专利名称:一种快速的脑电信号中眼电伪迹自动识别和去除的方法
技术领域:
本发明属于脑电信号(Electroencephalography, EEG)采集与预处理技术领域。 具体涉及一种基于离散小波变换(Discrete Wavelet Transform, DffT)与独立分量分析 (IndependentComponentAnalysis, ICA)的快速的脑电信号中眼电伪迹自动去除方法。
背景技术:
脑电信号是一种反映大脑活动的生物电信号,在研究人脑功能和疾病的过程中发挥着越来越大的作用。然而脑电信号非常微弱,具有很高的时变敏感性,在采集时极易受到无关噪声的干扰,从而形成了各种EEG伪迹。这些伪迹给脑电信号的分析处理带来了很大的困难。眼电(Electro-oculogram, E0G)是EEG信号中的一种最主要的干扰成分,它会随机地出现在脑电信号中,且幅度一般较大,导致采集的EEG信号产生明显畸变,形成眼电伪迹(Ocular Artifact, 0A)。在临床脑电检查中,医生通常舍弃含有EOG干扰的脑电数据段, 寻找较干净的脑电信号进行观测分析。但是舍弃数据段可能导致重要信息丢失。因此,目艮动干扰的消除一直是脑电信号预处理中重要的研究内容。近年来,研究者们提出了多种脑电信号中眼电伪迹去除的方法,常用的有回归方法、主成分分析PCA、小波变换和独立分量分析ICA等。其中,回归方法主要用于眨眼或眼球的运动引起的眼电伪迹,依赖于建立一个正确的回归导联,但由于眼电信号和脑电信号的激活扩散都具有双向性 (bi-directionality),因此回归方法去除伪迹时会错误地去除某些脑电信号。Jung和Berger等提出了用PCA方法进行眼电伪迹的去除,在被试验者完成眼动和眨眼任务时记录EEG和EOG信号,再计算出这些信号的主成分,作为眼动和眨眼伪迹的主成分。然后从混合信号去除该成分,得到校正后的信号。研究表明PCA在效果上显著优于回归方法,然而,PCA不能完全从EEG中分离与它的波形相似的电位的噪声。小波变换是傅立叶变换的新发展,小波变换系数能反映信号在时域及频域的局部信息。因而,小波分析作为一种时频分析方法,在生物医学信号处理方面有着广阔的应用前景,特别适合像EEG这类非平稳信号的处理。小波门限法去噪是基于小波变换多分辨率分析的一种方法。由于信号和噪声经过小波变换后的统计特性不同,从而在多尺度分析中呈现出不同的传播行为。选取一个合适的阈值,并用此阈值对小波分解后得到的各层小波空间里的细节系数进行截断,而保持尺度空间里的逼近系数不变,然后再进行逆变换,即可得到去噪后的信号。小波门限法去噪要求信号和噪声的频带不能混叠,但是EEG和EOG伪迹的频带相混叠,因此去噪效果不太理想。独立分量分析是由盲源信号分离技术发展来的多道信号处理方法,能够取得比较理想的去噪效果,被广泛应用于去除EEG信号中的眼电伪迹。ICA的思想来自于中心极限定理一组均值和方差为同一数量级的随机变量,共同作用的结果必接近高斯分布。因此若要分离一组由相互统计独立的信源经线性组合而产生的混和信号时,只要对分离结果的非高斯性进行度量,当其非高斯性达到最大时,可以认为混合信号实现了最佳分离。ICA的模型、可以用下式表示c=A · s (I)r=ff · c (2)其基本思想可描述如下设(^^[[(^(^,(^(^,…,(^(^^是!!维的观测信号,
S(t) = [Sl (t),S2 (t),…,Sn(t) ]τ是产生观测信号的η个相互统计独立的源信号,且观测信号 c(t)是源信号S (t)经过一个未知矩阵A e Rnxn线性混和而产生的,如公式(I)所示。在混和矩阵A和源信号s (t)未知的情况下,仅利用观测信号c (t)和源信号统计独立的假设, 寻找一个线性变换分离矩阵We Rnxn,希望输出信号r(t) =Wc (t) =WAs (t)尽可能逼近真实的源信号s(t),如公式(2)所示。理论上认为脑电信号和其他干扰源所产生的干扰信号都是由相互独立的信源产生的,从而适用ICA方法来除去伪迹,提取出有用的脑电信号。ICA方法是PCA的一种延伸, 是在所有统计意义下的去相关,因此比PCA更具有优越性。但是ICA去除伪迹也存在一些需要探讨和解决的问题,这些问题极大限制了其在脑电信号实际在线预处理中的广泛应用。首先,由于经典的ICA模型没有考虑噪声的存在,如果用ICA算法对含高斯噪声的观测信号直接进行独立分量分析,有时会产生较大的误差。因此该方法要求观测信号中最多只有一个高斯型信源,而脑电信号的产生机理复杂,且在实际采集过程中除了眼电的影响,还受到各种各样其余噪声的干扰。这些噪声不仅使ICA算法的分离效果严重变坏,而且需要通过迭代多次才能得到ICA算法的分离矩阵,计算量大且速度很慢。Jafari于2003年提出基于小波变换的ICA方法来提取胎儿心电(FECG),近年来有研究将该方法应用于图像处理,事件相关电位的提取等。这种方法可以较好得克服ICA模型中混有噪声的问题,具有很好的抗噪能力。但目前这种方法还没有应用于去除脑电信号中的眼电伪迹。其次,因为ICA分离信号顺序的不确定性,判断独立成分是否为伪迹是个困难的问题,传统采用的方法是结合视觉观测的半自动方法,但这种方法难以应用于实时在线地处理脑电信号。
发明内容
针对独立分量分析ICA在去除脑电中的眼电伪迹时,因受到多种噪声的干扰而影响算法的分离效果和速度,以及无法自动识别眼电伪迹这两个不足,本发明提出了一种基于离散小波变换与独立分量分析的脑电信号中眼电伪迹的自动去除方法,即DWT-ICA,在去除眼迹的过程中完全无须人工干预,该方法的抗噪能力很强,收敛速度快且实时性好,同时极大地提高了脑电信号的信噪比,为脑电信号的在线预处理提供了新的思路。本发明为解决所述技术问题,采用如下的技术方案首先将实际采集得到的多导脑电信号和一导眼电参考信号进行离散小波变换,获取多尺度的小波变换系数,将各导小波变换系数作为独立分量分析的输入,利用基于负熵判据的快速ICA (FastICA)算法实现独立成分的快速获取,通过夹角余弦法准则识别出眼电伪迹后,将该独立成分置零,并经过ICA逆变换将其余成分进行投影映射,最后通过反演离散小波变换进行信号重构即可得到去除眼电伪迹的脑电信号。具体步骤如下(I)采集 n+1 导信号 x(t); 首先按照国际标准10-20系统来安放电极,通过电极帽采集η导脑电信号,同时在眼睛附近放置一个电极,采集I导眼电参考信号,共采集了 n+1导信号
X (t) = [X1 (t),X2 ⑴,…,xn+1 (t)]T e R(n+1) XN。其中,Xi (t)为采集到的任意导信号,i代表每导信号对应的序号,i为正整数且 i e [I, n+1], t为每导信号的样本点,t为正整数且t e [1,N], N为样本点总数,R为实数集,设第I导为眼电信号;眼电信号EOG是EEG信号中的一种最主要的干扰成分,它会随机地出现在脑电信号中,且幅度一般较大,导致采集到的EEG信号产生明显畸变,形成眼电伪迹。眼电伪迹给脑电信号的分析处理带来了很大的困难。因此,眼电伪迹的消除是脑电信号预处理中必不可少的研究内容。该步骤中在采集脑电信号的同时,采集了一导眼电参考信号,以便于在后续步骤中利用有效方法自动快速地识别眼电伪迹。(2)计算采集到的n+1导信号x(t)的离散小波变换系数矢量王( ),具体包括以下步骤;2. I计算采集到的任意导信号Xi⑴的第j层分解的逼近系数分量a/与细节系数分量i/,;选择小波基函数,并采用Mallat算法对采集到的任意导信号Xi⑴进行L层分解, 得到采集到的任意导信号Xi (t)的第j层分解的逼近系数分量β/与细节系数分量d其中,j代表分解尺度,j e [1,L]且为整数;2. 2计算采集到的任意导信号Xi (t)的离散小波变换系数矢量乓(,);将采集到的任意导信号Xi (t)的逼近系数分量及细节系数分量进行串接,得到 Xi (t)的离散小波变换系数矢量其结构如下
权利要求
1.一种快速的脑电信号中眼电伪迹自动识别和去除的方法,其特征在于,包括以下步骤 (1)采集n+1导信号x(t); 首先按照国际标准10-20系统来安放电极,通过电极帽采集n导脑电信号,同时采集I导眼电信号,共采集了 n+1 导信号 x(t) = [xi(t),x2(t),…Xn+1(t)]T e R(n+1)XN,其中,Xi (t)为采集到的任意导信号,i代表每导信号对应的序号,i为正整数且i e [1,n+1],t为每导信号的样本点且t为正整数,N为样本点总数,R为实数集,设第I导为眼电信号; (2)计算采集到的n+1导信号x(t)的离散小波变换系数矢量,具体包括以下步骤; .2.I选择小波基函数,并采用Mallat算法对采集到的任意导信号Xi (t)进行L层分解,得到采集到的任意导信号Xi (t)的第j层分解的逼近系数分量与细节系数分量d/, 其中,j代表分解尺度,j G [1,L]且为整数; . 2.2将采集到的任意导信号Xi (t)的逼近系数分量及细节系数分量进行串接,得到任意导信号Xi (t)的离散小波变换系数矢量j,其结构如下 动叫对片-1,…々、!,'(I) 其中,R为实数集,M为每导信号小波系数的样本点总数; .2.3计算n+1导信号x(t)的离散小波变换系数矢量对,即 其中j为步骤2. 2得到的离散小波变换系数矢量; (3)计算分离矩阵W; 把步骤(2)中得到的离散小波变换系数矢量无(0作为独立分量分析算法所需要的多导输入,独立分量分析算法采用基于负熵判据的FastICA算法,FastICA算法的逼近算法选用紧缩逼近法,依次提取单个权值向量Wi(U),i为正整数且i e [1,n+1],并在提取每个权值向量Wi (iO前利用格拉姆-施密特正交化分解剔除所有已提取过的权值向量,通过不断迭代得到n+1个权值向量,从而计算分离矩阵W,计算公式如下ff=[Wl(u),W2(U),-,wn+1(u)]T G R(n+1)x(n+1) (3) (4)对离散小波变换系数矢量无0)进行变换,计算独立成分矩阵y(t),计算公式如下 v(0 = ^(f) = Lv1 ⑴,J;2 (0,".,)’" _! (Of(4) 其中,yi(t)表示第i个独立成分,yi(t)是由M个元素组成的列向量; (5)分别计算每个独立成分yi(t)与第I导眼电信号X1(t)的离散小波变换系数矢量与(0的夹角余弦值cos 0 i,其取值范围为[-1,I],计算公式如下
全文摘要
本发明提出了一种快速的脑电信号中眼电伪迹自动识别和去除的方法,属于生物信息技术领域,主要应用于脑电信号采集与预处理的过程中。具体包括将采集得到的多导脑电信号和眼电信号进行离散小波变换,获取多尺度的小波系数;将串接小波系数作为独立分量分析的输入,利用基于负熵判据的FastICA算法实现独立成分的快速获取;通过夹角余弦法识别出眼电伪迹后,将该独立成分置零,并经过ICA逆变换将其余成分投影返回到原信号各个电极;最后通过反演小波变换得到去除眼电伪迹的脑电信号。本发明解决了ICA方法应用于含噪脑电信号中分离效果差,收敛速度慢的问题,实现了从脑电中快速自动去除眼电伪迹的功能。
文档编号A61B5/0476GK102697493SQ20121013555
公开日2012年10月3日 申请日期2012年5月3日 优先权日2012年5月3日
发明者崔燕, 李明爱, 李骧, 杨金福, 郝冬梅, 陆婵婵, 马建勇 申请人:北京工业大学