技术领域
本发明涉及规划领域,具体而言,涉及一种基于EEMD-PCA去除EEG信号中运动伪迹的方法及装置。
背景技术
在过去的几年中,许多研究都集中在研究和开发基于移动脑电图的脑机接口(brain-computer interfaces,BCI),这些接口技术能够在日常生活中采集人们的EEG(electroencephalogram,脑电图)信号。目前市面上,制造商已经开发生产出多种型号的便携式EEG采集设备;另外新兴的传感器技术可实现使用无凝胶的EEG采集电极,并可由用户自己快速简便地使用EEG采集设备,用户的使用场景得到很大的扩展。EEG信号非常微弱,容易受到各种噪声和伪迹的影响,便携式采集设备与传统的脑电图采集设备相比,使用场景、传感器的变化,使这些便携式设备采集的脑电图信号更容易受到干扰,尤其是由于人体运动引起的运动伪迹。运动伪迹具有较宽的频谱分布,因此会干扰所有EEG频段。特别是它们对应的频谱与15-30Hz范围的Beta频带有很大的重叠。其次运动伪迹的幅值相比与EEG信号可大一到两个数量级,最后,与其他脑电伪迹相比,运动伪迹与重复性较低的趋势相关。
2012年研究人员使用自适应滤波、卡尔曼滤波器和集合经验模态分解(ensembleempirical mode decomposition,EEMD)-独立成分分析(Independent componentanalysis,ICA)方法对比了单通道EEG运动伪迹的去除效果,发现EEMD-ICA相比与另外两种方法有较好的效果。接下来研究人员又提出了集合经验模态分解(EEMD)-典型相关成分分析(Canonical correlation analysis,CCA)方法,运动伪迹去除的效果得到了提升,但是这个方法仍然不能去除完全去除运动伪迹成分。主成分分析(Principal componentanalysis,PCA)最早被引入脑电图分析中,作者使用它来凭经验确定眼睛活动的空间分布。目前PCA通常作为多通道EEG信号的降维步骤。
目前去除EEG运动伪迹主要分为两种,一是这些研究要么大多数都局限于高度受控的实验室环境,例如在跑步机上行走,要么就是需要额外的参考信息,例如使用惯性传感器作为参考。第二种是使用盲源分离技术,列如ICA和CCA。ICA使用高阶统计量获得统计意义上的独立源,CCA使用二阶统计量获得统计意义上的独立源,两种方法对于完全分离出运动伪迹成分,去除伪迹效果有限。
发明内容
本发明实施例提供了一种基于EEMD-PCA去除EEG信号中运动伪迹的方法及装置,相比于目前技术去伪效果得到显著提升。
根据本发明的一实施例,提供了一种基于EEMD-PCA去除EEG信号中运动伪迹的方法,包括以下步骤:
基于EEMD分解单通道EEG信号,得到各阶的本征模态函数;
基于PCA将各阶本征模态函数分离出主成分;
计算出每个主成分的自相关性;
将自相关性大于预设阈值的主成分被判定为伪迹主成分;
将被判定为伪迹的主成分进行去除;
将剩余的主成分经过PCA逆变化再经过EEMD逆变化,得到去除噪声后的EEG信号。
进一步地,在基于EEMD分解单通道EEG信号,得到各阶的本征模态分量中包括:
对含有运动伪迹的EEG信号进行减去均值处理,得到去除直流信号的EEG信号X(t);
对信号X(t)进行集合经验模态分解,得到各阶本征模态函数。
进一步地,在基于PCA将各阶本征模态函数分离出主成分中包括:
对各阶本征模态函数进行主成分分离,得到N个源成分S。
进一步地,在计算出每个主成分的自相关性中包括:
计算每个源成分S的自相关性。
进一步地,在自相关性大于预设阈值的主成分被判定为伪迹主成分之前还包括:预设自相关性的阙值。
