专利名称：：一种脑电信号伪迹成分的自动识别和去除方法
技术领域：
：本发明属于脑电信号处理
技术领域：
，具体涉及一种无需人工干预的，可以自动识别并去除脑电信号中的伪迹成分的方法，并可自动提取脑电基本节律。
背景技术：
：这里所涉及的脑电信号是从头皮上记录脑电位的变化，反映大脑的电活动特性。脑电信号已经被广泛用于临床诊断、人机接口研究等众多领域。然而不可避免的是，脑电信号中常常包含受试者本身引起的眼动、眨眼、肌电、心跳等伪迹干扰，以及由电极或外部设备带来线性电极噪声等干扰。这些伪迹的存在极大地影响了脑电信号分析的准确性。因此，为了得到较为准确可靠的分析结果，我们需要对获取的脑电信号进行预处理，去除其中的伪迹干扰。另外，脑电信号中常常包含有某些基本节律，如alpha波、beta波等，根据特定需要，需提取某种特定的基本节律。目前传统的伪迹去除方法包括在独立元分析的基础上，采用结合视觉观测的半自动方法，如Jung等人采用视觉观测和脑电地形图相结合的方法来判断伪迹成分[1]；另一类称之为自动识别的方法主要集中在去除眼动信号上，如Joyce等人提出的一种通过分析独立成分与眼电(Electrooculography，EOG)信号相关性的方法自动去除眼动信号成分[2，3]。但这两类方法都有缺点前者需要人工干预；后者采用相关性方法的前提是在源信号中存在有EOG通道，如水平方向的EOG(HEOG)通道和垂直方向的EOG(VEOG)通道，如果所获得的脑电数据中不包含EOG通道，则该方法不适用。针对以上问题，本发明在独立元分析的基础上，通过对独立成分的非线性特征进行分析，运用非线性指数定量描述其特征，并根据设定的阈值，提出一种完全无需人工干预的、可以自动识别并去除各种伪迹成分以及自动提取脑电信号中基本节律的方法。下面介绍与本发明相关的一些概念1、独立元分析(ICA)近年来，独立元分析已被运用于脑电数据的盲源分离中。一些研究结果表明，独立元分析方法可以从多通道脑电信号中分离出来自其他生物电信号和外界环境的干扰，同时可以将脑电信号中的基本节律(如alpha波、beta波等)分别集中在不同的独立分量中[1-3]。运用独立元分析方法必须满足信号源统计独立的前提，由于脑电信号是由脑皮层神经元活动产生的，从而眼活动、肌肉活动、工频干扰、心电信号等通常不受脑活动的限制，因此可以认为它们之间是相互独立的。另外，对于脑电信号，传导被认为是线性和瞬时的，近似满足线性混合条件。独立元分析可以描述如下设x(t)＝[x1(t)，x2(t)，…，xN(t)]T是N维观测信号，s(t)＝[s1(t)，s2(t)，…，sN(t)]T是N维相互独立的源信号，x(t)是由s(t)经过一个未知矩阵A线性混合产生的，满足x(t)＝As(t)。独立元分析的目的是在A和s(t)未知的情况下，寻找一个线性变换分离矩阵W，使得输出(t)尽可能地逼近真实源信号s(t)，满足y(t)＝Wx(t)＝(t)(1)本发明中采用Lee等人提出的扩展的Infomax算法[4]。Infomax算法是一种基于信息论的神经网络算法，它通过最大化一个神经网络处理器的输出熵H(yi)，使得输出端各分量yi＝g(ui)之间的互信息最小，其中g(ui)是可逆的非线性函数，且u＝Wx。扩展的Infomax算法通过判断ui峭度值的正负进行非线性函数的切换，从而可同时进行超高斯信号和亚高斯信号的分离。2、非线性指数分析脑电信号是从头皮上记录脑电位的变化，反映了大脑的电活动特性。脑电信号具有非线性动力学特征，众多非线性分析表明脑电数据是由一种确定论的混沌动力学过程所产生的，因此，非线性动力学理论比传统的线性方法能更好地描述脑电数据的特征。