脑电信号的眨眼伪迹去除系统设计
脑电图用来记录脑电活动信息，但是它是一种非浸入式的办法。因为脑电图的分辨率很高，通常被用于大脑功能的研究。脑电信号是很微弱的，容易受到其它噪声的干扰，其中眼电伪迹的干扰尤为严重，这种干扰严重影响脑电信号的后续分析。为解决眼电伪迹干扰脑电信号的问题，本文提出了使用离散小波变换（Discrete Wavelet Transform, DWT）结合经验模态分解（Empirical Mode Decomposition, EMD）的方法，用于眼电伪迹的去除。EMD可以把非线性信号分成若干本证模态函数（Intrinsic Mode Function, IMF）。DWT结合EMD的具体思路如下并用离散小波变换对原始脑电信号进行分解，将信号分解成高频和低频部分，保留高频部分。再用EMD方法对低频部分进行分解，检测出与眼电伪迹（Ocular Artifacts, OA）有关的IMFs成分并去除，然后与高频部分重构信号。关键词 经验模态分解，离散小波变换，眼电伪迹
目 录
1 引言 1
1.1 研究背景和意义 1
1.2 国内外研究现状 1
1.3 课题的主要工作 3
2 脑电和眼电信号的特征及其处理方法 4
2.1 脑电的基本特征和种类 4
2.2 眼电伪迹 6
3 经验模态分解 7
3.1 本征模态函数和瞬时频率 8
3.2 基于经验模态分解去噪 9
4 经验模态分解结合离散小波变换去噪 15
4.1 小波变换 15
4.2 经验模态分解结合离散小波变换去噪的方法介绍 16
4.3 EMD算法和混合算法的对比 24
结 论 25
致 谢 26
参考文献 27
1 引言
1．1 研究背景和意义
脑电信号能反映脑神经细胞在大脑皮层或头皮表面的活动[1]。医生通常通过脑电图对患者进行临床诊断,也通过脑电图来评价心理药物的副作用影响程度。因此,脑电信号分析在心理疾病的评估、诊断以及治疗过程中具有重要的价值。
脑电图(Electroencepha *好棒文|www.hbsrm.com +Q: #351916072#
lography, EEG)可以为临床上的治疗做为一种辅助手段，但是在测量脑电信号的过程中容易受到许多伪迹的干扰，其中尤为明显的干扰有：眼电伪迹(包括眨眼信号)、心电伪迹、呼吸、工频信号等等造成的干扰。对脑电信号的数据处理与分析很容易收到上述伪迹的干扰，使得参数计算和数据分析产生一系列的问题，导致最终结果的判断出现很大误差。在上述伪迹中，眼电伪迹对脑电信号造成的干扰尤为明显。因此，采集脑电信号数据的时候，需要考虑到眼电伪迹对脑电信号造成的影响[2]。
在早期，为了避免脑电信号被眼电伪迹影响，医生让被试者尽量不要转动眼球。然而在实际检测过程中，就算被试者闭上眼睛，其眼球也会发生微小的转动产生眼电信号，并且被记录在脑电信号中。而且有些实验需要以图片或视频作为刺激材料，被试者参与实验的时候被要求必须睁开眼睛，从而让脑电信号遭受眼电伪迹污染。同时，针对婴幼儿的脑电信号采集，很难做到闭眼要求。后来，又出现了将眼电伪迹片段丢弃的办法，当脑电信号中某段信号被认为是眼电伪迹的时候，通常直接舍弃这部分信号不予使用。显然这样的方法是不正确的，尤其是当被试者眼部活动频繁时，眼电伪迹将会存在于大部分的脑电信号中，舍弃这些信号将严重影响最终的观察。更重要的是，对于患者来说，被舍弃的脑电信号片段中如果含有重要的信息，容易造成医生对患者病情的错误诊断[3]。
因此，准确地检测眨眼伪迹并将之去除，可以有效地帮助临床医生准确地检测和控制患有心理疾病患者的病情，从而提高心理疾病患者的生活质量，这对临床诊断来说有重要意义。
1．2 国内外研究现状
在脑电的采集过程中，干扰脑电信号最严重的干扰源是眼电伪迹(ElectroO
culogram, EOG)。眼睛的活动可以改变我们采集到的脑电信号，使得我们无法观察纯净的脑电信号，对大脑的活动有不好的影响，所以需要去除眼电伪迹。去除眼电伪迹基本原则是尽可能的保留有效的脑电信号，尽最大可能去除眼电伪迹。去除眼电伪迹的方法有回归分析方法、自适应滤波器、小波变换、支持向量机、独立成分分析等。
