[发明专利]一种少数通道的脑电信号中肌电伪迹的消除方法

说明书

本发明公开了一种少数通道的脑电信号中肌电伪迹的消除方法，包括：1、首先用多元经验模态分解对少数通道脑电信号同时进行分解，得到少数通道的本征模态分量矩阵；2、对少数通道的本征模态分量矩阵用独立变量分析进行盲信号分离；3、用自相关系数判定含肌电伪迹的分量，置零肌电伪迹分量，通过独立变量分析逆变换得到不含肌电伪迹的分量矩阵；4、根据原本征模态分量矩阵的排列顺序，将对应通道的本征模态分量依次相加，最终得到干净的脑电信号。本发明能完全去除肌电伪迹对脑电信号的影响，从而提高脑电信号分析的准确性。

技术领域

本发明属于脑电信号处理技术领域，具体涉及一种基于多元经验模态分解和独立向量分析，从少数通道脑电信号中自动识别肌电伪迹并消除的新方法，主要应用于人脑相关疾病和人脑功能的研究。

背景技术

脑电图作为一种记录脑神经细胞的电生理活动的设备，由于脑电信号具有高时域分辨率、便携和无创性等特点，已被广泛应用于临床疾病诊断、大脑特诊和睡眠模式等方面的研究。然而脑电信号作为微弱的电生理信号，经常受到如心电、眼电和肌电等多种伪迹的干扰，影响后续对脑电分析的准确性。另外，由于肌电信号具有幅值大、频域分布广和复杂的地域分布等特点，导致肌电伪迹是众多干扰源中最难消除的干扰伪迹。

在过去数十年中，研究人员已经提出多种方法用于去除脑电信号中的肌电伪迹。最早临床人员普遍采用低通滤波器来去除肌电干扰。然而，若肌电干扰与感兴趣的脑电信号的频谱重叠，频率滤波器不仅会抑制肌电干扰，而且可能会滤掉有价值的脑电信号。

后来，盲源分离算法独立成分分析(ICA)被用于从多通道脑电信号中去除伪迹干扰。独立成分分析利用高阶统计量将脑电信号分解成相互统计独立的分量。通过人为观察判定哪些独立分量中包含肌电，置零含有肌电的分量后，通过独立成分分析逆变换得到干净的脑电信号。实验证明独立成分分析在去除眼电和心电伪迹具有良好的表现，然而去除肌电伪迹的表现并不是很理想。因为通过独立成分分析得到的大部分独立分量中往往既包含脑电也包含肌电。

为此，一些学者提出用盲源分离算法典型相关分析(CCA)来解决脑电中肌电伪迹的消除问题。由于肌电伪迹的特性与白噪声相类似，因此肌电伪迹相比脑电信号具有较低的自相关性。典型相关分析利用二阶统计量将脑电信号分解成一些互不相关而自相关性最大的典型变量。求取这些典型变量的自相关系数，若低于设定阈值，则该典型变量被判定是肌电变量，置零这些典型变量后，通过典型相关分析逆变换得到干净的脑电信号。典型相关分析能把肌电伪迹集中于少数典型变量中，通过设置自相关系数阈值，可以实现去除肌电干扰的目的。实验证明典型相关分析比独立成分分析具有更好的去肌电伪迹效果。然而，独立成分分析和典型相关分析均要求记录脑电的电极数量多于潜在信号源的数量。在这种限制条件下，独立成分分析和典型相关分析不能被直接应用于单通道脑电信号中，且在通道数较少和肌电干扰非常严重的情况下，无法准确地恢复脑电信号和去除肌电伪迹。

为此，研究人员提出两步式处理方式用于解决单通道的肌电去噪问题。首先利用总体平均经验模态分解或者小波变换将单通道信号分解为多维信号，然而利用独立成分分析或者典型相关分析对该多维信号进行处理。由此而被提出的方法包括EEMD-CCA、EEMD-ICA、Wavelet-ICA和Wavelet-CCA。然而这些单通道的处理方法忽略了通道之间的关联性信息，只考虑了单个通道内的信息，从而导致了无法完全去除肌电伪迹。

发明内容

本发明为了克服现有技术的不足之处，提出了一种少数通道的脑电信号中肌电伪迹的消除方法，以期能完全去除肌电伪迹对脑电信号的影响，从而提高脑电信号分析的准确性。

本发明为解决技术问题，采用如下技术方案：

本发明一种少数通道的脑电信号中肌电伪迹的消除方法的特点是按如下步骤进行：