一种实用化在线脑电伪迹剔除方法技术

本发明专利技术涉及一种实用化在线脑电伪迹剔除方法，属于生物医学信息处理技术领域。本发明专利技术将采集到的少通道实时脑电信号进行降采样、工频陷波和线性漂移校正，然后利用离散小波变换分别对少通道的脑电信号进行7层小波分解，将单通道的脑电信号转换为多通道，重构小波系数并将其作为ICA的输入，利用FastICA算法实现独立成分的快速获取，根据独立分量中各伪迹成分区别于正常脑电分量的时域、频域和序间相关性特征，引入层次聚类算法对各个独立成分进行聚类，自动识别出伪迹成分所属类别，将该类的各个伪迹分量置零之后再对剩余的分量进行重构，得到干净的脑电信号。本发明专利技术解决了现有方法无法在少通道的情况下，在线自动识别并剔除多种常规脑电伪迹的问题。

【技术实现步骤摘要】
一种实用化在线脑电伪迹剔除方法
本专利技术涉及一种实用化在线脑电伪迹剔除方法，属于生物医学信息处理

技术介绍
脑电(electroencephalography,EEG)蕴含了大量的心理、生理和病理信息，目前被广泛运用于脑部疾病诊断和脑-机接口(Brain-computerinterface,BCI)等诸多研究领域中。正常脑电信号主要分布在δ频带(0-4Hz)，θ频带(4-8Hz)，α频带(8-13Hz)，β频带(13-20Hz)，γ频带(30-80Hz)五个频带范围内，而EEG的幅度十分微弱，易受眼电(electrooculogram,EOG)、肌电(Electromyogram,EMG)、50Hz工频以及线性漂移等各种伪迹的干扰，这些伪迹存在严重影响了BCI的性能。以往的一些伪迹剔除方法中，伪迹拒绝无可避免使脑电受到EOG、EMG等伪迹的污染；线性滤波无法适用于伪迹与正常脑电信号的频带发生重叠的情况；线性回归的方法依赖于一个好的伪迹参考信号，通常我们很难找到一个适合于EMG伪迹和非生理伪迹的参考信号。一些研究者直接使用带通滤波器或设定阈值的方法来剔除原始脑电中高频肌电、噪声和眼电信号，这种方法虽然简单，但是往往在剔除伪迹的同时也剔除了部分有用的脑电信号，导致预处理效果不理想。盲源分离(Blindsignalseparation,BBS)技术是一种最有前景的脑电伪迹剔除方法，独立成分分析(Independentcomponentanalysis,ICA)就是BBS方法中的一种。ICA是信号处理研究中常用的一种统计方法，它旨在寻找能最大化数据中各个分量独立性的线性投影。它假设从电极阵列采集到的N维脑电信号X＝[x1,x2,…,xN]T，该信号是由M个未知且统计独立的信号源S＝[s1,s2,…,sM]T的线性组合。ICA算法的目标是寻找分离矩阵W，使得：S＝WX。一些改进的ICA算法已经被实现和免费使用，其中，FastICA相比于其它改进的ICA算法而言主要有以下优点：a、FastICA算法收敛速度快，能够提高算法的实时性；b、该算法使用方便，数据选取时不需要设置步长参数；c、它具有类似于神经网络算法并行、分布的优点，计算复杂度低，占用内存空间小，适合于在线脑电信号的分析。通常，ICA要求观测信号的数量要不少于源信号的数量，当观测信号的数量少于源信号数量时则会出现超完备ICA现象。目前，多通道脑电信号中伪迹的剔除算法已经较为成熟。而在单/少通道脑电信号的伪迹剔除中，由于脑电采集通道数量较少，所包含的有效信息较少，且缺乏伪迹参考信号，目前尚无十分有效的伪迹剔除方法。此外，多导联脑电信号设备由于价格昂贵，体型巨大，操作繁琐，往往不能满足便捷采集、处理脑电的要求。近年来，为了解决ICA算法用于单/少通道脑电信号分析中存在的超完备问题，通道变换技术随着便携式脑电设备的研究而兴起，BogdanMijovic针对单通道脑电信号提出经验模态分解(Empiricalmodedecomposition,EMD)和ICA相结合的脑电伪迹剔除方法，即EMD-ICA方法，而李明爱针对少通道脑电信号提出将离散小波变换(DiscreteWaveletTransform,DWT)和独立成分分析相结合的方法，即DWT-ICA方法，该方法主要针对脑电信号中的眼电伪迹，而且没有在线运用，本专利技术主要是在该方法的基础上进行了改进，以提高伪迹成分自动识别和剔除能力，并进行在线运用。