《一种去除脑电信号中肌电伪迹的方法.pdf》由会员分享，可在线阅读，更多相关《一种去除脑电信号中肌电伪迹的方法.pdf（13页珍藏版）》请在专利查询网上搜索。
1、(19)中华人民共和国国家知识产权局 (12)发明专利 (10)授权公告号 (45)授权公告日 (21)申请号 201510906489.3 (22)申请日 2015.12.09 (65)同一申请的已公布的文献号 申请公布号 CN 105342605 A (43)申请公布日 2016.02.24 (73)专利权人 西安交通大学 地址 710049 陕西省西安市咸宁路28号 (72)发明人 王刚 程宝庆 张琦 闫相国 任都甜 (74)专利代理机构 西安智大知识产权代理事务 所 61215 代理人 弋才富 (51)Int.Cl. A61B 5/0476(2006.01) A61B 5/00(200。
2、6.01) 审查员 王兆雨 (54)发明名称 一种去除脑电信号中肌电伪迹的方法 (57)摘要 一种去除脑电中肌电伪迹的算法， 将按不同 信噪比混合了肌电伪迹的脑电信号经过MEMD分 解得到若干多元本征模式函数； 计算每个MIMF的 样本熵值， 根据仿真选定的样本熵阈值， 将样本 熵小于阈值的MIMF保留下来， 将样本熵大于阈值 的MIMF判定为含肌电伪迹； 将含有肌电伪迹的脑 电信号进行叠加， 叠加之后进行CCA分解， 将样本 熵和自相关系数小于选定阈值的分量看成是含 有伪迹的分量； 本发明的优势用于脑电信号中肌 电伪迹的去除， 不仅能够自动识别肌电伪迹而且 能够将其去除， 同时保留了大量有用。
3、的脑电信 息， 为脑电去除肌电干扰提供一种新思路。 权利要求书1页 说明书5页 附图6页 CN 105342605 B 2019.01.08 CN 105342605 B 1.一种去除脑电中肌电伪迹的算法， 其特征在于， 包括以下步骤： 步骤一、 将按不同信噪比混合了肌电伪迹的脑电信号经过MEMD分解得到若干多元本征 模式函数； 具体为： 设含肌电伪迹的脑电信号X(t)x1(t),x2(t),xn(t)T， 其中n表示脑电信 号的通道个数， t表示时间， T表示矩阵的转置， 脑电信号经MEMD分解后产生m个MIMF即 其中每个MIMF均为一个n通道的信号， 且各通道的信号都处于同 一频段内， 。
4、同时分解产生的全部MIMF的频率范围是按照从高到低的顺序排列的， 其中i1, 2,m； 步骤二、 计算每个MIMF的样本熵值， 根据仿真选定的样本熵阈值， 将样本熵值小于阈值 的MIMF保留下来， 将样本熵值大于阈值的MIMF判定为含肌电伪迹； 具体为： 对于分解出的MIMF， 我们计算其每一个通道的样本熵值， 并对每一个通道的样 本熵值叠加平均作为分解出的MIMF的样本熵值， 根据仿真实验找到肌电伪迹的样本熵阈 值， 保留小于阈值的MIMF， 将大于阈值的MIMF判定为含有肌电伪迹； 步骤三、 将含有肌电伪迹的MIMF进行叠加， 叠加之后进行CCA分解， 具体为UXA， 其 中， U为典型变。
5、量， X为待处理信号， A为典型相关系数矩阵， 得到分解后按照自相关值降序排 列的典型变量U， 根据仿真选定的自相关阈值， 将自相关值小于阈值的数据通道置为零， 而 保留剩余的数据通道； 步骤四、 对步骤三中部分通道置零后的数据进行CCA重构， 根据步骤三中CCA分解的公 式可以得知CCA重构公式为： XclearUclearinv(A)； 式中： Uclear为去除EMG伪迹后的 “干净” 典型变量， A为典型相关系数矩阵， Xclear为去除肌电伪迹的MIMF数据； 步骤五、 对步骤四中CCA重构得到的MIMF数据， 与步骤二中保留下来的MIMF数据叠加重 构得到已经去除EMG伪迹的 “干。
