專利名稱：一種快速的腦電信號中眼電偽跡自動識別和去除的方法
技術(shù)領(lǐng)域：
本發(fā)明屬于腦電信號(Electroencephalography, EEG)采集與預(yù)處理技術(shù)領(lǐng)域。 具體涉及一種基于離散小波變換(Discrete Wavelet Transform, DffT)與獨立分量分析 (IndependentComponentAnalysis, ICA)的快速的腦電信號中眼電偽跡自動去除方法。
背景技術(shù)：
腦電信號是一種反映大腦活動的生物電信號，在研究人腦功能和疾病的過程中發(fā)揮著越來越大的作用。然而腦電信號非常微弱，具有很高的時變敏感性，在采集時極易受到無關(guān)噪聲的干擾，從而形成了各種EEG偽跡。這些偽跡給腦電信號的分析處理帶來了很大的困難。眼電(Electro-oculogram, E0G)是EEG信號中的一種最主要的干擾成分,它會隨機地出現(xiàn)在腦電信號中，且幅度一般較大，導致采集的EEG信號產(chǎn)生明顯畸變，形成眼電偽跡(Ocular Artifact, 0A)。在臨床腦電檢查中，醫(yī)生通常舍棄含有EOG干擾的腦電數(shù)據(jù)段， 尋找較干凈的腦電信號進行觀測分析。但是舍棄數(shù)據(jù)段可能導致重要信息丟失。因此，目艮動干擾的消除一直是腦電信號預(yù)處理中重要的研究內(nèi)容。近年來，研究者們提出了多種腦電信號中眼電偽跡去除的方法，常用的有回歸方法、主成分分析PCA、小波變換和獨立分量分析ICA等。其中，回歸方法主要用于眨眼或眼球的運動引起的眼電偽跡，依賴于建立一個正確的回歸導聯(lián)，但由于眼電信號和腦電信號的激活擴散都具有雙向性 (bi-directionality),因此回歸方法去除偽跡時會錯誤地去除某些腦電信號。Jung和Berger等提出了用PCA方法進行眼電偽跡的去除，在被試驗者完成眼動和眨眼任務(wù)時記錄EEG和EOG信號，再計算出這些信號的主成分，作為眼動和眨眼偽跡的主成分。然后從混合信號去除該成分，得到校正后的信號。研究表明PCA在效果上顯著優(yōu)于回歸方法，然而，PCA不能完全從EEG中分離與它的波形相似的電位的噪聲。小波變換是傅立葉變換的新發(fā)展，小波變換系數(shù)能反映信號在時域及頻域的局部信息。因而，小波分析作為一種時頻分析方法，在生物醫(yī)學信號處理方面有著廣闊的應(yīng)用前景，特別適合像EEG這類非平穩(wěn)信號的處理。小波門限法去噪是基于小波變換多分辨率分析的一種方法。由于信號和噪聲經(jīng)過小波變換后的統(tǒng)計特性不同，從而在多尺度分析中呈現(xiàn)出不同的傳播行為。選取一個合適的閾值，并用此閾值對小波分解后得到的各層小波空間里的細節(jié)系數(shù)進行截斷，而保持尺度空間里的逼近系數(shù)不變，然后再進行逆變換，即可得到去噪后的信號。小波門限法去噪要求信號和噪聲的頻帶不能混疊，但是EEG和EOG偽跡的頻帶相混疊，因此去噪效果不太理想。獨立分量分析是由盲源信號分離技術(shù)發(fā)展來的多道信號處理方法，能夠取得比較理想的去噪效果，被廣泛應(yīng)用于去除EEG信號中的眼電偽跡。ICA的思想來自于中心極限定理一組均值和方差為同一數(shù)量級的隨機變量，共同作用的結(jié)果必接近高斯分布。因此若要分離一組由相互統(tǒng)計獨立的信源經(jīng)線性組合而產(chǎn)生的混和信號時，只要對分離結(jié)果的非高斯性進行度量，當其非高斯性達到最大時，可以認為混合信號實現(xiàn)了最佳分離。ICA的模型、可以用下式表示c=A · s (I)r=ff · c (2)其基本思想可描述如下設(shè)(^^[[(^(^，(^(^，…，(^(^^是!!維的觀測信號，