进一步地,在将被判定为伪迹的主成分进行去除中包括:
通过进行置零处理,将被识别为伪迹成分的源成分S进行去除,去除后得到源成分S'。
进一步地,在对剩余的主成分进行PCA逆变化处理后再进行EEMD逆变化处理,得到去除噪声后的EEG信号包括:
将源成分S'经过PCA逆变化后处理再经过EEMD逆变化处理,得到去除噪声后的EEG信号。
进一步地,在对信号X(t)进行集合经验模态分解,得到N个本征模态函数之前还包括:
设置集合经验模态分解所添加的白噪声的幅值标准差值和噪声加入的次数。
进一步地,将集合经验模态分解所添加的白噪声的幅值标准差设置为0.05-0.15之间、噪声加入次数设置为80-120次之间。
一种基于EEMD-PCA去除EEG信号中运动伪迹的装置,该装置包括:
信号分解模块,用于基于EEMD分解单通道EEG信号,得到各阶的本征模态函数;
主成分分离模块,用于基于PCA将各阶本征模态函数分离出主成分;
相关性计算模块,用于计算出每个主成分的自相关性;
伪迹成分判定模块,用于将自相关性大于预设阈值的主成分被判定为伪迹主成分;
伪迹成分去除模块,用于将被判定为伪迹的主成分进行去除;
逆变化处理模块,用于将剩余的主成分经过PCA逆变化再经过EEMD逆变化,得到去除噪声后的EEG信号。
本发明实施例中的基于EEMD-PCA去除EEG信号中运动伪迹的方法及装置基于EEMD分解单通道EEG信号,得到各阶的本征模态函数;基于PCA将各阶本征模态函数分离出主成分;计算出每个主成分的自相关性;将自相关性大于预设阈值的主成分被判定为伪迹主成分;将被判定为伪迹的主成分进行去除;将剩余的主成分经过PCA逆变化再经过EEMD逆变化,得到去除噪声后的EEG信号。本发明根据运动伪迹与EEG信号相关性不大的特点使用PCA方法分离出伪迹成分,然后根据自相关性自动选择伪迹成分,并去除伪迹成分保留有用的脑电信息;本发明伪迹去除方法,相比于目前技术去伪效果得到显著提升。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明基于EEMD-PCA去除EEG信号中运动伪迹的方法的流程图;
图2为本发明含有运动伪迹EEG信号和纯净的EEG信号图;
图3为本发明含有运动伪迹EEG分解的本征模态分量;
图4为本发明本征模态分量经过PCA分解后得到的主成分图;
图5为本发明主成分对应的自相关系数线以上的识别为伪迹成分图;
图6为本发明去除伪迹后的EEG信号与纯净的EEG信号对比图;
图7为本发明技术与现有技术的效果对比图;
图8为本发明基于EEMD-PCA去除EEG信号中运动伪迹的装置的原理图。
附图标记:201-信号分解模块、202-主成分分离模块、203-相关性计算模块、204-伪迹成分判定模块、206-伪迹成分去除模块。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例1
根据本发明一实施例,提供了一种基于EEMD-PCA去除EEG信号中运动伪迹的方法,参见图1,包括以下步骤:
S101:基于EEMD分解单通道EEG信号,得到各阶的本征模态函数;
S102:基于PCA将各阶本征模态函数分离出主成分;
S103:计算出每个主成分的自相关性;
S104:将自相关性大于预设阈值的主成分被判定为伪迹主成分;
S105:将被判定为伪迹的主成分进行去除;
S106:对剩余的主成分进行PCA逆变化处理后再进行EEMD逆变化处理,得到去除噪声后的EEG信号。
