一种改进的EEG信号特征提取方法技术

本发明专利技术提供一种改进的EEG信号特征提取方法，包括以下步骤：将包含噪声的脑电观测信号，分解为各分量间互相独立的脑电信号；采用最终的解混矩阵，对脑电信号进一步处理，得到新的脑电信号；使用小波基函数对独立分量进行5层连续小波分解，得到小波系数；对小波系数进行阈值处理，对阈值处理后的小波系数进行小波逆变换，重建脑电信号，得到包含低振幅神经源信号的独立分量估计值。本发明专利技术提供一种改进的EEG信号特征提取方法，本方法提取到的脑电信号在识别和去除EOG和ECG伪影方面具有明显的优势，可以有效保留遗漏在噪声成分的神经活动。动。动。

【技术实现步骤摘要】
一种改进的EEG信号特征提取方法


[0001]本专利技术属于信号处理
，具体涉及一种改进的EEG信号特征提取方法。

技术介绍

[0002]EEG信号易受噪声影响，例如眼电(EOG)、肌电(EMG)、心电(ECG)、以及电源线等干扰。为滤除EEG观测信号中的噪声并恢复源信号，多年来开发的技术主要包括时域分析、频域分析和时频分析方法，例如，ICA(独立成分分析)和小波变换方法。
[0003]ICA(独立成分分析)是一种无监督的统计学习方法，可以将复杂的混合信号分解为独立的分量。在BCI
‑
P300系统中，已经使用独立成分分析(ICA)将P300与背景噪声区分开，以实现对运动图像任务的伪影识别。但是，由于ICA算法无法获得时域噪声信号的特征，如果将其视为噪声，则会去除某些区域的大脑活动成分，也就是说，一些有价值的大脑活动信息可能会丢失。
[0004]小波变换方法(wavelet transform，WT)是1980年代后期发展起来的应用数学的一个分支，是一种时频分解技术，并已广泛应用于信号处理、图像处理和语音识别等领域。由于通过WT后信号和噪声的统计特性不同，因此在多尺度分析中表现出不同的传播行为。该特性可用于对噪声信号进行降噪。但是，WT不能有效地保留噪声的时频结构，也无法单独恢复隐藏在噪声成分中的神经活动。
[0005]CSP算法(共空间模式)是一种对两分类任务下的空域滤波特征提取算法，能够从多通道的脑机接口数据里提取出每一类的空间分布成分。这种空间滤波器适用于BCI实现运动想象任务的特征提取。但是，CSP滤波对脑电中的伪影及脑电的非平稳不确定性等影响高度敏感，而且传统的CSP算法需要大量的输入通道，并且缺乏频域信息。
[0006]总之，由于EEG信号本身的特性，仅通过使用以上传统的去噪方法难以实现理想的去噪效果。

