脑电信号的心电伪迹去除系统设计
人体脑电信号（Electroencephalogram，EEG）蕴含了人体丰富的信息，被广泛应用在临床医学。由于EEG非常微弱、易受其他生理信号干扰，尤其是心电信号（Electrocardiogram，ECG）。因此，EEG中如何有效的去除ECG是一个至关重要的问题。本文首先介绍了EEG产生原理与伪迹的影响，并介绍国内外对于EEG去伪迹的研究现状。之后，详细阐述独立成分分析法（Independent Component Analysis，ICA）的原理与优越性。使用ICA能够通过分解混合信号，人工去除伪迹后，可以获得纯净的信号。针对心电信号的特征，采取小波变换对心电QRS波群检测、确认，达到去除目的。最后，通过MATLAB仿真证实了ICA与小波分析这两种方法结合的有效性。关键词 脑电信号，心电伪迹，独立成分分析，小波变换，QRS波群检测
目 录
1 引言1
1.1 研究背景与意义1
1.2 国内外研究现状1
1.3 课题的主要工作与要求2
2 脑电信号及其主要伪迹3
2.1 脑电信号产生的原理4
2.2 脑电信号的分类和特点4
2.3 主要伪迹成分6
3 ICA与小波变换7
3.1 ICA定义及原理8
3.2 小波变换13
3.3 心电信号QRS波群检测15
4 EEG中心电伪迹去除17
4.1 基于ICA的脑电信号分解 20
4.2 伪迹的识别21
4.3 信号的重构24
结论26
致谢27
参考文献28
1 引言
1．1 研究背景与意义
大脑是人体最为精密且复杂的器官，一直是世界医学研究的前沿、热点。其中，脑电波能够作为观察大脑功能的最为有效直接的途径。脑电信号是大脑神经元工作放电的总体反应，蕴含着人体本身丰富的信息，对于解决脑科疾病有重要作用，因此，脑电图如今已经成为一种核查大脑疾病的常规手段。但是，人体脑电信号（Electroencephalogram，EEG）微弱且具有极强的时变敏感特性。在提取信号时 *好棒文|www.hbsrm.com +Q: ^351916072^
易受到外界的影响，从而掺杂着大量干扰成分（如心电、工频噪声等）[1]。
在这些干扰伪迹中，因为心电信号（Electrocardiogram，ECG）所具有的突出的QRS波群，在所有的导程上都普遍可见，与脑电中的棘波极为相似，容易导致临床诊断的误判。而且，心电的主要频率范围近似于脑电的频率范围，使用从前的降噪滤波法不能够还原被心电干扰的EEG。这样不仅增加了EEG的读取难度，而且阻碍EEG的后续研究、分析及应用。尤其对于大脑皮层中，某些电位可以揭示大脑活动过程，但在信号采集时遭受心电信号污染后，影响人们对于信号的分析，从而难以正确的认识大脑活动的过程[23]。
所以，将EEG中的心电伪迹的滤除，提取有效的大脑功能信息，在医学研究与临床诊断应用中十分重要，而且对于认知神经科学的研究尤为突出。本课题旨在消除脑电波中的心电伪迹的主要干扰，来还原脑电波的实际波形。
1．2 国内外研究现状
回顾近些年，随着科技的发展，关于剔除脑电信号中的各种伪迹，研究者提出的去噪方法,大致总结为以下几种：
最先被应用于脑电信号中伪迹消除的方法是回归法[4]，此法虽能够消除信号中大部分的伪迹，但仍有一些伪迹无法剔除。后来，Hillyard与Verleger等人[5]又在此法的基础上，各自开发了应用于时域和频域的回归方法，细化后的方法能够将伪迹更充分的滤除。但由于回归方法本身的缺陷，易造成对原始信号中的伪迹的过估计，导致将含有伪迹的重要EEG信号去除[6]。
伪迹减法[7]也较早应用于EEG信号中的伪迹去除,特点是直观易懂、便于操作、意义明确，但存在建模问题。EEG在头皮上采集时，因为信号传播的非定向，使得难以判断其传播途径，导致该方法数学模型建立复杂，因此去伪迹较为困难[8]。
