[发明专利]基于ICA和HHT融合的自动眼电干扰去除方法

摘要

本发明公开了一种基于ICA和HHT融合的自动眼电干扰去除方法。首先，用独立成分分析将采集到的包含眼电信号的脑电信号信号分解为若干独立成分。希尔伯特-黄变换由两部分构成：经验模态分解和希尔伯特谱分析，然后，对每一个独立成分通过经验模态分解提取趋势项，计算其统计特征，从而确定包含眼电信号的独立成分，利用希尔伯特谱分析，保留这些独立成分中不属于眼电信号的高频成分，同时去除属于眼电信号的低频成分；本发明使脑电信号信号中不包含眼电信号的段不受影响，去除眼电信号后，在没有眼电信号发生的区域，更接近于原始的脑电信号信号。

主权项

基于ICA和HHT融合的自动眼电干扰去除方法，其特征在于：具体步骤如下：步骤一：通过独立成分分析将原始脑电信号分解为若干独立成分；步骤二：对所有独立成分分段并加窗，段长为10秒，在每一段内的所有独立成分上加窗，窗长为一次眨眼的时长，为400毫秒，为了减小眼电发生在窗的边缘部分对处理过程产生的影响，采用窗间交叠的办法，交叠部分为半个窗长；步骤三：通过经验模态分解提取窗内各独立成分的趋势项，经验模态分解是基于时域局部特征的，能够把复杂数据分解成少量的固有模态函数，每个固有模态函数要满足如下两个条件：(1)在整个数据序列中，极值点的数量与过零点的数量相等，或相差一个；(2)在任一时间点上，信号的局部最大值和局部最小值定义的包络均值为零；步骤四：计算段内每个独立成分的统计特征，包括段内各窗趋势项最大值与最小值之差的和与方差，计算公式如下所示：range(j)i，w＝max(j)i，w‑min(j)i，w diffsum ( j ) i = Σ i = 1 W range ( j ) i , w diffvar ( j ) i = 1 W Σ i = 1 W ( range ( j ) i , w - meanrange ( j ) i ) 2 其中，j∈1....N表示独立成分分析分解得到的独立成分，N为独立成分分析分解得到的独立成分数量，max(j)i，w、max(j)i，w和range(j)i，w 分别表示第j个独立成分的第i段的第w个窗的趋势项的最大值、最小值以及它们的差，meanrange(j)i表示第j个独立成分的第i段中所有窗的趋势项的最大值与最小值之差的均值，diffsum(j)i和diffvar(j)i分别表示第j个独立成分的第i段中的所有窗的趋势项的最大值与最小值之差的和以及方差，由此形成一个特征向量(diffsum(j)i，diffvar(j)i)；步骤五：对每一段中提取的统计特征通过K‑均值聚类算法聚成两类，通过计算这两类类间可分性测度，判断其中一类的独立成分是否包含眼电信号；步骤六：由于信号并不是由单一的频率成分构成的，而眼电信号通常被认为是低频成分，因此，通过计算瞬时频率，保留高于眼电信号频率的成分；通过对包含眼电信号的独立成分在被判断为含有眼电信号的段中，经过经验模态分解分解得到的固有模态函数做希尔伯特谱分析，计算其瞬时频率，保留高于4Hz的频率成分，合成一个新的独立成分；步骤七：将所有独立成分通过独立成分分析得到的混合矩阵，重新合成一个新的脑电信号，即为去除眼电信号后的脑电信号。