6、净” 信号。 权 利 要 求 书 1/1 页 2 CN 105342605 B 2 一种去除脑电信号中肌电伪迹的方法 技术领域 0001 本发明涉及脑电信号预处理方法， 特别涉及一种去除脑电信号中肌电伪迹的方 法， 主要应用于脑电信号特征提取、 大脑工作记忆以及辅助临床诊断治疗等等。 背景技术 0002 脑电是大脑神经细胞的电生理活动在头皮上的反映， 由固定在头皮上的电极采集 得到。 脑电信号具有采集安全、 无创伤、 操作简单而快速等优点， 被大多数科研和医疗工作 者所采用。 脑电包含有大量的生理、 心理和病理信息， 是一种随机性很强的非平稳微弱信 号， 一般情况下脑电幅值在50微伏以内， 通。
7、常不会超过100微幅。 由于脑电信号非常微弱， 在 采集的过程中容易被其他因素干扰， 所以采集到的脑电信号常常伴有各种伪迹， 其中， 又以 肌电伪迹最难以去除。 肌电伪迹由人体肌肉群产生， 其来源广泛， 以面部和颈部的肌肉产生 的影响最为明显。 相对于其他干扰来说， 肌电伪迹的成分要复杂得多， 主要表现在电压幅值 大以及频段范围广， 肌电幅值在100微伏到1000微伏之间， 频率范围在0-200赫兹， 而脑电电 压在10-100微伏之间， 频率范围0-30赫兹。 可见， 肌电伪迹几乎将脑电信号完全覆盖。 伪迹 的存在给实际的脑电信号的解释以及进一步分析带来很大困难， 如何在去除伪迹的同时尽 量。
8、减少脑电信息的损失成为脑电预处理十分 关键的步骤。 0003 早期的滤波方法或者自回归方法去除肌电伪迹的效果不佳， 这主要是由于脑电和 肌电的频谱存在重叠， 所以去掉肌电的同时会损失较多的脑电信息， 特别是alpha波段。 小 波变换是最近几年发展起来的另一种去除肌电伪迹的有效方法， 小波变换是傅里叶变换发 展变化而来的， 具有时频局部化和多分辨率特性， 很适合对微弱的脑电信号进行去噪。 但 是， 在去除肌电伪迹之前， 需要大量的实验去选择合适的小波基函数和分解层数， 不仅消耗 大量时间， 其次也会增加计算复杂度。 独立分量分析(independent component analysis， 。
9、ICA)是另一种用于去除脑电信号中肌电伪迹的方法， 因为肌电和脑电是由不同的信号源所 产生， 相互独立， 这样就可以利用ICA把肌电从脑电信号中分离出来， 从而把肌电伪迹消除。 但是在识别伪迹的时候， 通常是根据脑电波形与地形图去判定， 直接去除掉与肌电相关的 独立分量会损失部分脑电信息， 并且该方法非常耗时， 容易使人疲劳， 不适合实时处理脑电 信号。 经验模式分解(empirical mode decomposition,EMD)方法是一种处理单通道非平稳 信号分解方法， 该方法事先不需要选定基函数， 其最大特点是依据数据本身的时域信息进 行时域分解， 得到的本征模式函数(multivar。
10、iate intrinsic mode functions,IMFs)通常 是有限和平稳的， 而且是具有实际意义的窄带信号。 因此该方法也被逐渐应用到脑电伪迹 去除方面。 但是， 直接将与肌电伪迹相关的IMFs去掉， 可能导致损失大量的脑电信息， 显然 这也是不可取的。 典型相关分析(Canonical Correlation Analysis， CCA)是利用综合变量 对之间的相 关关系来反映整体相关性的多元统计分析方法， 是目前比较常用的处理脑电 信号中肌电伪迹的方法， 但是CCA方法仅局限于在信噪比为正的情况下， 以及其信噪比有待 提高。 说 明 书 1/5 页 3 CN 1053426。
11、05 B 3 发明内容 0004 为了解决以上问题， 本发明的目的在于提供一种基于CCA和多元经验模式分解 (multivariate empirical mode decomposition， MEMD)的去除脑电信号中肌电伪迹的方 法， 即MEMD-CCA方法， 从脑电信号中完全提取出肌电伪迹， 并且保留了部分脑电信息， 这样 去除肌电的时候， 避免了部分脑电信息的损失； CCA可以从脑电信号中分离出肌电伪迹， 通 过计算各个分量的互相关值判定伪迹， 然后去除肌电； 本发明结合这两种方法的优势用于 肌电伪迹的去除， 不仅能够自动识别肌电伪迹并将其去除， 同时保留了大量脑电信息， 为脑 电去。