小波变换(WaveletTransform,WT)通过将信号分解成多尺度的小波函数来获取信号在时域和频率的局部特征，而DWT的计算速度快，广泛的应用于脑电这种非线性、非平稳信号的分析。传统的ICA算法直接对含高斯噪声的观测信号进行分解时容易产生较大的误差，还增大了计算量，大幅降低了分离效果，为此，本专利技术在ICA分离之前引入了DWT，DWT在将少通道脑电转化为适合ICA分析的多通道脑电的同时增强了ICA的分离效果。虽然ICA能够成功的将多通道原始脑电信号中的真实脑电和伪迹成分分离，但是在这种方法中伪迹分量的识别往往依赖于专业人员的视觉检查，费时且带有很大的主观性，单纯的ICA算法还远远达不到在线自动高效识别伪迹成分的要求。在伪迹的在线自动识别方面，聚类技术是一种高效的方法，它通常基于每个独立分量的一些特定特征，用于自动从各个独立成分中分离出伪迹相关的成分。一些研究者基于两个独立成分之间的相似度运用了K均值算法和模糊C均值聚类算法进行聚类，自动识别并剔除伪迹。而这两种聚类算法都是一种迭代的方法，都需要事先给定聚类的目标数目来确定迭代的次数，实际聚类过程中聚类的目标数目往往是未知的。层次聚类(HierarchicalClustering,HC)算法相比于上述两种聚类算法而言主要有两大优点：首先，层次聚类过程中的树状图不仅包含各个类的组成信息，而且在每个类中还以节点高度的形成提供了每个类中元素的亲密信息；其次，整个聚类过程不需要事先设定聚类的数目。基于运动想象(Motorimagery,MI)的BCI相对于基于稳态视觉诱发电位(Stady-statevisualevokedpotential,SSVEP)和P300电位的BCI而言，它不依赖于屏幕的同步视觉刺激，可以实现异步BCI，而且被试想象左右手运动意图可以通过分析被试初级运动区C3和C4导联的脑电信号加以识别，因而基于该类范式的BCI更容易应用于便携式BCI设备中。近年，新兴的便携式BCI、便携式麻醉深度监测系统、便携式睡眠监测、便携式情绪状态识别等应用领域通常针对在线单/少通道的脑电信号进行分析。因此，研究实用的在线少通道运动想象脑电伪迹剔除算法对于便携式脑电设备的发展具有重要的意义。
技术实现思路
本专利技术提供了一种结合DWT、ICA和HC的实用化在线脑电伪迹剔除方法，即DWICAC方法，以用于解决目前运动想象脑电预处理算法中，多种常规脑电伪迹无法在单通道的情况下，在线自动识别并剔除的问题。本专利技术的技术方案是：一种实用化在线脑电伪迹剔除方法，所述方法的具体步骤如下：A、对各通道的原始脑电信号进行降采样、工频陷波和线性漂移校正；B、对校正之后各通道的脑电信号进行多尺度小波分解和小波系数单支重构；C、分别对各通道的小波系数单支重构信号进行ICA分解，计算各个分量的时域特征、频谱特征以及序间相似度特征；D、对各通道的独立分量分别进行层次聚类，自动识别并剔除伪迹分量，并对剩余的独立分量进行FastICA逆变换重构和小波系数重构，得到干净的脑电信号。所述步骤A中的降采样、工频陷波和线性漂移校正具体方法如下：A1、利用Matlab信号处理工具箱中的downsample函数分别对C3、C4通道实时的原始脑电信号进行250Hz降采样；A2、利用Matlab信号处理工具箱中的dlsim函数对C3、C4通道降采样之后的脑电数据进行50HZ工频陷波处理；A3、利用Matlab信号处理工具箱中的detrend函数对陷波处理之后的信号进行线性漂移校正；经过上述处理得到校正之后的脑电信号X(t)＝[x1(t),x2(t)，…，xM(t)]T，其中：X(t)是一组M维随机向量，M为脑电采集通道数，T为转置运算，t＝1,2,…,N，N本文档来自技高网...

