基于独立成分分析的脑电伪迹消除方法

独立成分分析(ICA)是统计信号处理中的一项新技术，用来从混合信号中提取具有统计独立性的成分，基于固定点快速算法，从脑电(EEG)信号中消除眼电(EOG)伪迹信号，并给出了实验结果。实验结果表明该算法具有较好的性能和实用性。     

采用样本熵自适应噪声完备经验模态分解的脑电信号眼电伪迹去除算法

针对脑电(EEG)信号容易被眼电(EOG)伪迹污染,而常规伪迹去除算法会导致EEG有用信息大量丢失的问题,提出一种采用样本熵完备经验模态分解的EOG伪迹去除算法。首先,利用独立成分分析(ICA)算法将EEG分解为独立分量;然后,对各独立分量进行样本熵分析,接着引入阈值对伪迹分量进行自动识别,识别后的伪迹分量经过自适应噪声完备经验模态分解(CEEMDAN)算法分解后采用小波阈值降噪;最后采用逆CEEMDAN和逆ICA算法重构信号,达到伪迹去除的目的。采用公开的BCI2000运动想象数据集中60组数据进行实验,结果表明,所提算法的EOG伪迹自动识别正确率达80%,比基于峰度的伪迹识别算法提高约26.7%;采用公开的Klados EEG数据集中15组数据进行实验,结果表明,重构后的EEG信号与纯净的EEG信号的相关系数为0.841,均方根误差较受污染信号降低约56.82%。实验结果证明了所提算法在提高伪迹去除能力的同时能够有效保留有用脑电信息。     

离散小波变换结合二阶盲辨识的眼电伪迹自动去除方法

针对传统去除眼电伪迹的方法极易丢失潜在脑电信号的问题,提出一种离散小波变换(DWT)与二阶盲辨识(SOBI)结合的眼电伪迹自动去除方法(DSOBI)。首先将多通道脑电和眼电信号进行多层DWT得到多尺度下的小波系数,在小波域利用SOBI消除小波系数统计上的相关性,有效分离脑电和眼电伪迹,根据相关系数识别出眼电伪迹源分量并置零,再依次重构得到干净的脑电信号(electroencephalography,EEG)。方法对构造的数据进行去伪迹处理,均方误差为1.93,信噪比为14.32,与传统方法相比具有显著优势;对10位被试的真实脑电数据进行处理,利用相关系数验证本方法去除眼电伪迹的有效性,同时保留更多脑电信息。     

实时脑电信号眼电伪差去除方法的研究

基于信号的小波包分解方法 ,提出了一种实时性好、滤波效果佳的脑电信号眼电伪差去除的新方法 .该算法在采用小波包分析将脑电信号在频域做精细划分的基础上 ,用统计学的理论选取阈值 ,对信号的特定成分进行选择性滤波 ,并选用与眼电 (EOG)伪差相关度最大的FP1作为参考信号 ,来避免算法本身引入的新伪差 ,以达到快速有效去除眼电伪差的效果 .试验结果表明 ,相对于其他几种常用的算法 ,本算法不仅具有更好的去伪效果 ,而且运算速度也比独立分量分析 (ICA)算法快 2～ 3倍 ,具有良好的临床应用前景     

基于原型网络的小样本脑电伪迹检测方法

正常脑电信号由于容易受到多种脑电伪迹的干扰而导致信噪比低，为了提高脑电信号的信噪比，使用一种基于度量的小样本学习模型来检测脑电信号中的伪迹，提出了一种基于原型网络的脑电伪迹识别模型(EEG Artifact Prototype Network，EAPNet)。该模型能够学习一个从EEG特征到目标空间的非线性映射，然后计算每个类原型表示的距离，并按此距离进行分类; 仅需较少数量的数据样本进行训练，就能实现对伪迹的准确识别。最后，在公开的脑电伪迹数据集TUAR(TUH EEG Artifact Corpus)中进行了伪迹识别实验，并将EAPNet模型与2个深度学习模型(EEGNet、全连接神经网络(FNN))及7个机器学习模型(高斯贝叶斯模型(Gaussian NB)、随机森林模型(RF)、逻辑回归模型(LR)、套索回归模型(Lasso)、支持向量机模型(SVM)、岭回归模型(Ridge)和最近邻算法(KNN))进行了对比实验。实验结果显示:(1)EAPNet模型是一种高效的伪迹检测方法:在2-way 1-shot、2-way 5-shot、2-way 10-shot任务中，模型的检测准确率分别为69.44%、77.21%、80.01%。(2)在所有对比模型中，EAPNet模型的识别准确率最高。     