回归分析方法的物理意义比较明确，也比较容易实现。这种算法的基本思路是：认为采集出来的脑电信号是眼电伪迹与纯净的脑电信号的线性组合。P. Quilter和G. Gratton等人[4]去除眼电伪迹的时候在时域运用了回归分析方法。这种方法的基本思想是是估算眼电信号传播到大脑各处的衰减因子，在采集脑电信号的时候，一并记录眼电信号，将得到的脑电信号减去眼电数据乘以衰减因子的积，就可以得到去除眼电伪迹后的脑电信号。此外，回归算法去除眼电伪迹也可以在频域中使用[5]。这段描述如公式（11）所示
(11)
(是衰减因子，是，是处的，衰减因子在每个导联中单独计算)
自适应滤波器是一种常用的现代信号处理的方法，可以随着输入信号特性的变化调整滤波器的参数，从而达到滤波的最佳效果。因此，研究者们在去除眼电伪迹时，选择采用自适应滤波来解决。P. He等人[6]在选择自适应滤波器的输入参数时，选分别择了垂直眼电和水平眼电，然后去除脑电记录中的眼电伪迹时采用递推最小二乘法(Recursive Least Square, RLS)。M. Benkherrat在使用自适应滤波器去除眼电伪迹的时候采用的是基于变步长最小均方算法(Variable Step Size Least mean square Algorithm, VSSLMS)的方法[6]。
小波变换现如今也广泛应用在信号处理当中，它在一定程度上可以解决短时傅里叶变换的频率与时间分辨率之间的矛盾。P. Kumar等人[7]用Sym3小波基将脑电信号分解为多层，然后确定每一层的伪迹区域，再对这些伪迹区域用阈值函数进行处理。V. Krishnaveni等人[8]在去除脑电信号中的眼电伪迹时，运用了一种基于小波收缩框架的自适应方法，和JADE算法以及非自适应阈值方法对比来看，这种方法的去噪效果更为明显。对于眼电数据和脑电中的伪迹区域，M. Kiamini同时运用了平稳的小波变换，先是计算脑电中伪迹区域和眼电伪迹区域的小波系数之间的相关系数以后，再求出纯净的脑电信号的小波系数[9]，通过小波重构，得到纯净的脑电信号[10]。
支持向量机[11~13](Support Vector Machine, SVM)是统计学习理论中最实用的部分也是最年轻的内容[14]，这种方法由Vapnik带领的实验室研究小组[15~16]提出，能够有效解决识别小样本、非线性及高维模式的问题，目前这种方法仍然在高速发展中。其原理是根据有限的样本信总在模型的学习能力和复杂性之间寻找平衡点，以达到最好的识别效果。
目 录
1 引言 1
1.1 研究背景和意义 1
1.2 国内外研究现状 1
1.3 课题的主要工作 3
2 脑电和眼电信号的特征及其处理方法 4
2.1 脑电的基本特征和种类 4
2.2 眼电伪迹 6
3 经验模态分解 7
3.1 本征模态函数和瞬时频率 8
3.2 基于经验模态分解去噪 9
4 经验模态分解结合离散小波变换去噪 15
4.1 小波变换 15
4.2 经验模态分解结合离散小波变换去噪的方法介绍 16
4.3 EMD算法和混合算法的对比 24
结 论 25
致 谢 26
参考文献 27
1 引言
1．1 研究背景和意义
脑电信号能反映脑神经细胞在大脑皮层或头皮表面的活动[1]。医生通常通过脑电图对患者进行临床诊断,也通过脑电图来评价心理药物的副作用影响程度。因此,脑电信号分析在心理疾病的评估、诊断以及治疗过程中具有重要的价值。
脑电图(Electroencepha *好棒文|www.hbsrm.com +Q: #351916072#
lography, EEG)可以为临床上的治疗做为一种辅助手段，但是在测量脑电信号的过程中容易受到许多伪迹的干扰，其中尤为明显的干扰有：眼电伪迹(包括眨眼信号)、心电伪迹、呼吸、工频信号等等造成的干扰。对脑电信号的数据处理与分析很容易收到上述伪迹的干扰，使得参数计算和数据分析产生一系列的问题，导致最终结果的判断出现很大误差。在上述伪迹中，眼电伪迹对脑电信号造成的干扰尤为明显。因此，采集脑电信号数据的时候，需要考虑到眼电伪迹对脑电信号造成的影响[2]。