【技术保护点】
一种实用化在线脑电伪迹剔除方法，其特征在于：具体步骤如下：A、对各通道的原始脑电信号进行降采样、工频陷波和线性漂移校正；B、对校正之后各通道的脑电信号进行多尺度小波分解和小波系数单支重构；C、分别对各通道的小波系数单支重构信号进行ICA分解，计算各个分量的时域特征、频谱特征以及序间相似度特征；D、对各通道的独立分量分别进行层次聚类，自动识别并剔除伪迹分量，并对剩余的独立分量进行FastICA逆变换重构和小波系数重构，得到干净的脑电信号。

【技术特征摘要】
1.一种实用化在线脑电伪迹剔除方法，其特征在于：具体步骤如下：A、对各通道的原始脑电信号进行降采样、工频陷波和线性漂移校正；B、对校正之后各通道的脑电信号进行多尺度小波分解和小波系数单支重构；C、分别对各通道的小波系数单支重构信号进行ICA分解，计算各个分量的时域特征、频谱特征以及序间相似度特征；D、对各通道的独立分量分别进行层次聚类，自动识别并剔除伪迹分量，并对剩余的独立分量进行FastICA逆变换重构和小波系数重构，得到干净的脑电信号。2.根据权利要求1所述的实用化在线脑电伪迹剔除方法，其特征在于：所述步骤A中的降采样、工频陷波和线性漂移校正具体方法如下：A1、利用Matlab信号处理工具箱中的downsample函数分别对C3、C4通道实时的原始脑电信号进行250Hz降采样；A2、利用Matlab信号处理工具箱中的dlsim函数对C3、C4通道降采样之后的脑电数据进行50HZ工频陷波处理；A3、利用Matlab信号处理工具箱中的detrend函数对陷波处理之后的信号进行线性漂移校正；经过上述处理得到校正之后的脑电信号X(t)＝[x1(t),x2(t)，…，xM(t)]T，其中：X(t)是一组M维随机向量，M为脑电采集通道数，T为转置运算，t＝1,2,…,N，N为脑电信号X(t)的采样点个数。3.根据权利要求1所述的实用化在线脑电伪迹剔除方法，其特征在于：所述步骤B中，多尺度小波分解和小波系数单支重构的具体步骤如下：B1、选择“db4”小波基，利用Matlab软件离散小波变换工具箱中的wavedec函数对某一通道的信号x1(t)进行7层离散小波分解，得到信号x1(t)的逼近系数分量ca7和细节系数分量cd7、cd6、cd5、cd4、cd3、cd2、cd1；B2、采用离散小波变换工具箱中的wrcoef函数分别对步骤B1中得到的逼近系数分量和细节系数分量进行单支重构，得到对应于B1中ca7,cd7，cd6,…,cd1的小波重构信号R(t)＝[r1(t),r2(t),…,r8(t)]T。4.根据权利要求1所述的实用化在线脑电伪迹剔除方法，其特征在于：所述步骤C中，ICA分解和各个分量的时域特征、频谱特征和序间相似度计算方法如下：C1、将步骤B2中的R(t)作为...

【专利技术属性】
技术研发人员：陈健，熊馨，伏云发，刘琳琳，
申请(专利权)人：昆明理工大学，
类型：发明
国别省市：云南,53