本發(fā)明涉及信號(hào)處理，更具體地，涉及一種結(jié)合ssa和jade的腦電信號(hào)去噪方法及系統(tǒng)。

背景技術(shù)：

1、腦電信號(hào)是通過腦電采集設(shè)備記錄并放大腦部微弱生物電產(chǎn)生的信號(hào)。這些信號(hào)在生物醫(yī)療領(lǐng)域有廣泛應(yīng)用，如情緒識(shí)別、阿茲海默癥檢測(cè)、活動(dòng)識(shí)別以及孤獨(dú)癥診斷。然而，腦電信號(hào)是一種頻率低、非線性且非平穩(wěn)的信號(hào)，頻率范圍在0.5至100hz之間，信號(hào)幅值在5至300μv之間。由于人體其他生理活動(dòng)也會(huì)產(chǎn)生電信號(hào)，這使得腦電信號(hào)極易受到噪聲干擾，形成各種偽跡，如心電、眼電和肌電偽跡。盡管腦電信號(hào)在生物醫(yī)療領(lǐng)域中用途廣泛，但其易受噪聲干擾的問題依然顯著。常見的干擾包括心電、眼電和肌電偽跡，這些噪聲在信號(hào)采集過程中難以直接消除，嚴(yán)重影響實(shí)驗(yàn)和研究結(jié)果。因此，去除腦電信號(hào)噪聲成為至關(guān)重要的課題。

2、目前已有的去噪方法包括有采用變分模態(tài)分解(variational?modedecomposition，vmd)、奇異譜分析(singular?spectrum?analysis，ssa)或獨(dú)立成分分析(independent?component?analysis，ica)的方法對(duì)腦電信號(hào)進(jìn)行去噪，其中vmd在處理信號(hào)時(shí)，能夠有效抑制經(jīng)驗(yàn)?zāi)B(tài)分解(emd)所產(chǎn)生的模態(tài)混疊現(xiàn)象和端點(diǎn)效應(yīng)。ssa在信號(hào)處理過程中，需要通過區(qū)分噪聲信號(hào)和有效腦電信號(hào)的成分來進(jìn)行信號(hào)重構(gòu)。ica在對(duì)混合信號(hào)進(jìn)行盲源分離的時(shí)候，ica算法的結(jié)果可能因不同的估計(jì)方法或參數(shù)設(shè)置而異，導(dǎo)致不同的分離結(jié)果。

3、然而，vmd的一個(gè)顯著缺陷在于其對(duì)分解個(gè)數(shù)的依賴性，具體而言，vmd需要根據(jù)信號(hào)的實(shí)際情況來確定分解的模態(tài)數(shù)量。如果分解個(gè)數(shù)設(shè)置不當(dāng)，vmd可能無法有效區(qū)分信號(hào)與噪聲，從而影響分解效果和信號(hào)處理的準(zhǔn)確性。由于缺乏自動(dòng)化的分解個(gè)數(shù)選擇機(jī)制，用戶需要通過經(jīng)驗(yàn)或試驗(yàn)來確定適當(dāng)?shù)姆纸鈧€(gè)數(shù)，這增加了操作的復(fù)雜性和不確定性。并且，vmd對(duì)初始參數(shù)設(shè)置較為敏感，不同的初始參數(shù)可能導(dǎo)致分解結(jié)果的顯著差異，影響了算法的穩(wěn)定性和可靠性。此外，vmd的計(jì)算復(fù)雜度較高，尤其在處理大規(guī)模數(shù)據(jù)時(shí)，計(jì)算時(shí)間和資源消耗較大，限制了其在實(shí)時(shí)信號(hào)處理中的應(yīng)用。值得注意的是，vmd從輸入信號(hào)中提取所有可能的模式，這會(huì)產(chǎn)生較大的計(jì)算負(fù)擔(dān)，并且在偽影去除等應(yīng)用中不需要提取所有的模態(tài)。在去噪環(huán)節(jié)只需要提取研究所關(guān)心去除的偽影類型附近的中心頻率的模態(tài)進(jìn)行處理。例如眼電(eog)主要集中在低頻段，通常在0.1hz到10hz之間；心電(ecg)偽影的頻率主要在0.5hz到75hz之間。肌電(emg)偽影的頻率范圍較廣，通常在20hz到200hz之間，主要成分集中在50hz到150hz。

