（电路与系统专业论文）脑电信号中伪迹去除的综合研究.pdf

浙江大学硕士学位论文摘要 摘要 脑电( e e g ) 信号是一种在临床医学、思维研究、脑机接口等诸多科学研究领域的重 要工具。但实际采集的脑电信号非常微弱，并且往往被多种伪迹成分所污染，如眼电伪迹、 工频干扰等，因而去除伪迹对提取纯净的脑电信号意义重大。 本文在已有成果的基础上，对脑电信号伪迹去除方面进行了一系列的研究。本文所作 的主要工作及取得的成果如下： ( 1 ) 针对传统陷波器会极大削弱脑电信号的缺陷，研究了三种方法：基于零极点原理的 i i r 陷波器、自适应陷波器以及独立成分分析( i c a ) 算法，并将它们应用于工频干扰的 去除，同时研究了算法对非工频干扰成分的影响。实验结果表明，采用的三种算法都可以 有效地去除工频干扰，并且对非工频干扰成分的脑电信号造成的损失极小。三种算法中， 独立成分分析算法在去除工频干扰的同时，更有效地保留了有用的脑电信号成分，具有极 大的优越性。 ( 2 ) 提出一种结合主分量分析( p c a ) 和特征矩阵联合相似对角化( j a d e ) 算法的眼电伪 迹去除方法，并分析了主分量分析对于伪迹去除的效果的影响。实验结果表明，结合主分 量分析和独立成分分析的算法是一种行之有效的脑电信号去噪方法。 ( 3 ) 提出了一种利用非线性参数并基于盲源分离算法的眼电伪迹自动去除方法。本文引 入任尼熵和样本熵用于眼电伪迹的自动识别，并与稳健的基于分形维数的算法进行了比 较。首先采用二阶盲辨识( s o b i ) 算法对真实的脑电信号进行盲源分离，然后采用三种 参数，通过一种通用的伪迹判决方法实现了对眼电伪迹的自动识别，最后通过脑电信号的 重构来实现眼电伪迹的去除。实验结果表明，任尼熵方法及样本熵方法针对不同的脑电数 据长度，以及由于s o b i 算法的因素出现眼电分裂的情况下，二者都可以稳定并且一致地 识别出眼电伪迹成分；分形维数方法在数据长度较短及有多个眼电成分时，会出现漏判或 误判的情况。考虑到时间开销方面，任尼熵方法的效果最为优越。文中提出的方法不需要 任何参考信号，不需要人工干预就可以完全自动地实现眼电伪迹的去除，具有很强的有效 性和稳健性，并且适用于实时场合。 关键词：脑电信号；伪迹；盲源分离；陷波器；二阶盲辨识；任尼熵 i i 浙江大学硕士学位论文 a b s t r a c t a b s t r a c t e l e c t r o e n c e p h a l o g r a m ( e e g ) i sa l li m p o r t a n tt o o li nv a r i o u ss c i e n t i f i cr e s e a r c hf i e l d s ， s u c ha sc l i n i c a lm e d i c i n e ，r e s e a r c ho nt h o u g h t ，b r a i n c o m p u t e ri n t e r f a c e b u t ，t h en o i s e si n f e e b l er e c o r d i n ge e g , s u c ha sp o w e rl i n ei n t e r f e r e n c ea n do c u l a ra r t i f a c t s ，p o s eam a j o r e m b a r r a s s m e n tf o re e g i n t e r p r e t a t i o na n dd i s p o s a l s o ，i ti si m p o r t a n tt oe l i m i n a t ea r t i f a c t sf o r e x t r a c t i n gp u r ee e gs i g n a l b a s e do nt h ee x i s t i n ga c h i e v e m e n t s ，as e r i e so fs t u d yo nr e m o v a lo fa r t i f a c t sf r o me e g d a t aa r em a d ei nt h i st h e s i s t h em a i nr e s e a r c hw o r ka n da c h i e v e m e n t so ft h i st h e s i si n c l u d e ： ( 1 ) t r a d i t i o n a ln o t c hf i l t e r sw e a k e n sp a r t so fe e gs i g n a l ss i n c ei t ss p e c t r u mi sc l o s et o p o w e rl i n ei n t e r f e r e n c e i nt h i st h e s i s ，t h r e er o b u s ta l