在基于非线性动力学和决定性混沌理论的脑电数据分析中，已有文献采用不同的混沌性测量方法，如相关维、Lyapunov指数、熵、Hurst指数等[5][6]。1)Lyapunov指数在混沌系统中，Lyapunov指数用来表示初值敏感性是否出现。Lyapunov指数大于零，表明运动轨道在每个局部都不稳定，相邻轨道按指数分离，对应于混沌状态；该指数小于零，表明每次迭代后轨道的差距越来越小，对应于各个周期的运动状态。2)Kurtosis峭度(Kurtosis)表示时间序列的四阶矩，如果Kurtosis为较大的正值，说明该序列可能存在尖峰或稀疏分布，对于脑电数据进行独立元分析后的独立成分而言，则可能为伪迹，如心跳信号、眼动信号等。而对于纯粹的周期性信号，其Kurtosis值是负的。另外，若Kurtosis值近似为零，则该序列可能为噪声信号。3)Hurst指数Hurst指数是一种判别时间序列是否对于时间有依赖性的参数，也是混沌分形学科中判断时间序列混沌性和成群性的统计参数[7]。活体生物器官可以看作是能生成时间序列的复杂的非线性动力学系统，Hurst指数可以作为标志时间序列非线性特征的参数。大量研究表明，多数自然、经济和人体现象的Hurst指数在0.70～0.76之间，而心跳信号的Hurst指数一般在0.644～0.69之间[6]。参考文献[1]JungTP，MakeigS，HumphriesC，LeeTW，MckeownMJ，IraguiV，SejnowskiTJ.Removingelectroencephalographicartifactsbyblindsourceseparation.Psychophysiology，2000，37(2)163～178.JoyceCA，GorodnitskyIF，KutasM.AutomaticremovalofeyemovementandblinkartifactsfromEEGdatausingblindcomponentseparation.Psychophysiology，2004，41(2)313～325.FlexerA，BauerH，PripflJ，DorffnerG.UsingICAforremovalofocularartifactsinEEGrecordedfromblindsubjects.NeuralNetworks，2005，18(7)998-1005.LeeTW.IndependentcomponentanalysisTheoryandapplications.DordrechtKluwerAcademic，1998.NatarajanK，AcharyaUR，AliasF，TibolengT，PuthusserypadySK.NonlinearanalysisofEEGsignalsatdifferentmentalstates.BiomedicalEngineeringOnLine2004，3(1)7.VorobyovS，CichockiA.BlindnoisereductionformultisensorysignalsusingICAandsubspacefiltering，withapplicationtoEEGanalysis.BiologicalCybernetics，2002，86(4)293～303.HurstHE，BlackRP，SimaikaYM.LongtermstorageAnexperimentalstudy.LondonConstable，1965.
