一种基于幅值的自动脑电去伪迹方法技术

本发明专利技术公开了一种基于幅值的自动脑电去伪迹方法，其特征在于，包括以下步骤：判断脑电数据长度；根据考虑的频域范围对原始脑电进行带通滤波，去除工频干扰并在一定程度上修正基线漂移；将滤波后的脑电数据分为分段数个等长度的小段，每段数据的时间长度不小于t

【技术实现步骤摘要】
一种基于幅值的自动脑电去伪迹方法


[0001]本专利技术属于脑信号处理的
，具体地说，涉及一种基于幅值的自动脑电去伪迹方法。

技术介绍

[0002]由于脑电尤其是头皮处采集到的脑电是一种极其微弱的生理信号，幅值较小(一般在100微伏以内)，很容易受到各种噪声的干扰，形成脑电脑电伪迹，影响脑电信号的质量。因此，在对脑电信号进行分析以前需要进行预处理，去除脑电信号中的伪迹成分，得到干净的脑电信号。
[0003]临床上去除脑电伪迹一般是采用滤波加目检的方式，即通过带通滤波器滤除不关心的频率成分，然后通过观察，从整个脑电数据中找出相对平滑的一小段作为代表进行分析。学术研究中使用较多的去伪方法有回归法、独立成分分析法(ICA)和基于小波变换的滤波方法。回归法假定眼电伪迹是眼电采集通道所采信号的组合，通过回归模型求出眼电成分，然后再将其从采集的脑电信号中删除。ICA是目前研究领域认可度较高的脑电去伪迹方法，它是基于盲源分离技术发展起来的一种新的信号分析方法。ICA以随机变量的相互独立性和非高斯性为目标，在源信号、混合系统均未知的情况下，从给定的多导混合信号中分离出相互独立的源信号。在脑电信号分析中，ICA能够从原始信号中有效分离出眼电、心电等伪迹信号。基于小波变换的去伪迹方法基本思路是首先选取适当的小波函数族，对存在伪迹的信号进行小波分解，将信号分解到不同的子频带上，得到近似系数和细节系数。然后设定适当的阈值对小波系数进行处理，将伪迹对应的高频段和低频段的系数设置为零，保留有用的信号系数，从而达到滤除伪迹的目的。<br/>[0004]人工目检方法对阅图人员的经验要求较高，主观性强，完成一份脑电处理需要耗费大量的时间，在现实中很难应用。回归法需要额外的眼电采集通道，并且由于脑电和眼电双向混合，回归方法在去除伪迹的同时，也会损失部分真实的脑电信号。利用ICA去伪迹方法中求解解混矩阵是一个优化问题，因此，ICA的计算复杂度较高。常用的ICA去伪处理过程中需要肉眼去识别源信号中分离出的伪迹成分，不适用于脑电信号的自动处理。尽管有些学者提出了一些自动识别伪迹成分的方法，但这种方法仍然需要依赖于操作人员的经验，预定义适当的阈值来识别伪迹信号。基于小波的去伪迹方法同样存在小波基、阈值等选择的问题。另外，基于小波的去伪方法在处理一些频率和正常脑电相近的高幅值伪迹时效果较差。
[0005]因此，有必要提供一种新的自动脑电去伪迹方法。