g o r i t h m s ，w h i c ha r en o t c hf i l t e rb a s e do n p o l e z e r op l a c e m e n ta l g o r i t h m ，a d a p t i v en o t c hf i l t e ra n di n d e p e n d e n tc o m p o n e n ta n a l y s i s ( i c a ) ， a r ei n v e s t i g a t e da n de m p l o y e dt of i l t e rt h ep o w e rl i n ei n t e r f e r e n c e c o m p r e h e n s i v ec o m p a r i s o n s b e t w e e nt h e s ea l g o r i t h m sa r em a d ea n dt h ee x p e r i m e n t a lr e s u l t sd e m o n s t r a t et h a tt h ep r o p o s e d a l g o r i t h m sc a ne l i m i n a t e5 0 h zp o w e rl i n ei n t e r f e r e n c es u c c e s s f u l l ya n dd ol i t t l eh a r mt ou s e f u l e e gs i g n a l s r e m a r k a b l y , i c aa l g o r i t h mi st h eb e s tc h o i c ef o re x t r a c t i n ge e gs i g n a l sa n d e l i m i n a t i n ga r t i f a c t sd u e t oi t sp e r f e c tp e r f o r m a n c es h o w ni ns i m u l a t i o ne x p e r i m e n t s ( 2 ) ar o b u s ta l g o r i t h mb a s e do nt h ec o m b i n a t i o no fp r i n c i p a lc o m p o n e n ta n a l y s i s ( p c a ) a n dj o i n ta p p r o x i m a t i v ed i a g o n a l i z a t i o no fe i g e nm a t r i x ( j a d e ) i sp r e s e n t e d b e s i d e s ，t h e i n f l u e n c eo fp c ao nt h ep e r f o r m a n c ei sd i s c u s s e d s i m u l a t i o nr e s u l t sd e m o n s t r a t et h a tt h e p r o p o s e dm e t h o di se f f i c i e n tf o rn o i s er e m o v a li ne e gs i g n a l s ( 3 ) an o v e lm e t h o df o ra u t o m a t i cr e m o v a lo fe l e c t r o o c u l a r ( e o g ) a r t i f a c t sf r o me e gd a t a ， w h i c hu s i n gn o n l i n e a rp a r a m e t e r s ，i sp r e s e n t e d r e n y i se n t r o p ya n ds a m p l ee n t r o p ya r ea d a p t e d t oi d e n t i f yo c u l a ra r t i f a c ta u t o m a t i c a l l yi nt h i sp a p e r , a n dt h er e s u l t sa r ec o m p a r e dw i t har o b u s t m e t h o db a s e do nf r a c t a ld i m e n s i o n b l i n ds o u r c es e p a r a t i o n ( b s s ) a l g o r i t h mi su s e dt os e p a r a t e r e a le e gs i g n a lf i r s t l y , t h e nau n i v e r s a la p p r o a c ht o g e t