基于能量熵去除脑电信号中眼电伪迹的方法技术

本发明专利技术属于生物信息技术领域，具体地说，是一种基于能量熵去除脑电信号中眼电伪迹的方法，用于脑电信号采集与预处理，有效去除了眼电伪迹，而且能保留大量的有用的脑电信息，并且改善眼电过估计的情况，包括以下步骤：1)先对采集到的信号进行带通滤波，过滤掉无用的信息；2)对脑电信号进行核独立成分分析；3)对得到的核独立分量进行快速傅里叶变换；4)计算核独立分量的频谱能量熵值；5)通过能量熵值识别出眼电伪迹分量，并对其予以置零，对信号进行重组，最后得到去除伪迹后的脑电信号。本发明专利技术在脑电信号中去除眼电伪迹，能够保留较多的有用信息，改善眼电过估计的情况。改善眼电过估计的情况。

【技术实现步骤摘要】
基于能量熵去除脑电信号中眼电伪迹的方法


[0001]本专利技术属于生物信息
，具体地说，是一种基于能量熵去除脑电信号中眼电伪迹的方法，用于脑电信号采集与预处理。

技术介绍

[0002]脑电(Electroencephalogram，EEG)信号包含丰富的人体生理信息，是实现人机控制系统的新手段，但信号的非线性和微弱性导致采集的EEG信号更容易受到噪声干扰。脑电干扰给分析脑电信号造成了很大的困难，尤其是阻碍了脑电信号的计算机自动分析与诊断。因此，如何有效地检测和消除EEG中的各种干扰成分，以提取真实可靠的EEG信息，对脑电信号的分析和研究起着至关重要要的作用。
[0003]脑电信号中的伪迹主要有眼电伪迹、舌电伪迹、肌电伪迹、脉搏伪迹和出汗伪迹等。相当于其它干扰信号源来说，眼电伪迹是存在于EEG信号中的一种主要的干扰成分。它产生与人体自身，当眨眼或是眼球运动时，会引起较大的电位变化。在采集EEG时，眼电伪迹从其源发出，弥散到整个头皮，其幅度可达到100mV，而脑电信号幅度非常微弱，一般头皮脑电信号只有50μV左右，因此将导致采集到的EEG信号产生明显畸变，形成眼电伪迹。在实验中，受试者眨眼、眼动是随机出现的，并且长时间避免眨眼及眼动，很难做到。因此，眼电干扰消除方法的研究
‑
直是脑电信号预处理中的重要内容。
[0004]传统的滤波器在消除工频干扰和其他高频伪迹有很好的效果，可是眼电和脑电信号频谱有部分重叠，所以在去除眼电伪迹的同时势必造成脑电信息的损失。近几年，随着脑机接口技术的发展，出现了许多眼电EOG伪迹祛除算法，具体可细分为以下3种方法：回归法、阈值法和时域信号处理方法。回归法不适用于实时EEG信号中伪迹的祛除，需要分批量的进行伪迹祛除工作，同时在消除EEG信号中伪迹时，也会造成原本信号的损失。但是回归法定位伪迹准确，与其他方法结合使用，是目前研究的热点。阈值法通过删除幅度超过设定范围的信息，获得无伪迹的EEG信号，缺点与回归方法相似。时域信号处理方法包括主成分分析(Principal component analysis，PCA)和独立成分分析(Independent component analysis，ICA)等提出的基于回归法和高阶统计的混合ICA方法成功实现了EOG伪迹的祛除，保留了原始的EEG信号数据，但是该方法需要大量先验知识才能确定伪迹成分。