技术实现思路

[0006]有鉴于此，本专利技术针对静息态脑电(rsEEG)数据中存在的体现为幅值异常的各种伪迹，研究一种基于幅值的自动脑电去伪迹方法。该方法不需要额外通道和人工参与，计算量小，能够快速有效去除rsEEG中的伪迹，从而满足临床分析脑电的要求。
[0007]为了解决上述技术问题，本专利技术公开了一种基于幅值的自动脑电去伪迹方法，包括以下步骤：
[0008]步骤1、判断脑电数据长度：对于通道数行样本点数列的脑电数据，如果样本点数/采样率&lt;60，即脑电采集时间少于60秒，则生成数据处理报告，退出处理；
[0009]步骤2、根据考虑的频域范围对原始脑电进行带通滤波，去除工频干扰并在一定程度上修正基线漂移；
[0010]步骤3、将滤波后的脑电数据分为分段数个等长度的小段，每段数据的时间长度不小于t
min
；
[0011]步骤4、计算相对均值；
[0012]步骤5、计算相对标准差；
[0013]步骤6、计算相对均值阈值、相对标准差阈值、通道高阈值和通道低阈值；
[0014]步骤7、以步骤3中划分的段为单位进行处理，判断小段上是否存在伪迹；
[0015]步骤8、根据坏导情况对数据进行处理；
[0016]步骤9、重复步骤7和8直至整个脑电数据处理完毕，生成数据报告。
[0017]可选地，所述步骤2中的根据考虑的频域范围对原始脑电进行带通滤波，去除工频干扰并在一定程度上修正基线漂移具体为：
[0018]根据考虑的频域范围确定频域最大值f
max
和频域最小值f
min
，具体为：关注静息态脑电节律信息时，频带一般选取1-40Hz，即f
max
＝40，f
min
＝1。利用数字滤波器(FIR或IIR)对原始脑电进行带通滤波。如果频域范围包含50/60Hz工频干扰，利用陷波滤波器去除工频干扰，滤波修正基线漂移。
[0019]可选地，所述步骤4中的计算相对均值具体为：
[0020]步骤4.1、计算每个小段上每个通道的均值得到一个通道数行样本点数列的均值矩阵；
[0021]步骤4.2、如果均值矩阵的所有值都大于绝对均值M
a
；则生成数据处理报告，退出处理；否则，对均值矩阵的每一行，从所有小于M
a
的数值中求中位数，如果某一行所有数值都不小于M
a
，则该行的中位数记为M
a
，得到一个通道数维的均值向量；
[0022]步骤4.3、对得到的均值向量，从所有小于M
a
的数值中求中位数记作相对相对均值M
r
。
[0023]可选地，所述绝对均值M
a
的取值为4。
[0024]可选地，所述步骤5中的计算相对标准差具体为：
[0025]步骤5.1、计算每个小段上每个通道的标准差，得到一个通道数行分段数列的标准差矩阵；
[0026]步骤5.2、如果标准差矩阵的所有值都大于绝对标准差阈值S
a
，则返回错误代码0x002，退出处理；否则，对标准差矩阵的每一行，从所有小于S
a
的数值中求中位数，如果某一行所有数值都不小于S
a
，则该行的中位数记为S
a
，得到一个nchans维的标准差向量；
[0027]步骤5.3、对得到的标准差向量，从所有小于S
a
的数值中求中位数记作相对标准差S
r
。
[0028]可选地，所述的绝对标准差阈值S
a
为25。
[0029]可选地，所述步骤6中的计算相对均值阈值、相对标准差阈值、通道高阈值和通道
低阈值，具体为：
[0030]步骤6.1、相对均值M
r
和参数P1的积记为相对均值阈值Trm，该相对均值阈值Trm用于判断基线漂移是否过大；
[0031]步骤6.2、相对标准差S
r
和参数P2的积记为相对标准差阈值Trs，该相对标准差阈值Trs用来判断通道的幅值波动是否过小；
[0032]步骤6.3、相对均值M
r
与相对标准差S
r
*参数P3之和记为高通道阈值H_Tc，相对均值M
r
与相对标准差S
r
*参数P3之差记为低通道阈值L_Tc，这两个阈值用来判断采样点的幅值是否过本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于幅值的自动脑电去伪迹方法，其特征在于，包括以下步骤：步骤1、判断脑电数据长度：对于通道数行样本点数列的脑电数据，如果样本点数/采样率&lt;60，即脑电采集时间少于60秒，则生成数据处理报告，退出处理；步骤2、根据考虑的频域范围对原始脑电进行带通滤波，去除工频干扰并在一定程度上修正基线漂移；步骤3、将滤波后的脑电数据分为分段数个等长度的小段，每段数据的时间长度不小于t
min
；步骤4、计算相对均值；步骤5、计算相对标准差；步骤6、计算相对均值阈值、相对标准差阈值、通道高阈值和通道低阈值；步骤7、以步骤3中划分的段为单位进行处理，判断小段上是否存在伪迹；步骤8、根据坏导情况对数据进行处理；步骤9、重复步骤7和8直至整个脑电数据处理完毕，生成数据报告。2.根据权利要求1所述的基于幅值的自动脑电去伪迹方法，其特征在于，所述步骤2中的根据考虑的频域范围对原始脑电进行带通滤波，去除工频干扰并在一定程度上修正基线漂移具体为：根据考虑的频域范围确定频域最大值f
max
和频域最小值f
min
，具体为：关注静息态脑电节律信息时，频带一般选取1-40Hz，即f
max
＝40，f
min
＝1；利用数字滤波器(FIR或IIR)对原始脑电进行带通滤波；如果频域范围包含50/60Hz工频干扰，利用陷波滤波器去除工频干扰，滤波修正基线漂移。3.根据权利要求1所述的基于幅值的自动脑电去伪迹方法，其特征在于，所述步骤4中的计算相对均值具体为：步骤4.1、计算每个小段上每个通道的均值得到一个通道数行样本点数列的均值矩阵；步骤4.2、如果均值矩阵的所有值都大于绝对均值M
a
；则生成数据处理报告，退出处理；否则，对均值矩阵的每一行，从所有小于M
a
的数值中求中位数，如果某一行所有数值都不小于M
a
，则该行的中位数记为M
a
，得到一个通道数维的均值向量；步骤4.3、对得到的均值向量，从所有小于M
a
的数值中求中位数记作相对相对均值M
r
。4.根据权利要求3所述的基于幅值的自动脑电去伪迹方法，其特征在于，所述绝对均值M
a
的取值为4。5.根据权利要求3所述的基于幅值的自动脑电去伪迹方法，其特征在于，所述步骤5中的计算相对标准差具体为：步骤5.1、计算每个小段上每个通道的标准差，得到一个通道数行分段数列的标准差矩阵；步骤5.2、如果标准差矩阵的所有...

【专利技术属性】
技术研发人员：冯春雨，王怀瑞，黎彤亮，田书娟，马芹颖，王铭维，王彦永，方际宇，
申请(专利权)人：河北省科学院应用数学研究所，
类型：发明
国别省市：