在早期，为了避免脑电信号被眼电伪迹影响，医生让被试者尽量不要转动眼球。然而在实际检测过程中，就算被试者闭上眼睛，其眼球也会发生微小的转动产生眼电信号，并且被记录在脑电信号中。而且有些实验需要以图片或视频作为刺激材料，被试者参与实验的时候被要求必须睁开眼睛，从而让脑电信号遭受眼电伪迹污染。同时，针对婴幼儿的脑电信号采集，很难做到闭眼要求。后来，又出现了将眼电伪迹片段丢弃的办法，当脑电信号中某段信号被认为是眼电伪迹的时候，通常直接舍弃这部分信号不予使用。显然这样的方法是不正确的，尤其是当被试者眼部活动频繁时，眼电伪迹将会存在于大部分的脑电信号中，舍弃这些信号将严重影响最终的观察。更重要的是，对于患者来说，被舍弃的脑电信号片段中如果含有重要的信息，容易造成医生对患者病情的错误诊断[3]。
因此，准确地检测眨眼伪迹并将之去除，可以有效地帮助临床医生准确地检测和控制患有心理疾病患者的病情，从而提高心理疾病患者的生活质量，这对临床诊断来说有重要意义。
1．2 国内外研究现状
在脑电的采集过程中，干扰脑电信号最严重的干扰源是眼电伪迹(ElectroO
culogram, EOG)。眼睛的活动可以改变我们采集到的脑电信号，使得我们无法观察纯净的脑电信号，对大脑的活动有不好的影响，所以需要去除眼电伪迹。去除眼电伪迹基本原则是尽可能的保留有效的脑电信号，尽最大可能去除眼电伪迹。去除眼电伪迹的方法有回归分析方法、自适应滤波器、小波变换、支持向量机、独立成分分析等。
回归分析方法的物理意义比较明确，也比较容易实现。这种算法的基本思路是：认为采集出来的脑电信号是眼电伪迹与纯净的脑电信号的线性组合。P. Quilter和G. Gratton等人[4]去除眼电伪迹的时候在时域运用了回归分析方法。这种方法的基本思想是是估算眼电信号传播到大脑各处的衰减因子，在采集脑电信号的时候，一并记录眼电信号，将得到的脑电信号减去眼电数据乘以衰减因子的积，就可以得到去除眼电伪迹后的脑电信号。此外，回归算法去除眼电伪迹也可以在频域中使用[5]。这段描述如公式（11）所示
(11)
(是衰减因子，是，是处的，衰减因子在每个导联中单独计算)
自适应滤波器是一种常用的现代信号处理的方法，可以随着输入信号特性的变化调整滤波器的参数，从而达到滤波的最佳效果。因此，研究者们在去除眼电伪迹时，选择采用自适应滤波来解决。P. He等人[6]在选择自适应滤波器的输入参数时，选分别择了垂直眼电和水平眼电，然后去除脑电记录中的眼电伪迹时采用递推最小二乘法(Recursive Least Square, RLS)。M. Benkherrat在使用自适应滤波器去除眼电伪迹的时候采用的是基于变步长最小均方算法(Variable Step Size Least mean square Algorithm, VSSLMS)的方法[6]。
小波变换现如今也广泛应用在信号处理当中，它在一定程度上可以解决短时傅里叶变换的频率与时间分辨率之间的矛盾。P. Kumar等人[7]用Sym3小波基将脑电信号分解为多层，然后确定每一层的伪迹区域，再对这些伪迹区域用阈值函数进行处理。V. Krishnaveni等人[8]在去除脑电信号中的眼电伪迹时，运用了一种基于小波收缩框架的自适应方法，和JADE算法以及非自适应阈值方法对比来看，这种方法的去噪效果更为明显。对于眼电数据和脑电中的伪迹区域，M. Kiamini同时运用了平稳的小波变换，先是计算脑电中伪迹区域和眼电伪迹区域的小波系数之间的相关系数以后，再求出纯净的脑电信号的小波系数[9]，通过小波重构，得到纯净的脑电信号[10]。
支持向量机[11~13](Support Vector Machine, SVM)是统计学习理论中最实用的部分也是最年轻的内容[14]，这种方法由Vapnik带领的实验室研究小组[15~16]提出，能够有效解决识别小样本、非线性及高维模式的问题，目前这种方法仍然在高速发展中。其原理是根据有限的样本信总在模型的学习能力和复杂性之间寻找平衡点，以达到最好的识别效果。
版权保护: 本文由 hbsrm.com编辑，转载请保留链接: www.hbsrm.com/jxgc/zdh/2465.html
