本發(fā)明屬于腦電信號(hào)處理技術(shù)領(lǐng)域，具體涉及一種基于多元經(jīng)驗(yàn)?zāi)B(tài)分解和獨(dú)立向量分析，從少數(shù)通道腦電信號(hào)中自動(dòng)識(shí)別肌電偽跡并消除的新方法，主要應(yīng)用于人腦相關(guān)疾病和人腦功能的研究。

背景技術(shù)：

腦電圖作為一種記錄腦神經(jīng)細(xì)胞的電生理活動(dòng)的設(shè)備，由于腦電信號(hào)具有高時(shí)域分辨率、便攜和無(wú)創(chuàng)性等特點(diǎn)，已被廣泛應(yīng)用于臨床疾病診斷、大腦特診和睡眠模式等方面的研究。然而腦電信號(hào)作為微弱的電生理信號(hào)，經(jīng)常受到如心電、眼電和肌電等多種偽跡的干擾，影響后續(xù)對(duì)腦電分析的準(zhǔn)確性。另外，由于肌電信號(hào)具有幅值大、頻域分布廣和復(fù)雜的地域分布等特點(diǎn)，導(dǎo)致肌電偽跡是眾多干擾源中最難消除的干擾偽跡。

在過(guò)去數(shù)十年中，研究人員已經(jīng)提出多種方法用于去除腦電信號(hào)中的肌電偽跡。最早臨床人員普遍采用低通濾波器來(lái)去除肌電干擾。然而，若肌電干擾與感興趣的腦電信號(hào)的頻譜重疊，頻率濾波器不僅會(huì)抑制肌電干擾，而且可能會(huì)濾掉有價(jià)值的腦電信號(hào)。

后來(lái)，盲源分離算法獨(dú)立成分分析(ICA)被用于從多通道腦電信號(hào)中去除偽跡干擾。獨(dú)立成分分析利用高階統(tǒng)計(jì)量將腦電信號(hào)分解成相互統(tǒng)計(jì)獨(dú)立的分量。通過(guò)人為觀察判定哪些獨(dú)立分量中包含肌電，置零含有肌電的分量后，通過(guò)獨(dú)立成分分析逆變換得到干凈的腦電信號(hào)。實(shí)驗(yàn)證明獨(dú)立成分分析在去除眼電和心電偽跡具有良好的表現(xiàn)，然而去除肌電偽跡的表現(xiàn)并不是很理想。因?yàn)橥ㄟ^(guò)獨(dú)立成分分析得到的大部分獨(dú)立分量中往往既包含腦電也包含肌電。

為此，一些學(xué)者提出用盲源分離算法典型相關(guān)分析(CCA)來(lái)解決腦電中肌電偽跡的消除問(wèn)題。由于肌電偽跡的特性與白噪聲相類似，因此肌電偽跡相比腦電信號(hào)具有較低的自相關(guān)性。典型相關(guān)分析利用二階統(tǒng)計(jì)量將腦電信號(hào)分解成一些互不相關(guān)而自相關(guān)性最大的典型變量。求取這些典型變量的自相關(guān)系數(shù)，若低于設(shè)定閾值，則該典型變量被判定是肌電變量，置零這些典型變量后，通過(guò)典型相關(guān)分析逆變換得到干凈的腦電信號(hào)。典型相關(guān)分析能把肌電偽跡集中于少數(shù)典型變量中，通過(guò)設(shè)置自相關(guān)系數(shù)閾值，可以實(shí)現(xiàn)去除肌電干擾的目的。實(shí)驗(yàn)證明典型相關(guān)分析比獨(dú)立成分分析具有更好的去肌電偽跡效果。然而，獨(dú)立成分分析和典型相關(guān)分析均要求記錄腦電的電極數(shù)量多于潛在信號(hào)源的數(shù)量。在這種限制條件下，獨(dú)立成分分析和典型相關(guān)分析不能被直接應(yīng)用于單通道腦電信號(hào)中，且在通道數(shù)較少和肌電干擾非常嚴(yán)重的情況下，無(wú)法準(zhǔn)確地恢復(fù)腦電信號(hào)和去除肌電偽跡。