h e rw i t ht h r e ek i n d so fp a r a m e t e r si s e m p l o y e dt oi d e n t i f yt h ea r t i f a c tc o m p o n e n t s ，t h e nt h ea r t i f a c t si se l i m i n a t e dt h r o u g h r e c o n s t r u c t i o no fe e gd a t a t h ee x p e r i m e n t a lr e s u l t ss h o wt h a t ，f o rr e a le e gd a t ao fd i f f e r e n t l e n g t h s ，a n di nt h ec o n d i t i o nt h a to c u l a r a r t i f a c ti ss e p a r a t e di n t od i f f e r e n tc o m p o n e n t s ，r e n y i s i l i 浙江大学硕士学位论文 a b s t r a c t e n t r o p ya n ds a m p l ee n t r o p y c a l la l w a y si d e n t i f yo c u l a ra r t i f a c ta c c u r a t e l y , b u tf r a c t a ld i m e n s i o n m a y u n d e r e s t i m a t eo ro v e r e s t i m a t eo c u l a ra r t i f a c tw i t he e gd a t eo fs h o r tl e n g t ho rw h e nt h e r e a r es e v e r a la r t i f a c tc o m p o n e n t s t a k i n gi n t oa c c o u n tc o m p u t a t i o nt i m e ，r e n y i se n t r o p yi so f o p t i m a lp e r f o r m a n c e m e a n w h i l e ，c o m p a r e dw i t he x i s t i n ga l g o r i t h m s ，t h ep r o p o s e dr o b u s ta n d e f f i c i e n tm e t h o dd o e sn o tn e e da n ye o gr e f e r e n c ec h a n n e l ，a n di sf u l l ya u t o m a t e dw i t h o u t h u m a ni n t e r v e n t i o n ，w h i c hi ss u i t a b l ef o rr e a l t i m ea p p l i c a t i o n s k e yw o r d s ：e e g ；a r t i f a c t ；b l i n ds o u r c es e p a r a t i o n ；n o t c hf i l t e r ；s o b i ；r e n y i se n t r o p y i v 浙江大学硕：l 学位论文插图清单 插图清单 图1 1典型的e e g 伪迹成分2 图1 2自适应滤波方法去除眼电伪迹原理图3 图2 1 盲源分离工作原理图9 图3 1 i i r 陷波器的幅频响应特性曲线2 6 图3 2自适应滤波原理图2 6 图3 3自适应陷波器原理图2 7 图3 4i n f o m a x 算法原理图2 8 图3 5原始信号波形图及其功率谱密度3 2 图3 6混合信号波形图及其功率谱密度3 2 图3 7i i r 陷波器的输出信号及其功率谱密度图3 3 图3 8自适应陷波器的输出信号及其功率谱密度图3 4 图3 9i c a 算法分离出来的独立源成分及其功率谱密度3 5 图3 1 0i c a 算法去除正弦波成分后的重构信号及其功率谱密度3 5 图3 1 1原始信号源的时域波形3 7 图3 1 2 原始信号源的功率谱密度3 7 图3 1 3 模拟的e e g 数据3 8 图3 1 4i i r 陷波器滤波结果一3 9 图3 1 5自适应陷波器结果3 9 图3 1 6i c a 算法滤波结果4 0 图3 1 7i c a 算法得到的各个独立源成分4 0 图3 1 8i c a 算法得到的各个独立源成分的功率谱密度4 l 图3 1 9三种算法滤波结果的功率谱密度比较4 2 图3 2 0i c a 算法去除工频干扰、眨眼伪迹以及肌电干扰后的e e g 信号4 2 图4 1原始e e g 信号波形图4 7 图4 2主分量累积贡献分布柱图4 7 图4 