态分解(empirical mode decomposition,EMD)方法而言，VMD算法重新定义了约束条件更为严格的有限带宽的本征模态函数，同时该本征模态函数也是同样满足EMD约束条件的。y(t)经VMD分解后产生了m个特征模态分量IMF，即x(t)＝[x1(t)，x2(t)，…，xm(t)]T，其中x1(t)，x2(t)，…，xm(t)代表m个特征模态分量，t表示时间，T表示矩阵的转置。VMD算法通过变分问题的构造与求解来分解信号，最终分解的分量之间具有正交性，VMD分解得到的各特征模态分量及其对应频谱图如图2所示，各分量频率依次由高到低，有效地将原始数据从一维映射到了多维，并且每个模态分量x1(t)，x2(t)，…，xm(t)中心频率的带宽之和最小。
VMD作为一种比较新颖的信号分解处理方法，对非平稳信号有着较强的处理能力。相较于传统的EMD算法，可以指定想要得到的模态数K，采集到的信号主要由脑电信号和眼电伪迹混合，因此模态数不需要设置过高。K值选取合适的情况下，可以有效避免模态混叠；通过VMD方法分解出来的IMF都具有独立的中心频率，并且在频域上表现出稀疏性的特征，具备稀疏研究的特质；在对IMF求解过程中，VMD通过镜像延拓的方式避免了类似EMD分解中出现的端点效应。
具体步骤如下：
1.1、变分问题构造，所谓变分问题，就是求解泛函数的极值，VMD约束变分模型就是泛函数，而求解的极值就是“每个模态分量中心频率的带宽之和最小”。通过梯度平方的范数计算得到各IMF的带宽，从而构造出约束变分模型:
其中，m为模态分解个数，{ui(t),0<i≤m}为求解IMF过程中m个分量的集合，通过不断迭代最终为所求目标值{xi(t),0<i≤m}，{ωm}为求解IMF过程中m个分量中心频率的集合，为二范数的平方，y(t)为采集到的原始待处理脑电信号，δ(t)表示单位冲激函数，t表示时间，/>表示对时间t求偏导数，j代表虚数单位，π代表圆周率，e代表自然常数。
1.2、变分问题求解，通过Lagrange乘法算子与二次惩罚项，将变分问题变为非约束的变分问题，采用乘法算子交替法方法项(Alternate Direction Method ofMutipiers，ADMM)，求取上述约束变分模型的最优解，即IMF。
本发明采用能量差值原则确定VMD算法分解层数，各分量能量之和应等于原始信号的能量，m值的设置应使能量保持在某一稳定值左右浮动，避免出现过分解现象，产生虚构分量导致信号失真。
步骤2、对步骤1得到的特征模态分量矩阵x(t)进行ICA处理，分解出n个独立分量即s(t)＝[s1(t)，s2(t)，…，sn(t)]T＝W×x(t)，其中s1(t)，s2(t)，…，sn(t)代表n个独立分量，x(t)是特征模态分量矩阵，W标识分离矩阵，t表示时间，T表示矩阵的转置。ICA有许多算法，如infomax算法、fastICA算法等，本发明采用收敛速度快与鲁棒性好的fastICA算法，fastICA算法主要由两个步骤组成：预处理步骤和独立分量提取步骤，预处理过程采用去均值与白化处理的方式，主要是为了去除数据之间的关联性，简化运算，提高执行效率。经fastICA算法处理后得到的各独立分量如图3所示，分解后得到的独立成分s1(t)，s2(t)，…，sn(t)互相独立，即独立成分分析把多维混合分量x(t)分解成多维的均值为0独立分量s(t)。
步骤3、对步骤2得到的独立成分分量矩阵s(t)进行EOG信号和EEG信号判定，人工判别EOG分量成本大，效率低，想在脑机接口应用中实现并不现实，信息论中常用熵来衡量信号的复杂程度，作为不确定度的衡量指标，本发明采用样本熵作为EOG信号和EEG信号的判定依据，由于EOG信号相较于EEG信号幅度高，复杂度低，特征明显，采用样本熵可以很容易的区分，预先设定样本熵的经验阈值，大于阈值的判定为EEG分量，小于阈值的判定为EOG分量，实现EEG和EOG信号在时域上的分离，将s(t)初步分解为sEEG(t)和sEOG(t)。实践发现，EEG分量的样本熵基本位于0.4以上，EOG分量的样本熵总是小于0.2，直接利用样本熵判定EOG分量是非常准确的。因此，将样本熵的经验阈值设为0.4，大于给定阈值的判定为EEG分量sEEG(t)，小于阈值则认为是后续需要继续处理的EOG分量sEOG(t)。
步骤4、步骤3采用样本熵将s(t)初步分解为sEEG(t)和sEOG(t)，但是sEOG(t)中仍然有残存的EEG信息，因此，本发明中引用小波阈值去噪技术对经样本熵判定后EOG分量sEOG(t)进行进一步处理，提取出包含在其中的EEG信息s′EEG(t)。小波阈值去噪技术主要分为三部分：(1)小波分解，即选定一种小波基对信号进行n层小波分解、(2)小波系数处理，即对分解的各层系数进行阈值处理，获得估计小波系数、(3)小波系数重构，据去噪后的小波系数进行小波重构，获得去噪后的信号。采用的小波基为db4，进行4层小波分解，得到一串小波系数，采用自适应阈值函数的方法对小波系数进行处理，阈值函数中有两个调节因子n、α，通过自适应调整n、α这两个参数，实现最佳小波系数阈值的估计，获得估计小波系数，最后进行小波系数重构，将分解得到的EEG信号sEEG(t)和从EOG中提取出的残留的EEG信号s′EEG(t)合并最终得到EEG信号s'(t)。
