CN106951835A - 一种脑电信号噪声去除方法 - Google Patents
一种脑电信号噪声去除方法 Download PDFInfo
- Publication number
- CN106951835A CN106951835A CN201710123597.2A CN201710123597A CN106951835A CN 106951835 A CN106951835 A CN 106951835A CN 201710123597 A CN201710123597 A CN 201710123597A CN 106951835 A CN106951835 A CN 106951835A
- Authority
- CN
- China
- Prior art keywords
- noise
- eeg signals
- wavelet
- signal
- eigencomponent
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
- G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明涉及一种基于DTCWT‑EEMD算法的脑电信号噪声去除方法,包括以下步骤:采用EEMD算法对采集到的脑电信号进行集合经验模态分解,得到包含不同频段信息的本征分量;选取所得的本征分量中主要包含高频随机噪声的若干分量,采用DTCWT算法对其进行分解,得到噪声分量对应的一系列小波系数;针对随机噪声所对应的小波系数,采用软阈值法进行小波系数处理,将随机噪声对应小波系数置零,进而实现噪声去除的效果;将经过噪声去除处理的小波系数进行DTCWT逆算法的重构,得到去噪后的本征分量,再与剩余的代表信号有用信息的本征分量进行相加重构,得到最终的去噪脑电信号。本发明在噪声去除的同时有效保证了有用信息的完整性。
Description
技术领域
本发明涉及脑电信号去噪技术领域,特别是涉及一种脑电信号噪声去除方法。
背景技术
由于大脑所特有的复杂性和功能性,人类一直渴望了解其运作机制,从而保护大脑,治疗脑部疾病,甚至复制大脑,实现大脑众多功能的人工替代,因此,探索大脑、揭示大脑认知机制是人类探索自我、认识自然过程中极具挑战性的重要科学命题。
大脑通过大量的神经细胞控制与协调着人类日常生活中语言、思维、认知、情绪、运动等一系列作业,而神经细胞的活动则伴随着电的活动。人们由此意识到可以通过对这种电信号的捕获和研究,来人工重现人类大脑的一系列控制效果。故而,随着近几年来通信、计算机、生物医学等领域技术的快速发展与相互融合,一种新型的大脑与外界进行通信的技术——脑-机接口(Brain Computer Interface,BCI)应运而生。脑-机接口搭建了一种直接不依赖大脑***肌肉与神经组织的大脑与外界环境进行信息交互的通道。
BCI***的飞速发展使之在辅助康复、交通控制、军事策略、游戏娱乐等方面都得以广泛应用。诸如脑控电动轮椅、脑电汽车制动、脑电疲劳驾驶检测、脑电装甲车控制、脑电虚拟世界等一系列的BCI产品更是层出不穷。可以说,BCI技术扩充了大脑信息与外界环境交互的渠道,增进了对大脑认知模式的理解,有助于解释人类活动的本质,极大地促进了大脑认知科学与神经生物学领域的研究,更利于为全社会提供符合人类思维模式的众多超便捷服务,具有广阔的研究前景。
然而,在利用BCI***实现一些控制效果时,关于提取出来的脑电信号的预处理步骤一直是研究人员关注的重点,而噪声去除问题就是脑电信号预处理过程中的关键之处。
脑电信号是利用传感器在人脑头皮对大脑皮层细胞群的自发性、节律性的电活动采集而得到的,但是在采集过程中由于高灵敏度的脑电放大器容易受到外界环境的影响,再加上受试者自身的各种因素以及脑电信号自身特点,所以在采集过程中极易受到神经源噪声和非神经源噪声的干扰,对于来自非噪声的干扰可以在采集脑电信号的过程中,通过脑电信号采集装置去除一些干扰,但是对于噪声的干扰,就需要通过一定的噪声去除方法来进行消噪处理,提高信号的信噪比。
