基于多通道的脑电信号中肌电噪声的消除方法技术

本发明专利技术公开了一种基于多通道的脑电信号中肌电噪声的消除方法，其特征包括：1、首先用总体平均经验模态对每一通道脑电信号进行分解，得到每一通道的本征模态分量；2、通过自相关系数判定含噪声的本征模态分量，由含噪声的本征模态分量构成含噪本征模态分量矩阵；3、对含噪本征模态分量矩阵进行盲信号分离；4、用自相关系数判定含噪声的典型分量，置零噪声分量并重建信号。本发明专利技术不仅实现了去除肌电的目的，同时保留了各本征模态分量中疑似脑电的成分，保证脑电信息在处理过程中尽可能不丢失。

【技术实现步骤摘要】

本专利技术属于脑电信号处理
，具体涉及一种基于总体平均经验模态分解和典型相关分析，从多通道脑电信号中自动识别肌电噪声并消除的方法，主要应用于人脑相关疾病和人脑功能的研究。
技术介绍
脑电信号是脑神经细胞的电生理活动在大脑皮层或头皮表面的总体反映。脑电图作为记录脑电信号的设备，已经和心电图、X射线检查一样，成为临床的重要检查手段。然而脑电信号作为微弱的电生理信号，经常受到如心电、眼电和肌电等多种噪声的干扰，影响后续对脑电分析的准确性。由于肌肉活动(如咬、嚼和皱眉)引起的肌电干扰，在脑电信号采集过程是难以避免的，并且其幅值大、频域分布广，造成肌电噪声是最难消除的干扰源。过去通常用低通滤波器来去除肌电干扰。然而，若肌电干扰与感兴趣的脑电信号的频谱重叠，频率滤波器不仅会抑制肌电干扰，而且可能会滤掉有价值的脑电信息。后来一些学者提出用独立成分分析来解决脑电中肌电噪声消除问题。独立成分分析(ICA)利用独立性将脑电信号分解成相互统计独立的分量。独立成分分析一般通过人为观察判定独立分量中是否包含肌电，置零这些含有肌电的分量后重建得到干净的脑电信号。实验证明独立成分分析在去除眼电和心电噪声具有良好的效果，然而在去除肌电噪声的效果并不是很理想，这是因为通过独立成分分析得到的大部分独立分量中既包含脑电也包含肌电。为此，一些学者提出用典型相关分析(Clercq WD,VergultA,Vanrumste B,Van Paesschen W,Van Huffel S,Canonical correlation analysis applied to remove muscle artifacts from the electroencephalogram.IEEE Transactions on Biomedical Engineering,2006,53(12):2583-2587.)来解决脑电中肌电噪声消除问题。典型相关分析利用自相关性将脑电信号分解成互不相关的分量，通过求取分量的自相关系数，若低于设定阈值，则这些分量被判定是肌电噪声，置零这些分量后重建得到干净的脑电信号。由于肌电噪声的特性与白噪声相类似，因此肌电噪声相比脑电信号具有较低的自相关性，典型相关分析能把肌电噪声集中于少数典型变量中，通过设置自相关系数阈值，可以实现去除肌电干扰的目的。实验证明典型相关分析比独立成分分析具有更好的去肌电噪声效果。然而，独立成分分析和典型相关分析等方法将脑电信号分解成多个源分量后，被判定为肌电分量的源内仍然包含脑电成分，去除这些源分量虽然可以达到去噪的目的，然而不可避免地丢失了部分脑电信息。近期，有学者提出了一种基于总体平均经验模态分解和独立成分分析的新型多通道去噪方法(KeZeng,DanChen,GaoxiangOuyang,LizheWang,XianzengLiu,XiaoliLi,AnEEMD-ICA approach to enhancing artifact rejection for noisy multivariate neural data.IEEE transactions on NeuralSystemsandRehabilitationEngineering,2016,24(6):630-638.)。实验证明该方法在多通道脑电信号去除肌电噪声方面，比独立成分分析具有更好的去噪效果。然而，该方法由于采用了独立成分分析进行盲源分离，其得到的独立分量内往往包含肌电和脑电二者信息，将这些分量置零将不可避免地丢失部分脑电信息。
技术实现思路
本专利技术为了克服现有技术的不足之处，提出一种基于多通道的脑电信号中肌电噪声的消除方法，以期能去除肌电噪声对脑电信号的影响，并保留各本征模态分量中疑似脑电成分的信息不丢失，从而提高脑电信号分析的准确性。本专利技术为解决技术问题，采用如下技术方案：本专利技术一种基于多通道的脑电信号中肌电噪声的消除方法的特点是包括如下步骤：步骤一：由脑电测量设备采集并记录t时刻N通道的脑电信号，记为：X(t)＝[x1(t),x2(t),…,xn(t),…,xN(t)]T，xn(t)为t时刻第n通道的脑电信号，T为矩阵的转置；1≤n≤N；步骤二：应用总体平均经验模态分解将所述第n通道的脑电信号xn(t)分解为P个本征模态分量，记为：In(t)＝[i1(n)(t),i2(n)(t),…,ip(n)(t),…,iP(n)(t)]T；ip(n)(t)为t时刻第n通道的脑电信号xn(t)的第p个本征模态分量；1≤p≤P；从而获得t时刻N通道的脑电信号X(t)的本征模态分量矩阵，记为：I(t)＝[I1(t),I2(t),…,In(t),…,IN(t)]T；步骤三：求取所述第n通道的脑电信号xn(t)的第p个本征模态分量ip(n)(t)的自相关系数值Rp(n)，当所述自相关系数Rp(n)低于阈值θ时，判定所述第p个本征模态分量ip(n)(t)为含有肌电噪声的本征模态分量；从而从所述本征模态分量矩阵I(t)中挑选出所有含有肌电噪声的的本征模态分量，并组成含有肌电噪声的本征模态分量矩阵，记为M(t)＝[m1(t),m2(t),…,mB(t)]T；B表示含有肌电噪声的的本征模态分量的总数；步骤四：用典型相关分析对所述含有肌电噪声的本征模态分量矩阵M(t)进行盲源信号的分离，得到混合矩阵A、解混矩阵W和源信号矩阵Y(t)＝[y1(t),y2(t),…,yb(t),…,yB(t)]T；yb(t)表示第b个典型变量，并有：M(t)＝AY(t)或Y(t)＝WM(t)；1≤b≤B；步骤五：求取所述源信号矩阵Y(t)中的第b个典型分量yb(t)的自相关系数值rb，当所述自相关系rb低于所设定的阈值e时，判定所述第b个典型分量yb(t)为含有肌电噪声的典型分量；并将含有肌电噪声的典型分量置为零；从而将所述源信号矩阵Y(t)中所有含有肌电噪声的典型分量均置为零，得到不含有肌电噪声的源信号矩阵步骤六：利用式(1)得到不含有肌电噪声的本征模态分量矩阵 M ~ ( t ) = A Y ~ ( t ) - - - ( 1 ) ]]>步骤七：将所述不含有肌电噪声的本征模态分量矩阵中每个本征模态分量按照各自在所述本征模态分量矩阵I(t)中挑选前的位置，替换所述本征模态分量矩阵I(t)中对应的本征模态分量；从而得到去除噪后的本征模态分量矩阵I′(t)＝[I′1(t),I′2(t),…,I′n(t),…,I′N(t)]T；步骤八：利用式(2)得到去除噪后的第n通道的干净脑电信号从而获得去除噪后的N通道的的脑电信号 x ~ n ( t ) = Σ p = 1 P 本文档来自技高网...