4、而ssa在處理信號(hào)時(shí)存在一個(gè)主要不足：當(dāng)原始腦電信號(hào)受到輕微噪聲污染時(shí)，可以通過提取軌跡矩陣中的較大奇異值來構(gòu)建信號(hào)子空間，而較小奇異值則構(gòu)成噪聲子空間，從而實(shí)現(xiàn)信噪分離。然而，當(dāng)原始腦電信號(hào)被嚴(yán)重噪聲污染時(shí)，即使是少量的大噪聲也會(huì)導(dǎo)致該方法失效，無法有效區(qū)分信號(hào)和噪聲。

5、至于ica需要假設(shè)成分之間是相互獨(dú)立的，但在實(shí)際應(yīng)用中，這個(gè)假設(shè)并不總是成立。在腦電信號(hào)處理的時(shí)候，通道之間的相關(guān)性需要被考慮。此外，ica對(duì)數(shù)據(jù)中的噪聲非常敏感，噪聲的存在可能會(huì)影響分離結(jié)果的準(zhǔn)確性。ica的性能依賴于信號(hào)的高階統(tǒng)計(jì)特性，對(duì)于非高斯和非線性數(shù)據(jù)，ica可能無法很好地提取獨(dú)立成分。對(duì)于具有非高斯非平穩(wěn)非線性復(fù)雜生理信號(hào)腦電信號(hào)來說，ica分離偽影噪聲的性能可能會(huì)受到影響。值得注意的是，如果將含有eog的信號(hào)片段和不含eog的信號(hào)片段一起輸入到偽影去除方法中，會(huì)導(dǎo)致不含eog的信號(hào)片段產(chǎn)生較大的失真和變化。這是因?yàn)槊ぴ捶蛛x算法在分離源信號(hào)時(shí)，可能會(huì)將一些與信號(hào)相關(guān)的源信號(hào)混合到eog源信號(hào)中，而對(duì)eog源信號(hào)的處理會(huì)對(duì)這些源信號(hào)造成較大的影響。因?yàn)閑og具有尖銳的跳變特征，對(duì)應(yīng)的源信號(hào)的振幅也會(huì)有較大的變化。為了削弱eog片段的振幅跳變，對(duì)這些源信號(hào)進(jìn)行處理時(shí)會(huì)對(duì)振幅產(chǎn)生較大的抑制變化，如果此時(shí)有與信號(hào)相關(guān)的信息混入到eog源信號(hào)中，這些信息就會(huì)因此受到較大的損失。

6、現(xiàn)有技術(shù)公開了一種基于二代小波和獨(dú)立分量分析肌電信號(hào)降噪與去混迭方法，采用二代小波降噪算法先濾除信號(hào)中的噪聲，再對(duì)降噪后的含混信號(hào)進(jìn)行ica分離，完成肌電信號(hào)的特征提取。該方案的缺陷是，將含有eog的信號(hào)片段和不含eog的信號(hào)片段一起輸入到偽影去除方法中，會(huì)導(dǎo)致不含eog的信號(hào)片段產(chǎn)生較大的失真和變化。

7、為此，結(jié)合以上需求和現(xiàn)有技術(shù)缺陷，本技術(shù)提出了一種結(jié)合ssa和jade的腦電信號(hào)去噪方法及系統(tǒng)。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明提供了一種結(jié)合ssa和jade的腦電信號(hào)去噪方法及系統(tǒng)，利用vme提取腦電信號(hào)中的特定模態(tài)，特別是與眼電圖(electro-oculogram，eog)干擾相關(guān)的模態(tài)，并對(duì)其進(jìn)行處理，而不影響其他腦電信號(hào)片段。結(jié)合ssa對(duì)腦電信號(hào)進(jìn)行時(shí)頻分析，將信號(hào)分解為多個(gè)成分，為后續(xù)的盲源分離提供輸入。使用jade算法對(duì)ssa分解得到的成分進(jìn)行盲源分離，以去除心電、肌電等偽影干擾。

2、本發(fā)明的首要目的是為解決上述技術(shù)問題，本發(fā)明的技術(shù)方案如下：

3、本發(fā)明第一方面提供了一種結(jié)合ssa和jade的腦電信號(hào)去噪方法，本方法包括以下步驟：

4、s1、對(duì)原始腦電信號(hào)進(jìn)行預(yù)處理，采用變分模態(tài)提取與偽影相關(guān)的振蕩變化的信號(hào)模態(tài)，結(jié)合預(yù)設(shè)的閾值和信號(hào)模態(tài)的極值點(diǎn)，篩選并提取得到只包含眼電圖信號(hào)的片段，并將其余部分置零作為盲源分離(blind?source?separation，bss)的輸入信號(hào)。