為此，研究人員提出兩步式處理方式用于解決單通道的肌電去噪問(wèn)題。首先利用總體平均經(jīng)驗(yàn)?zāi)B(tài)分解或者小波變換將單通道信號(hào)分解為多維信號(hào)，然而利用獨(dú)立成分分析或者典型相關(guān)分析對(duì)該多維信號(hào)進(jìn)行處理。由此而被提出的方法包括EEMD-CCA、EEMD-ICA、Wavelet-ICA和Wavelet-CCA。然而這些單通道的處理方法忽略了通道之間的關(guān)聯(lián)性信息，只考慮了單個(gè)通道內(nèi)的信息，從而導(dǎo)致了無(wú)法完全去除肌電偽跡。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明為了克服現(xiàn)有技術(shù)的不足之處，提出了一種少數(shù)通道的腦電信號(hào)中肌電偽跡的消除方法，以期能完全去除肌電偽跡對(duì)腦電信號(hào)的影響，從而提高腦電信號(hào)分析的準(zhǔn)確性。

本發(fā)明為解決技術(shù)問(wèn)題，采用如下技術(shù)方案：

本發(fā)明一種少數(shù)通道的腦電信號(hào)中肌電偽跡的消除方法的特點(diǎn)是按如下步驟進(jìn)行：

步驟一：由腦電測(cè)量設(shè)備采集并記錄t時(shí)刻N(yùn)通道的腦電信號(hào)，記為：X(t)＝[x₁(t),x₂(t),…,x_n(t),…x_N(t)]^T，x_n(t)為t時(shí)刻第n通道的腦電信號(hào)，T為矩陣的轉(zhuǎn)置；1≤n≤N，N≥3；

添加m個(gè)通道的高斯白噪聲后構(gòu)成N+m通道的輸入信號(hào)，記為：w_m(t)為t時(shí)刻的第m個(gè)通道的高斯白噪聲；1≤m＜N；

步驟二：應(yīng)用多元經(jīng)驗(yàn)?zāi)B(tài)分解法將所述N+m通道的輸入信號(hào)分解為(N+m)P個(gè)本征模態(tài)分量，其中，N通道的腦電信號(hào)通道X(t)中的第n通道的腦電信號(hào)x_n(t)所對(duì)應(yīng)的P個(gè)本征模態(tài)分量記為：I_n(t)＝[i_1(n)(t),i_2(n)(t),…,i_p(n)(t),…,i_P(n)(t)]^T；i_p(n)(t)為t時(shí)刻第n通道的腦電信號(hào)x_n(t)所對(duì)應(yīng)的第p個(gè)本征模態(tài)分量；1≤p≤P；

只提取腦電信號(hào)對(duì)應(yīng)的本征模態(tài)分量，從而獲得t時(shí)刻N(yùn)通道的腦電信號(hào)X(t)的本征模態(tài)分量矩陣，記為：I(t)＝[I₁(t)；I₂(t)；…I_n(t)；…；I_N(t)]；

步驟三：用獨(dú)立變量分析法對(duì)所述本征模態(tài)分量矩陣I(t)進(jìn)行盲源信號(hào)的分離，得到混合矩陣A、逆混合矩陣W和源信號(hào)矩陣Y(t)＝[y₁(t),y₂(t),…y_b(t),…,y_NP(t)]^T；y_b(t)表示第b個(gè)源信號(hào)，并有：I(t)＝AY(t)或Y(t)＝WI(t)；1≤b≤NP；

步驟四：求取所述源信號(hào)矩陣Y(t)中的第b個(gè)源信號(hào)y_b(t)的自相關(guān)系數(shù)值r_b，當(dāng)所述自相關(guān)系數(shù)r_b低于所設(shè)定的閾值e時(shí)，則所述第b個(gè)源信號(hào)y_b(t)為含有肌電偽跡的源信號(hào)；將被判定為肌電偽跡的源信號(hào)均置為零，從而得到不含有肌電偽跡的源信號(hào)矩陣e∈(0,1)；