31 6 个独立源成分时域波形图及i c 3 和i c 6 的脑电地形图4 8 图4 4去除眼电伪迹后的e e g 信号4 8 图4 5一段含眨眼伪迹较多的脑电信号4 9 v 浙江大学硕士学位论文插图清单 图4 6去除眨眼伪迹并重构后的脑电信号4 9 图4 7采用不同主分量的实验结果相关系数分析图5 0 图4 8主分量为4 时水平眼电伪迹片段及其脑电地形图5 l 图4 9采用4 主分量i c a 重构后的脑电信号5 l 图5 1原始e e g 信号5 8 图5 2利用任尼熵判定眼电成分并重构后的e e g 信号5 9 图5 3利用样本熵判定眼电成分并重构后的e e g 信号5 9 图5 4利用分形维数判定眼电成分并重构后的e e g 信号6 0 图5 5s o b i 算法分离出的源信号成分6 1 图5 62 0 0 秒e e g 信号分离出的源信号( 其中的1 0 秒部分) 6 2 图5 7长度为1 8 秒的原始e e g 数据( 其中1 0 秒部分) 6 3 图5 8s o b i 算法得到的源信号成分( 其中1 0 秒部分) 6 3 图5 9任尼熵及样本熵方法去除眼电后的e e g 信号( 其中1 0 秒部分) 6 3 图5 1 0 分形维数方法去除眼电并重构后的e e g 信号( 其中1 0 秒部分) 6 4 图5 1 1长为1 8 秒的不合未知脉冲的e e g 数据( 其中l o 秒部分) 6 4 图5 1 2 不含未知脉冲的e e g 信号对应的源信号成分一6 5 图5 1 3利用任尼熵方法去除眼电伪迹后的e e g 信号6 5 图5 1 4 利用分形维数去除眼电伪迹后的e e g 信号6 5 图5 1 5另外一段长为18 秒的e e g 数据( 其中1 0 秒部分) 6 6 图5 1 6图5 1 5 中的e e g 数据对应的源信号( 其中1 0 秒部分) 6 6 v l 浙江大学研究生学位论文独创性声明 本人声明所呈交的学位论文是本人在导师指导下进行的研究工作及取得的研究成果。 除了文中特别加以标注和致谢的地方外，论文中不包含其他人已经发表或撰写过的研究成 果，也不包含为获得逝姿盘堂或其他教育机构的学位或证书而使用过的材料。与我一 同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示谢意。 学位论文作者签名： 王具 签字日期：2 d ，d 年；月，d 日 学位论文版权使用授权书 本学位论文作者完全了解 逝鎏盘鲎 有权保留并向国家有关部门或机构送交本 论文的复印件和磁盘，允许论文被查阅和借阅。本人授权逝鎏盘堂可以将学位论文的 全部或部分内容编入有关数据库进行检索和传播，可以采用影印、缩印或扫描等复制手段 保存、汇编学位论文。 ( 保密的学位论文在解密后适用本授权书) 学位论文作者签名：王县 签字日期：2 o l o 年3 月，d 日 导师繇虿相舻 签字日期：口f 口年) 月l u 日 浙江大学硕士学位论文致谢 致谢 光阴似箭，在浙大求学的两年半时光就要过去。在毕业论文即将完成的时刻，我心中 有许多的感想和感激。我想借这一页薄纸，将我真挚的谢意和祝福送给那些曾经在我的求 学生涯中给过我帮助的亲朋好友。 首先，我最想感谢的人是我的恩师王柏祥老师。王老师的乐观豁达和平易近人，以及 他潜移默化传达给我们的快乐科研的理念，都深植在我心中。在学业生活的各个方面，他 总是能够给我勇气和力量，让我微笑自信地面对一切困难。一日为师，终生为父。任何语 言，皆显词穷，王老师的恩情我将永远铭记于心。同时，还要感谢给过我帮助的其他老师 们，以及各位审稿老师和答辩组的老师，感谢你们为我的论文定稿所付出的辛勤劳动。 其次，我想感谢实验室的各位同学及好友。戴燕云师姐、赵一鸣师兄、施剑峰师兄、 王魁、叶闯、张廷蕾、李璋、石广宇、沈益青、梁晓霖等同学，你们在科研学习及生活等 各方面给过我很多的帮助；还有其他好朋友们，曾与你们一块游戏、一起打球、一同吃饭、 一起弹琴，和你们一起度过的快乐时光让我难忘。 还要感谢曾经给过我帮助的其他长辈，虽然你们看不到。诺基亚西门子通信公司的周 莹经理和任立经理，你们身上的优秀品质和给我的人生启迪，使我受益终生。与各位同事 以及实习的朋友们相处的短暂时光，是我珍贵的美好回忆。 最后感谢我的父亲母亲，我像一只飞翔的风筝，而那根线，永远在你们手心。 祝愿所有的良师益友和亲人们身体健康、笑口常开、生活幸福。 王兵 2 0 1 0 年1 月于浙大玉泉 浙江人学硕二i 二学位论文1 绪论 1 绪论 1 1 研究背景及意义 人类对于大脑的探索由来已久。长期以来，心理学家、神经科学家、临床医学家以及 有关的工程技术人员，都在探索如何利用无损伤的方法来观察人脑进行思维时的特征性变 化【l 】。通过对大脑的信号的研究，人们可以找寻和探索人的思维、心理、脑部疾病等发生 和运作的机理。脑电活动首次于1 9 2 4 年被德国精神科教授h a mb e r g e r 测量并定名为e e g ( e l e c t r o e n c e p h a l o g r a p h y ) 。