基于典型相关分析和小波变换的眼电伪迹去除研究

第一篇：基于典型相关分析和小波变换的眼电伪迹去除研究

生产实习课程论文

基于典型相关分析和小波变换的眼电伪迹去除研究

学 院（系）： 电子信息与电气工程学部 专

业：

生物医学工程

学 生 姓 名：

学

号：

指 导 教 师：

邱天爽

完 成 日 期：

2013.07.20

目 录 绪论........................................................................................................................................1

1.1 脑电信号处理的意义...............................................................................................1 1.2 去除眼电伪迹方法的进展.......................................................................................1

1.2.1 早期的人工处理............................................................................................1 1.2.2 现代的相关去噪算法....................................................................................1 1.3 wCCA算法的提出...................................................................................................2 2 wCCA算法..........................................................................................................................2

2.1 基于典型相关分析的盲源分离方法.......................................................................2 2.2 小波阈值去噪...........................................................................................................3 2.3 基于 wCCA 的盲源分离方法去除眼电伪迹........................................................3 3 程序说明................................................................................................................................4

3.1 算法流程图...............................................................................................................4 3.2 相关matlab函数......................................................................................................4 3.3 相关参数描述...........................................................................................................4 4 实验结果分析......................................................................................................................6

4.1 仿真结果...................................................................................................................6 4.2 数据比较分析...........................................................................................................7 结

论..................................................................................................错误！未定义书签。

-II-基于典型相关分析和小波变换的眼电伪迹去除研究 绪论

1.1 脑电信号处理的意义

脑电活动首次于1924年被德国精神教授测量并定名为EEG。EEG信号作为一种直接反应大脑内部状态的生物电信号，其中蕴含了大量的心理、生理和病理信息。目前被广泛运用于神经心理学、大脑意识及认知、脑部疾病的诊治、脑机接口等诸多研究领域中。

与EEG信号研究紧密关系的另一种典型技术为脑机接口技术BCI，BCI可以完全不依赖于外围神经核肌肉的参与，直接实现人与计算机之间或外部环境之间的通信。BCI一般可以分为以自发脑电信号的BCI系统和使用命令的转换算法。BCI系统可以使有运动障碍的人通过EEG信号来与外界进行交流。提高BCI系统有效性的另一个重要手段就是提高采集到的微弱的EEG信号的信噪比。脑电信号一般通过放置于大脑头皮的电极进行采集，但是实际采集到的脑电信号非常微弱，只有微伏极。由于脑电信号是一种易变的非平稳信号，其在采集过程当中，会不可避免地混入非脑神经组织产生的各种伪迹信号，如眼电（眨眼或眼动），它的幅度比脑电信号大好几倍，所以如何对脑电信号进行预处理、去除各种伪迹成分，并从中提取出有效的脑电信号成分，是各国研究者关注的重要问题，具有重大的理论和实践意义。

1.2 去除眼电伪迹方法的进展

1.2.1 早期的人工处理

在早期，意思和研究者通过实验控制来处理无关的电生理伪迹成分，比如让患者和被试者避免或者减少眨眼、眼动、吞咽以及四肢运动等，这样会添加附加的实验任务，并且不易于控制，如当患者或被试者为儿童时，比较难以控制，因而会影响实验效果。

一般情况下，EEG信号伪迹去除的通用方法是去除含有伪迹成分的EEG信号【片断。比如，识别眼电伪迹（主要包括眨眼和眼动伪迹），通常通过检测眼电导联记录的电平超过一定的固定阈值，其他的伪迹成分或干扰的检测可以通过人工标记并去除，去除含有伪迹成分的EEG片断必然会引起有效的EEG信号成分的大量损失。比如识别人物当中的眨眼可能就是识别任务的一种反应，若剔除就可能导致重要信息的丢失，另外，对于一些病人来说，剔除被污染的脑电数据就意味着病情的漏诊。

1.2.2 现代的相关去噪算法

自适应滤波法。自适应滤波器可以自动调节参数，在设计时无需任何关于信号和噪声的先验统计知识，在信号和噪声的先验知识未知的情况下，可以采用自适应滤波方法来去除噪声。

–1– 基于典型相关分析和小波变换的眼电伪迹去除研究

小波变换方法是20世纪80年代中期发展起来的一种时域分析方法。传统的傅里叶分析方法在处理平稳信号方面具有显著优势，经过其变换的信号具有最大的频率分辨率，但是不具备时空定位信息，而小波变换由于其窗口可以根据频率分辨率的高低的而进行自适应调节，从而具有多分辨特性，小波变换在低频部分具有较高的频率分辨率和较低时间分辨率。而在高频部分具有较高的时间分辨率和较低的频率分辨率，这种多尺度特性适合于分析生物医学信号等非平稳信号。