步驟五：利用式(1)得到不含有肌電偽跡的本征模態(tài)分量矩陣

步驟六：將所述不含有肌電偽跡的本征模態(tài)分量矩陣中按照行的順序，依次取出P個(gè)本征模態(tài)分量為一個(gè)矩陣，其中，第n通道的腦電信號(hào)x_n(t)所對(duì)應(yīng)的P個(gè)不含有肌電偽跡的本征模態(tài)分量第記為表示第n通道的腦電信號(hào)x_n(t)的去除肌電偽跡后的第p個(gè)本征模態(tài)分量，從而得到去除肌電偽跡后的N通道的本征模態(tài)分量矩陣，記為

步驟七：利用式(2)得到去除肌電偽跡后的第n通道的干凈腦電信號(hào)從而獲得去除肌電偽跡后的N通道的腦電信號(hào)

本發(fā)明不僅能去除肌電對(duì)腦電的影響，同時(shí)能減少腦電信息在處理過(guò)程中的丟失，與已有技術(shù)相比，本發(fā)明的有益效果具體體現(xiàn)在：

1、本發(fā)明利用少數(shù)通道的信號(hào)關(guān)聯(lián)性，結(jié)合多元經(jīng)驗(yàn)?zāi)B(tài)分解和獨(dú)立變量分析兩種算法，不僅能到達(dá)到去除肌電偽跡的目的，同時(shí)保證腦電信號(hào)的波形和幅值在處理后盡可能被恢復(fù)。本發(fā)明適用于少數(shù)通道的便攜式腦電設(shè)備中，對(duì)腦電設(shè)備的微型化應(yīng)用具有重要意義。

2、本發(fā)明步驟二中使用多元經(jīng)驗(yàn)?zāi)B(tài)分解對(duì)N通道腦電信號(hào)求解其本征模態(tài)分量。相對(duì)于傳統(tǒng)的總體平均經(jīng)驗(yàn)?zāi)B(tài)分解，多元經(jīng)驗(yàn)?zāi)B(tài)分解利用通道之間的相關(guān)信息，能夠?qū)⒍嗤ǖ滥X電信號(hào)中的對(duì)應(yīng)本征模態(tài)分量排成一行，并且能更加精確地估計(jì)本征模態(tài)分量。另外，現(xiàn)有技術(shù)中的總體平均經(jīng)驗(yàn)?zāi)B(tài)分解法采用對(duì)信號(hào)直接添加白噪聲的做法，可能會(huì)導(dǎo)致一部分白噪聲混合在本征模態(tài)分量中，將這些本征模態(tài)分量進(jìn)行處理，會(huì)影響到之后的信號(hào)分離，最終影響到去噪的性能。而本發(fā)明中所采用的多元經(jīng)驗(yàn)?zāi)B(tài)分解采取添加兩通道的白噪聲信號(hào)，腦電記錄信號(hào)和白噪聲信號(hào)的本征模態(tài)分量相互獨(dú)立，即腦電記錄信號(hào)的本征模態(tài)分量的提取不受所添加的白噪聲影響，從而克服了現(xiàn)有技術(shù)中的缺點(diǎn)。

3、本發(fā)明步驟三中，將多個(gè)通道的腦電信號(hào)的本征模態(tài)分量同時(shí)進(jìn)行盲源信號(hào)分離。這一做法能夠?yàn)榻酉聛?lái)使用的獨(dú)立成分分析提供更多的源信號(hào)相關(guān)信息，促使腦電源和肌電源更為精確地分離到不同的獨(dú)立成分中去。

4、本發(fā)明步驟三中，使用獨(dú)立成分分析法進(jìn)行盲源信號(hào)分離。相對(duì)于獨(dú)立成分分析和典型相關(guān)分析，獨(dú)立變量分析結(jié)合了上述兩種方法的優(yōu)點(diǎn)，同時(shí)采取二階統(tǒng)計(jì)量和高階統(tǒng)計(jì)量，能夠?qū)⒓‰娫春湍X電源分離開，更好地解決源信號(hào)分離的問(wèn)題。

