[发明专利]一种脑电图人工干扰信号的去除方法

说明书

本发明涉及一种脑电图信号处理方法。一种脑电图人工干扰信号的去除方法，首先将相关的先验知识引入ICA的优化目标函数，采用参考曲线约束的独立成分分析算法，从EEG数据中提取人工干扰信号并将之滤除；然后通过计算干扰信号与各个通道的相关系数，将干扰信号从各个通道中去除掉。本发明脑电图人工干扰信号的去除方法，直接将相关的先验知识引入ICA的优化目标函数，然后采用基于改进的独立成分分析算法进行干扰信号滤除，从而得到相对干净的脑电图信号，有效地解决了从EEG数据中提取人工干扰信号的问题。应用于各种疾病的诊断过程，有助于对脑电波信号进行正确的分析和处理。

技术领域

本发明涉及一种脑电图信号处理方法，尤其是涉及一种脑电图人工干扰信号的提取及去除方法。

背景技术

脑电图信号是由部署在头皮周围的多通道电极所采集到的，能够反映脑细胞活动情况的一种电子信号。脑电图信号被广泛地应用于各种疾病的诊断过程中。然而，诸如眨眼、眼动和心跳等干扰信号的存在，使得脑电图信号的分析任务变得异常困难。这些干扰信号具有较大的电压幅值，而且和实际的脑电生理信号具有重叠的频带。因此很难将这些干扰信号完全滤除。

经典的独立成分分析脑电图信号分析方法采用的数学模型如下式所示：

其中，矩阵X_c×t是脑电图信号矩阵；标量c是记录脑电图信号的通道个数；标量t是脑电图信号的时间采样点；向量是第i个数据通道采集到的数据；上标T表示向量的转置；A是一个未知的c行m列的列满秩矩阵；是代表了脑电生理信号，这些信号相互独立。独立成分分析的目的是想办法计算得到解混合矩阵W，从而能够从X_c×t中恢复出独立的如公式(2)所示：

如公式(3)所示，fastICA算法提供了一种ICA算法的快速计算方法。

其中，G(·)是一个非线性的函数，其具体形式见公式(14)；向量x代表矩阵X中的列向量；在许多ICA算法的应用中，特别是对于生物医学信号的应用中，独立信号总是伴随着或多或少的先验知识。通常情况下，在使用ICA算法分解得到独立成分后，还需要采用复杂而且可靠性不强的手工选择方法，将干扰信号从独立成分中分辨出来。在公式(1)中，矩阵X中的每一行具有零均值的特性。但是在实际的应用中，这个假设往往不能被满足。

因此，为了能够得到相对干净的脑电图信号，有必要对现有独立成分分析算法进行改进。

发明内容

本发明针对现有技术不足，提出一种基于改进的独立成分分析算法的脑电波干扰信号滤除方法，有效地解决了从EEG数据中提取人工干扰信号的问题。

本发明所采用的技术方案：

一种脑电图人工干扰信号的去除方法，首先，将相关的先验知识引入ICA的优化目标函数，采用参考曲线约束的独立成分分析算法，从EEG数据中提取人工干扰信号并将之滤除；然后，通过计算干扰信号与各个通道的相关系数，将干扰信号从各个通道中去除掉。

本发明的有益效果：

1、本发明脑电图人工干扰信号的去除方法，直接将相关的先验知识引入ICA的优化目标函数，提出了一种参考曲线约束的独立成分分析算法，有效地解决了从EEG数据中提取人工干扰信号的问题。

2、本发明脑电图人工干扰信号的去除方法，采用基于改进的独立成分分析算法进行干扰信号滤除，得到了相对干净的脑电图信号，应用于各种疾病的诊断过程，有助于对脑电波信号进行正确的分析和处理。

附图说明

图1所示为17通道传入了严重的心跳、眼动和眨眼信号的脑电信号；

图2为计算得到的人工干扰信号；