一种少数通道的脑电信号中肌电伪迹的消除方法技术

技术编号:15580272 阅读:144 留言:0更新日期:2017-06-13 18:28
本发明专利技术公开了一种少数通道的脑电信号中肌电伪迹的消除方法,包括:1、首先用多元经验模态分解对少数通道脑电信号同时进行分解,得到少数通道的本征模态分量矩阵;2、对少数通道的本征模态分量矩阵用独立变量分析进行盲信号分离;3、用自相关系数判定含肌电伪迹的分量,置零肌电伪迹分量,通过独立变量分析逆变换得到不含肌电伪迹的分量矩阵;4、根据原本征模态分量矩阵的排列顺序,将对应通道的本征模态分量依次相加,最终得到干净的脑电信号。本发明专利技术能完全去除肌电伪迹对脑电信号的影响,从而提高脑电信号分析的准确性。

【技术实现步骤摘要】
一种少数通道的脑电信号中肌电伪迹的消除方法
本专利技术属于脑电信号处理
,具体涉及一种基于多元经验模态分解和独立向量分析,从少数通道脑电信号中自动识别肌电伪迹并消除的新方法,主要应用于人脑相关疾病和人脑功能的研究。
技术介绍
脑电图作为一种记录脑神经细胞的电生理活动的设备,由于脑电信号具有高时域分辨率、便携和无创性等特点,已被广泛应用于临床疾病诊断、大脑特诊和睡眠模式等方面的研究。然而脑电信号作为微弱的电生理信号,经常受到如心电、眼电和肌电等多种伪迹的干扰,影响后续对脑电分析的准确性。另外,由于肌电信号具有幅值大、频域分布广和复杂的地域分布等特点,导致肌电伪迹是众多干扰源中最难消除的干扰伪迹。在过去数十年中,研究人员已经提出多种方法用于去除脑电信号中的肌电伪迹。最早临床人员普遍采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号。后来,盲源分离算法独立成分分析(ICA)被用于从多通道脑电信号中去除伪迹干扰。独立成分分析利用高阶统计量将脑电信号分解成相互统计独立的分量。通过人为观察判定哪些独立分量中包含肌电,置零含有肌电的分量后,通过独立成分分析逆变换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伪迹具有良好的表现,然而去除肌电伪迹的表现并不是很理想。因为通过独立成分分析得到的大部分独立分量中往往既包含脑电也包含肌电。为此,一些学者提出用盲源分离算法典型相关分析(CCA)来解决脑电中肌电伪迹的消除问题。由于肌电伪迹的特性与白噪声相类似,因此肌电伪迹相比脑电信号具有较低的自相关性。典型相关分析利用二阶统计量将脑电信号分解成一些互不相关而自相关性最大的典型变量。求取这些典型变量的自相关系数,若低于设定阈值,则该典型变量被判定是肌电变量,置零这些典型变量后,通过典型相关分析逆变换得到干净的脑电信号。典型相关分析能把肌电伪迹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伪迹效果。然而,独立成分分析和典型相关分析均要求记录脑电的电极数量多于潜在信号源的数量。在这种限制条件下,独立成分分析和典型相关分析不能被直接应用于单通道脑电信号中,且在通道数较少和肌电干扰非常严重的情况下,无法准确地恢复脑电信号和去除肌电伪迹。为此,研究人员提出两步式处理方式用于解决单通道的肌电去噪问题。首先利用总体平均经验模态分解或者小波变换将单通道信号分解为多维信号,然而利用独立成分分析或者典型相关分析对该多维信号进行处理。由此而被提出的方法包括EEMD-CCA、EEMD-ICA、Wavelet-ICA和Wavelet-CCA。然而这些单通道的处理方法忽略了通道之间的关联性信息,只考虑了单个通道内的信息,从而导致了无法完全去除肌电伪迹。
技术实现思路
本专利技术为了克服现有技术的不足之处,提出了一种少数通道的脑电信号中肌电伪迹的消除方法,以期能完全去除肌电伪迹对脑电信号的影响,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:本专利技术一种少数通道的脑电信号中肌电伪迹的消除方法的特点是按如下步骤进行: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,N≥3;添加m个通道的高斯白噪声后构成N+m通道的输入信号,记为:wm(t)为t时刻的第m个通道的高斯白噪声;1≤m<N;步骤二:应用多元经验模态分解法将所述N+m通道的输入信号分解为(N+m)P个本征模态分量,其中,N通道的脑电信号通道X(t)中的第n通道的脑电信号xn(t)所对应的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)所对应的第p个本征模态分量;1≤p≤P;只提取脑电信号对应的本征模态分量,