e e g 信号作为一种直接反映大脑内部状态的生物电信号，其 中蕴含了大量的心理、生理和病理信息。目前被广泛运用于神经心理学、大脑意识及认知、 脑部疾病的诊断、脑机接口等诸多研究领域当中。 在人的思维及意识研究方面，目前采用的主要方法是事件相关电位( e v e n t r e l a t e d p o t e n t i a l s ，e r p ) 。事件相关电位是一种与一定心理活动或事件相关联的脑电位变化。经过 五十多年的研究，科学家们发现了与注意、信号感知、分析判断、决策，以及工作记忆内 容更新等认知过程相关联的e r p 成分，并得出与疾病、老化，甚至与智力差异相关联的 特征性变化【1 1 。 与e e g 信号研究有紧密关系的另一种典型技术为脑机接口技术( b r a i nc o m p u t e r i n t e r f a c e ，b c i ) 。b c i 可以完全不依赖于外围神经和肌肉的参与，直接实现人与计算机之 间或人与外部环境之间的通信。b c i 一般可以分为以自发脑电信号的b c i 系统和使用诱发 脑电信号的b c i 系统，其核心技术是把用户输入的脑电信号转换成输出控制信号或命令的 转换算法。b c i 系统可以使有运动障碍的人通过e e g 信号来与外界进行交流。提高b c i 系统有效性的一个重要手段就是提高采集到的微弱的e e g 信号的信噪比【2 1 。 不管是提取e r p 还是实现b c i ，其前提都是要对e e g 信号进行有效的预处理。 脑电信号一般通过放置于大脑头皮的电极进行采集，但是实际采集到的脑电信号非常 微弱，只有微伏极。由于脑电信号是一种易变的非平稳信号，其在采集过程当中，会不可 避免地混入由非脑神经组织产生的各种伪迹( 干扰) 成分，如眼电、肌电、心电、工频、 出汗伪迹等。图1 1 描述了e e g 信号当中混杂的各种典型伪迹成分的时域波形【3 1 。这些伪 迹的存在，给真实的脑电信号的提取和解释带来了极大的困难。因而如何对脑电信号进行 预处理、去除各种伪迹成分，并从中提取出有效的脑电信号成分，是各国研究者关注的重 要问题，具有重大的理论和实践意义。 淅旺大学硬t 学位论文绪论 5 n 私吣# 轧沓p 呻忒执 纯吊的e g f 一一、 o 豫功伪逮 一j 肇蟛咎一 ( 蹦f 【电伪进 j j + - p 、“一十“4 h ，j n + - 删眨瞳伪瀣 ( e ) x d l l - 融t ，一一，。一、。一 ( o 脉自m 田li典型的e e g 伪连成分 1 2 国内外研究现状 1 2 i 早期方法 ( 1 ) 实验控制 在早期，医生和研究者通过实验控制来处理无关的电生理伪迹成分，比如让患者和被 试者避免或者减少眨眼、眼动、吞咽以及四肢运动等，这样会j 垂加附加的实验任务 “，并 且不易于控制如当患者和被试为儿童时，比较难以控朝，因而会影响实验效果 ( 2 ) 片断选择 一般来说，e e g 信号伪进去除的通用方法是去除含有伪迹成分的e e g 信号片段比 如，识别艰电伪迹( 主要包括眨眼伪逮和眼动伪迹) ，通常通过检测眼电导联记录的电平 超过一定的圈定闻值，比如1 0 0 a v 其他的伪违成分或干扰的检测可啦通过人工标记并 去除l ”去除含有伪迹成分的e e g 片段必然会引起有效的e e g 信号成分的大量损失比 如识别任务当中的眨眼可能就是识别任务的一种反应，若剔除可能会导致重要信息的丢 失：另外，对于一些病人来说，剔除被污染的脑电数据就意味着病情的祸诊” 1 2 2 现代方法 随着现代信号处理技术的高速发展，涌现出一大批适用干e e g 信号伪迹去除的方法， 其中的主要方法有回归方法，自适应滤波方法、小渡变换方法以及盲源分离算法等以下 分；0 加以介绍 ( 1 ) 回归方法 回归方法是最通用的e e g 伪迹去除方法，一般用来去除眼电伪连h i l l y a r d 等人干 1 9 7 0 年提出基于时域的伪连去除方法，用于去除水平眼动伪连随后，v e r l e g e r 等人于1 9 8 2 浙江大学硕士学位论文1 绪论 年提出频域的回归方法。k e n e m a n s 等人给出了通用的滞后回归模型【5 1 ： 7 e e g ( t ) = e e g ( t ) - f l g e o g ( t - g ) ( 1 1 ) 式中：e e g ( t ) 在时刻t i 6 录的e e g 信号；e o g ( t g ) 为在时刻f g 记录的e o g 信号； 脚( ，) 代表时刻t 的未被污染的纯净e e g 信号；参数展代表了e o g 在时刻t - g 时对e e g 信号的影响。 不管是频率域还是时域的回归方法，其基本的要求就是需要有一个优良的回归导联 ( 如e o g 导联) 。但是由于大脑头皮上任意电极处采集到的脑电信号都不可能是纯净的， 如e e g 信号当中包含着眼电等伪迹成分，而e o g 参考导联中也包含着e e g 成分，这种 信号传导的双向性会造成e e g 成分和参考的e o g 导联之间的交叉干扰。