目前所广泛采用的EEMD去噪算法,主要是通过EEMD分解得到多个IMF分量,前几个分量主要包含信号中的高频成分,后面的分量主要包含信号中的低频成分,噪声强度对着IMF层次的增加也会越来越弱,即信号的低频成分以有效信息为主,而高频成分则含有大量的噪声。目前普遍的消噪方法是直接去除EEMD分解中的前几个高频IMF分量来消噪,但是,这样会在去掉高频中的噪声成分的同时去除了其中的有效信息成分,无法保障脑电信号的完整性和有效性。
发明内容
本发明所要解决的技术问题是提供一种脑电信号噪声去除方法,该方法基于DTCWT-EEMD融合算法,其在很大程度上弥补了传统去噪方法的缺陷,实现噪声去除的同时有效保证了有用信息的完整性。
本发明解决其技术问题所采用的技术方案是:提供一种脑电信号噪声去除方法,包括以下步骤:
(1)采用EEMD算法对采集到的脑电信号进行集合经验模态分解,得到包含不同频段信息的本征分量;
(2)选取所得的本征分量中主要包含高频随机噪声的若干分量,采用DTCWT算法对其进行分解,得到噪声分量对应的一系列小波系数;
(3)针对随机噪声所对应的小波系数,采用软阈值法进行小波系数处理,将随机噪声对应小波系数置零,进而实现噪声去除的效果;
(4)将经过噪声去除处理的小波系数进行DTCWT逆算法的重构,得到去噪后的本征分量,再与剩余的代表信号有用信息的本征分量进行相加重构,得到最终的去噪脑电信号。
所述步骤(1)具体为:往信号中加入白噪声,构成信噪混合体;把信噪混合体进行EMD分解,分解成本征分量组合;重复上述步骤,使得每次加入的白噪声均不相同,得到多个本征分量组合,并对多个本征分量组合求平均得到分解结果。
所述步骤(2)中采用两个平行的实离散小波变换树来实现信号的分解和重构,所述两个平行的实离散小波变换树分别为实部树和虚部树,分别使用了一个互不相同实数滤波器组,通过这两个滤波器组分别得到双树复小波的实部系数与虚部系数。
有益效果
由于采用了上述的技术方案,本发明与现有技术相比,具有以下的优点和积极效果:本发明可以在有效去除噪声的同时,尽可地保留了有用信号成分,保证了信号的有效性和完整性。同时,本发明稳定有效,可以适用于任何脑电信号的噪声去除工作,也免除了人工干预的繁琐。
附图说明
图1是本发明的流程图;
图2是EMD算法流程图;
图3是双树复小波分解示意图;
图4是脑电仿真信号示意图;
图5是含噪脑电仿真信号示意图;
图6是采用本发明的去噪效果示意图;
图7是算法比对均方根误差性能指标示意图;
图8是算法比对信噪比性能指标示意图。
具体实施方式
下面结合具体实施例,进一步阐述本发明。应理解,这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解,在阅读了本发明讲授的内容之后,本领域技术人员可以对本发明作各种改动或修改,这些等价形式同样落于本申请所附权利要求书所限定的范围。
本发明的实施方式涉及一种基于DTCWT-EEMD算法的脑电信号噪声去除方法,如图1所示,包括以下步骤:采用EEMD算法对采集到的脑电信号进行集合经验模态分解,得到包含不同频段信息的本征分量;选取所得的本征分量中主要包含高频随机噪声的若干分量,采用DTCWT算法对其进行分解,得到噪声分量对应的一系列小波系数;针对随机噪声所对应的小波系数,采用软阈值法进行小波系数处理,将随机噪声对应小波系数置零,进而实现噪声去除的效果;将经过噪声去除处理的小波系数进行DTCWT逆算法的重构,得到去噪后的本征分量,再与剩余的代表信号有用信息的本征分量进行相加重构,得到最终的去噪脑电信号。
本发明主要涉及到DTCWT和EEMD两种算法,具体介绍如下:
EEMD算法是由经典EMD发展而来的进化算法,EMD算法的目的在于将性能不好的信号分解为一组性能较好的本征模函数IMF,所分解出来的各IMF分量包含了原信号的不同时间尺度的局部特征信息。其中,每个IMF分量具有如下特征:
(1)从全局特性上看,极值点数必须和过零点数一致或者至多相差一个。
(2)在某一个局部点,极大值包络和极小值包络在该点值的算术平均和是零。