【技术保护点】
一种基于多通道的脑电信号中肌电噪声的消除方法，其特征是包括如下步骤：步骤一：由脑电测量设备采集并记录t时刻N通道的脑电信号，记为：X(t)＝[x1(t),x2(t),…,xn(t),…,xN(t)]T，xn(t)为t时刻第n通道的脑电信号，T为矩阵的转置；1≤n≤N；步骤二：应用总体平均经验模态分解将所述第n通道的脑电信号xn(t)分解为P个本征模态分量，记为：In(t)＝[i1(n)(t),i2(n)(t),…,ip(n)(t),…,iP(n)(t)]T；ip(n)(t)为t时刻第n通道的脑电信号xn(t)的第p个本征模态分量；1≤p≤P；从而获得t时刻N通道的脑电信号X(t)的本征模态分量矩阵，记为：I(t)＝[I1(t),I2(t),…,In(t),…,IN(t)]T；步骤三：求取所述第n通道的脑电信号xn(t)的第p个本征模态分量ip(n)(t)的自相关系数值Rp(n)，当所述自相关系数Rp(n)低于阈值θ时，判定所述第p个本征模态分量ip(n)(t)为含有肌电噪声的本征模态分量；从而从所述本征模态分量矩阵I(t)中挑选出所有含有肌电噪声的的本征模态分量，并组成含有肌电噪声的本征模态分量矩阵，记为M(t)＝[m1(t),m2(t),…,mB(t)]T；B表示含有肌电噪声的的本征模态分量的总数；步骤四：用典型相关分析对所述含有肌电噪声的本征模态分量矩阵M(t)进行盲源信号的分离，得到混合矩阵A、解混矩阵W和源信号矩阵Y(t)＝[y1(t),y2(t),…,yb(t),…,yB(t)]T；yb(t)表示第b个典型变量，并有：M(t)＝AY(t)或Y(t)＝WM(t)；1≤b≤B；步骤五：求取所述源信号矩阵Y(t)中的第b个典型分量yb(t)的自相关系数值rb，当所述自相关系rb低于所设定的阈值e时，判定所述第b个典型分量yb(t)为含有肌电噪声的典型分量；并将含有肌电噪声的典型分量置为零；从而将所述源信号矩阵Y(t)中所有含有肌电噪声的典型分量均置为零，得到不含有肌电噪声的源信号矩阵步骤六：利用式(1)得到不含有肌电噪声的本征模态分量矩阵M~(t)=AY~(t)---(1)]]>步骤七：将所述不含有肌电噪声的本征模态分量矩阵中每个本征模态分量按照各自在所述本征模态分量矩阵I(t)中挑选前的位置，替换所述本征模态分量矩阵I(t)中对应的本征模态分量；从而得到去除噪后的本征模态分量矩阵I′(t)＝[I′1(t),I′2(t),…,I′n(t),…,I′N(t)]T；步骤八：利用式(2)得到去除噪后的第n通道的干净脑电信号从而获得去除噪后的N通道的的脑电信号x~n(t)=Σp=1Pip(n)′(t)---(2)]]>式(2)中，i′p(n)(t)表示第n通道的脑电信号xn(t)的去除噪后的第p个本征模态分量。...