12、噪提供了一种新思路。 0005 为了达到上述目的， 本发明的技术方案为： 0006 一种去除脑电中肌电伪迹的算法， 包括以下步骤： 0007 步骤一、 将按不同信噪比混合了肌电伪迹的脑电信号经过MEMD分解得到若干多元 本征模式函数； 0008 具体为： 设含肌电伪迹的脑电信号X(t)x1(t),x2(t),xn(t)T， 其中n表示脑 电信号的通道个数， t表示时间， T表示矩阵的转置， 脑电信号经MEMD分解后产生m个MIMFs即 其中每个MIMFi均为一个n通道的信号， 且各通道的信号都处于同 一频段内， 同时分解产生的全部MIMFi(i1,2,m)的频率范围是按照从高到低 的顺序 排列。
13、的； 0009 步骤二、 计算每个MIMF的样本熵值， 根据仿真选定的样本熵阈值， 将样本熵小于阈 值的MIMF保留下来， 将样本熵大于阈值的MIMF判定为含肌电伪迹； 0010 具体为： 对于分解出的MIMF， 我们计算其每一个通道的样本熵值， 并对每一个通道 的样本熵值叠加平均作为分解出的MIMF的样本熵值， 根据仿真实验找到肌电伪迹的样本熵 阈值， 保留小于阈值的MIMF， 将大于阈值的MIMF判定为含有肌电伪迹； 0011 步骤三、 将含有肌电伪迹的脑电信号进行叠加， 叠加之后进行CCA分解， 具体为U XA， 其中， U为典型变量， X为待处理信号， A为典型相关系数矩阵， 得到分解。
14、后按照自相关 值降序排列的典型变量U， 根据仿真选定的自相关阈值， 将自相关值小于阈值的数据通道置 为零， 而保留剩余的数据通道； 0012 步骤四、 对步骤三中部分通道置零后的数据进行CCA重构， 根据步骤三中CCA分解 的公式可以得知CCA重构公式为： XclearUclearinv(A)； 式中： Uclear为去除EMG伪迹后的 “干 净” 典型变量， A为典型相关系数矩阵， xclear为去除肌电伪迹的MIMF数据； 0013 步骤五、 对步骤四中CCA重构得到的脑电信号， 与步骤二中保留下来的脑电信号叠 加重构得到已经去除EMG伪迹的 “干净” 信号。 0014 本发明的优势在于：。
15、 本发明使用基于CCA和MEMD的肌电伪迹去除方法， 对不同信噪 比下的仿真混合信号进行肌电伪迹去除。 为了验证所提算法的有效性， 我们将实验结果与 CCA算法单独使用的 结果进行了比较。 实验结果证实， 不同信噪比下， MEMD-CCA肌电伪迹去 除方法去噪后对每个脑电通道信噪比有明显地提升， 并且效果优于CCA算法单独使用的结 果。 这两种方法对于真实含肌电伪迹的脑电信号去噪效果， MEMD-CCA算法也明显优于CCA算 法单独使用。 说 明 书 2/5 页 4 CN 105342605 B 4 附图说明 0015 图1是本发明的流程图。 0016 图2(a)是一组纯净的脑电信号， 图2(。
16、b)是一组加入肌电伪迹的脑电信号， 信噪比 为-15分贝， 长度为5秒。 0017 图3是前4个MIMF的波形， 其中图3(a)和图3(b)为MIMF1和MIMF2， 图3(c)和图3(d) 为MIMF3和MIMF4； 在图3中可看到每个MIMF的大小和原信号大小一样， 每一行对应每个脑电 通道的分解出来分量， 相当于一个 “IMF” 。 0018 图4是CCA分解后得到的信号。 0019 图5(a)是使用MEMD-CCA方法对-15db的混合仿真信号使用的去噪效果， 图5(b)是 使用CCA方法对-15dB的混合仿真信号的单独去噪效果。 0020 图6(a)、 (b)、 (c)、 (d)分别。