发明内容本发明的目的在于提出一种无需人工干预的可自动识别并去除脑电信号中的伪迹成分并的方法，其中包括自动提取脑电信号基本节律的方法。本发明可以有效地去除眼动、心跳等伪迹成分，并能提取包括alpha波在内的脑电信号中的基本节律，整个伪迹去除过程中完全无需人工干预。本发明提出的自动识别并去除脑电信号伪迹成分的方法，采用独立元分析算法，分离出脑电信号中的伪迹成分以及如alpha波等脑电基本节律；然后对各独立成分进行非线性指数分析，通过设定的阈值，自动识别出其中的伪迹成分以及有待提取的脑电基本节律；最后令识别出的独立成分为零，将其余成分投影返回到原信号各个电极，即可得到去除伪迹后的脑电信号。具体步骤如下1、滤波处理首先对脑电数据做带通滤波预处理，通带范围为0.5～50Hz。因为脑电波是大量神经元同步放电的综合结果，它有一个有限的最高频率，而在测量过程中存在不可避免的噪音干扰，故而选择滤除50Hz以上的频率成分；同时为了滤除基线漂移和其他慢变干扰，选择滤除小于0.5Hz的频率成分。2、对滤波后的脑电信号采用扩展的Infomax独立元分析算法，设N维的观测源信号x(t)＝[x1(t)，x2(t)，…，xN(t)]T，滤波后的信号表示为x~(t)=[x~1(t),x~2(t),···,x~N(t)]T,]]>进行独立元分析处理y(t)=Wx~(t),]]>W为线性变换分离矩阵，得到N个独立成分y(t)＝[y1(t)，y2(t)，…，yN(t)]T。3、采用非线性指数分析各个独立成分yi(t)本发明结合三种非线性指数，即最大Lyapunov指数、Kurtosis和Hurst指数，分析各独立成分，提出一种完全无人工干预的、可自动识别独立成分中各种伪迹以及脑电信号中基本节律的方法。计算流程如附图2所示，分别计算每个独立成分yi(t)的最大Lyapunov指数、Kurtosis值和Hurst指数，再依据脑电信号的非线性特征设定阈值，自动识别出伪迹成分和特定的脑电基本节律。(1)计算各个独立成分的最大Lyapunov指数λi，其中，λi=1tM-t0∑k=1Mlog2L′(tk)L′(tk-1),]]>式中M表示迭代次数。由于正常脑电信号的维数一般在6～9，根据嵌入定理，嵌入的维数要大于两倍的原信号维数，故本发明中选择嵌入维为13，时延τ为1。因为Lyapunov指数小于零，则系统具有周期性特点，适当放宽，本文设定阈值为-0.1，小于该阈值则判为含有周期性成分的信号。根据设定的阈值选出独立成分中的周期性成分，再用统计的方法检测频谱最大的峰值位置，从而自动分析这些周期性成分的频谱，即可识别出包含有某个特定基本节律的成分。(2)计算各个独立成分的Kurtosis值，并计算出所有独立成分Kurtosis值的平均值，再根据偏离该平均值的程度设定阈值，这里设定为20％，若某个独立成分偏离均值的程度大于该阈值，则判为伪迹，如眼动或心跳信号。另外，若某个独立成分的Kurtosis值近似为零，则该成分可判为噪声信号。(3)计算各独立成分的Hurst指数H＝log(R/S)/log(cT)，C为恒常，取C＝0.5，T为时间序列的样本数，这里H即为Hurst指数，取值范围为0～1。设定Hurst指数HT的阈值范围为0.7～0.9，即小于0.7或大于0.9的独立成分判为伪迹。根据设定的阈值选出其余伪迹成分。4、重构源信号若yi(t)为上述步骤3所识别出的伪迹成分或实验需要去除的含有某种基本节律的成分，则令yi(t)＝0，其余独立成分保持不变。即然后将yi′(t)投影返回到源信号各个电极上，即x^(t)=W-1y′(t).]]>即去除伪迹成分后的较为纯净的脑电信号。