一种适用于单通道脑电信号的在线去除眼电伪迹的方法与流程

本发明涉及生物信息技术领域以及脑电信号预处理方法，特别涉及单通道脑电信号中自动去除眼电伪迹的方法，主要应用于脑电信号特征提取，具体涉及一种基于经验小波变换(empiricalwavelettransforms，ewt)与典型相关分析(canonicalcorrelationanalysis，cca)相结合的的自动去眼电伪迹算法。

背景技术：

脑机接口(brain-computerinterface，bci)技术一直是人们研究的热点，目前，市面上已经逐渐开始出现了便携式bci产品，但是由于脑电信号的复杂性以及其极易受到干扰等特点，目前的便携式bci产品还存在很大的完善空间。通常的便携式bci产品都是少通道甚至单通道的，考虑到便携式产品无法像医用设备一样进行侵入式多通道脑电采集，因此其极易受到肌电信号、心电信号以及眼电信号的干扰，其中由低频和高振幅信号表征的眼球运动引起的眼电伪迹被发现是最显着和常见的。

在眼电伪迹去除领域，回归分析法是该领域使用最多的方法，但是其需要一个或者多个参考眼电通道以及大量的数据和计算时间，这就限制了该方法的应用领域^[1]。奇异值分解(singularvaluedecomposition，svd)和盲源分离(blindsourceseparation，bss)的方法例如主成分分析(principalcomponentanalysis，pca)和独立成分分析(independentcomponentanalysis，ica)可以估计未知源并可用于眼电伪迹的去除，但是pca需要正交性以及眼电和脑电之间不同的振幅来区分它们，而ica需要参考通道和一定程度的主观决策。此外，由于方差的错误分配，bss可能不能有效地处理高度非平稳的伪影信号。为了处理非平稳信号，使用源分解的方法例如小波变换(wavelettransform，wt)和经验模态分解(empiricalmodedecomposition,emd)已被提出。mammone等采用ica对小波分析的结果进行独立成分分析，提出了一种基于wt-ica的去眼电伪迹算法。b.mijovic等提出了将集成经验模态分解与ica联合用于眼电伪迹的去除。刘志勇等提出了一种基于小波变换、集合经验模态分解和独立成分分析相结合的算法。这些算法的缺点是经验模态分解和独立成分分析等算法都具有较大的计算量从而导致计算时间过长，不适合用在实时嵌入式脑机接口产品中。

ewt为gilles在结合emd和小波变换基础上提出的一种自适应信号处理方法，该算法理论基础完备，并且相比于emd具有更小的计算量。经验小波变换包含两个重要的方面：1.分割信号的频谱。2.构造经验小波并将其应用于信号的每一段处理中。

典型相关分析是利用bss方法分离混合信号或污染信号的一种技术。类似于ica方法的cca技术要求有更多或相等数量的记录信号作为基础源。cca在分离源的方法上也与ica不同。ica和cca的不同之处在于前者使用高阶统计量提取源信号，后者使用二阶统计量，由于ica使用高阶统计量，ica的计算复杂度大于cca。通常来说，如果随机向量具有多元正态分布，那么其不相关的任何两个或更多个分量也是独立的，因此cca通常可以返回与ica相同的结果。如果不是这种情况，则cca将返回不相关但不独立的分量。

样本熵是近似熵的一种改进算法，其目的是对时间序列的复杂度进行度量。当时间序列维数产生变化时，样本熵用于体现其生成新模式概率的大小，样本熵越大则表明该序列生成新模式的概率越大、序列越复杂。眼电伪迹序列相较于脑电信号具有更小的样本熵值，因此可以通过使用样本熵来对眼电分量进行自动判别。

技术实现要素：

针对独立分量分析ica在去除脑电信号中的眼电伪迹时，因需要多个源信号从而无法应用于单通道脑电信号盲源分离，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经验小波变换与典型相关分析的单通道脑电信自动去除眼电伪迹的方法，即ewt-cca，在去除眼电伪迹的过程中无须人工干扰，该方法的抗噪能力强，收敛速度快且实时性好。

为了达到上述的目的，本发明的技术方案为：

一种适用于单通道便携式脑电采集设备的在线去除眼电伪迹的方法，其特征在于包括一下步骤：

步骤一、对含眼电伪迹的脑电信号进行经验小波变换(empiricalwavelettransforms，ewt)处理，设含眼电伪迹的脑电信号为s(n)，对其进行ewt处理后得多个模态分量从而构成虚拟多通道观测信号s(n)＝s{s1(n),s2(n),ll,sm(n)}。

步骤二、对s(n)时延一个点得到s'(n)＝s(n-1)，然后利用典型相关分析(canonicalcorrelationanalysis，cca)对中心化后的s(n)和s'(n)进行处理求得u(n)＝[u1(n),u2(n),l,um(n)]，其中u1(n)自相关性最强然后依次递减并且各变量之间互不相关。由于s'(n)和s(n)实际上就是同一信号，所以求得的u(n)就是对未知源信号的估计。

