基于ICA和异常值检测的脑电伪迹去除

由于脑电信号极容易受到伪迹信号的干扰,提出通过独立成分分析(ICA)、峰态系数识别、改进的Z-score算法(MZS)/改进的箱线图技术等步骤,识别并去除脑电中的伪迹成分。首先对所有通道脑电数据进行ICA分解,并通过峰态系数辨别伪迹分量;然后提出MZS算法和改进的箱线图技术两种异常值检测方法,检测并有效去除伪迹分量中的伪迹成分;最后重构脑电信号,实现伪迹干扰的去除。实验采用真实数据集,通过观测脑电地形图、前额通道波形直观对比,求取信噪比和相关系数多种方式客观评估去伪迹性能。实验结果表明,与现有的去伪迹方法对比,所提伪迹去除方案可以在去除伪迹的前提下,更大程度地保留原始脑电信号。

EEG波形伪迹去除方法

EEG波形记录与ERP分析技术是认知科学和脑科学研究的新兴手段 ,但在实际研究和临床应用中 ,伪迹一直是困扰研究效度的重要因素。本文主要介绍了近年来兴起的回归方法、伪迹减法、主成分分析 (PCA)、独立成分分析 (ICA)、JADE分析等脑电伪迹去除技术。相对于传统方法 ,这些技术存在精度高、速度快、实用性强的优点 ,但它们都各自针对不同问题情境 ,均建立在特定假设基础上 ,所以应根据具体的研究目的和实验条件进行合理选择。通用性。

基于CuBICA算法的EEG伪迹去除方法

在高阶累积量和独立分量分析的基础上,提出一种基于CuBICA算法的脑电信号伪迹去除方法。针对脑电信号中常含有的眼电、心电等伪迹问题,利用小波包方法对原始脑电信号去噪,并进行中心化和白化处理,运用CuBICA算法对消噪后的脑电信号进行盲源分离。分析分离后各信号间相关性,结果表明,CuBICA算法能成功分离脑电、眼电与心电信号,有效去除纯脑电信号中的各种伪迹。

无先验参考的脑电信号伪迹去除方法

在深入分析脑电信号各伪迹成分特征的基础上,结合传统滤波方法,提出了一种不需要眼电信号参考的脑电信号伪迹去除方法。脑电信号原始数据可视作由纯净脑电信号、环境噪声、动作杂波及人体自身伪迹成分所构成的混合信号,利用传统滤波方法去除环境噪声及动作杂波,结合盲源分离算法提取人体自身伪迹成分并完成伪迹成分自动识别与去除以及纯净脑电信号的重构工作,以实现纯净脑电信号有效提取过程。经实验验证,该无先验参考的脑电信号伪迹去除方法切实可行,可有效去除伪迹,提高脑电信号信噪比。

基于CEEMDAN-CFAR的单通道脑电信号眼电伪迹去除方法研究

目的:提出一种基于自适应噪声完备经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)和恒虚警率(constant false alarm rate,CFAR)算法的眼电伪迹去除方法。方法:首先采用CEEMDAN方法分解原始信号,得到低频噪声和含有明显眼电脉冲信号的本征模态函数(intrinsic mode function,IMF)分量。其次采用CFAR算法实现IMF分量中眼电伪迹的自动识别。然后对含有眼电伪迹的脑电信号进行预处理后获得纯净脑电信号。最后通过实验验证该方法的有效性。结果:该方法能在有效滤除眼电伪迹的同时较好地保留局部细节和有用信息。结论:该方法具有计算简单、运行速度快的优点,适用于单通道脑电信号中的眼电伪迹去除。

基于峭度的脑电信号盲源分离伪迹去除方法

该文提出了一种脑电信号中自适应去除眼电和心电伪迹的算法。首先针对线性混合信号盲分离时,源信号概率密度与激活函数难以确定的困难,导出一种基于峭度的自适应盲源分离开关算法,然后将其应用于脑电信号的眼电与心电伪迹去除。实验证明,该算法具有良好的分离效果。