Jung TP等人[9]使用主成分分析方法(Principal Component Analysis，PCA)对EEG实行去噪实验。在临床试验中，与回归方法相比，此法在伪迹去除上有了一定提高。然而此方法存在缺陷是，若在伪迹成分和EEG的幅值较为接近时，则无法真正有效的完成去伪任务，即该方法只对于低阶信源有较好的效果。
后来，Makeig开创性的使用独立成分分析方法(Independent Component Analysis，ICA)来去除EEG中的伪迹。因为观测信号是经过脑电信号、工频噪声与心电等多个独立成分混合形成，此法能够通过分解原始信号，从中单独分离出工频和心电等干扰成分。相较于以上各方法存在建模困难等缺陷，ICA则有效地摆脱了这些限制,尤其在高阶统计信息的使用下,能够帮助混合信号解混，成为最初的相互独立的信号，再进一步找出伪迹部分。经典的ICA方法在成功去除伪迹的同时也存在一些局限性，因为使用该方法来滤除伪迹时，不能自动地进行伪迹确认，需要人工进一步检查。因此，通过经验来判别伪迹，存在主观意识且有误差，使得该方法应用于脑电信号分析的范围得到限制。
后来，有学者[10]推出时域、频域相结合分析的方法，小波变换方法。使用小波变换可以根据原始信号的频率来达到自我调节的目的，存在多分辨特征。S.Venkataramanan等人[11]在对EEG中眼电伪迹进行确认时，运用小波方法对信号进行多尺度分解，从而完成确认。
Huang N E等人[12]根据非平稳信号的特点，首创出希尔伯特黄变换方法(HilbertHuang Transform，HHT)。该方法的核心是经验模态分解(Empirical Mode Decomposition，EMD)。因为经验模态能够很好的处理非线性问题，接着，HHT[1315]逐渐被推广到EEG中伪迹的识别、定位与滤除。
现在，大多脑电去伪的技术都为眼电伪迹的滤除服务,但对于肌电、工频、心电等其他伪迹的研究较少。而且，传统的信号去噪滤波方法中,如自适应滤波等,因为EEG信号的时变特性,无法达到良好的去噪效果。如何推陈出新，提出一个比较实用、应用广泛、高效稳定的滤噪方法，对于脑电研究有着十分重大的意义。
1．3 课题的主要工作与要求
根据对本课题的研究，将所写论文分为5部分：
（1）本课题的研究背景及意义的初步介绍；
（2）脑电信号的产生原理与其干扰因素的介绍；
（3）本课题所采用的方法的介绍，包括原理与处理步骤；
（4）脑电信号的心电伪迹去除及仿真；
（5）最后，对本次课题研究进行总结与讨论。
如下图
目 录
1 引言1
1.1 研究背景与意义1
1.2 国内外研究现状1
1.3 课题的主要工作与要求2
2 脑电信号及其主要伪迹3
2.1 脑电信号产生的原理4
2.2 脑电信号的分类和特点4
2.3 主要伪迹成分6
3 ICA与小波变换7
3.1 ICA定义及原理8
3.2 小波变换13
3.3 心电信号QRS波群检测15
4 EEG中心电伪迹去除17
4.1 基于ICA的脑电信号分解 20
4.2 伪迹的识别21
4.3 信号的重构24
结论26
致谢27
参考文献28
1 引言
1．1 研究背景与意义
大脑是人体最为精密且复杂的器官，一直是世界医学研究的前沿、热点。其中，脑电波能够作为观察大脑功能的最为有效直接的途径。脑电信号是大脑神经元工作放电的总体反应，蕴含着人体本身丰富的信息，对于解决脑科疾病有重要作用，因此，脑电图如今已经成为一种核查大脑疾病的常规手段。但是，人体脑电信号（Electroencephalogram，EEG）微弱且具有极强的时变敏感特性。在提取信号时 *好棒文|www.hbsrm.com +Q: ^351916072^
易受到外界的影响，从而掺杂着大量干扰成分（如心电、工频噪声等）[1]。
在这些干扰伪迹中，因为心电信号（Electrocardiogram，ECG）所具有的突出的QRS波群，在所有的导程上都普遍可见，与脑电中的棘波极为相似，容易导致临床诊断的误判。而且，心电的主要频率范围近似于脑电的频率范围，使用从前的降噪滤波法不能够还原被心电干扰的EEG。这样不仅增加了EEG的读取难度，而且阻碍EEG的后续研究、分析及应用。尤其对于大脑皮层中，某些电位可以揭示大脑活动过程，但在信号采集时遭受心电信号污染后，影响人们对于信号的分析，从而难以正确的认识大脑活动的过程[23]。