步骤五、信号的重构，ICA逆变换得x'(t)＝W-1*s'(t)，s'(t)是小波阈值去噪后的独立分量，s'(t)＝[s'1(t)，s'2(t)，…，s'n(t)]T，VMD信号重构得x'(t)＝[x'1(t)，x'2(t)，…，x'm(t)]T，其中x'1(t)，x'2(t)，…，x'm(t)代表m个特征模态分量，t表示时间，T表示矩阵的转置，W表示分离矩阵逆矩阵，最终获得纯净的EEG信号y′(t)。
原信号与经VMD-ICA-WTD方法提取的纯净EOG信号对比图如图4所示，图(a)为采集到的原始待处理脑电信号，图(b)为提取出来的眼电伪迹信号EOG。
原信号与经VMD-ICA-WTD方法去除伪迹后的纯净脑电信号对比图如图5所示：图(a)为采集到的原始待处理脑电信号，图(b)为去除眼电伪迹信号后的纯净脑电信号EEG。
实施例2：
本实施例介绍一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时，实现如实施例1中任一所述的一种单通道脑电信号伪迹去除方法。
实施例3：
本实施例介绍一种计算机设备，包括：
存储器，用于存储指令。
处理器，用于执行所述指令，使得所述计算机设备执行如实施例1中任一所述的一种单通道脑电信号伪迹去除方法的操作。
本发明采用基于变分模态分解、独立成分分析和小波阈值去噪技术相结合的方法，相较于常被使用的EMD算法，VMD算法在IMF分解过程中，通过镜像延拓的方式避免了类似EMD分解中出现的端点效应，分解出来的IMF都具有独立的中心频率，并且能够避免经验模态分解出现的模态混叠现象，对处理脑电信号中的伪迹效果很好，VMD需要手动设置分解层数，本发明采用能量差值原则确定分解层数；独立成分分析采用fastICA算法，该算法收敛速度快、鲁棒性好，可以准确的对信号进行独立成分分析；通过比较样本熵与设定阈值分离EEG分量和EOG分量，再利用小波阈值去噪技术分理处EOG分量中残存的EEG信号，最大程度的保留原始的EEG信号，将伪迹彻底去除。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明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，本发明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。
本发明是参照根据本发明实施例的方法、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。
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为本发明的保护范围。
Claims (10)
1.一种单通道脑电信号伪迹去除方法，其特征在于：包括如下步骤：
步骤1、对原始待处理脑电信号y(t)进行VMD处理，得到特征模态分量矩阵x(t)；
步骤2、对特征模态分量矩阵x(t)进行ICA处理，得到独立成分分量矩阵s(t)；
步骤3、对独立成分分量矩阵s(t)进行EOG信号和EEG信号判定，得到EOG分量sEOG(t)，EEG分量sEEG(t)；
步骤4、从EOG分量sEOG(t)中提取出EEG信息s′EEG(t)，将EEG分量sEEG(t)与EEG信息s′EEG(t)合并，得到EEG信号s'(t)；
步骤5、对EEG信号s'(t)进行ICA逆变换、VMD逆变换，得到纯净的EEG信号y′(t)。
2.根据权利要求1所述的一种单通道脑电信号伪迹去除方法，其特征在于：所述步骤1，具体包括：
步骤1.1、采用乘法算子交替法方法项求取约束变分模型的最优解；
步骤1.2、将最优解作为特征模态分量矩阵x(t)；
其中，所述约束变分模型计算公式如下：
其中，m为模态分解个数，{ui(t),0<i≤m}为求解IMF过程中m个分量的集合，通过不断迭代最终为所求目标值特征模态分量矩x(t)，{xi(t),0<i≤m}，{ωm}为求解IMF过程中m个分量中心频率的集合，为二范数的平方，y(t)为采集到的原始待处理脑电信号，δ(t)表示单位冲激函数，t表示时间，/>表示对时间t求偏导数，j代表虚数单位，π代表圆周率，e代表自然常数。
3.根据权利要求2所述的一种单通道脑电信号伪迹去除方法，其特征在于：所述m值的设置应使各分量能量之和保持在某一稳定值左右浮动。
4.根据权利要求1所述的一种单通道脑电信号伪迹去除方法，其特征在于：所述ICA处理采用fastICA算法。
5.根据权利要求1所述的一种单通道脑电信号伪迹去除方法，其特征在于：所述步骤3，具体包括：
步骤3.1、求取独立成分分量矩阵s(t)中每个独立分量的样本熵；
步骤3.2、当独立分量的样本熵大于阈值，独立分量的样本熵对应的独立分量作为EEG分量sEEG(t)；
步骤3.3、当独立分量的样本熵小于阈值，独立分量的样本熵对应的独立分量作为EOG分量sEOG(t)。
6.根据权利要求5所述的一种单通道脑电信号伪迹去除方法，其特征在于：所述阈值设置为0.4。
7.根据权利要求1所述的一种单通道脑电信号伪迹去除方法，其特征在于：所述步骤4，具体包括：