因而回归方法会 产生对眼电伪迹成分产生过估计，会造成校正后的e e g 信号中去除掉了一部分有用的 e e g 成分。 另外，若要去除肌电伪迹，需要对不同的肌肉组织采用不同的参考信号，显然回归方 法不能去除肌电噪声。 ( 2 ) 自适应滤波方法 自适应滤波器可以自动调节参数，在设计时无需任何关于信号和噪声的先验统计知 识。在信号和噪声的先验知识未知的情况下，可以采用自适应滤波方法来去除噪声。 图1 2 中给出了一种自适应滤波方法去除e e g 中眼电伪迹的原理图【6 1 。由图可知，自 适应滤波方法需要采用眼电信号来作为参考信号，通过自适应算法来消除眼电伪迹的影 响，从而得到纯净的e e g 信号。 白适应眼电伪迹消除器 l 源信号 e e g 电极 原始信号+ 俞 纯净的e l i ( e e g ) 和放大器7 厶 l 、一 】 少( 胛) ? 一 l 干扰信号 参考信号 自滤波估计噪声 l( 眼动) e o g 信号 i | g 图1 2自适应滤波方法去除眼电伪迹原理图 e h e 【7 1 提出了一种基于自适应滤波的方法来去除水平眼电和垂直眼电，将原始的e e g 信号作为输入，并将垂直眼g ( v e o g ) 和水平眼电( h e o g ) 参考导联信号作为两路参考输 3 浙江大学硕士学位论文 l 绪论 入，结果表明算法能够有效地去除多路眼电伪迹。利用r l s 算法的稳定性以及快速收敛 特性，可以满足实时处理的要求。 s m e h r k a i l o o n 【8 1 采用类似的算法，采用三个参考输入：垂直眼电( v e o g ) 、水平眼电 ( h e o g ) 、面部肌电( e m g ) 作为参考输入，自适应算法采用最小均方l m s ( l e a s tm e a n s q u a r e ) 算法，实验结果表明该算法可以实时去除各种眼电成分。 m b e n l 出e m t 【9 】提出了一种基于可变步长l m s 自适应滤波算法来去除眼电。该方法具 有稳定性以及快速收敛特性，而且易于执行。为得到最优化的效果，可以在更新的最初采 用较大的步长，因而可以加速初期收敛速度；当算法接近最优值时，使用较小的步长，以 得到最佳的跟踪性能。通过相关函数分析，该算法性能要优于l m s 和r l s 算法，且其计 算复杂度低，适合于在线的实时场合。 自适应滤波方法也需要参考导联( 如眼电参考导联) ，本质上也是一种回归方法，因 而也不能避免回归方法中存在的“双边干扰”问题的影响。 ( 3 ) 小波变换方法 小波变换方法是2 0 世纪8 0 年代中期发展起来的一种时频分析方法。传统的傅里叶分 析方法在处理平稳信号方面具有显著优势，经过其变换的信号具有最大的频率分辨率，但 是不具备时空定位信息；而窗口傅里叶变换通过对时空信号进行分段或分块处理进行时 空一一频谱分析，但其窗口大小固定，不适合频率波动大的非平稳信号；而小波变换由于 其窗口可以根据频率的高低而进行自适应调节，从而具有多分辨特性。小波变换在低频部 分具有较高的频率分辨率和较低的时间分辨率；而在高频部分具有较高的时间分辨率和较 低的频率分辨率，具有“数学显微镜”的美称【1 0 1 。这种多尺度特性适合于分析生物医学信号 等非平稳信号。 由于脑电信号中的频谱与伪迹的频谱往往有重叠，因而传统的傅里叶变换不再适合于 处理脑电信号，而小波变换这一时频分析方法则适合于e e g 信号的分析。 s v e l l l ( a t a r a m a n a n 【1 1 1 采用h a a r 小波来分解被污染的e e g 信号，利用最后一层的近似 成分产生一个阶跃信号来定位眨眼伪迹的位置，但该方法并不是自动的。v 1 s i l l l a v e n i 【1 2 1 提出一种自动识别和去除眼电的小波变换方法。它将小波分解后的最后一层的近似成分的 时域波形的边缘分为伪迹上升沿和下降沿，其上下边沿依据其相对幅值的大小来决定是否 对应于眨眼伪迹。p s e n t h i lk u m a r t l 3 1 采用s y m 3 小波对e e g 信号进行平稳小波变换，并采 用尖峰区域的差异性系数这一统计量来定位眨眼伪迹区域，并提出一种近似软阂值函数来 进行去噪，有效地实现了眨眼伪迹的定位和去除。 4 浙江人学硕士学位论文1 绪论 n e c a s t e l l a n o s 1 4 1 提出一种结合小波变换和独立成分分析的方法，其不对原始的e e g 信号进行小波阈值法去噪，而是对分离出来的独立分量进行小波变换，以减少对真实脑电 信号的削弱，有效地去除了如眼电及心电等噪声。 小波变换方法不需要参考信号以及人工识别伪迹，但小波变换方法的阈值确定比较复 杂。若需要由干净的e e g 信号来计算得出相应的阈值时，e e g 信号的采集将是另一个难 题。另外小波方法可能造成脑电频谱成分泄露；并且目前小波方法主要用于去除眨眼伪迹， 因而有待进一步扩展。 ( 4 ) 盲源分离方法 盲源分离( b s s ) 是信号处理领域一个新的研究热点。