S(t) = [Sl (t)，S2 (t)，…，Sn(t) ]τ是產(chǎn)生觀測信號的η個相互統(tǒng)計獨立的源信號，且觀測信號 c(t)是源信號S (t)經(jīng)過一個未知矩陣A e Rnxn線性混和而產(chǎn)生的，如公式(I)所示。在混和矩陣A和源信號s (t)未知的情況下，僅利用觀測信號c (t)和源信號統(tǒng)計獨立的假設(shè)， 尋找一個線性變換分離矩陣We Rnxn，希望輸出信號r(t) =Wc (t) =WAs (t)盡可能逼近真實的源信號s(t)，如公式(2)所示。理論上認為腦電信號和其他干擾源所產(chǎn)生的干擾信號都是由相互獨立的信源產(chǎn)生的，從而適用ICA方法來除去偽跡，提取出有用的腦電信號。ICA方法是PCA的一種延伸， 是在所有統(tǒng)計意義下的去相關(guān)，因此比PCA更具有優(yōu)越性。但是ICA去除偽跡也存在一些需要探討和解決的問題，這些問題極大限制了其在腦電信號實際在線預(yù)處理中的廣泛應(yīng)用。首先，由于經(jīng)典的ICA模型沒有考慮噪聲的存在，如果用ICA算法對含高斯噪聲的觀測信號直接進行獨立分量分析，有時會產(chǎn)生較大的誤差。因此該方法要求觀測信號中最多只有一個高斯型信源，而腦電信號的產(chǎn)生機理復(fù)雜，且在實際采集過程中除了眼電的影響，還受到各種各樣其余噪聲的干擾。這些噪聲不僅使ICA算法的分離效果嚴重變壞，而且需要通過迭代多次才能得到ICA算法的分離矩陣，計算量大且速度很慢。Jafari于2003年提出基于小波變換的ICA方法來提取胎兒心電(FECG)，近年來有研究將該方法應(yīng)用于圖像處理，事件相關(guān)電位的提取等。這種方法可以較好得克服ICA模型中混有噪聲的問題，具有很好的抗噪能力。但目前這種方法還沒有應(yīng)用于去除腦電信號中的眼電偽跡。其次，因為ICA分離信號順序的不確定性，判斷獨立成分是否為偽跡是個困難的問題，傳統(tǒng)采用的方法是結(jié)合視覺觀測的半自動方法，但這種方法難以應(yīng)用于實時在線地處理腦電信號。

發(fā)明內(nèi)容
針對獨立分量分析ICA在去除腦電中的眼電偽跡時，因受到多種噪聲的干擾而影響算法的分離效果和速度，以及無法自動識別眼電偽跡這兩個不足，本發(fā)明提出了一種基于離散小波變換與獨立分量分析的腦電信號中眼電偽跡的自動去除方法，即DWT-ICA，在去除眼跡的過程中完全無須人工干預(yù)，該方法的抗噪能力很強，收斂速度快且實時性好，同時極大地提高了腦電信號的信噪比，為腦電信號的在線預(yù)處理提供了新的思路。本發(fā)明為解決所述技術(shù)問題，采用如下的技術(shù)方案首先將實際采集得到的多導腦電信號和一導眼電參考信號進行離散小波變換，獲取多尺度的小波變換系數(shù)，將各導小波變換系數(shù)作為獨立分量分析的輸入，利用基于負熵判據(jù)的快速ICA (FastICA)算法實現(xiàn)獨立成分的快速獲取，通過夾角余弦法準則識別出眼電偽跡后，將該獨立成分置零，并經(jīng)過ICA逆變換將其余成分進行投影映射，最后通過反演離散小波變換進行信號重構(gòu)即可得到去除眼電偽跡的腦電信號。具體步驟如下(I)采集 n+1 導信號 x(t); 首先按照國際標準10-20系統(tǒng)來安放電極，通過電極帽采集η導腦電信號，同時在眼睛附近放置一個電極，采集I導眼電參考信號，共采集了 n+1導信號
X (t) = [X1 (t)，X2 ⑴，…，xn+1 (t)]T e R(n+1) XN。其中，Xi (t)為采集到的任意導信號，i代表每導信號對應(yīng)的序號，i為正整數(shù)且 i e [I, n+1], t為每導信號的樣本點，t為正整數(shù)且t e [1，N], N為樣本點總數(shù),R為實數(shù)集，設(shè)第I導為眼電信號；眼電信號EOG是EEG信號中的一種最主要的干擾成分,它會隨機地出現(xiàn)在腦電信號中，且幅度一般較大，導致采集到的EEG信號產(chǎn)生明顯畸變，形成眼電偽跡。眼電偽跡給腦電信號的分析處理帶來了很大的困難。因此，眼電偽跡的消除是腦電信號預(yù)處理中必不可少的研究內(nèi)容。該步驟中在采集腦電信號的同時，采集了一導眼電參考信號，以便于在后續(xù)步驟中利用有效方法自動快速地識別眼電偽跡。(2)計算采集到的n+1導信號x(t)的離散小波變換系數(shù)矢量王( )，具體包括以下步驟；2. I計算采集到的任意導信號Xi⑴的第j層分解的逼近系數(shù)分量a/與細節(jié)系數(shù)分量i/,;選擇小波基函數(shù)，并采用Mallat算法對采集到的任意導信號Xi⑴進行L層分解， 得到采集到的任意導信號Xi (t)的第j層分解的逼近系數(shù)分量β/與細節(jié)系數(shù)分量d其中，j代表分解尺度，j e [1，L]且為整數(shù)；2. 2計算采集到的任意導信號Xi (t)的離散小波變換系數(shù)矢量乓(,)；將采集到的任意導信號Xi (t)的逼近系數(shù)分量及細節(jié)系數(shù)分量進行串接，得到 Xi (t)的離散小波變換系數(shù)矢量其結(jié)構(gòu)如下