【技术特征摘要】
1.一种基于多通道的脑电信号中肌电噪声的消除方法，其特征是包括如下步骤：步骤一：由脑电测量设备采集并记录t时刻N通道的脑电信号，记为：X(t)＝[x1(t),x2(t),…,xn(t),…,xN(t)]T，xn(t)为t时刻第n通道的脑电信号，T为矩阵的转置；1≤n≤N；步骤二：应用总体平均经验模态分解将所述第n通道的脑电信号xn(t)分解为P个本征模态分量，记为：In(t)＝[i1(n)(t),i2(n)(t),…,ip(n)(t),…,iP(n)(t)]T；ip(n)(t)为t时刻第n通道的脑电信号xn(t)的第p个本征模态分量；1≤p≤P；从而获得t时刻N通道的脑电信号X(t)的本征模态分量矩阵，记为：I(t)＝[I1(t),I2(t),…,In(t),…,IN(t)]T；步骤三：求取所述第n通道的脑电信号xn(t)的第p个本征模态分量ip(n)(t)的自相关系数值Rp(n)，当所述自相关系数Rp(n)低于阈值θ时，判定所述第p个本征模态分量ip(n)(t)为含有肌电噪声的本征模态分量；从而从所述本征模态分量矩阵I(t)中挑选出所有含有肌电噪声的的本征模态分量，并组成含有肌电噪声的本征模态分量矩阵，记为M(t)＝[m1(t),m2(t),…,mB(t)]T；B表示含有肌电噪声的的本征模态分量的总数；步骤四：用典型相关分析对所述含有肌电噪声的本征模态分量矩阵M(t)进行盲源信号的分离，得到混合矩阵A、解混矩阵W和源信号矩阵Y(t)＝[y1(t),y2(t),…,yb(t),…,yB(t)]T；yb(t)表示第b个典型变量，并有：M(t)＝AY(t)或Y(t)＝WM(t)；1≤b≤B；步骤五：求取所述源信号矩阵Y(t)中的第b个典型分量yb(t)的自相关系数值rb，当所述自相关系rb低于所设定的阈值e时，判定所述第b个典型分量yb(t)为含有肌电噪声的典型分量；并将含有肌电噪声的...

【专利技术属性】
技术研发人员：陈勋，徐雪远，陈强，李路畅，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：安徽;34