去除癫痫脑电信号运动伪迹的变分模态分解-自适应熵阈值方法

针对癫痫发作前期脑电信号中含有运动伪迹影响癫痫预测的问题,提出一种变分模态分解-自适应熵阈值(VMD-AET)的运动伪迹去除方法。设计了实验室环境下8种模拟运动状态,分析不同运动状态下脑电信号的变化规律;利用VMD方法获得脑电信号各频带的变分模态分量,对分量进行能量熵求解和排序;采用不同的熵阈值进行运动状态下伪迹分量的去除,比较得到能量熵的最优阈值,得到不含运动伪迹的脑电信号;采用Matlab软件使用VMD-AET方法实现了脑电信号中运动伪迹的有效去除。实验结果表明:每种运动状态均能达到去伪迹效果,在跑步时伪迹去除率和信噪比提升最高;对癫痫病人发作前期脑电信号的伪迹去除率为5.54%,信噪比提升达到10.35 dB;与常用的独立成分分析和经验模式分解的阈值法进行对比,所提VMD-AET方法的伪迹去除率和信噪比提升了1.47%和3.36 dB,可满足对移动脑电运动干扰的预处理要求。     

脑电信号中肌电伪差的实时去除方法研究

为了在线去除脑电信号中的肌电伪差,使用典型相关分析方法,分析了大量被肌电干扰和未被干扰的脑电(EEG)信号,得出了一个合理的自相关阈值.在时域上,肌电伪差和一般的噪声信号比较类似,有比较小的自相关值,在去除肌电伪差时,凡自相关值低于此值的分解成分被识别为肌电伪差.该方法很好地利用了这个特点,将肌电伪差分量与潜在大脑信号分离,然后依据剩下的分解成分重建"干净"的EEG信号.实验结果表明,典型相关分析法在去除肌电伪差时优于独立成分分析法,结合提出的自相关阈值在有效去除肌电伪差的同时,又能较好地保持潜在的大脑信号不变.     

混合粒子群MP算法在脑电信号分析中的应用

目的开辟脑电信号分析的新途径。方法将混合粒子群算法与MP算法相结合,对脑电信号进行重构。结果混合粒子群MP算法不但极大地提高了信号稀疏分解的速度,而且还能够取得良好的重构效果。结论混合粒子群MP算法可以作为脑电信号分析的新方法。     

小波变换模极大值重建方法消除胃电检测中的运动伪迹

在体表测得的胃电信号受到被试身体移动的影响会产生运动伪迹;这些高幅值的运动伪迹给胃电信号的提取带来了不稳定性。该文引入小波变换模极大值重建方法去除信号中的运动伪迹。采用多孔算法对信号进行小波变换,根据筛选准则去除运动伪迹对应的小波变换模极大值点,再根据标架理论,采用共轭梯度算法由模极大值重建信号,就达到了去除运动伪迹的目的。实验表明,此方法可以有效去除胃电信号中的运动伪迹。结果也说明在胃电信号的提取中,该方法可以作为一种有效的预处理方法,促进胃电在研究和临床中的应用。     

小波变换模极大值重建方法消除胃电检测中的运动伪迹

在体表测得的胃电信号受到被试身体移动的影响会产生运动伪迹;这些高幅值的运动伪迹给胃电信号的提取带来了不稳定性。该文引入小波变换模极大值重建方法去除信号中的运动伪迹。采用多孔算法对信号进行小波变换,根据筛选准则去除运动伪迹对应的小波变换模极大值点,再根据标架理论,采用共轭梯度算法由模极大值重建信号,就达到了去除运动伪迹的目的。实验表明,此方法可以有效去除胃电信号中的运动伪迹。结果也说明在胃电信号的提取中,该方法可以作为一种有效的预处理方法,促进胃电在研究和临床中的应用。     

基于EEG与EOG信号的疲劳驾驶状态综合分析

疲劳驾驶时,司机的脑电信号和眼电信号特征均发生显著变化,本文针对这两类信号进行分析研究,利用这两类数据综合分析判断司机是否处于疲劳驾驶状态.首先对采集的脑电信号进行小波包分解,提取信号中的α波,并计算其相对功率谱P;然后利用Pearson相关系数分析两路对称导联F7,F8中眨眼信号特征,去除干扰;最后利用BP神经元网络对眨眼信号进行识别,计算眨眼频率.结果表明,利用眼电信号和脑电信号特征综合分析司机眨眼动作,能准确识别出眨眼信号,并能正确检测人的驾驶疲劳状态的变化.     

基于多维统计分析方法的脑电消噪

基于二阶统计特性的主分量分析(PCA)和基于高阶统计特性的独立分量分析(ICA)是两种非常典型的多维统计分析方法.本文对PCA和ICA基本原理进行了简单介绍,并结合脑电消噪问题,对两种方法的性能和特点进行了比较.实验结果表明,在脑电消噪和特征增强等方面,独立分量分析方法具有明显的优势.     

