基于CEEMDAN-ICA的单通道脑电信号眼电伪迹滤除方法

传统盲源分离法不能解决欠定问题,且分离信号与源信号对应关系不确定.提出一种基于自适应噪声完备经验模态分解(CEEMDAN)和独立成分分析(ICA)相结合的脑电信号眼电伪迹自动去除方法.该方法首先将含伪迹脑电信号自适应分解成多维本征模态函数(IMF),以满足盲源分离方法对信号正定或超定要求,再对本征模态函数用ICA方法构建多维源信号,最后利用模糊熵阈值判据判别多维源信号中的伪迹信号,完成滤波并重构脑电信号.该方法相比于其他算法,能更好的去除眼电伪迹并保留原始信息,适合单通道脑电信号预处理.     

单通道脑电信号眼电伪迹去除算法研究

由眨眼和眼动产生的眼电伪迹（Electrooculography,EOG）信号是脑电信号（Electroencephalography,EEG）中的主要噪声信号之一.目前,多通道脑电信号中眼电伪迹的去除算法已经较为成熟.而在单通道脑电信号的眼电伪迹去除中,由于采集通道数量较少且缺乏参考眼电信号,目前尚无十分有效的去除方法.本文提出一种基于小波变换（Wavelet transform,WT）、集合经验模态分解（Ensemble empirical mode decomposition,EEMD）和独立成分分析（Independent component analysis,ICA）的WT-EEMD-ICA单通道脑电信号眼电伪迹去除算法.实验表明:WT-EEMD-ICA算法有效地解决了单通道WT-ICA算法中的超完备问题,能够有效去除单通道脑电信号中的眼电伪迹,并且分离出的眼电伪迹成分与参考通道采集的眼电信号相关性较强.     

一种结合自适应噪声完备经验模态分解和盲反卷积去除脑电中眼电伪迹的新方法

针对微弱的脑电（Electroencephalogram, EEG）信号在采集过程中夹杂着各种生理伪迹,特别易遭到眨眼和眼动产生的眼电（Electrooculography, EOG）伪迹干扰。本文提出在自适应噪声完备经验模态分解(Complete ensemble empirical mode decomposition with adaptive noise, CEEMDAN)的基础上,构建盲反卷积（Blind deconvolution, BD）模型,实现EOG伪迹分离的方法。该方法首先运用CEEMDAN方法将含有伪迹的EEG信号分解成若干固有模态函数（Intrinsic mode function, IMF）分量,再以模态分量为观测信号送入EEG信号和EOG伪迹两个源信号构成的盲反卷积模型中,通过构建代价函数迭代实现EEG信号与EOG伪迹分离。为了验证新提出的算法,采用标准CHB-MIT头皮脑电数据库进行实验验证,EOG伪迹分离后的数据跟原始脑电数据作相关性分析,其相关系数是0.82。结果证实本文提出的方法保留有大多数原始EEG信号分量,同时对EOG伪迹的分离也具有良好的效果。     

能量熵与峰值窗口结合去除眼电伪迹研究

为改进传统独立分量分析自动去除眼电伪迹算法中存在识别眼电分量速度慢、需采集同步参考眼电信号、丢失脑电信号问题,提出一种不需要参考眼电信号的眼电伪迹自动识别去除方法。利用FastICA分解出独立分量,计算各独立分量频谱能量熵,以频谱能量熵值作为判据识别出眼电分量;然后使用峰值窗口分离出眼电分量中存在的脑电信号,与其他独立分量进行拼接;利用FastICA逆变换重构出去眼电伪迹的脑电信号。实验结果表明：该方法能准确快速自动地去除眼电伪迹,并较好地保留其他的脑电信号成分;频谱能量熵识别眼电伪迹平均用时为0.01?s,准确率为98％,适用于实时EOG去除。     

基于脑电EEG的改进EEMD算法

为了有效地改善模态混叠问题以适应脑电信号的研究,提出了一种改进的集合经验模态分解算法。首先对脑信号进行相关性筛选;然后自适应地从原始脑信号中预测脑电特性信号,融合高斯白噪声生成新型脑信号噪声;最后基于该噪声进行集合经验模态分解。仿真实验表明,新型脑信号噪声不仅具有自适应特性,而且可以更好地解决脑信号经验模态分解中的模态混叠问题,同时也证明了该算法在脑电研究领域的理论和应用价值。     

基于CuBICA算法的EEG伪迹去除方法

在高阶累积量和独立分量分析的基础上,提出一种基于CuBICA算法的脑电信号伪迹去除方法。针对脑电信号中常含有的眼电、心电等伪迹问题,利用小波包方法对原始脑电信号去噪,并进行中心化和白化处理,运用CuBICA算法对消噪后的脑电信号进行盲源分 离。分析分离后各信号间相关性,结果表明,CuBICA算法能成功分离脑电、眼电与心电信号,有效去除纯脑电信号中的各种伪迹。     