附圖說(shuō)明

圖1為本發(fā)明方法的主流程圖；

圖2a為本發(fā)明3通道干凈腦電信號(hào)示意圖；

圖2b為本發(fā)明3通道的肌電干擾源示意圖；

圖2c為本發(fā)明被肌電偽跡干擾的3通道混合的腦電信號(hào)示意圖；

圖2d為本發(fā)明通過(guò)本發(fā)明方法得到前24個(gè)成分示意圖；

圖2e為本發(fā)明通過(guò)本發(fā)明方法得到后24個(gè)成分示意圖；

圖2f為本發(fā)明通過(guò)本發(fā)明方法得到的去除肌電偽跡后重建的腦電信號(hào)示意圖。

圖3a為本發(fā)明通過(guò)本發(fā)明方法處理模擬腦電信號(hào)的相對(duì)均方根的示意圖；

圖3b為本發(fā)明通過(guò)本發(fā)明方法處理模擬腦電信號(hào)的相關(guān)系數(shù)的示意圖；

圖4a為本發(fā)明21通道的真實(shí)癲癇腦電信號(hào)示意圖；

圖4b為本發(fā)明通過(guò)本發(fā)明方法處理真實(shí)癲癇腦電信號(hào)所得到重建腦電信號(hào)示意圖。

具體實(shí)施方式

下面分別通過(guò)模擬腦電信號(hào)與真實(shí)癲癇腦電信號(hào)為例，結(jié)合附圖來(lái)說(shuō)明一種少數(shù)通道的腦電信號(hào)中肌電偽跡的消除方法具體的實(shí)施方式。

1.模擬腦電信號(hào)

在這一部分，將說(shuō)明一個(gè)實(shí)例，如圖1所示，以此介紹本發(fā)明的具體實(shí)施方式，

步驟一：由腦電測(cè)量設(shè)備采集并記錄t時(shí)刻N(yùn)通道的腦電信號(hào)，記為：X(t)＝[x₁(t),x₂(t),…,x_n(t),…x_N(t)]^T，x_n(t)為t時(shí)刻第n通道的腦電信號(hào)，T為矩陣的轉(zhuǎn)置；1≤n≤N，N≥3；

本實(shí)施例中，由腦電測(cè)量設(shè)備采集并記錄t時(shí)刻3通道的腦電信號(hào)，記為：X(t)＝[x₁(t),x₂(t),x₃(t)]^T。其中,X_EEG(t)(圖2a)和X_EMG(t)(圖2b)分別表示3通道的真實(shí)干凈腦電信號(hào)和肌電偽跡信號(hào)，X(t)＝X_EEG(t)+λX_EMG(t)(圖2c，由信噪比SNR＝1.5計(jì)算λ為41.6733)，其中X_EEG(t)＝[x_EEG1(t),x_EEG2(t),x_EEG3(t)]^T，X_EMG(t)＝[x_EMG1(t),x_EMG2(t),x_EMG3(t)]^T。

信噪比定義：SNR＝RMS(X_EEG)/RMS(λ·X_EMG)，其中RMS表示均方根，和

添加m個(gè)通道的高斯白噪聲后構(gòu)成N+m通道的輸入信號(hào)，記為：w_m(t)為t時(shí)刻的第m個(gè)通道的高斯白噪聲；1≤m＜N；

本實(shí)施例中，在X(t)內(nèi)添加2個(gè)通道的高斯白噪聲，即輸入信號(hào)采樣頻率為500Hz，共記錄了10秒信號(hào)，即每通道共有T＝5000個(gè)采樣點(diǎn)；

步驟二：應(yīng)用多元經(jīng)驗(yàn)?zāi)B(tài)分解法將N+m通道的輸入信號(hào)分解為(N+m)P個(gè)本征模態(tài)分量，其中，N通道的腦電信號(hào)通道X(t)中的第n通道的腦電信號(hào)x_n(t)所對(duì)應(yīng)的P個(gè)本征模態(tài)分量記為：I_n(t)＝[i_1(n)(t),i_2(n)(t),…,i_p(n)(t),…,i_P(n)(t)]^T；i_p(n)(t)為t時(shí)刻第n通道的腦電信號(hào)x_n(t)所對(duì)應(yīng)的第p個(gè)本征模態(tài)分量；1≤p≤P；