17、是信噪比为-15db,-10db,-5db,0db下5个通道的脑电使 用CCA和MEMD-CCA方法的信噪比结果对比。 0021 图7是一个被试者用MEMD-CCA算法对其信号的去噪效果， 其中图(a)是待处理的信 号， 图(b)是处理后的信号。 具体实施方式 0022 下面结合附图对本发明做详细叙述。 0023 参照图1， 一种去除脑电信号中肌电伪迹的方法， 包括以下步骤： 0024 步骤一、 对含肌电伪迹的脑电信号进行MEMD处理， 信号如图2所示， 相对于经验模 式分解(empirical mode decomposition,EMD)方法而言， MEMD能够对多通道脑电信号同时 进行处。
18、理， 可以使产生的各个MIMF中所有通道的信号都处于同一频段之内， 以便进行同频 带的后续处理， 设含肌电伪迹的脑电信号X(t)x1(t),x2(t),xn(t)T， 其中n表示脑电 信号的通道个数， t表示时间， T表示矩阵的转置， 脑电信号经MEMD分解后产生m个MIMFs即 其中每个MIMFi均为一个n通道的信号， 且各通道的信号都处于同 一频段内， 同时分解产生的全部MIMFi(i1,2,m)的频率范围是按照从高到低的顺序排 列的， 如图3所示； 0025 步骤二、 计算每个MIMF(Multivariate Intrinsic Mode Function)的样本熵值。 相对于EEG信。
19、号而言， 肌电信号的熵值更大一些。 之后通过仿真实验设定样本熵阈值大小， 选择样本熵大于阈值的MIMF判定为含有肌电伪迹， 样本熵低于阈值的MIMF则保留下来； 0026 步骤三、 将含有肌电伪迹的MIMF进行CCA分解， CCA算法具体为UXA， 其中， U为 典型变量， X为待处理信号， A为典型相关系数矩阵， 得到结果如图4。 得到重组后按照自相关 值降序排列的典型变量U， 根据仿真选定的自相关阈值， 将自相关值小于阈值的数据通道置 为零， 而保留剩余的数据通道； 0027 步骤四、 对步骤三中部分通道置零后的数据进行CCA重构， 根 据步骤三中的CCA分 解算法， 可以得知CCA重构公。
20、式为： XclearUclearinv(A)； 式中： Uclear为去除EMG伪迹后的 “干净” 典型变量， A为典型相关系数矩阵， xclear为去除肌电伪迹的MIMF数据； 0028 步骤五、 对步骤四中CCA重构得到的脑电信号， 与步骤二中保留下来的脑电信号叠 说 明 书 3/5 页 5 CN 105342605 B 5 加重构得到已经去除EMG伪迹的 “干净” 信号。 0029 下面分别对仿真信号和真实信号中的肌电伪迹进行去除， 在仿真信号去除肌电伪 迹的过程中， 与单独的CCA方法去除伪迹结果进行对比。 0030 一、 仿真信号中肌电伪迹的去除 0031 仿真实验分为两大组， 一组。
21、对仿真信号分别进行CCA单一方法的处理， 评价其去噪 效果； 另一组对信号利用MEMD-CCA算法进行处理， 评价其去噪效果。 上述两组实验采用四种 信噪比进行， 即-15dB， -10dB， -5dB， 0dB。 每一个脑电信号与不同的肌电伪迹按不同信噪比 混合各10次， 一共做50组信号。 具体为： 步骤1.构造仿真脑电信号A(i)a1(i),a2(i),a3 (i),a4(i),a5(i)T(i1,2,.,1600),和仿真肌电信号B(i)b1(i),b2(i),b3(i),b4 (i),b5(i)T(i1,2,1600),其中i表示信号采样点序号， T表示矩阵的转置， 信号通道 个数都。
22、为5， 信号采样率200Hz。 将脑电信号和眼电信号按照以下方式混合： 0032 C(i)c1(i),c2(i),c3(i),c4(i),c5(i)TA(i)+ B(i),i1,2,.,1600(1) 0033 其中i表示信号采样点序号， T表示矩阵的转置。 通过调整参数 ， 可以得到不同信 噪比下的混合信号， 一组仿真纯净信号和仿真混合信号参见图2， 可以看到混合信号中含有 明显的肌电伪迹。 之后对 附图中构造的仿真混合信号进行MEMD处理， 通过处理将信号分解 成频率从高到低排列的12个MIMFs即 (i1,2,1600),其中i表示信号采样点序号， T表示矩阵的转置。 参见图3， 图3画。