盲源分离是信号处理领域一个新的研究热点，它尝试在源信号和传输系统特性均未知的情况下对混合信号进行分离。盲源分离法将伪迹成分和EEG信号分解成不同的源信号成分，通过将与伪迹有关的源信号成分置零，可以得到去除伪迹后的信号。盲源分离问题可以采用许多不同的算法以及原则来估计源信号成分，通常采用基于二阶统计量和高阶统计量的方法来实现盲源分离。

1.3 wCCA算法的提出

针对脑电信号中眼电伪迹去除尚存在的问题，提出一种基于典型相关分析与小波变换的(wavelet-enhanced canonical correlation analysis, wCCA)自动去除眼电伪迹的算法。

首先，充分利用脑电信号和眼电伪迹的空间分布特征，将基于典型相关分析的盲源分离算法以一种全新的方式应用于混合信号中，从而保证典型相关分析分解得到的第一个典型相关变量（即左右脑区之间的最公共成分），就是与眼电伪迹相关的分量。其次为了恢复泄漏在该伪迹分量中的脑电成分，对伪迹分量进行小波阈值去噪，仅将小波系数高于某一阈值的分量置零。与其他三种基于盲源分离去除眼电伪迹的方法相比较，该方法在有效地自动去除眼电伪迹的同时，很好地保留了潜在的脑电信号。wCCA算法

2.1 基于典型相关分析的盲源分离方法

讨论相关关系常用的一种方法是讨论第一组每个变量和第二组中每个变量的相关，得到pq个相关系数，用这些相关系数反映两组变量的关系。但这样做是不够的，既繁琐，又抓不住要领。另外一种方法类似于主分量分析，对每组变量做一个线性组合，称其为这组变量的综合变量，然后研究两组综合变量的相关，通过少数几个综合变量来反映两组变量的相关性质，这样可以抓住它们的主要关系，而且又简明。因此典型相关分析揭示了两组变量之间的内在关系，更深刻的反映了这两组随机变量之间的线性相关情况。综合变量对间的相关强弱程度不同，就形成了不同的典型相关对.在实际中，往往只需重点研究相关关系较大的几对典型变量，因为它们反映了两组变量间相互关系的绝大部分信息。这就是典型相关分析的主要思想。

–2– 基于典型相关分析和小波变换的眼电伪迹去除研究

假设X和Y是两组观测信号。典型相关分析寻找X和Y的线性组合,即：

u wx...wxwTXx11xkkxvwy1y1...wykykwTyY使得产生的新变量u和v之间的相关程度最大。

2.2 小波阈值去噪

典型相关分析分解出的伪迹分量中还含有少量的高频脑电成分，若将该分量完全置零可能会造成感兴趣脑电成分的损失，故需要进一步恢复泄漏在伪迹分量中的脑电成分。小波阈值去噪是同时基于时空域和频率的去噪方法。经过CCA 分解得到的伪迹分量中，眼电成分的能量在小波域集中在一些大的小波系数中，而脑电成分的能量却分布于整个小波域内。因此经过小波分解后，伪迹成分的小波系数幅值要大于脑电成分的小波系数幅值。对伪迹分量进行小波阈值去噪，将小波系数高于某一阈值的分量置零，这样可以把大部分脑电成分对应的小波系数保留，而将伪迹成分系数置零。

2.3 基于 wCCA 的盲源分离方法去除眼电伪迹

由电极采集到的脑电信号是由不同来源的脑电和伪迹叠加而成的。不同的脑电信号在头皮上分布的区域是不同的，不同脑区采集到的脑电信号是不同的。另一方面，由于大脑是电的良导体，眼电信号从前额处后向传播，遍历整个头部。充分利用脑电信号和眼电伪迹空间分布特点的不同，本文将CCA 算法以一种全新的方式应用于混合信号中，令X(t)为左侧脑区的脑电信号，Y(t)为右侧脑区的脑电信号。同时将垂直眼电信号分别加入到X(t)和Y(t)中，来提高得到的第一个典型相关变量中伪迹成分的百分比。CCA 分解得到的第一对典型相关变量之间的相关性最大，故该分量可以认为是X(t)和Y(t)之间最公共成分，即左右脑区之间最公共成分。而该成分是由与伪迹相关及少量高频脑电成分构成的。借助于这种方式的CCA，巧妙的回避了基于盲源分离方法中面临的伪迹成分人工识别的问题。当然若将该伪迹分量全部置零再重构的话，会造成其中脑电成分的损失。为此，可利用小波阈值去噪来去除该伪迹分量中眼电成分，保留脑电成分。