脑电信号中眼电伪迹的自动去除算法

为实现眼电伪迹的自动去除,提高算法的有效性和稳健性,提出一种眼电伪迹自动去除算法。采用样本熵和一种通用的伪迹判决方法对眼电伪迹进行自动识别,通过脑电信号的重构实现眼电伪迹的去除。实验结果表明,对于不同长度的真实脑电信号,该算法均能准确地去除眼电伪迹,较好地保留其他的脑电信号成分,且可以完全自动地去除眼电伪迹,适用于实时场合。     

结合PCA和JADE的EEG眼电伪迹去除研究

眼电伪迹干扰是脑电信号中的常见干扰,严重影响到有用脑电信号的提取和分析。提出一种基于主分量分析(PCA)和特征矩阵联合相似对角化(JADE)算法相结合的眼电伪迹去除方法,并探讨了主分量分析对伪迹去除的影响。实验结果表明了该算法的有效性及稳健性,并且其时间开销小。此外该算法还可以有效去除其他脑电伪迹及干扰成分。     

基于小波变换和FastICA的眼电伪迹去除研究

为了高效去除脑电信号(Electroencephalogram, EEG)中的眼电伪迹,文章提出一种基于小波变换(Wavelet Transform, WT)和快速独立成分分析(Fast Independent Component Analysis, FastICA)相结合的眼电伪迹去除方法。首先,应用小波变换将信号分解成不同频率的小波分量,采用适合的小波基函数和阈值针对高低频噪声做去噪处理;其次,应用FastICA算法分离出各通道的独立成分,获取纯净的脑电信号;最后,对BCI competition IV公共数据集应用融合算法,并输入支持向量机(Support Vector Machine, SVM)进行分类验证。实验结果表明,相较于单一的小波变换和FastICA算法,采用文章提出的融合算法处理后的脑电信号的SVM分类识别率分别提升了18.9%和15.8%,证明该融合算法对去除脑电信号中的眼电伪迹有较好的效果。     

脑电信号中眼电伪迹自动识别与去除方法研究

传统盲源分离算法消除眼电伪迹须用到两个眼电信号作为参考,但在采集眼电信号时易给被试带来不适产生噪声,且识别时需要人为辨别,为了解决这些问题,提出一种基于FastICA的眼电伪迹自动去除方法。该方法先计算出FastICA提取出的各独立成分与GFP（Global Field Power）值的相关系数,再比较相关系数,将其绝对值最大所对应的独立成分识别为眼电伪迹独立成分,最后把该独立成分置零重构干净的脑电信号,实现眼电伪迹的自动去除。通过自采的30例脑电数据实验结果表明：该方法能完全自动地去除眼电伪迹成分并有效保留其他脑电成分,且快速准确,适用于实时场合。     

基于K近邻互信息估计的EEG伪迹消除方法

针对脑电信号中的眼电和心电串扰伪迹,提出一种基于最小相依成分分析的互信息(MILCA)算法的伪迹消除方法.在提升小波硬阈值法对多路原始脑电信号去噪基础上,运用MILCA算法对各通道信号进行盲源分离,同时采用信号间互相关系数和互信息量作为指标,分析伪迹分离程度.与Extend Infomax、FastICA 2种常见盲源分离算法的对比结果表明,运用MILCA算法对脑电信号中的眼电及心电伪迹的分离结果最理想.     

基于变步长自适应滤波器和小波变换的脑电预处理算法

论文将变步长自适应滤波和小波分解与重构的算法应用到实际脑电信号伪迹去噪,通过综合应用经典和现代信号处理技术,实现对脑电信号的预处理,能有效滤除去除伪迹干扰,同时防止有用数据的丢失,较传统数字滤波算法优势明显。     

联合改进CEEMD与近似熵的脑电去噪方法

针对现有完备总体经验模态分解方法在脑电去噪中的模态筛选偏差问题,结合改进的完备总体经验模态分解(ICEEMD)与近似熵,提出一种新的脑电(EEG)信号去噪方法。对EEG信号进行ICEEMD分解,得到一系列本征模态函数(IMF),再对IMF分别计算近似熵,比较并选择近似熵值最大的IMF作为去噪后的信号。基于模拟信号和真实脑电信号的实验结果表明,与添加自适应噪声的完备总体经验模态分解方法相比,该方法能得到更清晰稳定的去噪结果,并且解决了IMF盲目选取导致的去噪失准及虚假模态等问题。     

基于独立分量分析的脑电中眼电伪迹消除

利用独立分量分析的方法对脑电中眼电伪迹成分进行剔除。运用负熵最大算法将脑电信号分解成独立分量,利用伪迹脑地形图的特征,将伪迹分量分离,得到不含伪迹的脑电信号。实验结果表明,该算法具有较强的稳健性和实用性。     

基于典型相关分析与低通滤波的肌电伪迹去除

提出了一种基于典型相关分析(CCA)和低通滤波的盲源分离方法去除脑电信号(EEG)中的肌电伪迹.该方法首先将混入了肌电伪迹的EEG信号分解为不相关的CCA分量,然后对与伪迹源相关的分量进行低通滤波处理,去除这些分量中的高频伪迹成分,最后利用与EEG相关的CCA分量和滤波处理后的新分量重构信号,消除肌电伪迹的影响.实验结果表明,采用CCA能够有效地分离出肌电伪迹,而结合低通滤波技术能够更有效地保留EEG信息.该方法取得了较好的去除肌电伪迹的效果.     

