一種去除腦電信號中眼電偽跡的方法
【技術領域】
[0001] 本發明涉及腦電信號預處理方法，特別涉及一種去除腦電信號中眼電偽跡的方 法，主要應用于大腦工作記憶、腦電信號特征提取以及輔助疾病診斷治療等等。
【背景技術】
[0002] 腦電信號是由大腦神經細胞產生的，反映大腦活動的生物電信號。由于腦電具有 容易獲取，非侵入性，很高的時間分辨率的特點，所以腦電在科學研宄和疾病診斷方面發揮 著越來越重要的作用。但是腦電信號非常微弱，幅值很小，而且隨機性強，在采集信號的過 程中受到各種噪聲的干擾，比如：眼電，肌電，心電，工頻等等。因此，采集到的腦電信號中包 含多種偽跡。眼電作為常見的一種偽跡，幅值遠遠大于腦電的幅值，而且能量主要集中在低 頻段，這嚴重影響了腦電基本節律波中的S波（0.5-4HZ)和Θ波（4-8Hz)。為了消除眼電 偽跡的影響，在臨床上，醫生通常將含有眼電干擾的腦電數據段舍棄掉，這樣可能導致一些 重要腦電信息的丟失。顯然，這種方法是不可取的。所以，眼電偽跡的去除，一直是腦電信 號預處理的非常重要的研宄內容。
[0003] 傳統的濾波器在消除工頻干擾和其他高頻偽跡有很好的效果，可是眼電和腦電信 號頻譜有部分重疊，所以在去掉眼電偽跡的同時勢必造成腦電信息的損失。自回歸方法 也一直用于去除眼電偽跡，其基本要求需要一個好的回歸導聯（例如眼電參考導聯）。因 為眼電和腦電導聯交叉影響，頭皮電極采集到的眼電和腦電信號不可能是純凈信號，這樣 會過高估計眼電偽跡，導致校正后的腦電信號丟失一些有用的腦電信息。小波變換是由 傅里葉變換發展而來，具有時頻局部化和多分辨率特性，很適合對微弱的腦電信號進行去 噪。但是，在去噪之前，需要大量的實驗去選擇適當的小波基函數和分解層數，不僅消耗大 量時間，也增加了計算復雜度。獨立分量分析（independent component analysis, ICA) 方法是九十年代發展起來的一項新的信號分解技術，用來從混合信號中提取具有統計獨立 性的成分。由于ICA方法分解出來的各個獨立分量之間是相互獨立的，所以其在信號處理 領域得到很好的應用。因為眼電和腦電是由不同的信號源產生，相互獨立，這樣就可以利 用ICA把眼電從腦電信號中分離出來，從而把眼電偽跡消除。但是在識別偽跡的時候，通 常是根據腦電波形與地形圖去判定，直接去除掉與眼電相關的獨立分量會損失部分腦電信 息，并且該方法非常耗時，容易使人疲勞，不適合實時處理腦電信號。多元經驗模式分解 (multivariate empirical mode decomposition, MEMD)方法是最近這些年發展起來的，是 一種非平穩信號分解方法，該方法事先不需要選定基函數，其最大特點是依據數據本身的 時域信息進行時域分解，得到的多元本征模式函數（multiple multivariate intrinsic mode functions, MMFs)通常個數是有限和平穩的，而且是具有實際意義的窄帶信號。因此 該方法也被逐漸應用到腦電偽跡去除方面。但是，直接將與眼電偽跡相關的MMFs去掉， 可能導致損失大量的腦電信息，顯然這是不可取的。
【發明內容】
[0004] 為了解決以上方法存在的問題，本發明的目的在于提供一種去除腦電信號中眼電 偽跡的方法，結合ICA和MEMD這兩種方法，MEMD從腦電信號中完全提取出眼電偽跡，并且 保留了部分腦電信息，這樣去除眼電的時候，避免了部分腦電信息的損失；ICA可以從腦電 信號中分離出來眼電偽跡，通過計算獨立分量的四階累積量判定偽跡，然后去除眼電；本發 明結合這兩種方法的優勢用于眼電偽跡的去除，不僅能夠自動識別眼電偽跡并將其去除， 同時保留了大量腦電信息，為腦電去噪提供了 一種新思路。
[0005] 為了達到上述目的，本發明的技術方案為：
[0006] 一種去除腦電信號中眼電偽跡的方法，包括以下步驟：
[0007] 步驟一、對含眼電偽跡的腦電信號X⑴進行MEMD處理，設含眼電偽跡的腦電信 號X(t) = [4(0，&(0，"*，\(0]'其中11表示腦電信號的通道個數4表示時間，1'表示 矩陣的轉置，腦電信號經MEMD分解后產生m個MMFs即λγ?) = m M/Mf；⑷，其中每 個MIMFJ^為一個η通道的信號，且各通道的信號都處于同一頻段內，同時分解產生的全部 MMFiQ = 1，2, 一,m)的頻率范圍是按照從高到低的順序排列的；