基于前额脑电信号伪迹去除的可穿戴心理健康疲劳检测仪设计研究

脑电信号常常受到多种伪迹的干扰,而传统的前额伪迹去除方法无法有效去除伪迹,也无法准确分析学生的心理状态和情绪变化。为实现前额脑电伪迹信号的有效去除,并对学生的心理状态进行有效检测,研究对可穿戴检测仪进行改进优化,通过引进快速寻优迭代算法实现脑电信号的有效检测,最终设计出一款面向大学生心理健康疲劳检测的可穿戴检测仪。在对实验环境进行设置后,经实验可知,研究算法的SNR值最高,其最大值为6.1,说明研究提出的方法可以更好地分离出有效的脑电信号。研究方法的MSE值最低,MSE区间为59~69,说明研究方法对电脑信号的重建更为准确,保留了更多的有用信息。第一天考试前γ-VP特征值位于50~80之间,而考试后γ-VP特征值显著下降,处于40左右。综上可知此次基于改进伪迹去除的心理健康疲劳检测仪可以有效去除伪迹,准确分析学生的心理健康和疲劳状态。

脑机接口中基于ICA-RLS的EOG伪迹自动去除

眼电(EOG)伪迹是基于脑电(EEG)的脑机接口系统中最重要的干扰。为自动去除这种干扰,提出了基于ICA-RLS的EOG伪迹自动去除算法。首先,ICA将多个导联EEG信号分解成数目相等的若干个独立分量(ICs)。然后,计算并依据每个IC的峰态系数,自动地从ICs中识别出EOG分量。最后,识别出的EOG分量用作RLS自适应滤波器的参考信号,并用该滤波器对原始EEG进行滤波,在无需记录EOG情况下实现EOG伪迹的自动去除。用提出算法对2008年脑机接口竞赛数据进行处理,从去除伪迹后信号的观察、信息保留完整性和最终分类结果的计算进行评价。与标准的ICA算法相比,提出算法能够更好去除EOG伪迹,同时获取更高的分类正确率。

眼电伪迹自动去除方法的研究与分析

脑电信号采集时很容易受到眼电信号的干扰,从而影响脑机接口系统的性能。为此,提出一种基于离散小波变换(DWT)和典型相关分析(CCA)的眼电伪迹自动去除方法,即DCCA法。首先,对采集的多导脑电信号和眼电信号进行离散小波变换,获得多尺度小波系数,并利用典型相关分析去除小波系数间的相关性,得到互不相关的典型小波系数;进而,利用相关系数判别眼迹成分,将相应典型小波系数置零并依次采用CCA逆变换和DWT逆变换重构剔除眼电伪迹后的脑电信号。基于9位实验者的4种眼电数据进行实验研究,并从统计学的角度对实验结果进行显著性检验。结果表明,DCCA法相对其他方法在均方根误差、信噪比方面具有显著优势,且具有较好的实时性,并表现出较强的适应能力。

基于子空间分解的脑电信号眼电伪迹自动去除方法研究

针对脑电信号中的眼电伪迹去除问题,提出了一种基于几何子空间分解的眼电伪迹去除方法。最大噪声分量分析帮助构建几何子空间并将多维脑电信号分解成一系列分量,利用眼电分量间的高相关度,使用Spearman秩相关准则确定相关程度从细节中实现眼电伪迹分量的抽取;将处理后各个分量投影回信号空间并进行重构,于是在无需记录眼电的情况下得到去除眼电伪迹后的脑电信号。为了验证该方法的有效性,分别对自行叠加眼电伪迹的脑电信号及实际测量的脑电信号进行了研究,结合脑地形图能量分布可视化的优势,结果表明该方法能够对脑电信号进行有效降噪。

基于独立元分析和非线性指数分析的脑电信号中伪迹分量的自动去除

脑电(electroencephalography,EEG)信号中不可避免地存在着眼动、心跳、肌电信号以及线性噪声等伪迹干扰,这些伪迹的存在极大地影响了脑电信号分析的准确性,因此在进行脑电信号分析前需要去除伪迹干扰。为了有效地去除伪迹,结合独立元分析和非线性指数分析,提出一种自动识别并去除脑电信号中伪迹分量的方法。该方法还可同时用于提取脑电信号中的基本节律如!波等。相应的模拟与实际脑电数据的实验结果表明所提议的方法具有很好的识别和去除脑电信号伪迹分量的性能。