本发明实施例中的基于EEMD-PCA去除EEG信号中运动伪迹的方法及装置基于EEMD分解单通道EEG信号,得到各阶的本征模态函数;基于PCA将各阶本征模态函数分离出主成分;计算出每个主成分的自相关性;将自相关性大于预设阈值的主成分被判定为伪迹主成分;将被判定为伪迹的主成分进行去除;将剩余的主成分经过PCA逆变化再经过EEMD逆变化,得到去除噪声后的EEG信号。本发明根据运动伪迹与EEG信号相关性不大的特点使用PCA方法分离出伪迹成分,然后根据自相关性自动选择伪迹成分,并去除伪迹成分保留有用的脑电信息;本发明伪迹去除方法,相比于目前技术去伪效果得到显著提升。
本实施例中,在基于EEMD分解单通道EEG信号,得到各阶的本征模态分量中包括:
对含有运动伪迹的EEG信号进行减去均值处理,得到去除直流信号的EEG信号X(t);
对信号X(t)进行集合经验模态分解,得到各阶本征模态函数。
具体的,该对信号X(t)进行集合经验模态分解,得到各阶本征模态函数的步骤如下:
步骤一:在噪声信号W(t)中加入信号X(t)得到信号X'(t);
步骤二:将信号X'(t)进行经验模态分解,得到各阶本征模态函数分量,其中分解后的剩余分量为r
步骤三:重复步骤一和步骤二,每次加入强度相同序列不同的白噪声;
步骤四:利用白噪声频谱的均值为零,将各阶本征模态函数求平均值,得到最终的本征模态函数分量,即得到N个本征模态函数l(t)=[l-1.(t),l-2.(t),...,l-n.(t)]
本实施例中,在基于PCA将各阶本征模态函数分离出主成分中包括:
对各阶本征模态函数进行主成分分离,得到N个源成分S;
具体地,该对各阶本征模态函数进行主成分分离,得到N个源成分S的步骤如下:
步骤一:计算步骤四中得到的l(t)协方差矩阵;
步骤二:计算l(t)协方差矩阵的特征值与特征向量;
步骤三:对特征值按照从大到小进行排序,将特征值对应的特征向量分别作为列向量组成特征向量矩阵;
步骤四:将数据转换到n个特征向量构建的新空间中,得到N个源成分S(t)=[S-1.(t),S-2.(t),...,S-n.(t)]
本实施例中,4.根据权利要求3的一种基于EEMD-PCA去除EEG信号中运动伪迹的方法,其特征在于,在计算出每个主成分的自相关性中包括:
计算每个源成分S的自相关性;
本实施例中,在自相关性大于预设阈值的主成分被判定为伪迹主成分之前还包括:预设自相关性的阙值。
其中预设阙值设定为0.97,当计算出的自相关性大于预设阙值0.97时,则将自相关性大于预设阈值的主成分被判定为伪迹主成分。
参见图5所示,在图中0.9-1之间的直线为自相关系数线,在该自相关系数线以上的成分则被判定为伪迹成分。
本实施例中,在将被判定为伪迹的主成分进行去除中包括:
通过进行置零处理,将被识别为伪迹成分的源成分S进行去除,去除后得到源成分S'。
本实施例中,在对剩余的主成分进行PCA逆变化处理后再进行EEMD逆变化处理,得到去除噪声后的EEG信号中包括:
将源成分S'经过PCA逆变化处理后再经过EEMD逆变化处理,得到去除噪声后的EEG信号。
本实施例中,在对信号X(t)进行集合经验模态分解,得到N个本征模态函数之前还包括:
设置集合经验模态分解所添加的白噪声的幅值标准差值和噪声加入的次数。
本实施例中,将集合经验模态分解所添加的白噪声的幅值标准差设置为0.05-0.15之间、噪声加入次数设置为80-120次之间。
具体地,将集合经验模态分解(EEMD)所添加的白噪声的幅值标准差设置为0.1、噪声加入次数设置为100次。
设置EEMD所添加的白噪声的幅值标准差为0.1、噪声加入次数设置为100次。