23、出了前4 个MIMF的波形图， 明显可看出MIMF1幅值很大， 能量主要集中在高频段， 而MIMF2， MIMF3以及 MIMF4幅值逐渐减小， 并且能量也向低频段偏移； 0034 步骤2.计算每个MIMFs的熵值， 相对于EEG信号而言， EMG信号的熵值更大一些。 我 们对样本熵的阈值进行选择， 通过对按照-15dB的信噪比混合起来的仿真信号进行实验， 选 择效果最好的阈值。 将0.1， 0.2， 0.3， 0.4， 0.5， 0.6， 0.7， 0.8， 0.9作为阈值， 对样本进行处 理， 得出效果最优的值为0.5。 因此选择样本熵大于阈值0.5的MIMF判定为含有肌电伪迹， 样 本熵。
24、低于阈值0.5的MIMF则保留下来； 0035 步骤3.将含有肌电伪迹的MIMF进行CCA分解， 得到结果如图4。 得到重组后按照自 相关值降序排列的典型变量U， 通过对0.1， 0.2， 0.3， 0.4， 0.5， 0.6， 0.7， 0.8， 0.9作为CCA分 解阈值， 对按-15dB的信噪比混合起来的仿真信号进行处理， 比较处理后的结果， 得到效果 最优的值为0.6。 根据选定的自相关阈值0.6， 将自相关值小于阈值0.6的数据通道置为零， 而保留剩余的数据通道； 0036 步骤4.步骤三中部分通道置零后的数据进行CCA重构， 根据CCA算法， 可以得知重 构公式为： XclearU。
25、clearinv(A)； 式中： Uclear 为去除EMG伪迹后的 “干净” 典型变量， A为典 型相关系数矩阵， xclear为去除肌电伪迹的MIMF数据； 0037 步骤五.对步骤四中CCA重构得到的脑电信号， 与步骤二中保留下来的脑电信号叠 加重构得到已经去除EMG伪迹的 “干净” 信号， 结果如图5(a)所示。 0038 为了定量评价本发明去噪效果的好坏， 在仿真实验中， 与CCA方法单独处理的结果 进行了比较， CCA单独处理的结果如图5(b)所示。 此外通过使用信噪比(SNR)作为指标， 来评 价结果的好坏。 信噪比的公式如下： 0039 说 明 书 4/5 页 6 CN 105。
26、342605 B 6 0040 根据公式(1)得到四种信噪比下50组脑电信号， 然后通过公式(2)计算脑电信号去 噪后所有通道SNR的均值和标准差， 结果如图6所示。 通过作统计分析， 两者具有显著性差异 (p0.05)。 0041 二、 对真实信号进行EMG伪迹去除 0042 利用仿真信号的实验结果， 我们对真实信号采用了MEMD-CCA算法进行了处理， 利 用真实信号对仿真实验的结果加以证实； 为了进一步验证本发明的有效性， 我们采集了1名 男性脑电数据， 年龄为23岁。 从受试者采集的信号中截取含有明显肌电伪迹的脑电数据， 截 取的每段数据长度相等， 每个被试截取20段， 数据长度为1s。
27、。 选取每段数据中肌电较明显的 5个通道作为含有肌电伪迹的脑电信号。 利用脑电采集系统自带的带通滤波器， 对信号进行 0.1赫兹100赫兹滤波处理， 已消除高频噪声和低频伪迹的影响。 0043 对以上真实含有肌电伪迹的脑电信号运用MEMD-CCA方法进 行处理， 结果如图7 (a)和图7(b)所示； 结果显示， MEMD-CCA对于去除脑电信号中的肌电伪迹有明显的效果。 说 明 书 5/5 页 7 CN 105342605 B 7 图1 说 明 书 附 图 1/6 页 8 CN 105342605 B 8 图2 说 明 书 附 图 2/6 页 9 CN 105342605 B 9 图3 说 明 书 附 图 3/6 页 10 CN 105342605 B 10 图4 图5 说 明 书 附 图 4/6 页 11 CN 105342605 B 11 图6 说 明 书 附 图 5/6 页 12 CN 105342605 B 12 图7 说 明 书 附 图 6/6 页 13 CN 105342605 B 13 。