本发明的优点本发明结合独立元分析和非线性指数分析的方法，其优点在于一是不仅可以识别出如眼动、心跳、肌电噪声等伪迹干扰成分，而且可以提取包括alpha波、beta波等在内的脑电信号基本节律；二是本发明结合三种不同的非线性指数，可以从多角度识别出不同的伪迹成分；三是本发明的全部过程无需人工干预，是一个完全自动的伪迹去除方法。需指出的是采用本方法得到的较为纯净的脑电信号，将对进一步研究脑电信号的真实活动有重要的意义。图1脑电信号伪迹自动去除方法原理图。图2非线性指数分析流程图。图3模拟脑电数据。其中，(a)为模拟的源数据，(b)为模拟的观测数据，(c)为ICA处理后的各个独立成分图4实际脑电数据。其中，(a)为26个通道的观测脑电数据，(b)为滤波后的脑电数据，(c)为去除伪迹后的脑电数据。图5实际脑电数据ICA处理后的各独立成分。其中，IC3对应的脑电地形图和频谱图；IC5对应的脑电地形图及时间序列图和相应的频谱图；IC16对应的时间序列图和脑电地形图；IC23对应的脑电地形图及频谱图。具体实施例方式首先我们给出三种非线性指数的计算公式，假定一个时间序列x(t)1)最大Lyapunov指数构造m维相空间，时延为τ，则吸引子的点可以写成{x(t)，x(t+τ)，…，x(t+(m-1)τ)}；设距初始点最近的点为{x(t0)，x(t0+τ)，…，x(t0+(m-1)τ)}，定义L(t0)为两点间距，那么在t1时刻，初始长度变为L＇(t1)，两条初始无限接近的轨迹之间的相对距离在单位时间的平均指数增长因子即为Lyapunov指数，它可以写成λ=1tM-t0∑k=1Mlog2L′(tk)L′(tk-1)---(2)]]>式中M表示迭代次数。本发明中选择嵌入维m为13，时延τ为1。2)Kurtosis值时间序列x(t)的Kurtosis值可写成κ=m4-3m22---(3)]]>其中，mn＝E{(x-m1)n}n＝2，4(4)mn表示时间序列x(t)的第n阶中心矩，m1表示均值。3)Hurst指数对于时间序列x(t)，其均值表示为<x>τ=1τ∑t=1τx(t)---(5)]]>累积偏差X(t,τ)=∑u=1t{x(u)-<x>τ},1≤t≤τ---(6)]]>R定义为X(t，τ)的最大值与最小值的差R(τ)=max1≤t≤τX(t,τ)-min1≤t≤τX(t,τ)---(7)]]>均方差S表示为S(τ)=(1τ∑t=1τ{x(t)-<x>τ}2)1/2---(8)]]>R/S的比值满足下列关系RS=(cT)H---(9)]]>这里，T表示时间序列的样本数，c是一个恒量，一般取c＝0.5，H即为Hurst指数。下面我们分别以模拟实验数据和一组真实的脑电数据为例说明具体的实施方式。1、模拟脑电数据模拟六路源信号s(t)＝[s1(t)，s2(t)，…，s6(t)]T，分别为模拟的alpha波(10Hz)、模拟的beta波(25Hz)、眨眼信号、心跳信号、高斯噪声和模拟的50Hz高频干扰信号，如附图3(a)所示。将源信号乘以混合矩阵A，得到观测信号x(t)＝[x1(t)，x2(t)，…，x6(t)]T，如附图3(b)所示。运用扩展的Infomax算法进行独立元分析后，得到六个独立成分(记为IC1～IC6)，如附图3(c)所示。依照本发明的方法，分别计算各独立成分的最大Lyapunov指数、Kurtosis值和Hurst指数，其结果如表1所示，表中LLE表示最大Lyapunov指数，Kug表示全局Kurtosis，HE表示Hurst指数。表1各独立成分的三种指数计算结果Lyapunov指数识别出IC2、IC4和IC6为周期性信号，通过对这三个通道的频谱自动地进行统计分析，容易判别出IC2为模拟的alpha波，IC4为模拟的beta波。Kurtosis值识别出IC1、IC3和IC5，由于眼动信号的频谱主要分布在低频带，容易判别出IC1为眼动信号，而IC3则可能为心跳信号；又由于IC5的Kurtosis值接近于零，故IC5判为噪声信号。