它尝试在源信号和传输系统特性 均未知的情况下对混合信号进行分离。盲源分离算法将伪迹成分和e e g 信号分解成不同 的源信号成分，通过将与伪迹有关的源信号成分置零，可以得到去除伪迹后的信号。 盲源分离问题可以采用许多不同的算法以及原则来估计源信号成分，通常采用基于二 阶统计量和高阶统计量的方法来实现盲源分离。下面分别加以介绍，并比较它们的优缺点。 ( a ) 主分量分析 主分量分析( p r i n c i p a lc o m p o n e n ta n a l y s i s ，p c a ) 是统计信号分析中的经典方法，是一 种基于二阶统计量的分析方法。盲源处理领域中，p c a 是一种极其有效的处理手段。它可 以降低数据的维数，将数据解相关并且找寻能量最大的分量。 t e j u n g 和s m a k e i g 等学者 1 5 - 16 】采用p c a 方法对e e g 信号进行了伪迹去除研究。研 究表明，p c a 方法优于回归方法，但当伪迹成分( 如眼电伪迹、心电伪迹等) 具有和脑电 信号成分可比拟的幅值时，p c a 方法效果较差，并不能完全从脑电信号中分离出眼电伪迹 成分。p c a 方法对多导脑电信号进行旋转处理，在新的坐标中的成分满足不相关和正交的 要求，这与实际情况有一定的出入，因而影响了伪迹去除效果。 ( b ) - 阶盲辨识方法 二阶盲辨识方法( s e c o n do r d e rb l i n di d e n t i f i c a t i o n ，s o b i ) ，其利用源信号的空间以及 频谱的差异性，从多重的时间延迟的白化数据中计算得出一组互相关系数矩阵，并对这一 族矩阵实行最优化的联合对角化，从而去除各个独立源的相关性。 m r o b e r t 1 7 1 采用s o b i 算法来去除眼电伪迹，取得了良好的伪迹去除效果。s r o m e r o 【1 8 】 利用s o b i 算法来去除眼电伪迹，并与回归方法以及自适应滤波的方法进行了综合比较。 结果表明，s o b i 算法的效果最优，并且可以在保留更多的脑电信号成分的基础上最大程 度地去除眼电伪迹。 气 浙江大学硕二t 学位论文1 绪论 基于二阶统计量的s o b i 算法由于其简单性、稳定性、稳健性，并且适用于高斯信号， 在去除眼电伪迹方面具有优良的效果；但是s o b i 算法不适用于处理若干个源信号具有相 似频谱特性的情况，不太适合处理时隙很窄的眨眼伪迹【1 9 1 。 ( c ) 独立成分分析 独立成分分析( i n d e p e n d e n tc o m p o n e n t a n a l y s i s ，i c a ) 是为了解决盲源分离问题而逐 渐发展起来的，它可以利用源信号统计独立等易满足的先验条件，从混合信号当中重现出 不可观测的各个源信号分量。 i c a 处理过程实际上是使分离出来的各个独立分量最大程度地逼近于各个源信号，即 建立目标函数以寻优来实现逼近。实际可用的代价函数和优化算法比较多。代价函数有高 阶统计量、互信息熵、最大似然估计等。一些经典的i c a 算法有j a d e 算法【2 0 1 、扩展最 大熵算法【2 1 1 、f a s t i c a 算法【2 2 1 等。 s c o rm a k e i g t 2 3 】首次于1 9 9 6 年将i c a 算法( i n f o m a x 算法) 用于脑电信号的分析，并 成功分分离出眼电以及工频干扰成分。t z y y p i n gj u n g 2 1 1 等学者于1 9 9 8 年采用扩展最大熵 算法( e x t e n d e d i n f o m a x ) 算法成功分离出更多的伪迹成分，其中包含了亚高斯及超高斯成 分。c j j a m e s l 2 4 1 采用f a s t l c a 算法来去除眼电伪迹。r n v i g a r i o l 2 5 】提出了一种采用i c a 来 去除e e g 中伪迹成分的算法框架，并成功去除了眼电伪迹。 经典的独立成分分析算法虽然可以有效地去除伪迹成分，但它们的处理过程都不是自 动的，需要人工干预来识别各种伪迹成分，具有一定的主观性。a d e l o r m e 及s m a k e i g 等 学者【2 6 i 提出一种半自动的方法来辅助专家根据源信号成分的统计特性来去除伪迹成分，并 采用峰度和信息熵来识别各种伪迹。s d e l s a n t o 2 7 1 采用脑电成分以及伪迹成分之间的脑地 形图以及频谱特性差异来自动去除伪迹。c j j 锄e s 【2 8 1 采用c l c a 方法来去除伪迹成分，其 可以利用伪迹成分的先验知识，将要去除的伪迹成分作为参考输入信号，来自动去除相应 的伪迹成分。k h t i n g t 2 9 1 采用不同的准则来去除肌电和心电伪迹，并结合二阶统计量的方 法( a m u s e 算法) 来自动去除各种伪迹成分。如利用时域幅值准则来识别眨眼伪迹；利 用信号能量在头皮的分布来识别眼动伪迹；利用频率成分的功率分布来判别肌电伪迹，从 而实现自动去除多种伪迹成分的目的。