参见图2,地面真实信号(Ground truth signal)代表EEG信号中的纯净的信号,在图中显示基本呈平缓的直线;噪声信号(Noisy signal),即EEG信号中运动伪迹,在图中的幅度波动很大;可以看到在未经过本发明处理的EEG信号中,运动伪迹成分明显且与纯净信号偏离很大。
参见图3,图3为对EEG信号分解后得到的本征模态函数。
参见图4和5,在对本征模态函数经过PCA分解后得到分离出的N个主成分,即N个源成分S,然后计算每个源成分的自相关性,自相关性大于0.97的,即源成分位于自相关系数线以上的就被视为伪迹成分。
参见图6,干净信号(Cleaned signal)为经过本发明方法去除伪迹后的信号,图6中可以看到去除伪迹后的Cleaned signal代表的线条与Ground truth signal代表的线条很大程度的重合。即去除伪迹后的EEG信号与纯净的EEG信号基本重合,消除伪迹得到了去除噪声后的EEG信号。
参见图7,本发明在公开的两通道EEG信号中去除运动伪迹验证数据集上进行了测试,相比现有的EEMD-ICA和EEMD-CCA技术效果得到显著提升;使用本发明EEG信号去除伪迹成分后与原始信号的均方根误差降低了24.2、信噪比提高了9.2分贝以及相似性提高了0.24。
其中,均方根误差是差分评价指标,数值越大表示信号间数值差越大;信噪比的值越高,意味着包含的噪声越少,去噪效果越好;相似度的值越接近1,则代表去噪后信号与真实信号越接近。
实施例2
根据本发明的另一实施例,提供了一种基于EEMD-PCA去除EEG信号中运动伪迹的装置,参见图8,包括:
信号分解模块201,用于基于EEMD分解单通道EEG信号,得到各阶的本征模态函数;
主成分分离模块202,用于基于PCA将各阶本征模态函数分离出主成分;
相关性计算模块203,用于计算出每个主成分的自相关性;
伪迹成分判定模块204,用于将自相关性大于预设阈值的主成分被判定为伪迹主成分;
伪迹成分去除模块205,用于将被判定为伪迹的主成分进行去除;
逆变化处理模块206,用于对剩余的主成分进行PCA逆变化处理后再进行EEMD逆变化处理,得到去除噪声后的EEG信号。
本发明实施例中的基于EEMD-PCA去除EEG信号中运动伪迹的方法及装置基于EEMD分解单通道EEG信号,得到各阶的本征模态函数;基于PCA将各阶本征模态函数分离出主成分;计算出每个主成分的自相关性;将自相关性大于预设阈值的主成分被判定为伪迹主成分;将被判定为伪迹的主成分进行去除;将剩余的主成分经过PCA逆变化再经过EEMD逆变化,得到去除噪声后的EEG信号。本发明根据运动伪迹与EEG信号相关性不大的特点使用PCA方法分离出伪迹成分,然后根据自相关性自动选择伪迹成分,并去除伪迹成分保留有用的脑电信息;本发明伪迹去除方法,相比于目前技术去伪效果得到显著提升。
本实施例中,在基于EEMD分解单通道EEG信号,得到各阶的本征模态分量中包括:
对含有运动伪迹的EEG信号进行减去均值处理,得到去除直流信号的EEG信号X(t);
对信号X(t)进行集合经验模态分解,得到各阶本征模态函数。
具体的,该对信号X(t)进行集合经验模态分解,得到各阶本征模态函数的步骤如下:
步骤一:在噪声信号W(t)中加入信号X(t)得到信号X'(t);
步骤二:将信号X'(t)进行经验模态分解,得到各阶本征模态函数分量,其中分解后的剩余分量为r
步骤三:重复步骤一和步骤二,每次加入强度相同序列不同的白噪声;
步骤四:利用白噪声频谱的均值为零,将各阶本征模态函数求平均值,得到最终的本征模态函数分量,即得到N个本征模态函数l(t)=[l-1.(t),l-2.(t),...,l-n.(t)]
本实施例中,在基于PCA将各阶本征模态函数分离出主成分中包括:
对各阶本征模态函数进行主成分分离,得到N个源成分S;