只提取腦電信號(hào)對(duì)應(yīng)的本征模態(tài)分量，從而獲得t時(shí)刻N(yùn)通道的腦電信號(hào)X(t)的本征模態(tài)分量矩陣，記為：I(t)＝[I₁(t)；I₂(t)；…I_n(t)；…；I_N(t)]；

本實(shí)施例中，將輸入信號(hào)分解為(3+2)×16＝80個(gè)本征模態(tài)分量，其中，3通道的腦電信號(hào)通道X(t)中的第n通道的腦電信號(hào)x_n(t)所對(duì)應(yīng)的16個(gè)本征模態(tài)分量記為I_n(t)＝[i_1(n)(t),i_2(n)(t),…,i_p(n)(t),…,i_16(n)(t)]^T；只提取腦電信號(hào)對(duì)應(yīng)的本征模態(tài)分量，從而獲得t時(shí)刻3通道的腦電信號(hào)X(t)的本征模態(tài)分量矩陣，記為：I(t)＝[I₁(t)；I₂(t)；I₃(t)]；

步驟三：用獨(dú)立變量分析法對(duì)本征模態(tài)分量矩陣I(t)進(jìn)行盲源信號(hào)的分離，得到混合矩陣A、逆混合矩陣W和源信號(hào)矩陣Y(t)＝[y₁(t),y₂(t),…y_b(t),…,y_NP(t)]^T；y_b(t)表示第b個(gè)源信號(hào)，并有：I(t)＝AY(t)或Y(t)＝WI(t)；1≤b≤NP；本實(shí)施例中，得到源信號(hào)矩陣Y(t)＝[y₁(t),y₂(t),…y_b(t),…,y₄₈(t)]^T；1≤b≤48，其中源信號(hào)如圖2d和圖2e；

步驟四：求取源信號(hào)矩陣Y(t)中的第b個(gè)源信號(hào)y_b(t)的自相關(guān)系數(shù)值r_b，當(dāng)自相關(guān)系數(shù)r_b低于所設(shè)定的閾值e＝0.95時(shí)，則第b個(gè)源信號(hào)y_b(t)為含有肌電偽跡的源信號(hào)；將被判定為肌電偽跡的源信號(hào)均置為零，從而得到不含有肌電偽跡的源信號(hào)矩陣

步驟五：利用式(1)得到不含有肌電偽跡的本征模態(tài)分量矩陣

步驟六：將不含有肌電偽跡的本征模態(tài)分量矩陣中按照行的順序，依次取出P個(gè)本征模態(tài)分量為一個(gè)矩陣，其中，第n通道的腦電信號(hào)x_n(t)所對(duì)應(yīng)的P個(gè)不含有肌電偽跡的本征模態(tài)分量第記為表示第n通道的腦電信號(hào)x_n(t)的去除肌電偽跡后的第p個(gè)本征模態(tài)分量，從而得到去除肌電偽跡后的N通道的本征模態(tài)分量矩陣，記為

本實(shí)施例中，依次取出16個(gè)本征模態(tài)分量為一個(gè)矩陣，其中，第n通道的腦電信號(hào)x_n(t)所對(duì)應(yīng)的16個(gè)不含有肌電偽跡的本征模態(tài)分量第記為從而得到去除肌電偽跡后的3通道的本征模態(tài)分量矩陣，記為

步驟七：利用式(2)得到去除肌電偽跡后的第n通道的干凈腦電信號(hào)從而獲得去除偽跡后的N通道的腦電信號(hào)

本實(shí)施例中，獲得3通道的腦電信號(hào)如圖2f所示；

將腦電信號(hào)與模擬的干凈真實(shí)腦電信號(hào)X_EEG(t)進(jìn)行對(duì)比，從圖2a和圖2f中可以清晰地觀察到肌電偽跡大部分被消除，并且很好地保留了原干凈真實(shí)腦電信號(hào)的細(xì)節(jié)信息，說(shuō)明了本發(fā)明對(duì)少數(shù)通道腦電信號(hào)中肌電偽跡消除的有效性。