Automatic removal of eye movement artifacts from the EEG using ICA and the dipole model

In this study, we proposed and evaluated the use of Independent Component Analysis (ICA) combining the EEG dipole model to automatically remove eye movement artifacts from the EEG without needing EOG as a reference. We separated the EEG data into independent components using the ICA method, and determined the source localization of these independent components with a single dipole model. The EEG signal was reconstructed by automatically excluding those components localized within a preset eye model. EEGs from 12 patients were analyzed. The experimental results indicate that ICA with the dipole model is very efficient at automatically subtracting the eye movement artifacts, while retaining the EEG slow waves and making their interpretation easier.     

基于粒子群优化的独立分量分析算法研究

在分析独立分量分析算法的基础上,给出了一种基于粒子群优化的独立分量分析算法。该算法以互信息量最小化为目标函数,通过对粒子群位置矢量和速度矢量更新的改进,得到全局最优值,从而得到分离矩阵。仿真实验表明,基于粒子群优化的独立分量分析算法是一种非常有效的盲源分离算法。     

基于改进粒子群的盲源分离算法研究

简要地介绍了盲源分离的基本理论,针对独立分量分析传统的优化算法易于陷入局部最优、收敛精度低的缺点,提出了一种基于改进型粒子群的盲源分离算法,将独立分量分析算法与改进的粒子群算法相结合,以负熵作为目标函数.采用这种改进的粒子群算法对分离矩阵进行调整使各个信号分量之间独立,完成对瞬时混合信号的盲分离.实验信号的分离仿真结果表明,该算法能够有效地完成混叠信号的分离.同时,在与传统的盲源分离算法进行对比中,体现出了更高的分离精度和稳定的性能.     

临床脑电信号预处理中的时空滤波器设计

临床上提倡病床边进行各类检测,这样可以方便病人,减轻其痛苦.但是病床边采集的脑电信号易受各类噪声和干扰的影响,往往影响后面的分析效果.为了有效去除临床脑电信号的噪声和干扰,设计了一种时空滤波器,分两个阶段对脑电信号进行滤波预处理:第一个阶段是时域滤波,用传统的带通滤波器实现;第二个阶段是空域滤波,用基于独立分量分析(ICA)的空域滤波器实现.实验结果表明临床脑电数据的常见干扰如工频干扰、眼动、肌电干扰、心电干扰等均能有效地被单独或同时去除.     

多参考信号的ICA方法及其在去除脑电伪差中应用

为消除脑电信号中的心电、眼电等伪差,在已有的不动点算法和带参考信号的独立分量分析算法的基础上,提出了一种多参考信号的独立分量分析方法.该方法通过计算各伪差在各路观测信号中的比重,去除伪差对观测信号的影响,从而得到较为纯净的脑电信号,所提方法相对于传统的fast ICA算法具有更小的计算量,并且不需要对分离的独立源进行人工干预,同时也是对ICA-R算法的一种扩展,解决了其只能提取单路源信号的缺点.仿真实验证明该方法更切合实际情况,而且能够更加有效地去除脑电信号中的多个伪差.     

应用多分辨率小波变换提取脑电信号异常节律

脑电信号是非平稳的随机信号，其中包含了大量的生理和疾病信息，对于医生判断脑都是否有器质性的病变具有重要作用。因此对脑电信号的分析和处理一直是人们努力研究的领域。考虑到小波变换良好的时频局部化特性，利用多分辨率小波变换方法来实现脑电信号异常节律的提取，脑电信号经多分辨率小波变换后所得到的各个尺度的信号不仅反映了信号的频率信息，即尺度越大，对应信号的频率越低，同时也反映了信号的时间信息，即反映此时的EEG状态，实验结果表明，选择合适的小波基，可以有效地提取脑电信号中的异常节律。     

去除脑电信号眨眼伪差的独立成分时域相关算法

针对脑电信号易受眨眼动作干扰的问题,提出了一个自动地去除眨眼伪差的独立成分时域相关算法.该算法使用独立成分进行分析,并分解脑电信号,然后利用眨眼伪差独立成分与某些导联的脑电信号之间在时域存在较大相关性的特点,计算每个独立成分与前额附近的5个导联(Fp1,Fp2,F3,F4,Fz)信号的相关值的累加值,并对该值进行排序,将具有最大值的独立成分识别为眨眼伪差独立成分,将其设置为0,最后重建干净的脑电信号.通过对脑电信号的去除伪差实验表明:眨眼伪差引起的干扰基本被消除,伪差检测算法的敏感度和特异度分别是97.7％和98.3％,同时该算法能有效保持脑电信号基本不变.