面向单通道脑电信号去除多伪迹的VMD参数优化选取方法技术

本发明专利技术涉及脑电信号去伪领域，具体公开了一种面向单通道脑电信号去除多伪迹的VMD参数优化选取方法。包括以下步骤：1、利用基于无效中心频率的方法对模态分解个数进行优化选取；2、利用最小相对熵值的方法对惩罚因子进行优化选取；3、将最终确定的参数值代入VMD方法中对原始仿真数据进行分解。本发明专利技术提出一种VMD方法中的参数优化选取方法，解决了VMD面向原始脑电信号的参数选取问题，为后面脑电信号的伪迹去除奠定了基础。伪迹去除奠定了基础。伪迹去除奠定了基础。

【技术实现步骤摘要】
面向单通道脑电信号去除多伪迹的VMD参数优化选取方法


[0001]本专利技术涉及变分模态分解方法的参数优化选取
，具体是一种面向单通道脑电信号去除多伪迹的VMD参数优化选取方法。

技术介绍

[0002]脑电信号是一种从头皮采集而来的电生理信号，已经成为研究脑科学领域必不可少的实验和分析手段。但是，脑电信号易受到伪迹信号的污染，常见的伪迹信号有眼电伪迹、肌电伪迹等。这些伪迹会影响对脑电信号的后续处理，所以伪迹去除的研究很有意义。
[0003]研究者们针对多通道脑电信号已经提出了很多处理的方法，近年来，随着可穿戴式脑电采集设备的发展，很多情况下只能采集到少通道甚至单通道的脑电信号，针对单通道脑电信号，目前的主流方法是将分解方法与盲源分离算法相结合，因为盲源分离算法有通道数的要求。在分解方法中，经验模态分解(EMD)凭借其自适应分解的优点被广泛应用，但其很容易发生模态混叠现象，且缺乏理论基础，虽然后续也提出了其赶紧算法集合经验模态分解(EEMD)等算法，但依旧没有彻底解决问题。
[0004]变分模态分解(VMD)是在EMD方法的基础上提出的，是一种新颖的准正交、非递归的自适应信号处理方法。VMD的核心思想是通过交替方向乘子法进行迭代搜索来求解变分问题进而完成信号的自适应分解。VMD与EMD及其衍生的改进算法相比，解决了模态混叠问题，有效地对端点效应进行抑制，而且在实际应用中能够表现出优良的噪声鲁棒性。VMD方法已被用于分析EEG伪迹去除，并且取得了相较于EMD方法更好的效果。虽然VMD的分解效果要好于EMD，但其参数较多，需人为设置，而且每个参数的分解效果的影响不同，其中，模态分解个数K和二次惩罚因子α对结果影响较大，所以很多研究者对这两个参数进行了研究。目前主要有两类方法。一类是仅优化K值，通过设置不同K值得到每个K值下的中心频率，然后通过人为观察中心频率，选出最佳K值，此类方法需人为操作，没有统一标准，缺乏客观性。另一类是针对K值和α值同时优化，将原始信号的一些特征作为目标函数，通过一些优化算法对参数进行自动选取，例如粒子群优化算法、鲸鱼优化算法等，此类方法优点是不需人为操作，可以根据原始信号自动选取最优值，但是其优化时间较长，很不适合用于脑电信号伪迹去除。
[0005]基于此，本专利技术提出了两种优化方法分别对模态分解个数K和二次惩罚因子α进行优化选取，面向的原始信号为被眼电伪迹和肌电伪迹同时污染的单通道脑电信号。