為了評(píng)估本發(fā)明在不同信噪比下的去噪表現(xiàn)，選擇相對(duì)均方根誤差(RRMSE)和相關(guān)系數(shù)(CC)兩個(gè)性能指標(biāo)作為評(píng)價(jià)指標(biāo)。相對(duì)均方根誤差定義如下：

RRMSE值越小表明去噪效果越好。第二個(gè)性能指標(biāo)是相關(guān)系數(shù)CC。此處使用相關(guān)系數(shù)作為性能指標(biāo)，將去除偽跡后得到的信號(hào)與原始干凈腦電信號(hào)相比較，可直觀展示腦電信號(hào)去除偽跡前后的結(jié)構(gòu)相似度，相關(guān)系數(shù)的值越高說(shuō)明數(shù)據(jù)恢復(fù)得越好。圖3a、圖3b展示了本發(fā)明方法在不同信噪比下的去除肌電偽跡和保留有用腦電信息的表現(xiàn)，從中均可以看出本發(fā)明方法在不同信噪比均能很好地去除肌電偽跡。由于電極在頭皮上安裝位置的相鄰性，各個(gè)通道采集的腦電信號(hào)往往包含一定數(shù)量的相同源，本發(fā)明所使用的多元經(jīng)驗(yàn)?zāi)B(tài)分解法，利用了這些相同源的信息，有助于盲源分離算法更加準(zhǔn)確地恢復(fù)腦電源。

2.實(shí)測(cè)腦電信號(hào)

接下來(lái)將一段真實(shí)癲癇腦電數(shù)據(jù)作為實(shí)驗(yàn)對(duì)象，使用本發(fā)明算法進(jìn)行去除偽跡處理，并評(píng)價(jià)本發(fā)明方法的表現(xiàn)。圖4a是21通道的真實(shí)癲癇發(fā)作腦電信號(hào)，該信號(hào)的采樣頻率是250Hz，共采得10s的數(shù)據(jù)，每通道共有2500個(gè)采樣點(diǎn)。從圖4a中可以看出該腦電信號(hào)被眼電和肌電兩種偽跡所污染。在Fp1和Fp2通道的2.5、3.5、6和7.5s附近可以清楚地觀測(cè)到眼電偽跡。同樣在F7、T3、T5、C3、T1通道的0s-3.9s處以及F8、T4、F4、C4、P4的5s-10s處可以發(fā)現(xiàn)肌電偽跡。癲癇發(fā)作可在通道T2、F8、T4、T6被觀察到，一部分發(fā)作區(qū)域被肌電偽跡嚴(yán)重干擾，這會(huì)影響到后續(xù)腦電信號(hào)的分析和對(duì)癲癇發(fā)作區(qū)域定位工作，因此消除肌電偽跡干擾是十分有必要的。

首先將上述腦電信號(hào)分為7組，其中每組包含地形圖位置相對(duì)接近的三個(gè)通道。按照實(shí)例一的步驟對(duì)上述7組數(shù)據(jù)分別進(jìn)行處理，使用本發(fā)明方法得到的去除肌電偽跡后重建的腦電信號(hào)如圖4b。通過(guò)對(duì)比圖4a、圖4b，可以發(fā)現(xiàn)應(yīng)用本發(fā)明，肌電偽跡不僅被消除得非常干凈，腦電信號(hào)中的關(guān)鍵細(xì)節(jié)信息也被完整地保留了下來(lái)。例如，在通道F8、T4、T6中被肌電偽跡干擾的癲癇發(fā)作腦電部分，肌電偽跡已經(jīng)被完全消除了，而且其中的眼電偽跡無(wú)論是波形還是幅度都被完整的保存下來(lái)。

綜上，本發(fā)明作為一種解決少數(shù)通道情況下肌電偽跡消除難題的全新方法，無(wú)論是模擬實(shí)驗(yàn)還是真實(shí)癲癇腦電信號(hào)，均證明了本方法去噪的良好效果。另外本發(fā)明采取自動(dòng)監(jiān)測(cè)并消除肌電偽跡的策略，避免了人為干預(yù)造成的影響。本發(fā)明適用于少數(shù)通道的便攜式腦電設(shè)備，對(duì)腦電設(shè)備的微型化應(yīng)用具有重要意義。