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)];步骤三:用独立变量分析法对所述本征模态分量矩阵I(t)进行盲源信号的分离,得到混合矩阵A、逆混合矩阵W和源信号矩阵Y(t)=[y1(t),y2(t),…yb(t),…,yNP(t)]T;yb(t)表示第b个源信号,并有:I(t)=AY(t)或Y(t)=WI(t);1≤b≤NP;步骤四:求取所述源信号矩阵Y(t)中的第b个源信号yb(t)的自相关系数值rb,当所述自相关系数rb低于所设定的阈值e时,则所述第b个源信号yb(t)为含有肌电伪迹的源信号;将被判定为肌电伪迹的源信号均置为零,从而得到不含有肌电伪迹的源信号矩阵e∈(0,1);步骤五:利用式(1)得到不含有肌电伪迹的本征模态分量矩阵步骤六:将所述不含有肌电伪迹的本征模态分量矩阵中按照行的顺序,依次取出P个本征模态分量为一个矩阵,其中,第n通道的脑电信号xn(t)所对应的P个不含有肌电伪迹的本征模态分量第记为表示第n通道的脑电信号xn(t)的去除肌电伪迹后的第p个本征模态分量,从而得到去除肌电伪迹后的N通道的本征模态分量矩阵,记为步骤七:利用式(2)得到去除肌电伪迹后的第n通道的干净脑电信号从而获得去除肌电伪迹后的N通道的脑电信号本专利技术不仅能去除肌电对脑电的影响,同时能减少脑电信息在处理过程中的丢失,与已有技术相比,本专利技术的有益效果具体体现在:1、本专利技术利用少数通道的信号关联性,结合多元经验模态分解和独立变量分析两种算法,不仅能到达到去除肌电伪迹的目的,同时保证脑电信号的波形和幅值在处理后尽可能被恢复。本专利技术适用于少数通道的便携式脑电设备中,对脑电设备的微型化应用具有重要意义。2、本专利技术步骤二中使用多元经验模态分解对N通道脑电信号求解其本征模态分量。相对于传统的总体平均经验模态分解,多元经验模态分解利用通道之间的相关信息,能够将多通道脑电信号中的对应本征模态分量排成一行,并且能更加精确地估计本征模态分量。另外,现有技术中的总体平均经验模态分解法采用对信号直接添加白噪声的做法,可能会导致一部分白噪声混合在本征模态分量中,将这些本征模态分量进行处理,会影响到之后的信号分离,最终影响到去噪的性能。而本专利技术中所采用的多元经验模态分解采取添加两通道的白噪声信号,脑电记录信号和白噪声信号的本征模态分量相互独立,即脑电记录信号的本征模态分量的提取不受所添加的白噪声影响,从而克服了现有技术中的缺点。3、本专利技术步骤三中,将多个通道的脑电信号的本征模态分量同时进行盲源信号分离。这一做法能够为接下来使用的独立成分分析提供更多的源信号相关信息,促使脑电源和肌电源更为精确地分离到不同的独立成分中去。4、本专利技术步骤三中,使用独立成分分析法进行盲源信号分离。相对于独立成分分析和典型相关分析,独立变量分析结合了上述两种方法的优点,同时采取二阶统计量和高阶统计量,能够将肌电源和脑电源分离开,更好地解决源信号分离的问题。附图说明图1为本专利技术方法的主流程图;图2a为本专利技术3通道干净脑电信号示本文档来自技高网
...
一种少数通道的脑电信号中肌电伪迹的消除方法

【技术保护点】
一种少数通道的脑电信号中肌电伪迹的消除方法,其特征是按如下步骤进行: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)=[x

【技术特征摘要】
1.一种少数通道的脑电信号中肌电伪迹的消除方法,其特征是按如下步骤进行: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,N≥3;添加m个通道的高斯白噪声后构成N+m通道的输入信号,记为:wm(t)为t时刻的第m个通道的高斯白噪声;1≤m<N;步骤二:应用多元经验模态分解法将所述N+m通道的输入信号分解为(N+m)P个本征模态分量,其中,N通道的脑电信号通道X(t)中的第n通道的脑电信号xn(t)所对应的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)所对应的第p个本征模态分量;1≤p≤P;只提取脑电信号对应的本征模态分量,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)];步骤三:用独立变量分析法对所述本征模态分量矩阵I(t)进行盲源信号的分离,得到混合矩阵A、逆混合矩阵W和源信...

【专利技术属性】
技术研发人员:陈勋徐雪远陈强成娟刘羽
申请(专利权)人:合肥工业大学
类型:发明
国别省市:安徽,34

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1