同样地，Hurst指数可进一步识别出IC3为心跳信号。2.实际脑电数据本例中采用的实际脑电数据为受试者闭眼时的测试数据。记录采用国际标准的10-20系统，以两个耳垂位置的平均值为参考电极，共记录了26个通道，其采样率为1000Hz，测试时间为5秒，如附图4(a)所示。对脑电数据做带通滤波预处理后，再进行独立元分析，并运用本发明所提议的方法对各独立成分进行指数分析。Lyapunov指数识别出IC2、IC5、IC7、IC8、IC11、IC15、IC17含有周期性成分，再对其频谱自动地进行统计分析，发现IC5的频谱在10Hz处有明显的尖峰，可判断IC5主要包含alpha波成分。分析其余各独立成分的Kurtosis值，检测出Kurtosis最大的两个独立成分是IC3和IC16，分别超过平均值的60％和141％，故IC3和IC16可能为眼动或心跳信号。用同样的方法分析其频谱，可以发现IC3的频谱峰值位于0～1Hz，则判断IC3为眼动信号成分。最后，通过Hurst指数可进一步识别出IC16(其值为0.6502)为心跳信号；IC23的Hurst值为0.6295，则IC23可能为肌电干扰。为了验证本发明方法的准确性，附图5给出了各个独立成分经指数分析后所检测出的伪迹成分以及所对应的频谱图和该成分相应的脑电地形图。从附图5中我们可以看出，对于IC3，大量的能量集中在低频带，相应的脑电地形图的活动源位于前额；对于IC5，其脑电地形图的活动源位于脑后部；IC16的波形显示出明显的心跳特征；而IC23的频谱杂乱，脑电地形图的活动源集中在颞部。以上也验证了所提议的指数分析方法的识别结果。运用本发明方法可以自动地检测并确认出IC3、IC5、IC16和IC23四个独立成分为伪迹成分或alpha波成分。其中，IC3、IC16和IC23三个伪迹成分需去除，而对于IC5，则可根据之后的实验需要决定是否予以保留或单独予以分析。为考查伪迹去除的效果，令IC3、IC5、IC16和IC23为零，将其余独立成分投影返回源信号各个电极，如附图4(c)所示。将附图4(c)与附图4(b)进行比较，可以看出在原信号中，Fp1、Fp2、F3、Fz、F4、F7、F8等通道含有较为明显的眼动干扰，O1、Oz和O2三个通道含有较显著的心跳信号干扰，而附图4(c)则明显消除了上述眼动和心跳信号的干扰。另外，原信号中1～2秒时间段有较为明显的alpha波成分，在附图4(c)中也较好地去除了。这些说明了采用本发明方法在自动识别和去除伪迹方面效果比较理想。综上所述，本发明通过对独立元分析后得到的各个独立成分的非线性特征进行指数分析，给出了一种可自动识别伪迹成分并提取脑电信号基本节律的方法。该方法可以有效地去除眼动、心跳、肌电等伪迹成分，并能提取包括alpha波在内的脑电信号中的基本节律，整个伪迹去除过程中完全无需人工干预。自动去除所检测和识别出的伪迹成分后，可得到较为纯净的脑电信号，这将对进一步研究脑电信号的真实活动有重要的意义。权利要求1.一种脑电信号伪迹成分的自动识别和去除方法，其特征在于采用独立元分析算法，分离出脑电信号的伪迹成分以及脑电基本节律；然后对各个独立成份进行非线性指数分析，通过设定的阈值自动地识别出其中的伪迹成分和有待提取的脑电基本节律；最后置识别出的独立成分为零，将其与独立成分投影返回到源信号各个电极，即可得到去除伪迹后的脑电信号。2.