5、s2、將包含眼電圖信號(hào)的單通道腦電信號(hào)分解成多個(gè)成分分量，構(gòu)建軌跡矩陣并進(jìn)行奇異值分解。

6、s3、根據(jù)奇異值的大小，初步分離出信號(hào)的主要成分和噪聲成分，使用特征矩陣聯(lián)合相似對(duì)角化算法對(duì)奇異譜分析分解得到的成分進(jìn)行進(jìn)一步處理。

7、s4、利用高階統(tǒng)計(jì)量分離信號(hào)和噪聲，處理偽影相關(guān)源的源信號(hào)，抑制噪聲成分。

8、s5、將處理后的源信號(hào)矩陣與混合矩陣進(jìn)行逆特征矩陣聯(lián)合相似對(duì)角化變換，重新合成去噪后的單通道腦電信號(hào)。

9、進(jìn)一步地，所述步驟s1包括以下具體步驟：將原始腦電信號(hào)x(n)提取出其中符合期望的偽影相關(guān)的中心頻率ωd附近的模態(tài)ud(n)，將信號(hào)x(n)分解成所期望的模態(tài)ud(n)和殘差xr(n)。

10、進(jìn)一步地，所述期望的模態(tài)ud(n)通過最小化其中心頻率附近的帶寬計(jì)算得到，具體為首先采用希爾伯特變化得到期望的模態(tài)的解析信號(hào)：

11、

12、其中δ(n)是狄拉克函數(shù)，*表示卷積，將解析信號(hào)的頻率移動(dòng)到中心頻率，即將解析信號(hào)乘以一個(gè)指數(shù)函數(shù)：

13、

14、計(jì)算頻移后的解析信號(hào)的二范數(shù)平方的梯度，作為該模式的帶寬；最小化該帶寬需要滿足以下約束：

15、

16、采用濾波器過濾與期望模態(tài)有頻譜重疊的部分，所述濾波器在期望的中心頻率ωd附近具有無限大的靈敏度，具體為：

17、

18、其中α用于調(diào)節(jié)濾波器的帶寬。

19、進(jìn)一步地，采用懲罰方程對(duì)濾波器進(jìn)行約束，其中β(n)是濾波器的脈沖響應(yīng)：

20、

21、為了使原始信號(hào)能夠由期望模式和剩余信號(hào)完全重構(gòu)，需要添加期望模式和剩余信號(hào)之和等于原始信號(hào)的約束條件：

22、

23、并采用乘法器的交替方向法對(duì)上式進(jìn)行求解。

24、進(jìn)一步地，所述步驟s2的具體過程為：使用奇異譜分析將步驟s1中提取得到的模態(tài)分解成多個(gè)分量，所述奇異譜分析通過構(gòu)建軌跡矩陣并進(jìn)行奇異值分解，將信號(hào)分解為若干個(gè)成分，得到信號(hào)的主要成分和噪聲成分。

25、進(jìn)一步地，所述奇異譜分析包括以下步驟：嵌入、奇異值分解、分組和重構(gòu)；所述嵌入采用k＝n-l+1，xi＝[xi,xi+1,...,xi+l-1]τ,(1≤i≤k)表示信號(hào)第i個(gè)窗口滑動(dòng)后的滯后向量，則信號(hào)x經(jīng)過嵌入映射成l×k的軌跡矩陣：

26、

27、所述奇異值分解的目的是找到x＝uσvτ中的左、右酉矩陣u和v和對(duì)角矩陣σ，對(duì)x的協(xié)方差矩陣xxt進(jìn)行奇異值分解，得到的奇異值和奇異向量是x的奇異值和左奇異向量的平方，即：

28、xxt＝uλuτ

29、其中λ是對(duì)角矩陣，對(duì)角元素λ1,λ2,...,λl為xxt的特征值降序排列，令則：

30、

31、

32、右酉矩陣由x,ui和λi表示，所述分組為根據(jù)預(yù)設(shè)的標(biāo)準(zhǔn)對(duì)si進(jìn)行分組，i＝1,2,…,l分為m個(gè)組，軌跡矩陣x可以被表示為：

