[发明专利]噪声环境下基于鲁棒压缩感知的多通道脑电信号重构方法

说明书

本发明公开了一种噪声环境下基于鲁棒压缩感知的多通道脑电信号重构方法，其步骤包括：1、建立噪声环境下多通道脑电信号模型；2、基于多通道脑电信号的协稀疏性和低秩性，建立噪声环境下多通道脑电信号对应的优化模型；3、采用交替方向乘子法求解所述优化模型。本发明考虑了按照噪声分布的特点分为稠密噪声和稀疏噪声两种类型的噪声，能提高多通道脑电信号在压缩感知的过程中对噪声干扰的鲁棒性，从而能提高重构后的多通道脑电信号的精度和准确性。

技术领域

本发明涉及信号处理领域，具体涉及一种噪声环境下基于鲁棒压缩感知的多通道脑电信号重构方法。

背景技术

脑电图(Electroencephalogram,EEG)信号是最常用的生物医学信号之一，它在医疗保健、脑-计算机接口等方面有着重要的应用。连续的脑电图监测通常需要采样和传输大量的数据，对设备的硬件要求很高。

实践中，脑电记录每天很容易产生1GB的数据，传输所需的能量非常高。传统的数据压缩方法是在传输前对数据进行压缩，由于大量的样本数据在压缩过程中被丢弃，严重浪费了资源。

为了应对这一挑战，提出了压缩感知技术(Compressed sensing，CS)，此时模拟信号在奈奎斯特(Nyquist)采样速率下不再是第一次采样，而是在压缩过程中被丢弃，直接以较低的采样率获得压缩信号，并通过非线性算法从压缩数据中恢复信号。

目前从压缩信号中重构多通道脑电信号的方法大多数基于l₀范数的优化问题，如基追踪法(basis pursuit)提出用l₁范数代替l₀范数来解决最优化问题，用线性规划方法来求解、正交匹配寻踪法(orthogonal matching pursuit，OMP)提出贪婪迭代的方式选择压缩测量矩阵的列，使得在每次迭代中所选择的列与当前的冗余向量最大程度地相关，从测量向量中减去相关部分并反复迭代，直到迭代次数达到稀疏度K，强制迭代停止。迭代硬阈值法(iterative hard thresholding，IHT)通过迭代执行硬阈值函数来解决最优化问题；2013年美国加州大学Z.Zhang课题组发现某些脑电信号在任何稀疏域都不是稀疏的，提出块稀疏贝叶斯学习法(block sparse Bayesian learning，BSBL)用于脑电信号的重构；2015年中国电子科技大学Yipeng Liu课题组提出，考虑到多通道脑电信号相互关联，多通道信号形成的矩阵具有低秩特性，建立了多通道脑电信号协稀疏低秩模型(simultaneouscosparsity and low-rank，SCLR)。

然而，现有的方法很少考虑噪声或仅考虑传输过程中产生的高斯噪声的影响。在实际情况下，噪声是不可避免的因素，根据噪声分布的特点，可以分成稠密噪声和稀疏噪声，当处理从复杂噪声环境中采集得到的压缩信号，以往的信号重构的方法性能都会下降。

发明内容

本发明针对现有技术的不足之处，提供一种噪声环境下基于鲁棒压缩感知的多通道脑电信号重构方法，以期能提高多通道脑电信号在压缩感知的过程中对噪声干扰的鲁棒性，从而能提高重构后的多通道脑电信号的精度和准确性。

本发明为解决技术问题采用如下技术方案：

本发明一种噪声环境下基于鲁棒压缩感知的多通道脑电信号重构方法的特点在于，包括以下步骤：

步骤1，利用式(1)建立噪声环境下多通道脑电模型：

Y＝ΦX+N+S (1)