步骤4.1、采用小波基为db4，对EOG分量sEOG(t)进行4层小波分解，得到小波分解系数；
步骤4.2、采用自适应阈值函数的方法对小波系数进行处理，自适应的对调节因子n、α做出调整，实现最佳小波系数阈值，获得估计小波系数；
步骤4.3、根据估计小波系数进行小波系数重构，得到残留的EEG信号s′EEG(t)；
步骤4.4、将EEG分量sEEG(t)与EEG信息s′EEG(t)合并，得到EEG信号s'(t)。
8.根据权利要求1所述的一种单通道脑电信号伪迹去除方法，其特征在于：所述步骤5，具体包括：
根据EEG信号s'(t)计算优化后特征模态分量矩阵x'(t)，优化后特征模态分量矩阵x'(t)计算公式如下：
x'(t)＝W-1*s'(t)
其中，s'(t)＝[s'1(t)，s'2(t)，…s'i(t)，…，s'n(t)]T，W表示分离矩阵逆矩阵，x'(t)＝[x'1(t)，x'2(t)，…x'i(t)…，x'm(t)]T，t表示时间，T表示矩阵的转置；
根据优化后特征模态分量矩阵x'(t)，计算纯净的EEG信号y′(t)，计算公式如下：
9.一种计算机可读存储介质，其特征在于：其上存储有计算机程序，该计算机程序被处理器执行时，实现如权利要求1-8中任一所述的一种单通道脑电信号伪迹去除方法。
10.一种计算机设备，其特征在于：包括：
存储器，用于存储指令；
处理器，用于执行所述指令，使得所述计算机设备执行如第一方面中任一所述的一种单通道脑电信号伪迹去除方法的操作。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311223518.7A CN117064405A (zh) | 2023-09-21 | 2023-09-21 | 一种单通道脑电信号伪迹去除方法、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311223518.7A CN117064405A (zh) | 2023-09-21 | 2023-09-21 | 一种单通道脑电信号伪迹去除方法、设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117064405A true CN117064405A (zh) | 2023-11-17 |
Family
ID=88719604
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311223518.7A Pending CN117064405A (zh) | 2023-09-21 | 2023-09-21 | 一种单通道脑电信号伪迹去除方法、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117064405A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117540328A (zh) * | 2024-01-09 | 2024-02-09 | 山西众诚安信安全科技有限公司 | 一种煤矿噪声高精度测量过程中噪声处理方法 |
-
2023
- 2023-09-21 CN CN202311223518.7A patent/CN117064405A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117540328A (zh) * | 2024-01-09 | 2024-02-09 | 山西众诚安信安全科技有限公司 | 一种煤矿噪声高精度测量过程中噪声处理方法 |
| CN117540328B (zh) * | 2024-01-09 | 2024-04-02 | 山西众诚安信安全科技有限公司 | 一种煤矿噪声高精度测量过程中噪声处理方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Chen et al. | The use of multivariate EMD and CCA for denoising muscle artifacts from few-channel EEG recordings | |
| Chen et al. | Removal of muscle artifacts from the EEG: A review and recommendations | |
| Urigüen et al. | EEG artifact removal—state-of-the-art and guidelines | |
| Peng et al. | Removal of ocular artifacts in EEG—An improved approach combining DWT and ANC for portable applications | |
| Xu et al. | Pattern recognition of motor imagery EEG using wavelet transform | |