技术实现思路

[0006]本专利技术的目的是要解决变分模态分解方法中的参数优化选取问题，提供一种参数选取的方法。
[0007]为达到上述目的，本专利技术是按照以下技术方案实施：面向单通道脑电信号去除多伪迹的VMD参数优化选取方法，包括以下步骤：
[0008]S1、利用基于无效中心频率的方法对模态分解个数K进行优化选取；
[0009]S2、利用最小相对熵值的方法对惩罚因子α进行优化选取；
[0010]S3、将最终确定的参数值K和α代入VMD方法中对原始脑电混合信号进行分解。
[0011]进一步的，所述S1中，具体步骤包括：
[0012]S101、初始化K值，初始K＝2，通过对大量原始信号的分解结果分析及相关参考文献，确定K值的范围为[2,10]；
[0013]S102、进行VMD分解，得到K个IMF分量及每一阶信号分量的中心频率ω
K,i
(i＝1,2,
…
,K)，i表示阶数；
[0014]S103、令K＝K+1，再次进行VMD分解，得到K+1个IMF分量及每一阶信号分量的中心频率ω
K+1,j
(j＝1,2,
…
,K+1)；
[0015]S104、根据下式计算不同K值相同阶数a下的各个信号分量中心频率的判断精度ε
K,a
(a＝1,2,
…
,K)；
[0016][0017]式中，ε
K,a
表示VMD分解模态数为K时，第a阶信号分量的判断精度，ω
K,a
表示VMD分解模态数为K时，第a阶信号分量的中心频率，ω
K+1,a
表示VMD分解模态数为K+1时，第a阶信号分量的中心频率。
[0018]S105、判断判定精度ε
K,a
与精度阈值θ1和θ2(θ1为1和θ2为1.2)的大小，若ε
K,a
≥θ2或ε
K,a
≤θ1，即ε
K,a
≥1.2或ε
K,a
≤1，则认定ω
K,a
为无效中心频率，反之有效；
[0019]S106、认定的第一个无效中心频率(可能有多个K值下存在无效中心频率)所属的K值即为所选的K值。
[0020]进一步的，所述S2中，具体步骤包括：
[0021]S201、初始化α值，初始α＝100，α取值范围为[100,3000]，步长为100。
[0022]S202、遍历α值，利用步骤S1得到的K值对被眼电伪迹(EOG)和肌电伪迹(EMG)同时污染的脑电混合信号y(t)进行VMD分解为K个固有模态分解(IMF),K个固有模态分解表示为固有模态分量矩阵u(t)，u(t)＝[u1(t),u2(t),
…
,u
p
(t)]；p＝K，p表示IMF个数，p≥2；
[0023]S203、通过下式分别计算在不同α值下的u
i
(t)与原始信号y(t)的相对熵值：
[0024][0025]式中，KL(
·
)表示相对熵值，i∈[1,p]。
[0026]S204、通过下式分别计算在不同α值下的相对熵值和：
[0027][0028]取SUM(KL)中的最小值，所对应的α值即为所选α值。
[0029]进一步的，所述S3中，具体分解步骤包括：
[0030]利用已经确定K和α的VMD方法对原始脑电混合信号进行分解，具体分解步骤如下：
[0031]S301、对原始脑电混合信号y(t)建立变分约束模型：
[0032][0033]其中，k为模态分解个数，u
k
(t)为第k个模态分量，ω
k
为u
k
(t)的中心频率。
[0034]S302、引入二次惩罚函数项α和拉格朗日乘法算子λ将上述约束模型转化为非约束模型，表达式为：
[0035][0036]S303、利用交替方向乘法器算法求解上述非约束模型得到拉格朗日函数的鞍点，从而得到窄带IMF分量。具体过程如下：
[0037]1)初始化参数λ1,n＝0；
[0038]2)n＝n+1，根据下式更新u
k
[0039][0040]3)k＝k+1，重复步骤2，直到k＝K，终止上式，根据下式更新ω
k
[0041][0042]4)k＝k+1，重复步骤3，直到k＝K，终止上式。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.面向单通道脑电信号去除多伪迹的VMD参数优化选取方法，其特征在于，包括以下步骤：S1、利用基于无效中心频率的方法对模态分解个数K进行优化选取；S2、利用最小相对熵值的方法对惩罚因子α进行优化选取；S3、将最终确定的K和α代入VMD方法中对原始脑电混合信号进行分解。2.根据权利要求1所述的面向单通道脑电信号去除多伪迹的VMD参数优化选取方法，其特征在于，所述步骤S1具体包括：S101、初始化K值，初始K＝2，K值的范围为[2，10]；S102、进行VMD分解，得到K个IMF分量及每一阶信号分量的中心频率ω
K，i
，i＝1，2，...，K，i表示阶数；S103、令K＝K+1，再次进行VMD分解，得到K+1个IMF分量及每一阶信号分量的中心频率ωω
K+1，j
，j＝1，2，...，K+1，；S104、根据下式计算不同K值相同阶数a下的各个信号分量中心频率的判断精度ε
K，a
，a＝1，2，...，K；式中，ε
K，a
表示VMD分解模态数为K时，第a阶信号分量的判断精度，ω
K，a
表示VMD分解模态数为K时，第a阶信号分量的中心频率，ω
K+1，a
表示VMD分解模态数为K+1时，第a阶信号分量的中心频率；S105、判断精度ε
K，a
与精度阈值θ1和θ2，θ1取值为1，θ2取值为1.2，若ε
K，a
≥1.2或ε
K，a
≤1，则认定ω
K，a
为无效中心频率，反之有效；S106、认定的第一个无效中心频率所属的K值即为所选的K值。3.根据权利要求2所述的面向单通道脑电信号去除多伪迹的VMD参数优化选取方法，其特征在于，所述步骤S2具体包括：S201、初始化α值，初始α＝100，α取值范围为[100，3000]，步长为100；S202、遍历α值，利用步骤S1得到的K值对被眼电伪迹EOG和肌...

【专利技术属性】
技术研发人员：张朝柱，刘长瑞，刘晓，
申请(专利权)人：齐鲁工业大学，
类型：发明
国别省市：