本发明专利技术提出了一种基于EEMD与DSS‑ApEn的脑电信号消噪方法。利用EEMD分解算法将含噪脑电信号分解为若干个内蕴模态函数IMF(Intrinsic Mode Functions)分量，滤除最高频分量后的IMF分量应用DSS分离出各独立源信号，再选择频谱近似熵最大的独立源信号作为去噪信号。本发明专利技术提出的消噪方法消噪后的脑电信号波形相对清晰，更重要的是原始信号的细节特征也被很好地保留下来。
【技术实现步骤摘要】
基于EEMD与DSS-ApEn的脑电信号消噪方法
本专利技术属于信号处理领域，涉及一种脑电信号噪声处理方法，特别涉及一种用于运动想象脑电信号噪声的消除方法。
技术介绍
头皮脑电(Electroencephalogram，EEG)由于其无创性、易采集以及较好的时间分辨率，在最近被广泛关注的脑机接口应用中，有着不可替代的作用。但由于头皮脑电是一种非平稳非线性极其微弱的随机信号，极易被心电，眼电，电磁干扰，工频干扰等大量外界干扰信号淹没，所以消噪就成了脑电信号预处理阶段中最重要的步骤之一。经验模态分解(EmpiricalModeDecomposition,EMD)是一种自适应的数据分解方法，能够较好地处理随机非平稳信号，具有良好的自适应性、信号的完备性等。因此，EMD成为现代信号处理分析领域的一个研究热点，然而EMD方法存在模态混叠现象:当信号的极值点分布不均匀时，会导致一个内蕴模式函数(IntrinsicModeFunction，IMF)分量中出现一个相似尺度信号或多个尺度的信号分布在不同的IMF分量中，从而使IMF分量失去了原本的物理意义。Wu和Huang在EMD基础上改进提出了集合经验模态分解(EnsembleEmpiricalModeDecomposition，EEMD)，通过加入白噪声改变信号的极值点分布，进而有效的改善EMD的模式混叠现象，极大提高了信号的信噪比。但是基于EEMD的信号消噪方法通过直接去除EEMD分解结果中的前几个高频IMF分量来消噪，导致在去掉高频IMF分量中噪声的同时去除了其中的有效信息成分。降噪源分离(DenoisingSourceSeparation,DSS)是盲信号分离广泛应用的一种技术。Valpola等人在研究基于贝叶斯准则的快速独立分量分析算法的过程中，提出了DSS的基本理论概念。DSS本质是在源信号复杂结构未知的的条件下，根据信号的统计特性，选择合适的降噪函数将复杂信号分解为若干组成分量，从而实现源信息的挖掘。Simon等利用基于空间滤波的DSS方法分析处理脑电信号，有效地降低了刺激诱发反应范式中的噪声。王元生等把DSS应用于机械工程领域，有效地提取出转子振动故障信号特征。但是DSS结果中各独立源分量的顺序不确定，且不能直接确定独立源分量是噪声信号还是有效信号。
技术实现思路
本专利技术提出一种基于EEMD与DSS-ApEn相结合的脑电信号消噪方法。该方法利用EEMD分解算法将含噪脑电信号分解为若干个内蕴模态函数IMF分量，滤除最高频分量后的IMF分量应用DSS分离出各独立源信号，再选择频谱近似熵最大的独立源信号作为去噪信号滤除。实验表明，本专利技术具有一定的可行性，消噪后的信号信噪比较高，均方根误差较低。本专利技术方法主要包括以下步骤：步骤(1).应用EEMD将待消噪信号分解为IMF集，去掉最高频IMF分量得到新的IMF集X。步骤(2).对步骤(1)中新的IMF集X应用DSS算法，得出一组独立源分量H，并求出各独立源分量的频谱。步骤(3).计算步骤(2)中频谱的近似熵，选择近似熵最大的独立源分量作为噪声信号滤除，得到一组新的独立源分量H'。步骤(4).将混合矩阵A乘以独立源分量S'得到变换后的IMF集，并将变换后的IMF集累加重构，得到消噪后的脑电信号。本专利技术与已有的运动想象脑电消噪方法相比，具有如下特点：1、EEMD消噪方法通过直接去除EEMD分解中的前几个高频IMF分量来消噪，但是这样会在消除高频中的噪声成分的同时亦剔除了其中的有效信息成分。本专利技术对IMF分量进行DSS处理，分离出高频分量中的有效信息成分。2、DSS是盲信号分离广泛应用的一种技术，通过选择或设计合适的降噪函数将复杂信号分解为若干组成分量，从而实现源信息的挖掘。3、非线性动力学方法—近似熵，能够分析脑电信号的非线性特征。DSS能有效的提取各独立源分量，但是DSS结果中各独立源分量的顺序不确定，不能准确确定独立源分量对应的信号源是噪声信号还是脑电信号。由于噪声信号中的频率的复杂程度比脑电信号的要大很多，故采用近似熵来判断独立成分中的噪声信号。本方法可以有效去除运动想象时的EEG的信号噪声，为后续脑电信号特征提取打下坚实的基础，具有广阔的应用前景。附图说明图1脑电信号消噪处理流程图2原始C3通道EEG分解后IMF分量时域图图3DSS各独立源分量图4DSS各独立源分量频谱图图5消噪方法效果图具体实施方式下面结合附图描述本专利技术基于EEMD与DSS-ApEn的脑电信号消噪方法。图1为脑电信号消噪处理流程，其实施主要包括以下几个步骤：(1)应用EEMD将待消噪信号分解为IMF集，去掉最高频IMF分量得到新的IMF集X。应用EEMD将待消噪信号分解为IMF集，具体如下：Step1.