[发明专利]一种快速的脑电信号中眼电伪迹自动识别和去除的方法

说明书

技术领域：

本发明属于脑电信号(Electroencephalography，EEG)采集与预处理技术领域。具体涉及一种基于离散小波变换(Discrete Wavelet Transform,DWT)与独立分量分析(IndependentComponentAnalysis，ICA)的快速的脑电信号中眼电伪迹自动去除方法。

背景技术

脑电信号是一种反映大脑活动的生物电信号，在研究人脑功能和疾病的过程中发挥着越来越大的作用。然而脑电信号非常微弱，具有很高的时变敏感性，在采集时极易受到无关噪声的干扰，从而形成了各种EEG伪迹。这些伪迹给脑电信号的分析处理带来了很大的困难。眼电(Electro-oculogram，EOG)是EEG信号中的一种最主要的干扰成分，它会随机地出现在脑电信号中，且幅度一般较大，导致采集的EEG信号产生明显畸变，形成眼电伪迹(Ocular Artifact,OA)。在临床脑电检查中，医生通常舍弃含有EOG干扰的脑电数据段，寻找较干净的脑电信号进行观测分析。但是舍弃数据段可能导致重要信息丢失。因此，眼动干扰的消除一直是脑电信号预处理中重要的研究内容。

近年来，研究者们提出了多种脑电信号中眼电伪迹去除的方法，常用的有回归方法、主成分分析PCA、小波变换和独立分量分析ICA等。

其中，回归方法主要用于眨眼或眼球的运动引起的眼电伪迹，依赖于建立一个正确的回归导联，但由于眼电信号和脑电信号的激活扩散都具有双向性(bi-directionality)，因此回归方法去除伪迹时会错误地去除某些脑电信号。

Jung和Berger等提出了用PCA方法进行眼电伪迹的去除，在被试验者完成眼动和眨眼任务时记录EEG和EOG信号，再计算出这些信号的主成分，作为眼动和眨眼伪迹的主成分。然后从混合信号去除该成分，得到校正后的信号。研究表明PCA在效果上显著优于回归方法，然而，PCA不能完全从EEG中分离与它的波形相似的电位的噪声。

小波变换是傅立叶变换的新发展，小波变换系数能反映信号在时域及频域的局部信息。因而，小波分析作为一种时频分析方法，在生物医学信号处理方面有着广阔的应用前景，特别适合像EEG这类非平稳信号的处理。小波门限法去噪是基于小波变换多分辨率分析的一种方法。由于信号和噪声经过小波变换后的统计特性不同，从而在多尺度分析中呈现出不同的传播行为。选取一个合适的阈值，并用此阈值对小波分解后得到的各层小波空间里的细节系数进行截断，而保持尺度空间里的逼近系数不变，然后再进行逆变换，即可得到去噪后的信号。小波门限法去噪要求信号和噪声的频带不能混叠，但是EEG和EOG伪迹的频带相混叠，因此去噪效果不太理想。

独立分量分析是由盲源信号分离技术发展来的多道信号处理方法，能够取得比较理想的去噪效果，被广泛应用于去除EEG信号中的眼电伪迹。ICA的思想来自于中心极限定理：一组均值和方差为同一数量级的随机变量，共同作用的结果必接近高斯分布。因此若要分离一组由相互统计独立的信源经线性组合而产生的混和信号时，只要对分离结果的非高斯性进行度量，当其非高斯性达到最大时，可以认为混合信号实现了最佳分离。ICA的模型可以用下式表示：

c=A·s    (1)

r=W·c    (2)

其基本思想可描述如下：设c(t)=[c₁(t),c₂(t),…,c_n(t)]^T是n维的观测信号，s(t)=[s₁(t),s₂(t),…,s_n(t)]^T是产生观测信号的n个相互统计独立的源信号，且观测信号c(t)是源信号s(t)经过一个未知矩阵A∈R^n×n线性混和而产生的，如公式(1)所示。在混和矩阵A和源信号s(t)未知的情况下，仅利用观测信号c(t)和源信号统计独立的假设，寻找一个线性变换分离矩阵W∈R^n×n，希望输出信号r(t)=Wc(t)=WAs(t)尽可能逼近真实的源信号s(t)，如公式(2)所示。

理论上认为脑电信号和其他干扰源所产生的干扰信号都是由相互独立的信源产生的，从而适用ICA方法来除去伪迹，提取出有用的脑电信号。ICA方法是PCA的一种延伸，是在所有统计意义下的去相关，因此比PCA更具有优越性。但是ICA去除伪迹也存在一些需要探讨和解决的问题，这些问题极大限制了其在脑电信号实际在线预处理中的广泛应用。