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

发布时间：2024-04-20 01:51

　　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。

【文章页数】：10 页

【部分图文】：

图5CEEMDAN分解后多个IMF分量

最后对代价函数J(W)展开共轭梯度法迭代，获得W的最优值W?。迭代时取初始值k=0，终止阈值ε=0.01，进而由式s?(t)=W?x(t)分别得出由EEG信号和EOG伪迹组成的源信号，成功实现分离。从分离结果图6可以看出，图中多处含有EOG伪迹较明显的位置，伪迹均有明显消除。对比....

图6CEEMDAN-BD算法处理结果对比

图5CEEMDAN分解后多个IMF分量3.3两种对比方法的眼电伪迹祛除效果

图7WT-ICA算法处理结果对比

图8给出了采用CEEMDAN-ICA算法处理后的结果。CEEMDAN-ICA算法首先对含有EOG伪迹的EEG信号执行CEEMDAN分解。整个算法CEEMDAN部分参数的设置与本文中CEEMDAN-BD算法的参数一致。从运行结果图中可以看出伪迹祛除后的信号成分无明显缺失，保留了大部....

图8CEEMDAN-ICA算法处理结果对比

图7WT-ICA算法处理结果对比3.4相关系数的计算分析

本文编号：3958696