[发明专利]基于EEMD与DSS-ApEn的脑电信号消噪方法

说明书

本发明提出了一种基于EEMD与DSS‑ApEn的脑电信号消噪方法。利用EEMD分解算法将含噪脑电信号分解为若干个内蕴模态函数IMF(Intrinsic Mode Functions)分量，滤除最高频分量后的IMF分量应用DSS分离出各独立源信号，再选择频谱近似熵最大的独立源信号作为去噪信号。本发明提出的消噪方法消噪后的脑电信号波形相对清晰，更重要的是原始信号的细节特征也被很好地保留下来。

技术领域

本发明属于信号处理领域，涉及一种脑电信号噪声处理方法，特别涉及一种用于运动想象脑电信号噪声的消除方法。

背景技术

头皮脑电(Electroencephalogram，EEG)由于其无创性、易采集以及较好的时间分辨率，在最近被广泛关注的脑机接口应用中，有着不可替代的作用。但由于头皮脑电是一种非平稳非线性极其微弱的随机信号，极易被心电，眼电，电磁干扰，工频干扰等大量外界干扰信号淹没，所以消噪就成了脑电信号预处理阶段中最重要的步骤之一。

经验模态分解(Empirical Mode Decomposition,EMD)是一种自适应的数据分解方法，能够较好地处理随机非平稳信号，具有良好的自适应性、信号的完备性等。因此，EMD成为现代信号处理分析领域的一个研究热点，然而EMD方法存在模态混叠现象:当信号的极值点分布不均匀时，会导致一个内蕴模式函数(Intrinsic Mode Function，IMF)分量中出现一个相似尺度信号或多个尺度的信号分布在不同的IMF分量中，从而使IMF分量失去了原本的物理意义。

Wu和Huang在EMD基础上改进提出了集合经验模态分解(Ensemble EmpiricalMode Decomposition，EEMD)，通过加入白噪声改变信号的极值点分布，进而有效的改善EMD的模式混叠现象，极大提高了信号的信噪比。但是基于EEMD的信号消噪方法通过直接去除EEMD分解结果中的前几个高频IMF分量来消噪，导致在去掉高频IMF分量中噪声的同时去除了其中的有效信息成分。

降噪源分离(Denoising Source Separation,DSS)是盲信号分离广泛应用的一种技术。Valpola等人在研究基于贝叶斯准则的快速独立分量分析算法的过程中，提出了DSS的基本理论概念。DSS本质是在源信号复杂结构未知的的条件下，根据信号的统计特性，选择合适的降噪函数将复杂信号分解为若干组成分量，从而实现源信息的挖掘。Simon等利用基于空间滤波的DSS方法分析处理脑电信号，有效地降低了刺激诱发反应范式中的噪声。王元生等把DSS应用于机械工程领域，有效地提取出转子振动故障信号特征。但是DSS结果中各独立源分量的顺序不确定，且不能直接确定独立源分量是噪声信号还是有效信号。

发明内容

本发明提出一种基于EEMD与DSS-ApEn相结合的脑电信号消噪方法。该方法利用EEMD分解算法将含噪脑电信号分解为若干个内蕴模态函数IMF分量，滤除最高频分量后的IMF分量应用DSS分离出各独立源信号，再选择频谱近似熵最大的独立源信号作为去噪信号滤除。实验表明，本发明具有一定的可行性，消噪后的信号信噪比较高，均方根误差较低。

本发明方法主要包括以下步骤：

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S'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。

本发明与已有的运动想象脑电消噪方法相比，具有如下特点：