EMD算法的具体流程如图2所示。当把一个非平稳信号通过EMD分解为一个个IMF分量时,就可以根据这些IMF分量对特定的信号成分进行分析处理,然而,当信号的极值点分布不均匀时,就可能导致一个IMF分量中出现多个尺度信号或一个相似尺度的信号分布在不同的IMF分量中,即模态混叠现象。
为了克服模态混叠现象,进一步提出了EEMD算法,EEMD算法的原理是在原信号中加入若干次白噪声,把信号和噪声的组合作为一个信号带分解信号,利用白噪声平铺均匀分布的特性,当信号加载遍布这个时频空间分布一致的白噪声背景上时,不同时间尺度的信号会自动分布在合适的参考尺度上,此时再将加载白噪声的信号进行EMD分解,就避免了模态混叠,并且由于白噪声零均值的特性,对EMD分解得到的各IMF分量求总体均值,就能消除附加白噪声的影响,得到逼近的真实模态。具体流程如下:
(1)往信号x(t)中加入白噪声k×σx×n(t),其中,n(t)为归一化的白噪声,σx为信号标准差,k为白噪声标准差与信号标准差的比值,构成下列信噪混合体:
X(t)=x(t)+k×σx×n(t) (1)
(2)把信噪混合体进行EMD分解,分解成IMF组合:
上式中,cj表示第j项IMF本征分量,共有m项;rm表示分解所得余项。
(3)重复步骤1和步骤2,每次加入不同的白噪声:
Xi(t)=x(t)+k×ni(t) (3)
分解成IMF:
(4)重复N次,对各个IMF求平均:
最后的分解结果为:
由于白噪声的零均值特性,将这些多次分解的结果求取平均值后,噪声最终将被最大限度地抵消而达到消除的效果,总体平均的结果就可以当做真实信号。
综上,当采用EEMD对脑电信号进行分解时,会得到多个IMF分量,前几个分量主要包含信号中的高频成分,后面的分量主要包含信号中的低频成分,噪声强度随着IMF层次的增加也会越来越弱,即信号的低频成分以有效信息为主,而高频成分则含有大量的噪声。于此,即可选取高频IMF成分进行处理,达到消噪的目的。
在对高频IMF分量进一步处理的时候,需要采取双树复小波变换(DTCWT)进行深层次信号成分分解,这里的双树复小波变换这里是由离散小波变换发展而来。
离散小波变换通过小波基函数的伸缩和平移构成一系列分辨率不同的正交投影空间机器对应的基,用这组基表示或逼近某一信号,因而在低频有良好的频域分辨率,在高频有良好的时间分辨率,也凭借着良好的时频局部化特性、多分辨率特性、去相关性等特点,在信号消噪领域有着不错的表现。小波的多分辨分析特性可将信号在不同尺度下进行多分辨率的分解,并将交织在一起的各种不同频率组成的混合信号分解成不同频段的子信号,因而对信号具有按频带处理的能力,所以,消噪的基本步骤就是根据需要,将含有噪声的信号在某一尺度下分解到不同的频带内,然后再将噪声所处的频带置零,然后进行小波重构,从而达到消噪的目的。
但是,离散小波变换在实际信号分析处理中,可能会产生严重的频率混叠现象。当原始信号包含了几种不同频率的周期信号时,离散小波变换所分解出的不同层次信号的频率就可能会包含其他的频率成分。而双树复小波在分解信号过程中比离散小波变换表现得更为彻底,能更有效地避免频率混叠现象的发生,很好地表现细节部分的频率信息。所以,在对脑电信号进行去噪处理时,应采用双树复小波变换对信号进行不同频带分解。
双树复小波变换的分解示意如图3所示。
在图3中,采用两个平行的实离散小波变换树来实现信号的分解和重构,分别称之为实部树和虚部树,两个离散小波变换树分别使用了一个互不相同实数滤波器组,通过这两个滤波器组可分别得到双树复小波的实部系数与虚部系数。
实部树的小波系数以及尺度系数分别如下:
其中,j为比例因子切,j=1,2,…,J,ψh(·)表示实数部高通滤波器对应的小波基函数、φh(·)表示实数部低通滤波器对应的小波基函数、t表示时间系数、n表示小波分解层数。
同理,虚部树的小波系数以及尺度系数分别如下:
其中,ψg(·)表示虚数部高通滤波器对应的小波基函数、φg(·)表示虚数部低通滤波器对应的小波基函数。
双树复小波变换分解后各层的小波系数和尺度系数即为实部、虚部两部分系数之和:
含噪的原始信号经过双树复小波变换后,有用信号的能量主要集中在有限的系数中,而噪声的能量分布在整个小波域上,所以,信号经过分解后,信号的小波系数大于噪声系数,选取适当的阈值,就可以消除噪声而保留信号小波系数。