技术实现思路

[0005]为了克服现有技术去除眼电伪迹去除时造成眼电伪迹的过估计，本专利技术提出基于能量熵结合核独立成分分析的眼电伪迹去除方法，该方法提改善了眼电过估计，此方法更具有效性和稳定性。
[0006]本专利技术通过KICA对脑电信号进行分析得到核独立分量，随后对独立分量进行快速傅里叶变换，计算独立分量的频谱能量熵值，去除能量熵值最大的眼电伪迹，该方法在保留原始EEG信号的基础上，实现其中EOG伪迹的去除，更具有效性和稳定性，改善了眼电伪迹的过估计。
[0007]本专利技术采用的具体技术方案如下：
[0008]一种基于能量熵去除脑电信号中眼电伪迹的方法，具体包括以下步骤：
[0009]步骤一、将采集到的脑电信号经过带通滤波器进行滤波；
[0010]步骤二、对信号v(n)进行核独立成分分析，得到k个核独立成分Y(n)；
[0011]步骤三、对核独立分量进行快速傅里叶变换获得频谱；
[0012]步骤四、求各分量的频谱能量熵值；
[0013]步骤五、熵值最大的为眼电分量，对其进行识别与去除；
[0014]步骤六、对去除伪迹后的脑电信号进行KICA逆变换重组信号，最后得到去除伪迹后的脑电信号。
[0015]在上述技术方案中，步骤一所述的带通滤波器进行滤波，具体如下：将采集的脑电信号经过带通滤波器，设定最低频率不低于0.5HZ，最高频率不高于45HZ，获得0.5
‑
45HZ的脑电信号，作为自适应噪声经验模态分解的输入信号。
[0016]所述步骤二利用KICA对分解得到的模态分量v(n)进行核独立成分分析，得到n个核独立成分Y(n)，具体流程如下：
[0017]先利用KICA对模态分解得到的模态分量v(n)进行核独立成分分析，得到k个核独立成分Y(n)的具体步骤为：先利用核函数K(a
i
，b
j
)(i，j∈{1，2，
…
，n}且s≠j)来代替向量a
i
和b
j
间的内积，以实现将观测信号从低维空间映射到满足可再生核希尔伯特空间特性的高维特征空间F；然后，以RKHS内的非线性函数作为对比函数，并运用对Gram矩阵的低阶近似等方法在RKHS内搜索对比函数的最小值，对比函数最小值的求解等价于式所示最小广义特征值的求解问题：Kα＝λ
F
Dα.......(2)其中，λ
F
表示广义特征值，K
i
(i＝1，2，
…
，n)为观测信号分量v(n)的Gram核矩阵；令λ
F
(K1，K2，
…
，Kn)表示式(2)的最小广义特征值，则其取值范围为0到1，当且仅当广义特征值，则其取值范围为0到1，当且仅当时，n个分量v1,v2,
…
，v
n
相互独立，达到分离独立分量的目的；通过最小化C(W)，即可获得分离矩阵W，最终得到n个核独立成分Y(n)＝Wv(n)。
[0018]本专利技术的进一步改进，步骤三对核独立分量进行傅里叶变换获得频谱，具体流程如下：
[0019]对核分量Y(n)进行傅里叶变换，式中ω为频率，e
‑
iωt
为复变函数，最后得到各核分量的频谱F(n)。
[0020]本专利技术的进一步改进，步骤四求各分量的频谱能量熵值，具体流程如下：
[0021]对F(n)进行EMD分解得到k个模态分量c1(t)，c2(t)，
…
，c
k
(t)以及一个残差r
k
，记E1，E2，
…
，E
k
分别为k个模态分量的能量，在忽略残差r
k
的情况下，k个模态分量的能量之和E应等于的F(n)的总能量，即P
i
＝E
i
/E，式中pi为第k个IMF分量的能量占整个信号能量的比例，则相应的模态分量的能量熵值H：H＝
‑
∑
i
P
i
*lnP
i
。
[0022]本专利技术的有益效果：本专利技术中的核独立成分分析利用核函数将信号从低维空间映射到高维空间，从而将非线性混合问题转换到高维空间的线性问题，对非线性混合问题有
较好的分离能力和更好的鲁棒性；能量熵能较好的反映多导独立分量中，频谱能量的分布特征，在去除眼电伪迹的同时，本方法更具有有效性和稳定性，能改善眼电过估计。
附图说明
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于能量熵去除脑电信号中眼电伪迹的方法，其特征在于，具体包括以下步骤：步骤一、将采集到的脑电信号经过带通滤波器进行滤波；步骤二、对信号v(n)进行核独立成分分析，得到k个核独立成分Y(n)；步骤三、对核独立分量进行快速傅里叶变换获得频谱；步骤四、求各分量的频谱能量熵值；步骤五、熵值最大的为眼电分量，对其进行识别与去除；步骤六、对去除伪迹后的脑电信号进行KICA逆变换重组信号，最后得到去除伪迹后的脑电信号。2.根据权利要求1所述的基于能量熵去除脑电信号中眼电伪迹的方法，其特征在于，步骤一所述的带通滤波器进行滤波，具体如下：将采集的脑电信号经过带通滤波器，设定最低频率不低于0.5HZ，最高频率不高于45HZ，获得0.5
‑
45HZ的脑电信号，作为自适应噪声经验模态分解的输入信号。3.根据权利要求2所述的基于能量熵去除脑电信号中眼电伪迹的方法，其特征在于，所述步骤二利用KICA对分解得到的模态分量v(n)进行核独立成分分析，得到n个核独立成分Y(n)，具体流程如下：先利用KICA对模态分解得到的模态分量v(n)进行核独立成分分析，得到k个核独立成分Y(n)的：先利用核函数K(a
i
，b
j
)(i，j∈{1，2，
…
，n}且s≠j)来代替向量a
i
和b
j
间的内积，以实现将观测信号从低维空间映射到满足可再生核希尔伯特空间特性的高维特征空间F；然后，以RKHS内的非线性函数作为对比函数，并运用对Gram矩阵的低阶近似等方法在RKHS内搜索对比函数的最小值，对比函数最小值的求解等价于上式所示最小广义特征值的求解问题：其中，其中，其中，表示广义特征值，K
i

【专利技术属性】
技术研发人员：郑威，徐雨，魏雪云，
申请(专利权)人：江苏科技大学，
类型：发明
国别省市：