步骤三、得到未知源信号的估计以后采用样本熵作为判别依据识别出眼电伪迹分量，样本熵的自动识别方法，具体操作如下：

1)按照样本熵值的大小对盲源分离出来的源信号进行排序：其对应的源信号依次为：s1',s'2,ls'n。

2)将以下的源信号判为伪迹成分：s1',s'2,ls'k，其中k满足以下条件：其中，k取整数1＜k≤[n/2],[n/2]是不大于n/2的最大整数，若无满足上述条件的则k取1。

步骤四、由于眼电信号频率主要集中在8hz附近，所以将识别到的眼电伪迹成分通过2-15hz的带阻滤波器进行滤波，然后再将所有未知源信号依次进行cca逆变换以及ewt逆变换从而重构出去伪迹后的脑电信号。

本发明的优势在于：本发明提出了一种基于经验小波变换与典型相关分析相结合的单通道脑电信号自动去除眼电伪迹的方法即ewt-cca方法，该方法不仅能有效的去除眼电伪迹，并且其计算速度满足脑机接口实时性的要求，通过与现有的emd-ica方法的对比，结果表明该方法去噪效果好，计算速度快，适用于各种单通道脑电信号处理中。

附图说明

图1是基于经验小波变换与典型相关分析方法的去除眼电伪迹的流程框图；

图2是国际标准10-20电极系统的放置示意图；

图3是采集到的原始脑电信号；

图4是原始脑电信号经过经验小波变换得到的模拟多通道观测信号；

图5采用本发明的方法进行实验，对脑电信号中眼电伪迹去除效果图。

具体实时方式

下面结合附图对本发明做详细叙述。

本文的单通道脑电采集设备来自神念科技的mindband设备，该设备是神念公司开发的一种在线脑机接口设备，目前已经得到广泛的应用和认可。信号的采样频率为512hz，其中电极参考如图2所示的国际10-20导联系统，放置在fp1处。具体的处理过程与实施方式按照以下步骤进行。

1.首先进行脑电采集实验，采用mindband设备采集fp1处的脑电信号8秒，其中包含有意的眨眼造成的眼电信号，如图3所示为其中一次的原始脑电信号，共计采集20次。

2.对采集到的脑电信号进行预处理，其中包括将512hz的脑电信号降频至256hz，并用0.5～64hz的带通滤波器和50hz的陷波滤波器对脑电信号进行滤波处理。

3.对含眼电伪迹的脑电信号进行经验小波变换(empiricalwavelettransforms，ewt)处理，设含眼电伪迹的脑电信号为s(n)，对其进行ewt处理后得多个模态分量从而构成虚拟多通道观测信号s(n)＝s{s1(n),s2(n),ll,sm(n)}，最终得到的结果参照图4。

4.对s(n)时延一个点得到s'(n)＝s(n-1)，然后利用典型相关分析(canonicalcorrelationanalysis，cca)对中心化后的s(n)和s'(n)进行处理求得u(n)＝[u1(n),u2(n),l,um(n)]，其中u1(n)自相关性最强然后依次递减并且各变量之间互不相关。由于s'(n)和s(n)实际上就是同一信号，所以求得的u(n)就是对未知源信号的估计。

5.得到未知源信号的估计以后采用样本熵作为判别依据识别出眼电伪迹分量并将其通过2-15hz的带阻滤波器进行滤波，最终将所有未知源信号依次进行cca逆变换以及ewt逆变换从而重构出去伪迹后的脑电信号，如图5所示为重构后信号与原始信号的对比图。

为了进一步验证本发明去除眼电伪迹的有益效果，取现有的emd-ica方法进行量化评价指标对比，该算法首先利用emd算法将单通道原始脑电信号分解成多个imf分量作为虚拟多通道，然后利用ica算法进行独立成分分析并剔除独立的眼电成分，最后依次将剔除眼电后的信号进行重构得到新的不含眼电伪迹的脑电信号。

本发明选取相关系数r、信号伪迹比(signal-to-artifactratio，sar)以及计算时间t作为参考评价指标对本方法进行评价。其中，相关系数r和sar的定义如下：

式1中相关系数r表示两原始信号与去伪迹重构信号的相关程度，最大为1表示完全相关，由于没有原始的不含眼电伪迹的信号作为参考，本次实验选择眼电伪迹以外的部分进行原始信号和重构信号的相关程度计算。式2中eegmixed为受干扰的单通道原始脑电信号，eegcorrected为去除眼电伪迹后的脑电信号，sar是一种量化的方法，用于测量特定信号经算法处理后的伪影去除量，该值越大表明伪迹去除效果越好。

从表中可以看出ewt-cca方法与emd-ica方法相比，去伪迹效果号，与原始信号的相关程度高，并且最重要的是从计算时间看出，ewt-cca方法比emd-ica方法快近乎六倍，这说明该方法更加适用于在线的眼电去伪迹的应用中。