[发明专利]一种去除脑电信号中伪迹信号的方法

说明书

本发明公开了一种去除脑电信号中伪迹信号的方法，包括如下步骤：步骤一，采集脑电信号，所述采集到的脑电信号中含有伪迹信号；步骤二，检出脑电信号中含有伪迹信号的脑电信号段；步骤三，对前述检出的脑电信号段进行平滑处理，以得到含有伪迹信号的平滑信号段；步骤四，根据所述脑电信号段和所述平滑信号段进行差分，以得到时域上的去伪迹的脑电信号。步骤五，截取所述脑电信号段前后两端的不带伪迹信号的脑电信号为净信号；步骤六，根据截取的净信号的低频部分确定所述去伪迹的脑电信号的低频部分，并根据所述估计出的去伪迹的脑电信号的低频部分和该去伪迹的脑电信号的中高频部分得到频域上的去伪迹的脑电信号。

技术领域

本发明涉及一种信号处理方法，尤其涉及一种去除脑电信号中伪迹信号的方法。

背景技术

脑电图(Electroencephalography,EEG)是从人类或动物的头皮记录到的脑电位变化，反映了大脑的功能状态。EEG具有很高的时间分辨率，在大脑疾病诊治、认知功能和心理学方面都有极其重要的应用价值和发展前景。

在医学上，可以通过分析EEG信号的特征来检查大脑疾病，例如，在诊断癫痫、脑瘤等神经科疾病方面。然而，由于EEG本身的时变敏感性，其信号极易被无关噪声污染，从而形成各种EEG伪迹。伪迹一直困扰着EEG分析技术的发展，并限制其应用。

这其中，眼电伪迹是最为严重EEG伪迹，它是由眼球运动或眨眼带来的较大电位变化引起的。在计算机系统和统计方法介入脑电识别领域之前，研究者多采用实验控制来处理眼电伪迹。例如，在实验过程中要求被试者尽量减少和避免眨眼、眼动等。但该方法的缺点在于被试者的无意眨眼和眼动难以控制。另外，对被试者的实验要求也会影响到实验任务的绩效。另一种常用的方法是数据剔除，即把与伪迹在峰值、斜率或方差等波形特征上相似程度较高的EEG波形剔除。该方法对波形剔除标准具有一定的主观性，并且有时会导致数据有效信息大量损失。此外，如果数据量有限或者伪迹信号源活动过于频繁时，则该方法难以适用。

近年来，提出了各种EEG伪迹去除方法，它们主要包括回归法、伪迹减法、主成分分析法(Principle Component Analysis,PCA)、独立成分分析法(IndependentComponentAnalysis，ICA)和小波变换法等。

有人提出了几种基于时域的眼电伪迹去除方法，然而，眨眼和眼动的眼电扩散函数的差异会导致对眨眼伪迹的校正过度。此外，这些回归方法还会引入新的伪迹。有人提出了基于频域的回归方法，但这些方法在实际中难以使用。

回归方法的共同前提是建立一个正确的回归导联。由于眼电信号的激活扩散都具有双向性，因此这些方法会错误地去除某些含有伪迹的EEG信号。伪迹减法假设记录到的(受污染的)EEG是真实的(未污染的)EEG和伪迹的线性联合，且EEG和伪迹信号之间无相关。伪迹减法易于使用，但它不能完整地恢复EEG波形。此外，实际上EEG与伪迹信号并不是无相关，该方法也会错误地排除掉某些EEG成分。

PCA在EEG各导联分布的基础上，可以把多导联的EEG分解为互相独立的成分，然后，去掉不需要的伪迹成分，最后重构EEG。然而，PCA只对正交的信号源比较有效，且它只适合于分解低阶相关信号，难以分解高阶相关信号。ICA则克服了上述PCA的缺陷。由于ICA的思路来自于中心极限定理，即一组均值和方差为同一数量级的随机变量的共同作用的结果必接近高斯分布，因此，ICA只适合于近似(超)高斯分布的信号源。PCA和ICA尽管取得了较好的去伪迹效果，但是它们只能对多导信号进行处理，而对单导信号完全不能使用。

小波变换法是将噪声信号逐级分解，然后选取适当的门限，对信号小波变换后的各尺度离散细节进行门限处理，最后将离散逼近信号和处理后离散细节经过小波逆变换重构信号。小波变换法要求信号和噪声的频带不能混叠，但实际上EEG和眼动伪迹的频带是相混叠的。另外，小波变换的计算复杂，且存在门限阈值选取问题。

发明内容