往待处理信号s(t)中添加均值为0、标准差为常数的白噪声n1(t)，得到待分解的信号s1(t)。Step2.EMD算法分解信号s1(t)，得到n个IMF分量imfi1(t)和余项rn1(t)，即：其中，n为分解层数。Step3.重复以上两个步骤T-1次，但每次都加入同分布的不同白噪声。Step4.对相应的IMF分量进行总体平均运算处理，以消除白噪声对IMF分量的影响，最终得到各IMF分量为：其中，imfi(t)为总体平均后的第i个IMF分量；T为总体平均次数；imfij(t)为第j次加入白噪声后获得的第i个IMF分量。根据Step1‐Step4，在原始C3通道EEG经过EEMD分解后，所得IMF分量的时域图如图2所示。步骤(2).对步骤(1)中新的IMF集X应用DSS算法，得出一组独立源分量H，并求出各独立源分量的频谱。其中对步骤(1)中新的IMF集X应用DSS算法，得出一组独立源分量H，具体如下：s＝wTX(3)s+＝f(s)(4)w+＝Xs+T(5)其中，式(3)通过似然估计函数计算源信号的噪声估计s，wT表示分离矩阵的转置。式(4)即为降噪过程，所有含有式(4)降噪环节的源分离方法被定义为DSS。式(5)为利用降噪处理后的源信号s+对分离矩阵w的重新估计。式(6)完成归一化。DSS对每个源信号的分离过程，就是在给定式(3)中的wT之后，通过不断迭代式(4)～(6)求得每个源信号的分离信号，即独立源分量H；wnew表示新的分离矩阵。降噪函数选取正切降噪函数f(s)＝s-tanh(s)作为DSS的降噪函数。对步骤(1)中新的IMF集作为DSS算法的输入，得出一组顺序不确定的独立分量，本专利技术利用各独立分量的频谱近似熵来筛选噪声分量，DSS各独立分量时域图、频域图如图3、图4所示。步骤(3).计算步骤(2)中频谱的近似熵，选择近似熵最大的独立源分量作为噪声信号滤除，得到一组新的独立源分量H'。近似熵的具体计算步骤为：Step1.对步骤(2)中独立源分量的频谱进行等间隔采样，得到时间序列u(1),u(2),…,u(N)；Step2.计算时间序列u(i)的标准差SD；Step3.构造一组m维矢量：X(1),X(2),…,X(N-m+1)，其中X(i)＝[u(i),u(i+1),…,u(i+m-1)]；Step4.定义X(i)与X(j)间的距离d[X(i),X(j)]为两者对应元素中差值最大的一个，即：d[X(i),X(j)]＝max[|u(i本文档来自技高网...
【技术保护点】
1.基于EEMD与DSS‑ApEn的脑电信号消噪方法，其特征在于，该方法具体包括以下步骤：步骤(1).应用EEMD将待消噪信号分解为IMF集，去掉最高频IMF分量得到新的IMF集X；步骤(2).对步骤(1)中新的IMF集X应用DSS算法，得出一组独立源分量H，并求出各独立源分量的频谱；步骤(3).计算步骤(2)中频谱的近似熵，选择近似熵最大的独立源分量作为噪声信号滤除，得到一组新的独立源分量H'；步骤(4).将混合矩阵A乘以独立源分量H'得到变换后的IMF集，并将变换后的IMF集累加重构，得到消噪后的脑电信号。
【技术特征摘要】
1.基于EEMD与DSS-ApEn的脑电信号消噪方法，其特征在于，该方法具体包括以下步骤：步骤(1).应用EEMD将待消噪信号分解为IMF集，去掉最高频IMF分量得到新的IMF集X；步骤(2).对步骤(1)中新的IMF集X应用DSS算法，得出一组独立源分量H，并求出各独立源分量的频谱；步骤(3).计算步骤(2)中频谱的近似熵，选择近似熵最大的独立源分量作为噪声信号滤除，得到一组新的独立源分量H'；步骤(4).将混合矩阵A乘以独立源分量H'得到变换后的IMF集，并将变换后的IMF集累加重构，得到消噪后的脑电信号。2.根据权利要求1所述的基于EEMD与DSS-ApEn的脑电信号消噪方法，其特征在于：步骤(1)应用EEMD将待消噪信号分解为IMF集，具体如下：Step1.往待处理信号s(t)中添加均值为0、标准差为常数的白噪声n1(t)，得到待分解的信号s1(t)；Step2.EMD算法分解信号s1(t)，得到n个IMF分量imfi1(t)和余项rn1(t)，即：其中，n为分解层数；Step3.重复以上两个步骤T-1次，但每次都加入同分布的不同白噪声；Step4.对相应的IMF分量进行总体平均运算处理，以消除白噪声对IMF分量的影响，最终得到各IMF分量为：其中，imfi(t)为总体平均后的第i个IMF分量；T为总体平均次数；imfij(t)为第j次加入白噪声后获得的第i个IMF分量；根据Step1-Step4，在原始C3通道EEG经过EEMD分解后，所得IMF分量的时域图。3.根据权利要求1所述的基于EEMD与DSS-ApEn的脑电信号消噪方法，其特征在于：对步骤(1)中新的IMF集X应用DSS算法，得出一组独立源分量H，具体如...
【专利技术属性】
技术研发人员：孟明，杨国雨，佘青山，马玉良，罗志增，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：浙江,33
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。