高莉【3 0 1 采用最大熵算法( i n f o m a x ) 并结合熵、郝斯特 指数以及三阶矩( 偏度) 三种非线性参数来对各个独立成分进行分析，并设定一定的阈值， 从而实现半自动去除各种伪迹成分。d a n h u az h u 3 1 1 首次将样本熵这一参数引入e e g 信号 的分析，仿真实验表明，该算法可以有效地去除e e g 信号当中的眨眼伪迹成分。n m a m m o n e l 3 2 1 采用r e n y i 熵结合i c a 算法( 扩展最大熵算法) 来自动去除e e g 信号中的伪 6 浙江大学硕二e 学位论文 1 绪论 迹。研究表明，该方法比香农熵和峰度作为判据能够收到更好的伪迹自动去除效果( 如针 对肌电伪迹等) 。gg 6 m e z h e 盯e r o 【3 3 】采用分形维数( f r a c t a ld i m e n s i o n ) 来度量时间序列复 杂度，利用伪迹成分和脑电信号成分的分形维数的差异来自动识别和剔除眼电伪迹。 ( 5 ) 各种算法的比较 基于时频和频域的回归方法只适用于眼电伪迹的去除，而且依赖于一个或者多个眼电 参考导联，并不可避免地受e e g 和伪迹的双向作用影响。自适应滤波方法简单有效，但 是与回归方法类似，也需要相应的参考参考导联，因而也存在着回归方法中的“交叉干扰” 问题。小波变换方法的阈值确定比较复杂，而且可能造成频谱成分泄露。基于成分的方法 当中，p c a 的方法的正交性假设条件与实际情况不符合，去除伪迹的效果不太理想；基于 二阶统计量的s o b i 算法简单且具有很强的稳健性，但其并不太适合处理时隙很窄的眨眼 伪迹；而i c a 方法很多时候并不是自动实现的，需要人工识别伪迹，因而具有一定的主观 性而且非常耗时，分离出来的许多脑电信号成分的解释有一定的难度，而且许多时候为提 高i c a 算法的稳健性需要记录较长的脑电记录信号，而较长的数据会影响i c a 算法的稳 健性。 1 3 本文主要创新性研究 1 3 1e e g 信号中工频干扰去除研究 虽然国内外对e e g 信号中伪迹去除进行了大量的研究，但是主要集中于眼电伪迹的 去除研究，如回归、自适应滤波、小波变换等手段目前还主要应用于眼电伪迹的去除，而 对工频、肌电等伪迹去除的专门研究较少。 工频干扰一般在频域内滤波，但当感兴趣的脑电信号频段与其重合时，不能简单地使 用频率域滤波来去除工频。本文对工频干扰问题进行专门研究，并对各种算法进行定性及 定量的比较研究，以克服传统的频域陷波方法的缺陷。 1 3 2 眼电伪迹的自动去除研究 盲源分离算法虽然具有能够去除多种伪迹的优势，但是经典的盲源分离算法不能自动 去除伪迹，往往需要人工识别伪迹，并且需要相关人员具有一定的经验，因而识别过程具 有一定的主观性。本文尝试针对眼电伪迹的特点，采用多种有关信号统计特性的非线性参 数( 如任尼熵、样本熵、分形维数) ，并结合盲源分离算法来对e e g 信号当中的眼电伪迹 进行自动去除研究。 浙江大学硕士学位论文l 绪论 文中提出的任尼熵计算方法，简单易行，运算速度快，算法在时间开销上优于样本熵 方法；另外，针对不同长度的e e g 数据，任尼熵方法均具有很强的有效性及稳健性，对 于小样本数据，效果尤其优越，优于基于分形维数的方法；此外，文中提出的任尼熵方法 不需要人工设置阈值和人工干预，可以自动执行伪迹的去除，并且可以在一定程度上克服 盲源分离算法的缺陷。同时，文中提出的任尼熵方法有望扩展到其他伪迹去除中去，并且 有望移植到其他生物医学信号( 如脑磁图，肌电图等信号) 中眼电伪迹的自动去除当中。 1 4 本文结构安排 本文主要对脑电信号 - 3 中的工频干扰及眼电伪迹的去除进行了研究。工频干扰去除方 面，针对传统陷波器的缺陷，研究了三种算法：基于零极点原理的i i r 滤波器、自适应滤 波器、独立成分分析算法，并研究了算法对非工频脑电信号频率成分的影响；眼电伪迹去 除方面，首先研究了结合主分量分析和独立成分分析相结合的算法，并研究了主分量分析 对伪迹去除的影响，其次提出采用非线性参数( 任尼熵及样本熵) 来实现眼电伪迹的自动 识别和去除。 本文的结构安排如下： 第一章是绪论，主要介绍脑电信号伪迹去除的研究背景、意义以及国内外研究现状； 第二章介绍了盲源分离的算法基础，包括盲源分离的基本模型、实现方法、目标函数 及优化算法等； 第三章介绍了基于零极点原理的i i r 滤波器、自适应滤波器以及扩展最大熵算法的原 理；采用三种算法对工频干扰进行了滤波处理，并研究了三种算法对于脑电信号的影响； 第四章介绍了主分量分析( p c a ) 和特征矩阵联合相似对角化( j a d e ) 的算法原理，并 研究了p c a 对眼电伪迹去除的影响； 第五章介绍了三种信号复杂度度量因子：任尼熵、样本熵以及分形维数，同时介绍了 二阶盲辨识( s o b i ) 算法过程，并采用三种因子结合s o b i 算法进行了眼电伪迹的自动去 除研究。 第六章对全文的