具体地,该对各阶本征模态函数进行主成分分离,得到N个源成分S的步骤如下:
步骤一:计算步骤四中得到的l(t)协方差矩阵;
步骤二:计算l(t)协方差矩阵的特征值与特征向量;
步骤三:对特征值按照从大到小进行排序,将特征值对应的特征向量分别作为列向量组成特征向量矩阵;
步骤四:将数据转换到n个特征向量构建的新空间中,得到N个源成分S(t)=[S-1.(t),S-2.(t),...,S-n.(t)]
本实施例中,在计算出每个主成分的自相关性中包括:
计算每个源成分S的自相关性;
本实施例中,在自相关性大于预设阈值的主成分被判定为伪迹主成分之前还包括:预设自相关性的阙值。
其中预设阙值设定为0.97,当计算出的自相关性大于预设阙值0.97时,则将自相关性大于预设阈值的主成分被判定为伪迹主成分。
参见图5所示,在图中0.9-1之间的直线为自相关系数线,在该自相关系数线以上的成分则被判定为伪迹成分。
本实施例中,在将被判定为伪迹的主成分进行去除中包括:
通过进行置零处理,将被识别为伪迹成分的源成分S进行去除,去除后得到源成分S'。
本实施例中,在对剩余的主成分进行PCA逆变化处理后再进行EEMD逆变化处理,得到去除噪声后的EEG信号中包括:
源成分S'经过PCA逆变化后再经过EEMD逆变化,得到去除噪声后的EEG信号。
本实施例中,在对信号X(t)进行集合经验模态分解,得到N个本征模态函数之前还包括:
设置集合经验模态分解所添加的白噪声的幅值标准差值和噪声加入的次数。
本实施例中,将集合经验模态分解所添加的白噪声的幅值标准差设置为0.05-0.15之间、噪声加入次数设置为80-120次之间。
具体地,将集合经验模态分解(EEMD)所添加的白噪声的幅值标准差设置为0.1、噪声加入次数设置为100次。
设置EEMD所添加的白噪声的幅值标准差为0.1、噪声加入次数设置为100次。
参见图2,地面真实信号(Ground truth signal),代表EEG信号中的纯净的信号,在图中显示基本呈平缓的直线;噪声信号(Noisy signal),即EEG信号中运动伪迹,在图中的幅度波动很大;可以看到在未经过本发明处理的EEG信号中,运动伪迹成分明显且与纯净信号偏离很大。
参见图3,图3为对EEG信号分解后得到的本征模态函数。
参见图4和5,在对本征模态函数经过PCA分解后得到分离出的N个主成分,即N个源成分S,然后计算每个源成分的自相关性,自相关性大于0.97的,即源成分位于自相关系数线以上的就被视为伪迹成分。
参见图6,干净信号(Cleaned signal)为经过本发明方法去除伪迹后的信号,图6中可以看到去除伪迹后的Cleaned signal代表的线条与Ground truth signal代表的线条很大程度的重合。即去除伪迹后的EEG信号与纯净的EEG信号基本重合,消除伪迹得到了去除噪声后的EEG信号。
参见图7,本发明在公开的两通道EEG信号中去除运动伪迹验证数据集上进行了测试,相比现有的EEMD-ICA和EEMD-CCA技术效果得到显著提升;使用本发明EEG信号去除伪迹成分后与原始信号的均方根误差降低了24.2、信噪比提高了9.2分贝以及相似性提高了0.24。
其中,均方根误差是差分评价指标,数值越大表示信号间数值差越大;信噪比的值越高,意味着包含的噪声越少,去噪效果越好;相似度的值越接近1,则代表去噪后信号与真实信号越接近。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
机译: 去除脑电伪迹的方法和装置
机译: 去除脑电伪迹的方法和装置
机译: 去除脑电伪迹的方法和装置