[發(fā)明專利]一種實(shí)用化在線腦電偽跡剔除方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201710381917.4
• 申請(qǐng)日: 2017-05-26
• 公開（公告）號(hào): CN107260166A
• 公開（公告）日: 2017-10-20
• 發(fā)明（設(shè)計(jì)）人: 陳健;熊馨;伏云發(fā);劉琳琳
• 申請(qǐng)（專利權(quán)）人: 昆明理工大學(xué)
• 主分類號(hào): A61B5/0476
• 分類號(hào): A61B5/0476;A61B5/00
• 代理公司: 暫無信息
• 代理人: 暫無信息

技術(shù)領(lǐng)域

本發(fā)明涉及一種實(shí)用化在線腦電偽跡剔除方法，屬于生物醫(yī)學(xué)信息處理技術(shù)領(lǐng)域。

背景技術(shù)

腦電(electroencephalography,EEG)蘊(yùn)含了大量的心理、生理和病理信息，目前被廣泛運(yùn)用于腦部疾病診斷和腦-機(jī)接口(Brain-computer interface,BCI)等諸多研究領(lǐng)域中。正常腦電信號(hào)主要分布在δ頻帶(0-4Hz)，θ頻帶(4-8Hz)，α頻帶(8-13Hz)，β頻帶(13-20Hz)，γ頻帶(30-80Hz)五個(gè)頻帶范圍內(nèi)，而EEG的幅度十分微弱，易受眼電(electrooculogram,EOG)、肌電(Electromyogram,EMG)、50Hz工頻以及線性漂移等各種偽跡的干擾，這些偽跡存在嚴(yán)重影響了BCI的性能。

以往的一些偽跡剔除方法中，偽跡拒絕無可避免使腦電受到EOG、EMG等偽跡的污染；線性濾波無法適用于偽跡與正常腦電信號(hào)的頻帶發(fā)生重疊的情況；線性回歸的方法依賴于一個(gè)好的偽跡參考信號(hào)，通常我們很難找到一個(gè)適合于EMG偽跡和非生理偽跡的參考信號(hào)。一些研究者直接使用帶通濾波器或設(shè)定閾值的方法來剔除原始腦電中高頻肌電、噪聲和眼電信號(hào)，這種方法雖然簡(jiǎn)單，但是往往在剔除偽跡的同時(shí)也剔除了部分有用的腦電信號(hào)，導(dǎo)致預(yù)處理效果不理想。盲源分離(Blind signal separation,BBS)技術(shù)是一種最有前景的腦電偽跡剔除方法，獨(dú)立成分分析(Independent component analysis,ICA)就是BBS方法中的一種。

ICA是信號(hào)處理研究中常用的一種統(tǒng)計(jì)方法，它旨在尋找能最大化數(shù)據(jù)中各個(gè)分量獨(dú)立性的線性投影。它假設(shè)從電極陣列采集到的N維腦電信號(hào)X＝[x₁,x₂,…,x_N]^T，該信號(hào)是由M個(gè)未知且統(tǒng)計(jì)獨(dú)立的信號(hào)源S＝[s₁,s₂,…,s_M]^T的線性組合。ICA算法的目標(biāo)是尋找分離矩陣W，使得：S＝WX。一些改進(jìn)的ICA算法已經(jīng)被實(shí)現(xiàn)和免費(fèi)使用，其中，F(xiàn)astICA相比于其它改進(jìn)的ICA算法而言主要有以下優(yōu)點(diǎn)：a、FastICA算法收斂速度快，能夠提高算法的實(shí)時(shí)性；b、該算法使用方便，數(shù)據(jù)選取時(shí)不需要設(shè)置步長(zhǎng)參數(shù)；c、它具有類似于神經(jīng)網(wǎng)絡(luò)算法并行、分布的優(yōu)點(diǎn)，計(jì)算復(fù)雜度低，占用內(nèi)存空間小，適合于在線腦電信號(hào)的分析。通常，ICA要求觀測(cè)信號(hào)的數(shù)量要不少于源信號(hào)的數(shù)量，當(dāng)觀測(cè)信號(hào)的數(shù)量少于源信號(hào)數(shù)量時(shí)則會(huì)出現(xiàn)超完備ICA現(xiàn)象。

目前，多通道腦電信號(hào)中偽跡的剔除算法已經(jīng)較為成熟。而在單/少通道腦電信號(hào)的偽跡剔除中，由于腦電采集通道數(shù)量較少，所包含的有效信息較少，且缺乏偽跡參考信號(hào)，目前尚無十分有效的偽跡剔除方法。此外，多導(dǎo)聯(lián)腦電信號(hào)設(shè)備由于價(jià)格昂貴，體型巨大，操作繁瑣，往往不能滿足便捷采集、處理腦電的要求。近年來，為了解決ICA算法用于單/少通道腦電信號(hào)分析中存在的超完備問題，通道變換技術(shù)隨著便攜式腦電設(shè)備的研究而興起，Bogdan Mijovic針對(duì)單通道腦電信號(hào)提出經(jīng)驗(yàn)?zāi)B(tài)分解(Empirical mode decomposition,EMD)和ICA相結(jié)合的腦電偽跡剔除方法，即EMD-ICA方法，而李明愛針對(duì)少通道腦電信號(hào)提出將離散小波變換(Discrete Wavelet Transform,DWT)和獨(dú)立成分分析相結(jié)合的方法，即DWT-ICA方法，該方法主要針對(duì)腦電信號(hào)中的眼電偽跡，而且沒有在線運(yùn)用，本發(fā)明主要是在該方法的基礎(chǔ)上進(jìn)行了改進(jìn)，以提高偽跡成分自動(dòng)識(shí)別和剔除能力，并進(jìn)行在線運(yùn)用。

小波變換(Wavelet Transform,WT)通過將信號(hào)分解成多尺度的小波函數(shù)來獲取信號(hào)在時(shí)域和頻率的局部特征，而DWT的計(jì)算速度快，廣泛的應(yīng)用于腦電這種非線性、非平穩(wěn)信號(hào)的分析。傳統(tǒng)的ICA算法直接對(duì)含高斯噪聲的觀測(cè)信號(hào)進(jìn)行分解時(shí)容易產(chǎn)生較大的誤差，還增大了計(jì)算量，大幅降低了分離效果，為此，本發(fā)明在ICA分離之前引入了DWT，DWT在將少通道腦電轉(zhuǎn)化為適合ICA分析的多通道腦電的同時(shí)增強(qiáng)了ICA的分離效果。雖然ICA能夠成功的將多通道原始腦電信號(hào)中的真實(shí)腦電和偽跡成分分離，但是在這種方法中偽跡分量的識(shí)別往往依賴于專業(yè)人員的視覺檢查，費(fèi)時(shí)且?guī)в泻艽蟮闹饔^性，單純的ICA算法還遠(yuǎn)遠(yuǎn)達(dá)不到在線自動(dòng)高效識(shí)別偽跡成分的要求。