[发明专利]基于EEMD与DSS-ApEn的脑电信号消噪方法

权利要求书

1.基于EEMD与DSS-ApEn的脑电信号消噪方法，其特征在于，该方法具体包括以下步骤：

步骤1.应用EEMD将待消噪信号分解为IMF集，去掉最高频IMF分量得到新的IMF集X；

步骤2.对步骤1中新的IMF集X应用DSS算法，得出一组独立源分量H，并求出各独立源分量的频谱；

步骤3.计算步骤2中频谱的近似熵，选择近似熵最大的独立源分量作为噪声信号滤除，得到一组新的独立源分量H'；

步骤4.将混合矩阵A乘以独立源分量H'得到变换后的IMF集，并将变换后的IMF集累加重构，得到消噪后的脑电信号。

2.根据权利要求1所述的基于EEMD与DSS-ApEn的脑电信号消噪方法，其特征在于：步骤1应用EEMD将待消噪信号分解为IMF集，具体如下：

Step 1.往待处理信号s(t)中添加均值为0、标准差为常数的白噪声n₁(t)，得到待分解的信号s₁(t)；

Step 2.EMD算法分解信号s₁(t)，得到n个IMF分量imf_i1(t)和余项r_n1(t)，即：

其中，n为分解层数；

Step 3.重复以上两个步骤T-1次，但每次都加入同分布的不同白噪声；

Step 4.对相应的IMF分量进行总体平均运算处理，以消除白噪声对IMF分量的影响，最终得到各IMF分量为：

其中，imf_i(t)为总体平均后的第i个IMF分量；T为总体平均次数；imf_ij(t)为第j次加入白噪声后获得的第i个IMF分量；

根据Step 1-Step 4，在原始C3通道EEG经过EEMD分解后，所得IMF分量的时域图。

3.根据权利要求1所述的基于EEMD与DSS-ApEn的脑电信号消噪方法，其特征在于：对步骤1中新的IMF集X应用DSS算法，得出一组独立源分量H，具体如下：

s＝w^TX 3

s⁺＝f(s) 4

w⁺＝Xs^+T 5

其中，式3通过似然估计函数计算源信号的噪声估计s，w^T表示分离矩阵的转置；式4即为降噪过程，所有含有式4降噪环节的源分离方法被定义为DSS；式5为利用降噪处理后的源信号s⁺对分离矩阵w的重新估计；式6完成归一化；DSS对每个源信号的分离过程，就是在给定式3中的w^T之后，通过不断迭代式4～6求得每个源信号的分离信号，即独立源分量H；w_new表示新的分离矩阵；

降噪函数选取正切降噪函数f(s)＝s-tanh(s)作为DSS的降噪函数。

4.根据权利要求1所述的基于EEMD与DSS-ApEn的脑电信号消噪方法，其特征在于：步骤3近似熵具体计算步骤为：

Step 1.对步骤2中独立源分量的频谱进行等间隔采样，得到时间序列u(1),u(2),…,u(N)；

Step 2.计算时间序列u(i)的标准差SD；

Step 3.构造一组m维矢量：X(1),X(2),…,X(N-m+1)，其中X(i)＝[u(i),u(i+1),…,u(i+m-1)]；

Step 4.定义X(i)与X(j)间的距离d[X(i),X(j)]为两者对应元素中差值最大的一个，即：

d[X(i),X(j)]＝max[|u(i+k)-u(j+k)|],1≤i,j≤N-m+1,k＝0,…,m-1 7

Step 5.给定阈值r，对每一个i值统计d[X(i),X(j)]小于r的数目及此数目与距离总数N-m+1的比值，即：

Step 6.定义

Step 7.将比较序列长度参数m加1，即m＝m+1，重复Step 3～7，得到

Step 8.计算近似熵ApEn：

ApEn的值显然与m,r的取值有关，取m＝2,r＝0.1×SD。