[0008] 步驟二、計算每個MIMF(t)的功率譜以及眼電參考信號v(t)的功率譜，選取功率 集中頻率范圍處于參考眼電的功率集中頻率范圍之內的MMFs進行重構，具體為：若第j個 MMF滿足功率集中頻率范圍處于參考眼電的功率頻率范圍之內的要求，則將第j個MMF 直到最后一個MMF進行重構即【洲=其中η表 示信號的通道個數，t表示時間，T表示矩陣的轉置，U(t)表示已經完全包含了眼電偽跡的 信號分量，同時保留剩下的MIMFk(k = 1，2,…，j-Ι)用于后續處理；
[0009] 步驟三、對重構的信號U(t)進行ICA處理，按照統計獨立的原則找到估計分離矩 陣，然后將重構信號分解出η個獨立分量即C(t) = [Cl(t)，c2(t)，...，cn(t)]T=W*U(t)， 其中代表η個獨立分量，W表示分離矩陣，t表示時間，T表示矩陣的 轉置，然后計算每個獨立分量的四階累積量，將四階累積量大于閾值的獨立分量判定為偽 跡并置零，閾值設定為1. 5,其它獨立分量保持不變；
[0010] 步驟四、信號的重構，對步驟三處理后的獨立分量進行ICA逆變換即H(t)= W、C(t)，其中η表示信號的通道個數，t表示時間，T表 示矩陣的轉置，W4為W的逆矩陣，C(t)中含眼電偽跡的獨立分量已經置零，通過逆變 換得到去除眼電偽跡的腦電信號H(t)，再與步驟二保留的MIMFs進行MEMD逆變換即 所)=M紙.ν2Γ0，.··，=研y+ ，其中η表示信號的通道個數，t 表示時間，T表示矩陣的轉置，最終得到去除眼電偽跡同時保留了大部分信息的腦電信號 Y(t)〇
[0011] 本發明的優勢在于：本發明提出了一種基于獨立分量分析與多元經驗模式分解的 腦電信號中眼電偽跡去除的方法即MEMD方法，該方法不僅能夠有效地去除眼電偽跡，而 且保留了大量有用的腦電信息，通過與單獨的ICA方法進行對比，結果表明MEMD方法去 噪效果更好，能夠進一步提高信號信噪比和減少信號均方誤差。
【附圖說明】
[0012] 圖1是本發明的流程圖。
[0013] 圖2(a)是仿真腦電信號；圖2(b)是仿真目艮電信號；圖2(c)是仿真混合信號，由 腦電信號和眼電信號混合而成，眼電參考信號為眼電信號幅值最大通道，仿真信號都是在 MATLAB環境下產生。
[0014] 圖3是混合信號經MEMD處理，得到12個MMF，圖中顯示了前4個MMF的波形圖， 圖3 (a)~（d)分別表示MMF1, MMF2，MMF3，MMF4的波形圖。
[0015] 圖4是MMF1，MMF2，MMF3，MMF 4以及眼電的功率譜圖，其中黑色線條表示眼電功 率譜。
[0016] 圖5 (a)是由MMF4~MMF 12重構的信號，圖5 (b)是MMFs重構的信號經ICA處 理產生的獨立分量，圖5 (c)是ICA逆變換，圖5 (d)是MEMD逆變換。
[0017] 圖6是含有眼電偽跡的真實腦電信號以及眼電參考導聯，其中最后一個波形圖表 示眼電參考信號。
[0018]
【具體實施方式】
[0019] 下面結合附圖對本發明做詳細敘述。
[0020] 參照圖1，一種去除腦電信號中眼電偽跡的方法，包括以下步驟：
[0021] 步驟一、對含眼電偽跡的腦電信號X(t)進行MEMD處理，相對于經驗模式分解 (empirical mode decomposition, EMD)方法而言，MEMD能夠對多通道腦電信號同時進行 處理，可以使產生的各個MMF中所有通道的信號都處于同一頻段之內，以便進行同頻帶的 后續處理，設含眼電偽跡的腦電信號X(t)=[七(0，&(0，"*，\(0]'其中11表示腦電信 號的通道個數，t表示時間，T表示矩陣的轉置，腦電信號經MEMD分解后產生m個MMFs即 = ，其中每個MMF^為一個η通道的信號，且各通道的信號都處于 同一頻段內，同時分解產生的全部MIMFiQ = 1，2, ···，!!〇的頻率范圍是按照從高到低的順 序排列的；
[0022] 步驟二、計算每個MIMF(t)的功率譜以及眼電參考信號v(t)的功率譜，選取功率 集中頻率范圍處于參考眼電的功率集中頻率范圍之內的MMFs進行重構，具體為：若第j個 MMF滿足功率集中頻率范圍處于參考眼電的功率頻率范圍之內的要求，則將第j個MMF直 到最后一個MIMF進行重構即= /?/㈨，W2O，…，，其中η表示 信號的通道個數，t表示時間，T表示矩陣的轉置，U(t)表示已經完全包含了眼電偽跡的信 號分量，同時保留剩下的MMFk(k = 1，2,…，j-Ι)用于后續處理；
[0023] 步驟三、對重構的信號U(t)進行ICA處理，按照統計獨立的原則找到估計分離矩 陣，然后將重構信號分解出η個獨立分量即C(t) = [Cl(t)，