技术实现思路

[0007]针对现有技术存在的缺陷，本专利技术提供一种改进的EEG信号特征提取方法，可有效解决上述问题。
[0008]本专利技术采用的技术方案如下：
[0009]本专利技术提供一种改进的EEG信号特征提取方法，包括以下步骤：
[0010]步骤1，读取原始脑电观测信号X(t)＝(x1(t),
…
,x
m
(t))
T
，其中，x1(t),
…
,x
m
(t)代表原始脑电观测信号的第1个分量,...,原始脑电观测信号第m个分量；m代表原始脑电观测信号的分量数量；t代表原始脑电观测信号的采样时间；
[0011]步骤2，采用下式，对原始脑电观测信号X(t)去均值，得到处理后的脑电观测信号X
’
(t)；
[0012]X
’
(t)＝X(t)
‑
E[X(t)][0013]其中：
[0014]E[
·
]表示数学期望；
[0015]步骤3，采用下式，将处理后的脑电观测信号X
’
(t)，分解为各分量间互不相关的脑电信号Z(t)＝(z1(t),
…
,z
m
(t))
T
：
[0016][0017][0018]其中：
[0019]代表投影因子；
[0020]D
s
是以X
’
(t)的协方差矩阵C
X
＝E[X
’
(t)*X
’
(t)
T
]特征值为对角元素的对角矩阵；
[0021]U
s
是以C
X
的单位范数特性向量为列的矩阵；
[0022]I是单位矩阵；
[0023]σ表示X
’
(t)的噪声方差，
[0024]步骤4，采用以下方法，得到最终的解混矩阵：
[0025]步骤4.1，设置解混矩阵的初始值为W；
[0026]步骤4.2，采用下式，得到解混矩阵的优化值W
*
：
[0027]W
*
＝E[Z(t)G(W
T
Z(t))]‑
E[G'(W
T
Z(t))]W
[0028]其中：
[0029]G'(
·
)代表G(
·
)的导数；
[0030]G(
·
)的含义为：令x＝W
T
Z(t)，则：G(x)＝xexp(
‑
x2/2)；
[0031]步骤4.3，采用下式，对解混矩阵的优化值W
*
进行去相关和归一化处理，得到处理后的解混矩阵
[0032][0033]其中：
[0034]||
·
||表示范数；
[0035]步骤4.4，判断处理后的解混矩阵是否收敛，即：处理后的解混矩阵的无穷范数是否小于10
‑6，如果是，则代表收敛，此时得到的处理后的解混矩阵即为最终得到的解混矩阵；如果否，则代表不收敛，令返回步骤4.2；
[0036]步骤5，将步骤4得到的最终的解混矩阵表示为：W
**
；采用下式，对步骤3得到的脑电信号Z(t)＝(z1(t),
…
,z
m
(t))
T
进行处理，得到新的脑电信号Y(t)＝(y1(t),
…
,y
m
(t))
T
；其中，y1(t),
…
,y
m
(t)间互不相关；
[0037]Y(t)＝W
**
*Z(t)
[0038]步骤6，对于y1(t),
…
,y
m
(t)中的任意分量，表示为独立分量y
i
(t)，其中，i＝1,
…
,m；采用下式，使用小波基函数对独立分量y
i
(t)进行5层连续小波分解，得到独立分量y
i
(t)的小波系数W
i
(a,b)：
[0039][0040]其中：
[0041]ψ为小波基函数；
[0042]a代表小波变换的尺度参数，用于控制小波函数的伸缩；
[0043]b代表平移参数，控制小波系数的位置；
[0044]步骤7，设置小波系数阈值η的初始值：
[0045]步骤8，采用以下公式，对小波系数W
i
(a,b)进行阈值处理，得到阈值处理后的小波系数
[0046][0047]其中：
[0048]sign()代表数学符号函数；
[0049]λ代表小波收缩的最佳阈值的上限，通过以下公式计算得到：其中，N代表独立分量y
i
(t)的信号长度；
[0050]γ是小波系数中宽频低振幅神本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种改进的EEG信号特征提取方法，其特征在于，包括以下步骤：步骤1，读取原始脑电观测信号X(t)＝(x1(t),
…
,x
m
(t))
T
，其中，x1(t),
…
,x
m
(t)代表原始脑电观测信号的第1个分量,...,原始脑电观测信号第m个分量；m代表原始脑电观测信号的分量数量；t代表原始脑电观测信号的采样时间；步骤2，采用下式，对原始脑电观测信号X(t)去均值，得到处理后的脑电观测信号X
’
(t)；X
’
(t)＝X(t)
‑
E[X(t)]其中：E[
·
]表示数学期望；步骤3，采用下式，将处理后的脑电观测信号X
’
(t)，分解为各分量间互不相关的脑电信号Z(t)＝(z1(t),
…
,z
m
(t))
T
：：其中：代表投影因子；D
s
是以X
’
(t)的协方差矩阵C
X
＝E[X
’
(t)*X
’
(t)
T
]特征值为对角元素的对角矩阵；U
s
是以C
X
的单位范数特性向量为列的矩阵；I是单位矩阵；σ表示X
’
(t)的噪声方差，步骤4，采用以下方法，得到最终的解混矩阵：步骤4.1，设置解混矩阵的初始值为W；步骤4.2，采用下式，得到解混矩阵的优化值W
*
：W
*
＝E[Z(t)G(W
T
Z(t))]
‑
E[G'(W
T
Z(t))]W其中：G'(
·
)代表G(
·
)的导数；G(
·
)的含义为：令x＝W
T
Z(t)，则：G(x)＝xexp(
‑
x2/2)；步骤4.3，采用下式，对解混矩阵的优化值W
*
进行去相关和归一化处理，得到处理后的解混矩阵混矩阵其中：||
·
||表示范数；步骤4.4，判断处理后的解混矩阵是否收敛，即：处理后的解混矩阵的无穷范数是否小于10
‑6，如果是，则代表收敛，此时得到的处理...

【专利技术属性】
技术研发人员：耿晓中，
申请(专利权)人：长春工程学院，
类型：发明
国别省市：