權(quán)利要求
1.一種快速的腦電信號中眼電偽跡自動識別和去除的方法，其特征在于，包括以下步驟 (1)采集n+1導信號x(t)； 首先按照國際標準10-20系統(tǒng)來安放電極，通過電極帽采集n導腦電信號，同時采集I導眼電信號，共采集了 n+1 導信號 x(t) = [xi(t),x2(t),…Xn+1(t)]T e R(n+1)XN，其中，Xi (t)為采集到的任意導信號，i代表每導信號對應(yīng)的序號，i為正整數(shù)且i e [1，n+1]，t為每導信號的樣本點且t為正整數(shù)，N為樣本點總數(shù)，R為實數(shù)集，設(shè)第I導為眼電信號； (2)計算采集到的n+1導信號x(t)的離散小波變換系數(shù)矢量，具體包括以下步驟； .2.I選擇小波基函數(shù)，并采用Mallat算法對采集到的任意導信號Xi (t)進行L層分解，得到采集到的任意導信號Xi (t)的第j層分解的逼近系數(shù)分量與細節(jié)系數(shù)分量d/， 其中，j代表分解尺度，j G [1，L]且為整數(shù)； . 2.2將采集到的任意導信號Xi (t)的逼近系數(shù)分量及細節(jié)系數(shù)分量進行串接，得到任意導信號Xi (t)的離散小波變換系數(shù)矢量j，其結(jié)構(gòu)如下 動叫對片-1,…々、!，'(I) 其中，R為實數(shù)集，M為每導信號小波系數(shù)的樣本點總數(shù)； .2.3計算n+1導信號x(t)的離散小波變換系數(shù)矢量對，即 其中j為步驟2. 2得到的離散小波變換系數(shù)矢量； (3)計算分離矩陣W; 把步驟(2)中得到的離散小波變換系數(shù)矢量無(0作為獨立分量分析算法所需要的多導輸入，獨立分量分析算法采用基于負熵判據(jù)的FastICA算法，F(xiàn)astICA算法的逼近算法選用緊縮逼近法，依次提取單個權(quán)值向量Wi(U)，i為正整數(shù)且i e [1，n+1]，并在提取每個權(quán)值向量Wi (iO前利用格拉姆-施密特正交化分解剔除所有已提取過的權(quán)值向量，通過不斷迭代得到n+1個權(quán)值向量，從而計算分離矩陣W，計算公式如下ff=[Wl(u),W2(U),-,wn+1(u)]T G R(n+1)x(n+1) (3) (4)對離散小波變換系數(shù)矢量無0)進行變換，計算獨立成分矩陣y(t)，計算公式如下 v(0 = ^(f) = Lv1 ⑴，J;2 (0，".，)’" _! (Of(4) 其中，yi(t)表示第i個獨立成分，yi(t)是由M個元素組成的列向量； (5)分別計算每個獨立成分yi(t)與第I導眼電信號X1(t)的離散小波變換系數(shù)矢量與(0的夾角余弦值cos 0 i，其取值范圍為[-1，I]，計算公式如下
全文摘要
本發(fā)明提出了一種快速的腦電信號中眼電偽跡自動識別和去除的方法，屬于生物信息技術(shù)領(lǐng)域，主要應(yīng)用于腦電信號采集與預(yù)處理的過程中。具體包括將采集得到的多導腦電信號和眼電信號進行離散小波變換，獲取多尺度的小波系數(shù)；將串接小波系數(shù)作為獨立分量分析的輸入，利用基于負熵判據(jù)的FastICA算法實現(xiàn)獨立成分的快速獲?。煌ㄟ^夾角余弦法識別出眼電偽跡后，將該獨立成分置零，并經(jīng)過ICA逆變換將其余成分投影返回到原信號各個電極；最后通過反演小波變換得到去除眼電偽跡的腦電信號。本發(fā)明解決了ICA方法應(yīng)用于含噪腦電信號中分離效果差，收斂速度慢的問題，實現(xiàn)了從腦電中快速自動去除眼電偽跡的功能。
文檔編號A61B5/0476GK102697493SQ20121013555
公開日2012年10月3日 申請日期2012年5月3日 優(yōu)先權(quán)日2012年5月3日
發(fā)明者崔燕, 李明愛, 李驤, 楊金福, 郝冬梅, 陸嬋嬋, 馬建勇 申請人:北京工業(yè)大學