| Bono et al. | Hybrid wavelet and EMD/ICA approach for artifact suppression in pervasive EEG | |
| Noorbasha et al. | Removal of EOG artifacts and separation of different cerebral activity components from single channel EEG—an efficient approach combining SSA–ICA with wavelet thresholding for BCI applications | |
| 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 | |
| Satpathy et al. | Advance approach for effective EEG artefacts removal | |
| Judith et al. | Artifact removal from EEG signals using regenerative multi-dimensional singular value decomposition and independent component analysis | |
| Çınar | Design of an automatic hybrid system for removal of eye-blink artifacts from EEG recordings | |
| CN117064405A (zh) | 一种单通道脑电信号伪迹去除方法、设备及介质 | |
| Yue et al. | Exploring BCI control in smart environments: intention recognition via EEG representation enhancement learning | |
| Wu et al. | EMGdi signal enhancement based on ICA decomposition and wavelet transform | |
| Yang et al. | Fast removal of ocular artifacts from electroencephalogram signals using spatial constraint independent component analysis based recursive least squares in brain-computer interface | |
| Chen et al. | A hybrid method for muscle artifact removal from EEG signals | |
| Hou et al. | An improved artifacts removal method for high dimensional EEG | |
| Sreekrishna et al. | Real time cascaded moving average filter for detrending of electroencephalogram signals | |
| VISHWAKARMA et al. | An Effective Cascaded Approach for EEG Artifacts Elimination. | |
| Bhattacharyya et al. | Ocular artifacts elimination from multivariate EEG signal using frequency-spatial filtering | |
| Hanrahan | Noise reduction in EEG signals using convolutional autoencoding techniques | |
| Jung et al. | A review on EEG artifacts and its different removal technique | |
| De Clercq et al. | Modeling common dynamics in multichannel signals with applications to artifact and background removal in EEG recordings | |
| Bose et al. | Motor imagery classification enhancement with concurrent implementation of spatial filtration and modified stockwell transform | |
| 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 | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |