一种脑电图人工干扰信号的去除方法与流程

本发明涉及一种脑电图信号处理方法，尤其是涉及一种脑电图人工干扰信号的提取及去除方法。

背景技术：

脑电图信号是由部署在头皮周围的多通道电极所采集到的，能够反映脑细胞活动情况的一种电子信号。脑电图信号被广泛地应用于各种疾病的诊断过程中。然而，诸如眨眼、眼动和心跳等干扰信号的存在，使得脑电图信号的分析任务变得异常困难。这些干扰信号具有较大的电压幅值，而且和实际的脑电生理信号具有重叠的频带。因此很难将这些干扰信号完全滤除。

经典的独立成分分析脑电图信号分析方法采用的数学模型如下式所示：

其中，矩阵xc×t是脑电图信号矩阵；标量c是记录脑电图信号的通道个数；标量t是脑电图信号的时间采样点；向量是第i个数据通道采集到的数据；上标t表示向量的转置；a是一个未知的c行m列的列满秩矩阵；是代表了脑电生理信号，这些信号相互独立。独立成分分析的目的是想办法计算得到解混合矩阵w，从而能够从xc×t中恢复出独立的如公式(2)所示：

如公式(3)所示，fastica算法提供了一种ica算法的快速计算方法。

其中，g(·)是一个非线性的函数，其具体形式见公式(14)；向量x代表矩阵x中的列向量；在许多ica算法的应用中，特别是对于生物医学信号的应用中，独立信号总是伴随着或多或少的先验知识。通常情况下，在使用ica算法分解得到独立成分后，还需要采用复杂而且可靠性不强的手工选择方法，将干扰信号从独立成分中分辨出来。在公式(1)中，矩阵x中的每一行具有零均值的特性。但是在实际的应用中，这个假设往往不能被满足。

因此，为了能够得到相对干净的脑电图信号，有必要对现有独立成分分析算法进行改进。

技术实现要素：

本发明针对现有技术不足，提出一种基于改进的独立成分分析算法的脑电波干扰信号滤除方法，有效地解决了从eeg数据中提取人工干扰信号的问题。

本发明所采用的技术方案：

一种脑电图人工干扰信号的去除方法，首先，将相关的先验知识引入ica的优化目标函数，采用参考曲线约束的独立成分分析算法，从eeg数据中提取人工干扰信号并将之滤除；然后，通过计算干扰信号与各个通道的相关系数，将干扰信号从各个通道中去除掉。

本发明的有益效果：

1、本发明脑电图人工干扰信号的去除方法，直接将相关的先验知识引入ica的优化目标函数，提出了一种参考曲线约束的独立成分分析算法，有效地解决了从eeg数据中提取人工干扰信号的问题。

2、本发明脑电图人工干扰信号的去除方法，采用基于改进的独立成分分析算法进行干扰信号滤除，得到了相对干净的脑电图信号，应用于各种疾病的诊断过程，有助于对脑电波信号进行正确的分析和处理。

附图说明

图1所示为17通道传入了严重的心跳、眼动和眨眼信号的脑电信号；

图2为计算得到的人工干扰信号；

图3为去除人工干扰之后的脑电信号。

具体实施方式

本发明脑电图人工干扰信号的去除方法，首先，将相关的先验知识(各种干扰信号比较明显的检测通道)引入ica的优化目标函数，采用参考曲线约束的独立成分分析算法对脑电波信号进行处理，从eeg数据中提取人工干扰信号并将之滤除；然后，通过计算干扰信号与各个通道的相关系数，将干扰信号从各个通道中去除掉。

下面通过具体实施方式，对本发明的技术方案做进一步的详细描述。

在许多ica算法的应用中，特别是对于生物医学信号的应用中，独立信号总是伴随着或多或少的先验知识。通常情况下，在使用ica算法分解得到独立成分后，还需要采用复杂而且可靠性不强的手工选择方法，将干扰信号从独立成分中分辨出来。

本发明直接将相关的先验知识引入ica的优化目标函数，提出一种名为参考曲线约束的独立成分分析(independentcomponentanalysiswithreferencecurve,icarc)算法，有效地解决了从eeg数据中提取人工干扰信号的问题。

1、icarc模型原理

在公式(1)中，矩阵x中的每一行具有零均值的特性。但是在实际的应用中，这个假设往往不能被满足。所以我们首先对eeg信号进行如公式(4)所示的预处理。

其中，行向量的每一个元素都是行向量的均值，并且和行向量的长度相同；行向量是行向量减去自身的均值后的向量；矩阵x经过一个线性变换为矩阵是矩阵的列向量。这些列向量满足矩阵dw叫做白化矩阵。基于ica算法，icarc算法提出如下

其中，y^t由公式(2)计算而来；r表示一条参考曲线。公式(5)中的是向传统ica算法中引入的先验知识。由于

所以设

其中，d是一个常量标量。公式(5)可以修改为

2、icarc模型求解

对公式(8)进行求解是一个优化问题。根据kkt条件，可以得到如公式(9)所示的拉格朗日公式

其中，β是拉格朗日算子。向量的解满足下式

其中，g(·)是函数g(·)的一阶导数；t是信号采样的最大点数；rj表示向量r的第j个元素。公式(10)的雅克比矩阵求解如下

其中，等式成立的原因将在附件1中进行说明；g′(·)是函数g(·)的一阶导数。因此，向量的迭代解如公式(12)所示

由于公式(12)的分母是一个标量，因此公式(12)可以写为

其中，本发明选择的非线性函数为

其中，1≤a1≤2是一个常数。本专利中设为1。

3、干扰去除

通过求解公式(13)获得向量的最优值基于干扰信号y能够通过公式(15)进行构造

其中，矩阵的形式参见公式(8)。由于向量y与其它信号之间是独立的，所以传入脑电信号通道中的人工干扰可以通过公式(16)进行滤除。

其中，矩阵xcle表示去除人工干扰后的脑电信号；表示和y之间的相关系数。

4、应用实例

如图1所示为17通道传入了严重的心跳、眼动和眨眼信号的脑电信号。其中，选取1号通道的信号作为眨眼信号的参考信号；选取8号通道作为心跳信号的参考信号；选取13号通道的信号作为眼动信号的参考信号。图2为计算得到的干扰信号；图3为去除干扰的17通道脑电信号。实验数据/结果表明，传入明显心跳、眼动、眨眼等干扰信号的17通道脑电信号，其中心跳信号严重干扰了通道8；眼动信号严重影响了通道13；眨眼信号严重影响了通道1、2和14。

经本发明采用基于改进的独立成分分析算法进行干扰信号滤除，得到了相对干净的脑电图信号，有效地解决了从eeg数据中提取人工干扰信号的问题。

附录1.公式(11)中等式证明

本附录将证明公式(17)所示的等式。

从公式(8)的定义，我们有如公式(18)所示的等式。

其中，t是公式(4)中矩阵的列数，是矩阵的列向量。

所以，我们有如公式(19)所示的关系

由于矩阵的白化作用，有如下等式关系

又因为从的线性变换不改变曲线的原始幅值，因此

将公式(20)和公式(21)代入公式(19)，我们可以得到如公式(17)所示的等式。