–3– 基于典型相关分析和小波变换的眼电伪迹去除研究 程序说明

3.1 算法流程图

3.2 相关matlab函数

本程序主要用的的函数有waverec 小波重构函数、wavedec小波分解函数、appcoef 低频分量（尺度系数）提取函数、detcoef高频分量（小波系数）提取函数

3.3 相关参数描述

X1--------------------------将FP1、F3、C3、O1、垂直眼电信号组合作为一路5×1000 Y1------------------------将FP2、F4、C4、O2、垂直眼电信号组合作为一路5×1000 A、B----------------------分别为X1与Y1每一行的均值为5×1的矩阵 X、Y-----------------------经中心化处理的X1和Y1信号 WX、Wy----------------------由CAA算法处理得到的特征向量 u1、v1----------------------由典型相关向量得到的典型相关变量

C1、C2、L1、L2--------------由小波分解得到的小波解向量和相应的记录长度 cA5 c1A5--------------------u v 的尺度系数（由函数appcoef得到的低频分量）

–4– 基于典型相关分析和小波变换的眼电伪迹去除研究

cD1、cD2、cD3、cD4、cD5、c1D1、c1D2、c1D3、c1D4、c1D5----------------------------由detcoef得到的u、v各层小波系数 k1~k6、p1~p6----------------各个低频阈值和高频阈值 U、V-----------------------经小波重构得到的信号

x1、y1-----------------------别对两路信号中的第一行处理后得到的信号

–5– 基于典型相关分析和小波变换的眼电伪迹去除研究 实验结果分析

4.1 仿真结果

FP1与FP2两路信号的处理前后结果对比图

5000-***0FP1电极处处理前信号10005000-***0FP2电极处处理前信号1000500500wCCA0-***0FP1电极处处理后信号1000wCCA0-***0FP2电极处处理后信号1000

F3与F4两路信号的处理前后结果对比图

5000-5000500F3电极处处理前信号10005000-5000500F4电极处处理前信号1000500500wCCA0-5000

wCCA500F3电极处处理后信号10000-5000500F4电极处处理后信号1000

–6– 基于典型相关分析和小波变换的眼电伪迹去除研究

C3与C4两路信号的处理前后结果对比图

5000-***0C3电极处处理前信号10005000-***0C4电极处处理前信号1000500wCCA500wCCA0-***0C3电极处处理后信号10000-***0C4电极处处理后信号1000

O1与O2两路信号的处理前后结果对比图

50050000-***0O1电极处处理前信号1000-***0O2电极处处理前信号1000500500wCCA0wCCA0200400600800O1电极处处理后信号10000-500-***0O2电极处处理后信号1000

4.2 数据比较分析

由实验结果截图可以看出，本次的实验程序基本上解决了脑电信号中眼电伪迹的去除工作，不同部位电极处的信噪比不同，可知不同部位的去除效果不一样，这可能和眼电传到不同部位的时间和距离有关，与眼电的空间分布特性和传输有关，FP1与FP2处的处理效果不是很好，主要和前额两处电极受眼电干扰大的原因有关，O1和O2处受眼电影响较小，这点由图可以看出来，可能是因为这两点和眼电产生部位的距离有关，从图中看不出来对这两个部位的处理效果，但是实验处理前后的数据是有变化的，所以说即使不能肉眼观察出来这两处的处理效果，但是实验数据能说明该算法还是对这两点起到了去伪迹的效果。

–7– 基于典型相关分析和小波变换的眼电伪迹去除研究

反思与讨论

在评价眼电伪迹去除效果的时候，需要综合考虑两个方面的目标：（1）考虑眼电伪迹去除的干净程度，即是否将眼电伪迹去除彻底；（2）考虑脑电信号的损失程度，即是否在去除眼电伪迹的同时也破坏了感兴趣的脑电信号。这样才能科学地评价一个伪迹去除算法的好坏。我们在这方面的研究与比较还有所欠缺

参考文献

典型相关分析算法理论及其在模式分类中的应用：西安电子科技大学 赵峰 2005.01 基于典型相关分析和小波变换的眼电伪迹去除：大连理工大学 邱天爽 实时脑电信号眼电伪差去除方法的研究：西安交通大学学报 2004.12 基于脑电的脑_机接口_关键技术和应用前景：电子科技大学学报 2009.05 《MATLAB 小波分析》---机械工程出版社

脑电信号中眼电伪迹去除方法研究：电子科技大学 刘铁军 2008.12

–8–