33、

34、其中是第m個(gè)子矩陣，子矩陣用于表示時(shí)間序列的不同成分，原始n點(diǎn)長(zhǎng)的信號(hào)x表示為：

35、

36、其中xm表示對(duì)所述子矩陣進(jìn)行反對(duì)角線均值化后得到的長(zhǎng)度為n的子序列。

37、進(jìn)一步地，所述步驟s3包括以下具體步驟：通過特征矩陣聯(lián)合相似對(duì)角化將奇異值分解初步分離的腦電成分和噪聲成分多個(gè)分量進(jìn)行盲源分離算法，所述特征矩陣聯(lián)合相似對(duì)角化包括以下步驟：計(jì)算樣本協(xié)方差和白化矩陣w，計(jì)算樣本四階累積量qz(mi)并應(yīng)用聯(lián)合對(duì)角化，采用計(jì)算源信號(hào)的估計(jì)。

38、進(jìn)一步地，所述計(jì)算樣本協(xié)方差和白化矩陣w采用以下公式進(jìn)行計(jì)算：

39、rx＝e[x·x*]

40、

41、

42、其中*表示復(fù)共軛，λi為特征值,hi為rx對(duì)應(yīng)的特征向量，上標(biāo)h表示復(fù)共軛轉(zhuǎn)置，s為源信號(hào)，a為混頻矩陣，z表示x＝as左乘白化矩陣w；所述計(jì)算樣本四階累積量qz(mi)的定義為：

43、

44、其中，mi,i＝1,2,…n是不同矩陣的集合，用于使為對(duì)角矩陣，應(yīng)用聯(lián)合對(duì)角化后得到：

45、

46、其中，||diag(·)||2表示對(duì)角線的平方和，矩陣通過qz(mi)的聯(lián)合近似對(duì)角化，即通過j(·)的最大化得到。

47、進(jìn)一步地，所述步驟s5具體為：對(duì)特征矩陣聯(lián)合相似對(duì)角化分離出的源信號(hào)的估計(jì)進(jìn)行處理，去除明顯的噪聲成分，然后進(jìn)行逆特征矩陣聯(lián)合相似對(duì)角化完成重構(gòu)信號(hào)。

48、本發(fā)明第二方面提供了一種結(jié)合ssa和jade的腦電信號(hào)去噪系統(tǒng)，該系統(tǒng)用于所述的一種結(jié)合ssa和jade的腦電信號(hào)去噪方法，包括有：信號(hào)預(yù)處理模塊、奇異譜分析模塊、特征矩陣聯(lián)合相似對(duì)角化模塊和信號(hào)重構(gòu)模塊。

49、所述信號(hào)預(yù)處理模塊對(duì)原始腦電信號(hào)進(jìn)行預(yù)處理，采用變分模態(tài)提取與偽影相關(guān)的振蕩變化的信號(hào)模態(tài)，結(jié)合預(yù)設(shè)的閾值和信號(hào)模態(tài)的極值點(diǎn)，篩選并提取得到只包含眼電圖信號(hào)的片段，并將其余部分置零作為盲源分離的輸入信號(hào)，所述奇異譜分析模塊將包含眼電圖信號(hào)的單通道腦電信號(hào)分解成多個(gè)成分分量，構(gòu)建軌跡矩陣并進(jìn)行奇異值分解，根據(jù)奇異值的大小，初步分離出信號(hào)的主要成分和噪聲成分，所述特征矩陣聯(lián)合相似對(duì)角化模塊使用特征矩陣聯(lián)合相似對(duì)角化算法對(duì)奇異譜分析分解得到的成分進(jìn)行進(jìn)一步處理，利用高階統(tǒng)計(jì)量分離信號(hào)和噪聲，處理偽影相關(guān)源的源信號(hào)，抑制噪聲成分，所述信號(hào)重構(gòu)模塊將處理后的源信號(hào)矩陣與混合矩陣進(jìn)行逆特征矩陣聯(lián)合相似對(duì)角化變換，重新合成去噪后的單通道腦電信號(hào)。

50、與現(xiàn)有技術(shù)相比，本發(fā)明技術(shù)方案的有益效果是：

51、本發(fā)明提供了一種結(jié)合ssa和jade的腦電信號(hào)去噪方法及系統(tǒng)，使用jade算法對(duì)ssa分解得到的成分進(jìn)行進(jìn)一步處理，利用高階統(tǒng)計(jì)量(四階累積量)分離信號(hào)和噪聲，處理偽影相關(guān)源的源信號(hào)，抑制噪聲成分。最后進(jìn)行重構(gòu)信號(hào)，將處理后的源信號(hào)矩陣與混合矩陣進(jìn)行逆jade變換，重新合成去噪后的單通道腦電信號(hào)，能夠在噪聲水平較高的情況下，仍能有效區(qū)分噪聲和有用信號(hào)，從而顯著提升信號(hào)處理的效果。