经颅磁刺激同步脑电活动伪迹去除方法的研究进展

经颅磁刺激同步脑电（TMS-EEG）技术是研究大脑功能网络的有效手段，但TMS过程中诱发的伪迹一直是阻碍TMS—EEG技术发展的瓶颈。阐述了TMS和EEG技术结合产生伪迹的原因，从伪迹的来源入手，就TMS放电伪迹、肌电伪迹、听觉伪迹及残留伪迹等方面，总结了近十几年来文献中提到的伪迹去除方法，并对相关技术的未来发展作了展望。可以预计，由于其诱人的应用前景和极高的研究价值，在未来几年里经颅磁刺激技术无论在理论上还是临床上，将会有一个大的突破，TMS诱发伪迹的问题也将会得到很好的解决。

多通道脑电信号中眼电伪迹的自动识别与去除方法研究

目的:针对当前眼电伪迹去除算法会带走有效脑电信号的情况,提出一种快速独立成分分析(fast indepen-dent component analysis,FastICA)与经验小波变换(empirical wavelet transform,EWT)算法相结合的眼电伪迹识别与去除方法。方法:首先通过FastICA和自适应样本熵筛选出含有眼电伪迹的独立成分分量;其次通过EWT算法和自相关系数剔除眼电伪迹成分,保留有用的脑电信号;最后进行EWT逆变换,合成成分分量,并与不含眼电伪迹的独立成分分量进行重构,得到眼电伪迹去除后的脑电信号。通过自采集数据集与公开数据集验证眼电伪迹的去除效果。结果:该方法能够自动识别与去除眼电伪迹并保留有效脑电信号,且能针对不同被试者个体的差异性进行自适应。结论:该方法具有鲁棒性强、准确率高的优点,能够较好地识别并去除多通道脑电信号中的眼电伪迹。

脑电信号去伪迹软件的设计与实现

脑电是在大脑皮层采集的电信号,可以反映脑神经细胞的电生理活动,通过分析脑电有助于人类在心理学和医学等领域的研究。由于脑电易受非脑神经组织和采集设备干扰产生伪迹,影响科研人员对脑电的分析。基于此,笔者对脑电信号去伪迹软件进行开发,首先对软件进行需求分析和概要设计,将该软件分为输入输出模块、去伪迹处理模块和人机交互界面模块,然后对3大功能模块分别进行详细设计和实现,其中去伪迹处理模块筛选了3种去伪迹技术供科研人员对比去伪迹效果。软件采用Python语言开发,其中人机交互界面采用wxPython。最后,对软件的人机交互界面和去伪迹功能的进行了测试,结果表明软件可进行友好交互,且去伪迹效果较好。

基于小波变换-集合经验模态分解的单通道脑电信号眼电伪迹自动去除研究

在实际应用中的脑-机接口系统要求脑电信号采集通道越少越好,然而当减少到只有一个通道时,其眼电伪迹去除比较困难。因此,本文提出一种基于小波变换和集合经验模态分解的眼电伪迹去除算法,首先将单通道脑电信号进行小波变换,选择包含眼电伪迹的小波成分进行集合经验模态分解,进一步通过设置自相关系数阈值自动去除以眼电伪迹成分为主的固有模态函数,最后重构得到"干净"的脑电信号。在仿真数据和真实数据上的对比实验表明,本文所提算法解决了单通道脑电信号中眼电伪迹的自动去除问题,能够在有效去除眼电伪迹的同时,造成较小的脑电信号失真,同时具有较低的算法复杂度,有助于推动脑-机接口技术走出实验室,走向商业化应用。