基于经验小波变换的结构损伤特征提取

为了更好地提取结构损伤特征信息,提出了基于经验小波变换(EWT)和希尔伯特变换的振动信号分析方法。首先,用EWT对结构损伤加速度振动信号的频谱进行自适应分割,然后提取不同的调幅-调频(A M-AF)分量,最后对其进行希尔伯特变换,获取瞬时频率。仿真和工程实验结果表明:经验小波变换相对于经验模态分解(E MD)可以更好地提取信号的各个特征分量,为信号时频处理奠定基础,且分解的模态少,不存在虚假模态。同时,EWT与Hilbert的结合更进一步验证了该方法的有效性。     

基于经验模态－小波包分解和卷积神经网络的 Ｐ３００ 脑电信号分类研究

针对P300脑电信号信噪比低、随机性强及个体差异性大等问题,本文提出了一种将经验模态分解（EMD）和小波包分解（WP）相结合的滤波方法,并使用改进的卷积神经网络（CNN）对脑电信号进行分类识别。首先利用经验模态分解算法将原始脑电信号分解成若干个本征模函数（IMF）分量,并对每个分量进行频谱分析以去除主频段在0~30Hz以外的分量;然后,对保留的IMF分量进行小波包分解,根据P300电位的有效时频信息,选择合适的频段进行重构,再将重构后的各个本征模函数叠加,得到经过滤波后的脑电信号;最后,设计合适的卷积神经网络结构,对P300信号进行分类识别。本文使用国际BCI竞赛数据集对提出的方法进行验证。实验结果表明,两名被试的分类准确率分别为97.78%、95.56%,说明该方法能够有效的改善P300信号的识别效果（相比其他方法至少提升了2.78%,1.39%）,为进一步提高基于P300信号的脑机接口系统的性能提供了一种新的有效的途径。     

基于改进EMD的运动想象脑电信号识别算法研究

针对现有的单一特征提取算法对运动想象脑电信号识别率不高的问题,提出一种以相关系数改进的经验模态分解(EMD)的特征提取算法。对已有的BCI竞赛数据中C3、C4两个通道脑电数据进行预处理,之后通过EMD对脑电信号进行分解,得到IMF分量。通过计算原始信号与各阶IMF分量之间的相关系数,选择具有较大相关系数的IMF作为特征,由这些IMF分量的能量特征和平均幅值差来组成脑电信号的特征。使用支撑矢量机分类器(SVM)对左右手运动想象脑电信号进行分类。实验结果表明,基于相关系数改进的EMD脑电信号的处理方法明显优于只用EMD的脑电处理方法,得到的最高正确识别率为88.57%。从而证明了该方法的有效性。     

改进独立分量算法的眼电伪迹去除方法研究

脑电信号采集过程中易受眼电干扰,给脑电信号分析处理带来极大的不便,由此提出了一种改进独立分量分析（IICA）自动去除眼电伪迹的方法。该方法将水平和垂直眼电信号按照一定的比例混叠成一导新的信号,并与脑电信号一起作为输入;采用基于负熵判据的FastICA算法快速获取各导独立分量;记录此时的负熵判据参数[a],并利用相关系数识别混叠眼电信号独立分量,记录对应的相关系数;[a]加上一定的步长,重复上述步骤至[a]达到阈值时停止;重复多次上述循环,获取均值向量,取出均值向量中最大的相关系数与所对应的[a],根据[a]获取新的独立分量,采用相关系数自动识别混叠眼电独立分量,并置零;再进行ICA逆变换返回到原信号各个电极,即可得到同时去除水平与垂直眼电伪迹后的各导脑电信号。实验结果表明,IICA方法能有效降低去伪迹耗时,极大提高信噪比,减少均方根误差。     

基于多元经验模态分解-传递熵的脑肌电信号耦合分析

皮层肌肉功能耦合是大脑皮层和肌肉组织间的相互作用,脑肌电信号的多尺度耦合特征可以体现皮层-肌肉间多时空的功能联系.将多元经验模态分解(MEMD)与传递熵(TE)结合,构建出MEMD-TE模型,应用于脑、肌间耦合分析.首先对同步采集的脑电(EEG)和肌电(EMG)信号进行预处理,然后采用多元经验模态分解算法对信号进行时-频尺度化,最后计算不同尺度上的传递熵值,分析各个尺度不同耦合方向(EEG→EMG及EMG→EEG)上的非线性耦合特征.采集了10名受试者静态握力(5 kg、10 kg、20 kg)下脑、肌电信号,实验结果表明:脑电对肌电的MEMD-TE值在高频段(40 Hz~75 Hz)上高于肌电对脑电的MEMD-TE值,皮层肌肉功能耦合具有双向性,且不同方向和频段上的耦合强度有所差异,显著性校验反映了不同力度下脑电对肌电的MEMD-TE值没有显著性差别.