一种脑电信号噪声去除方法技术

本发明专利技术涉及一种基于DTCWT‑EEMD算法的脑电信号噪声去除方法，包括以下步骤：采用EEMD算法对采集到的脑电信号进行集合经验模态分解，得到包含不同频段信息的本征分量；选取所得的本征分量中主要包含高频随机噪声的若干分量，采用DTCWT算法对其进行分解，得到噪声分量对应的一系列小波系数；针对随机噪声所对应的小波系数，采用软阈值法进行小波系数处理，将随机噪声对应小波系数置零，进而实现噪声去除的效果；将经过噪声去除处理的小波系数进行DTCWT逆算法的重构，得到去噪后的本征分量，再与剩余的代表信号有用信息的本征分量进行相加重构，得到最终的去噪脑电信号。本发明专利技术在噪声去除的同时有效保证了有用信息的完整性。

【技术实现步骤摘要】
一种脑电信号噪声去除方法
本专利技术涉及脑电信号去噪
，特别是涉及一种脑电信号噪声去除方法。
技术介绍
由于大脑所特有的复杂性和功能性，人类一直渴望了解其运作机制，从而保护大脑，治疗脑部疾病，甚至复制大脑，实现大脑众多功能的人工替代，因此，探索大脑、揭示大脑认知机制是人类探索自我、认识自然过程中极具挑战性的重要科学命题。大脑通过大量的神经细胞控制与协调着人类日常生活中语言、思维、认知、情绪、运动等一系列作业，而神经细胞的活动则伴随着电的活动。人们由此意识到可以通过对这种电信号的捕获和研究，来人工重现人类大脑的一系列控制效果。故而，随着近几年来通信、计算机、生物医学等领域技术的快速发展与相互融合，一种新型的大脑与外界进行通信的技术——脑-机接口(BrainComputerInterface，BCI)应运而生。脑-机接口搭建了一种直接不依赖大脑外围肌肉与神经组织的大脑与外界环境进行信息交互的通道。BCI系统的飞速发展使之在辅助康复、交通控制、军事策略、游戏娱乐等方面都得以广泛应用。诸如脑控电动轮椅、脑电汽车制动、脑电疲劳驾驶检测、脑电装甲车控制、脑电虚拟世界等一系列的BCI产品更是层出不穷。可以说，BCI技术扩充了大脑信息与外界环境交互的渠道，增进了对大脑认知模式的理解，有助于解释人类活动的本质，极大地促进了大脑认知科学与神经生物学领域的研究，更利于为全社会提供符合人类思维模式的众多超便捷服务，具有广阔的研究前景。然而，在利用BCI系统实现一些控制效果时，关于提取出来的脑电信号的预处理步骤一直是研究人员关注的重点，而噪声去除问题就是脑电信号预处理过程中的关键之处。脑电信号是利用传感器在人脑头皮对大脑皮层细胞群的自发性、节律性的电活动采集而得到的，但是在采集过程中由于高灵敏度的脑电放大器容易受到外界环境的影响，再加上受试者自身的各种因素以及脑电信号自身特点，所以在采集过程中极易受到神经源噪声和非神经源噪声的干扰，对于来自非噪声的干扰可以在采集脑电信号的过程中，通过脑电信号采集装置去除一些干扰，但是对于噪声的干扰，就需要通过一定的噪声去除方法来进行消噪处理，提高信号的信噪比。目前所广泛采用的EEMD去噪算法，主要是通过EEMD分解得到多个IMF分量，前几个分量主要包含信号中的高频成分，后面的分量主要包含信号中的低频成分，噪声强度对着IMF层次的增加也会越来越弱，即信号的低频成分以有效信息为主，而高频成分则含有大量的噪声。目前普遍的消噪方法是直接去除EEMD分解中的前几个高频IMF分量来消噪，但是，这样会在去掉高频中的噪声成分的同时去除了其中的有效信息成分，无法保障脑电信号的完整性和有效性。
技术实现思路
本专利技术所要解决的技术问题是提供一种脑电信号噪声去除方法，该方法基于DTCWT-EEMD融合算法，其在很大程度上弥补了传统去噪方法的缺陷，实现噪声去除的同时有效保证了有用信息的完整性。本专利技术解决其技术问题所采用的技术方案是：提供一种脑电信号噪声去除方法，包括以下步骤：(1)采用EEMD算法对采集到的脑电信号进行集合经验模态分解，得到包含不同频段信息的本征分量；(2)选取所得的本征分量中主要包含高频随机噪声的若干分量，采用DTCWT算法对其进行分解，得到噪声分量对应的一系列小波系数；(3)针对随机噪声所对应的小波系数，采用软阈值法进行小波系数处理，将随机噪声对应小波系数置零，进而实现噪声去除的效果；(4)将经过噪声去除处理的小波系数进行DTCWT逆算法的重构，得到去噪后的本征分量，再与剩余的代表信号有用信息的本征分量进行相加重构，得到最终的去噪脑电信号。所述步骤(1)具体为：往信号中加入白噪声，构成信噪混合体；把信噪混合体进行EMD分解，分解成本征分量组合；重复上述步骤，使得每次加入的白噪声均不相同，得到多个本征分量组合，并对多个本征分量组合求平均得到分解结果。所述步骤(2)中采用两个平行的实离散小波变换树来实现信号的分解和重构，所述两个平行的实离散小波变换树分别为实部树和虚部树，分别使用了一个互不相同实数滤波器组，通过这两个滤波器组分别得到双树复小波的实部系数与虚部系数。有益效果由于采用了上述的技术方案，本专利技术与现有技术相比，具有以下的优点和积极效果：本专利技术可以在有效去除噪声的同时，尽可地保留了有用信号成分，保证了信号的有效性和完整性。同时，本专利技术稳定有效，可以适用于任何脑电信号的噪声去除工作，也免除了人工干预的繁琐。附图说明图1是本专利技术的流程图；图2是EMD算法流程图；图3是双树复小波分解示意图；图4是脑电仿真信号示意图；图5是含噪脑电仿真信号示意图；图6是采用本专利技术的去噪效果示意图；图7是算法比对均方根误差性能指标示意图；图8是算法比对信噪比性能指标示意图。具体实施方式下面结合具体实施例，进一步阐述本专利技术。应理解，这些实施例仅用于说明本专利技术而不用于限制本专利技术的范围。此外应理解，在阅读了本专利技术讲授的内容之后，本领域技术人员可以对本专利技术作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。本专利技术的实施方式涉及一种基于DTCWT-EEMD算法的脑电信号噪声去除方法，如图1所示，包括以下步骤：采用EEMD算法对采集到的脑电信号进行集合经验模态分解，得到包含不同频段信息的本征分量；选取所得的本征分量中主要包含高频随机噪声的若干分量，采用DTCWT算法对其进行分解，得到噪声分量对应的一系列小波系数；针对随机噪声所对应的小波系数，采用软阈值法进行小波系数处理，将随机噪声对应小波系数置零，进而实现噪声去除的效果；将经过噪声去除处理的小波系数进行DTCWT逆算法的重构，得到去噪后的本征分量，再与剩余的代表信号有用信息的本征分量进行相加重构，得到最终的去噪脑电信号。本专利技术主要涉及到DTCWT和EEMD两种算法，具体介绍如下：EEMD算法是由经典EMD发展而来的进化算法，EMD算法的目的在于将性能不好的信号分解为一组性能较好的本征模函数IMF，所分解出来的各IMF分量包含了原信号的不同时间尺度的局部特征信息。其中，每个IMF分量具有如下特征：(1)从全局特性上看，极值点数必须和过零点数一致或者至多相差一个。(2)在某一个局部点，极大值包络和极小值包络在该点值的算术平均和是零。EMD算法的具体流程如图2所示。当把一个非平稳信号通过EMD分解为一个个IMF分量时，就可以根据这些IMF分量对特定的信号成分进行分析处理，然而，当信号的极值点分布不均匀时，就可能导致一个IMF分量中出现多个尺度信号或一个相似尺度的信号分布在不同的IMF分量中，即模态混叠现象。为了克服模态混叠现象，进一步提出了EEMD算法，EEMD算法的原理是在原信号中加入若干次白噪声，把信号和噪声的组合作为一个信号带分解信号，利用白噪声平铺均匀分布的特性，当信号加载遍布这个时频空间分布一致的白噪声背景上时，不同时间尺度的信号会自动分布在合适的参考尺度上，此时再将加载白噪声的信号进行EMD分解，就避免了模态混叠，并且由于白噪声零均值的特性，对EMD分解得到的各IMF分量求总体均值，就能消除附加白噪声的影响，得到逼近的真实模态。具体流程如下：(1)往信号x(t)中加入白噪声k×σx×n(t)，其中，n(t)为归一化的白噪声，σx为信号标准差，k为本文档来自技高网...