至此,利用DTCWT对选取的高频IMF分量进行软阈值处理后,即可实现噪声的有效去除,同时尽可能地保留了有用信号成分。
此后,可以通过以下两式重构各子带的小波系数,恢复出去噪之后的高频IMF分量:
最后,利用EEMD逆向过程,将去噪之后的高频IMF分量结合剩余的低频IMF分量进行相加重构,得到最终的脑电信号。
为了验证本发明的有效性和准确性,也为了使去噪效果清晰可见,这里取用脑电信号的仿真函数作为信号源,信号示意如图4所示,加载随机高斯得到含噪信号如图5所示,将所得含噪信号经过DTCWT-EEMD去噪算法处理,得到去噪结果如图6所示。
为了凸显本发明的有效性和先进性,这里采用小波变换(CWT)、集合经验模态分解(EEMD)、双树复小波变换(DTCWT)、基于小波变换的集合经验模态分解(CWT-EEMD)和本发明提出的DTCWT-EEMD算法,分别对含噪信号进行处理,并以均方差误差和信噪比作为性能衡量指标。
改变含噪信号的信噪比,并实验100次取平均值,得到最终的性能效果比对如图7和图8所示。
从图7和图8可以看出,对于均方根误差,DTCWT-EEMD始终最小,而对于信噪比,DTCWT-EEMD始终最大,故而说明本发明提出的算法在噪声去除效果和有用信号完整性的保证方面,均优于目前已有的处理算法,DTCWT-EEMD更具高效性和准确性,可稳定可靠地应用于BCI脑控***的脑电信号去噪处理过程中。
Claims (3)
1.一种脑电信号噪声去除方法,其特征在于,包括以下步骤:
(1)采用EEMD算法对采集到的脑电信号进行集合经验模态分解,得到包含不同频段信息的本征分量;
(2)选取所得的本征分量中主要包含高频随机噪声的若干分量,采用DTCWT算法对其进行分解,得到噪声分量对应的一系列小波系数;
(3)针对随机噪声所对应的小波系数,采用软阈值法进行小波系数处理,将随机噪声对应小波系数置零,进而实现噪声去除的效果;
(4)将经过噪声去除处理的小波系数进行DTCWT逆算法的重构,得到去噪后的本征分量,再与剩余的代表信号有用信息的本征分量进行相加重构,得到最终的去噪脑电信号。
2.根据权利要求1所述的脑电信号噪声去除方法,其特征在于,所述步骤(1)具体为:往信号中加入白噪声,构成信噪混合体;把信噪混合体进行EMD分解,分解成本征分量组合;重复上述步骤,使得每次加入的白噪声均不相同,得到多个本征分量组合,并对多个本征分量组合求平均得到分解结果。
3.根据权利要求1所述的脑电信号噪声去除方法,其特征在于,所述步骤(2)中采用两个平行的实离散小波变换树来实现信号的分解和重构,所述两个平行的实离散小波变换树分别为实部树和虚部树,分别使用了一个互不相同实数滤波器组,通过这两个滤波器组分别得到双树复小波的实部系数与虚部系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710123597.2A CN106951835A (zh) | 2017-03-03 | 2017-03-03 | 一种脑电信号噪声去除方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710123597.2A CN106951835A (zh) | 2017-03-03 | 2017-03-03 | 一种脑电信号噪声去除方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106951835A true CN106951835A (zh) | 2017-07-14 |
Family
ID=59467735
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710123597.2A Pending CN106951835A (zh) | 2017-03-03 | 2017-03-03 | 一种脑电信号噪声去除方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106951835A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107657868A (zh) * | 2017-10-19 | 2018-02-02 | 重庆邮电大学 | 一种基于脑电波的教学跟踪辅助*** |