所以，将EEG中的心电伪迹的滤除，提取有效的大脑功能信息，在医学研究与临床诊断应用中十分重要，而且对于认知神经科学的研究尤为突出。本课题旨在消除脑电波中的心电伪迹的主要干扰，来还原脑电波的实际波形。
1．2 国内外研究现状
回顾近些年，随着科技的发展，关于剔除脑电信号中的各种伪迹，研究者提出的去噪方法,大致总结为以下几种：
最先被应用于脑电信号中伪迹消除的方法是回归法[4]，此法虽能够消除信号中大部分的伪迹，但仍有一些伪迹无法剔除。后来，Hillyard与Verleger等人[5]又在此法的基础上，各自开发了应用于时域和频域的回归方法，细化后的方法能够将伪迹更充分的滤除。但由于回归方法本身的缺陷，易造成对原始信号中的伪迹的过估计，导致将含有伪迹的重要EEG信号去除[6]。
伪迹减法[7]也较早应用于EEG信号中的伪迹去除,特点是直观易懂、便于操作、意义明确，但存在建模问题。EEG在头皮上采集时，因为信号传播的非定向，使得难以判断其传播途径，导致该方法数学模型建立复杂，因此去伪迹较为困难[8]。
Jung TP等人[9]使用主成分分析方法(Principal Component Analysis，PCA)对EEG实行去噪实验。在临床试验中，与回归方法相比，此法在伪迹去除上有了一定提高。然而此方法存在缺陷是，若在伪迹成分和EEG的幅值较为接近时，则无法真正有效的完成去伪任务，即该方法只对于低阶信源有较好的效果。
后来，Makeig开创性的使用独立成分分析方法(Independent Component Analysis，ICA)来去除EEG中的伪迹。因为观测信号是经过脑电信号、工频噪声与心电等多个独立成分混合形成，此法能够通过分解原始信号，从中单独分离出工频和心电等干扰成分。相较于以上各方法存在建模困难等缺陷，ICA则有效地摆脱了这些限制,尤其在高阶统计信息的使用下,能够帮助混合信号解混，成为最初的相互独立的信号，再进一步找出伪迹部分。经典的ICA方法在成功去除伪迹的同时也存在一些局限性，因为使用该方法来滤除伪迹时，不能自动地进行伪迹确认，需要人工进一步检查。因此，通过经验来判别伪迹，存在主观意识且有误差，使得该方法应用于脑电信号分析的范围得到限制。
后来，有学者[10]推出时域、频域相结合分析的方法，小波变换方法。使用小波变换可以根据原始信号的频率来达到自我调节的目的，存在多分辨特征。S.Venkataramanan等人[11]在对EEG中眼电伪迹进行确认时，运用小波方法对信号进行多尺度分解，从而完成确认。
Huang N E等人[12]根据非平稳信号的特点，首创出希尔伯特黄变换方法(HilbertHuang Transform，HHT)。该方法的核心是经验模态分解(Empirical Mode Decomposition，EMD)。因为经验模态能够很好的处理非线性问题，接着，HHT[1315]逐渐被推广到EEG中伪迹的识别、定位与滤除。
现在，大多脑电去伪的技术都为眼电伪迹的滤除服务,但对于肌电、工频、心电等其他伪迹的研究较少。而且，传统的信号去噪滤波方法中,如自适应滤波等,因为EEG信号的时变特性,无法达到良好的去噪效果。如何推陈出新，提出一个比较实用、应用广泛、高效稳定的滤噪方法，对于脑电研究有着十分重大的意义。
1．3 课题的主要工作与要求
根据对本课题的研究，将所写论文分为5部分：
（1）本课题的研究背景及意义的初步介绍；
（2）脑电信号的产生原理与其干扰因素的介绍；
（3）本课题所采用的方法的介绍，包括原理与处理步骤；
（4）脑电信号的心电伪迹去除及仿真；
（5）最后，对本次课题研究进行总结与讨论。
如下图
版权保护: 本文由 hbsrm.com编辑，转载请保留链接: www.hbsrm.com/jxgc/zdh/2486.html