【技术保护点】
一种脑电信号噪声去除方法，其特征在于，包括以下步骤：(1)采用EEMD算法对采集到的脑电信号进行集合经验模态分解，得到包含不同频段信息的本征分量；(2)选取所得的本征分量中主要包含高频随机噪声的若干分量，采用DTCWT算法对其进行分解，得到噪声分量对应的一系列小波系数；(3)针对随机噪声所对应的小波系数，采用软阈值法进行小波系数处理，将随机噪声对应小波系数置零，进而实现噪声去除的效果；(4)将经过噪声去除处理的小波系数进行DTCWT逆算法的重构，得到去噪后的本征分量，再与剩余的代表信号有用信息的本征分量进行相加重构，得到最终的去噪脑电信号。

【技术特征摘要】
1.一种脑电信号噪声去除方法，其特征在于，包括以下步骤：(1)采用EEMD算法对采集到的脑电信号进行集合经验模态分解，得到包含不同频段信息的本征分量；(2)选取所得的本征分量中主要包含高频随机噪声的若干分量，采用DTCWT算法对其进行分解，得到噪声分量对应的一系列小波系数；(3)针对随机噪声所对应的小波系数，采用软阈值法进行小波系数处理，将随机噪声对应小波系数置零，进而实现噪声去除的效果；(4)将经过噪声去除处理的小波系数进行DTCWT逆算法的重构，得到去噪后的本征分量，再与剩余的代表信号有用信息的本征分量进行相加重构，得到最终的去噪脑电信...

【专利技术属性】
技术研发人员：原博炜，郝矿荣，
申请(专利权)人：东华大学，
类型：发明
国别省市：上海,31