关于脑电信号准确提取仿真研究

脑电信号是一种随机性与非平稳性非常强的信号,在观察与研究的过程中极易受到噪声的影响,特别是眼电信号的产生严重干扰到脑电信号。为解决上述问题,对采集来的源信号先进行消躁处理,用来减少实验误差是必要的。在传统独立成分分析算法的基础上,结合权值迭代公式和偏差调制公式进行第二次估计,得到比第一次独立成分分析分离更精确逼近信号源的结果,从而达到优化独立成分分析算法的目的。结果表明,与传统方法相比,优化的独立成分分析得到的信号更纯净,更好的去除了眼电信号,可准确提取脑电信号。

基于独立成分分析的非侵入式脑-机接口眼电伪迹自动去除算法

非侵入式脑-机接口已经逐步成为当前研究的热点,在精神障碍检测、生理监测等多方面都有所应用。但是非侵入式脑-机接口所需的脑电信号容易受到眼电伪迹污染,会严重影响对脑电信号的解码分析。对此,本文提出了一种结合频率滤波器的改进型独立成分分析算法,以相关系数和峰度双重阈值为依据自动识别伪迹组件;利用眼电与脑电频率的差异,通过频率滤波器去除伪迹组件中的眼电信息,从而保留更多脑电信息。在公开数据集和本实验室数据上的实验结果表明,本文算法可以有效提升眼电伪迹去除效果,同时改善脑电信息损失,这有助于非侵入式脑-机接口的推广。

虚拟诱导患者下肢主动运动意图及其脑电精准感知方法

针对下肢运动功能障碍患者无法产生强烈主动运动意图造成外骨骼机器人在康复运动辅助时人机交互性差的问题,提出了一种虚拟诱导患者下肢主动运动意图及其脑电精准感知方法。首先,分析影响患者运动意图产生的因素,建立基于大脑注意机制的虚拟诱导患者意图产生模型,形成基于脑电信号的人机交互策略;然后,设计并搭建数据驱动沉浸式三维虚拟诱导场景,激发患者大脑产生主动运动意图;进而,采集患者脑电信号,通过基于自适应噪声完备经验模态分解(CEEMDAN)和独立成分分析(ICA)相结合的伪迹去除方法进行信号预处理;最后,利用深度卷积神经网络实现对患者运动意图的精准识别。实验结果表明:虚拟诱导方法能够有效增强受试者脑电信号特征,运动意图识别率明显提高,相比常规方法,采用虚拟诱导方法后,静息状态识别准确率达到80.5%,提高了10.33%,产生意图识别准确率达到92.17%,提高了20.5%,稳定维持在较高水平,为外骨骼机器人实现按需辅助控制奠定了基础。

经颅磁刺激同步干预的头皮脑电信号伪迹离线去除方法综述

经颅磁刺激(TMS)同步脑电图(EEG)技术(TMS-EEG)已成为脑科学研究的一项重要工具,但两者在同步应用时会在EEG信号中形成复杂伪迹,如何去除这些伪迹一直是困扰研究者们的问题。本文归纳了TMS干预所造成的EEG信号伪迹的类型,并简单介绍了在线处理方法,重点总结了针对不同伪迹的特点可以采用的离线伪迹去除或最小化方法,主要包括减法、主成分分析、独立成分分析等。已有的文献研究表明,现有方法可以较好地处理大部分伪迹,但是对于大伪迹的去噪效果仍有待提高。本文系统总结了近年来TMS-EEG研究中关于伪迹去除问题的有效处理方法,期望对于TMS-EEG同步研究人员在选择伪迹去除的方法上有一定的指导意义。

基于实时约束独立成分分析方法的核磁脑电信号去噪研究

同步脑电—功能磁共振融合技术因其高精度的时空分辨率,在科学研究和临床领域发挥着重要作用。然而,核磁环境下的心电伪迹严重影响了融合结果。本文利用实时技术改进了离线约束独立成分分析算法,并采用该方法处理了模拟数据和真实静息态数据。结果表明:对于模拟信号,本方法得到的Er值小于平均模板减法等传统方法(P<0.005);对于真实信号,本方法得到的INPS值高于其他方法(P<0.005)。本文提出的去噪算法为脑电核磁的融合模型研究奠定了技术基础。