根据权利要求1所述的脑电信号伪迹成分的自动识别和去除方法，其特征在于具体步骤如下(1)滤波处理首先对脑电数据做带通滤波预处理，通带范围为0.5～50Hz；(2)对滤波后的脑电信号采用扩展的Infomax独立元分析算法设N维的观测源信号x(t)＝[x1(t)，x2(t)，…，xN(t)]T，滤波后的信号表示为x~(t)=[x~1(t),x~2(t),···,x~N(t)]T,]]>进行独立元分析处理y(t)=Wx~(t),]]>W为线性变换分离矩阵，得到N个独立成分y(t)＝[y1(t)，y2(t)，…，yN(t)]T；(3)采用非线性指数分析各个独立成yi(t)①计算各个独立成分的最大Lyapunov指数λi，设定阈值为-0.1，小于该阈值则判为含有周期性成分的信号；根据设定的阈值选出独立成分中的周期性成分，再用统计的方法检测频谱最大的峰值位置，从而自动分析这些周期性成分的频谱，即可识别出包含有某个特定基本节律的成分；②计算各个独立成分的Kurtosis值，并计算出所有独立成分Kurtosis值的平均值，再根据偏离该平均值的程度设定阈值，这里设定为20％，若某个独立成分偏离均值的程度大于该阈值，则判为伪迹，若某个独立成分的Kurtosis值近似为零，则该成分可判为噪声信号；③计算各独立成分的Hurst指数，根据设定的阈值选出其余伪迹成分；(4)重构源信号若yi(t)为上述步骤(3)所识别出的伪迹成分或实验需要去除的含有某种基本节律的成分，则令yi(t)＝0，其余独立成分保持不变；然后将yi′(t)投影返回到源信号各个电极上，即x^(t)=W-1y′(t),]]>为去除伪迹成分后的较为纯净的脑电信号。3.根据权利要求2所述的脑电信号伪迹成分的自动识别和去除方法，其特征在于所述最大Lyapunov指数λi的计算公式如下λi=1tM-t0Σk=1Mlog2L′(tk)L′(tk-1),]]>M为迭代次数，设为L(t0)为下述两点间的距离吸引子点{x(t)，x(t+τ)，…，x(t+(m-1)τ)}，距初始点最近的点为{x(t0)，x(t0+τ)，…，x(t0+(m-1)τ)}，这里，m为相空间维数，取m＝13，τ为延时，取τ＝1，则L′(t)为t时刻的初始长度。4.根据权利要求2所述的脑电信号伪迹成分的自动识别和去除方法，其特征在于所述Kurtosis值的算式如下κ=m4-3m22---(3)]]>其中，mn＝E{(x-m1)n}n＝2，4(4)mn表示时间序列x(t)的第n阶中心矩，m1表示均值。5.根据权利要求2所述的脑电信号伪迹成分的自动识别和去除方法，其特征在于所述的Hurst指数H的算式如下对于时间序列x(t)，其均值表示为<x>τ=1τΣt=1τx(t)---(5)]]>累积偏差X(t,τ)=Σu=1t{x(u)-<x>τ},1≤t≤τ---(6)]]>R定义为X(t，τ)的最大值与最小值的差R(τ)max1≤t≤τX(t,τ)-min1≤t≤τX(t,τ)---(7)]]>均方差S表示为S(τ)=(1τΣt=1τ{x(t)-<x>τ}2)1/2---(8)]]>R/S的比值满足下列关系RS=(cT)H---(9)]]>这里，T表示时间序列的样本数，c是一个恒量，一般取c＝0.5，H即为Hurst指数。全文摘要本发明属于脑电信号处理
技术领域：
，具体是一种可以自动识别并去除脑电信号中伪迹成分以及自动提取脑电信号中基本节律的方法。该方法采用独立元分析算法，分离出脑电信号中的伪迹成分以及如alpha波等脑电基本节律；然后对各独立成分进行非线性指数分析，通过设定的阈值，自动识别出其中的伪迹成分以及有待提取的脑电基本节律；最后令识别出的独立成分为零，将其余成分投影返回到原信号各个电极，即可得到去除伪迹后的脑电信号。本发明结合三种非线性指数，从多种角度自动识别伪迹成分和脑电基本节律，无需人工干预。本发明可以有效去除脑电信号伪迹成分，得到较为纯净的脑电信号。本发明可作为脑电信号预处理，对进一步研究脑电信号的真实活动具有重要的意义。文档编号G06F19/00GK1883384SQ20061002802公开日2006年12月27日申请日期2006年6月22日优先权日2006年6月22日发明者卞宁艳,王斌,张立明,曹建庭,顾凡几申请人:复旦大学