CN107766793A (zh) * | 2017-09-20 | 2018-03-06 | 天津大学 | 基于混合型方法的mems陀螺仪信号去噪处理方法 |
CN108095722A (zh) * | 2018-01-31 | 2018-06-01 | 南京邮电大学 | 基于脑电信号的改进eemd算法 |
CN109498000A (zh) * | 2018-12-25 | 2019-03-22 | 杭州电子科技大学 | 基于emd与wpd特征融合的癫痫发作前期预测方法 |
CN109567743A (zh) * | 2018-10-24 | 2019-04-05 | 加康康健有限公司 | 一种基于emd的信号重构方法、装置、终端设备及存储介质 |
CN111657936A (zh) * | 2020-06-16 | 2020-09-15 | 河南大学 | 基于小波变换和全变差正则化的信号去噪方法 |
CN112730712A (zh) * | 2020-12-31 | 2021-04-30 | 杭州谱育科技发展有限公司 | 提高lc-ms数据信噪比的方法 |
CN113289250A (zh) * | 2021-06-22 | 2021-08-24 | 河北启智教育科技有限公司 | 一种脑脉冲芯片 |
CN114757236A (zh) * | 2022-06-13 | 2022-07-15 | 广东工业大学 | 基于tqwt与svmd的脑电信号去噪优化方法及*** |
CN117312965A (zh) * | 2023-11-30 | 2023-12-29 | 国网辽宁省电力有限公司 | 一种gis高压隔离开关未知故障自学习方法 |
-
2017
- 2017-03-03 CN CN201710123597.2A patent/CN106951835A/zh active Pending
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107766793A (zh) * | 2017-09-20 | 2018-03-06 | 天津大学 | 基于混合型方法的mems陀螺仪信号去噪处理方法 |
CN107657868A (zh) * | 2017-10-19 | 2018-02-02 | 重庆邮电大学 | 一种基于脑电波的教学跟踪辅助*** |
CN108095722B (zh) * | 2018-01-31 | 2021-05-28 | 南京邮电大学 | 基于脑电信号的改进eemd算法 |
CN108095722A (zh) * | 2018-01-31 | 2018-06-01 | 南京邮电大学 | 基于脑电信号的改进eemd算法 |
CN109567743A (zh) * | 2018-10-24 | 2019-04-05 | 加康康健有限公司 | 一种基于emd的信号重构方法、装置、终端设备及存储介质 |
CN109498000A (zh) * | 2018-12-25 | 2019-03-22 | 杭州电子科技大学 | 基于emd与wpd特征融合的癫痫发作前期预测方法 |
CN111657936A (zh) * | 2020-06-16 | 2020-09-15 | 河南大学 | 基于小波变换和全变差正则化的信号去噪方法 |
CN112730712A (zh) * | 2020-12-31 | 2021-04-30 | 杭州谱育科技发展有限公司 | 提高lc-ms数据信噪比的方法 |
CN112730712B (zh) * | 2020-12-31 | 2022-06-07 | 杭州谱育科技发展有限公司 | 提高lc-ms数据信噪比的方法 |
CN113289250A (zh) * | 2021-06-22 | 2021-08-24 | 河北启智教育科技有限公司 | 一种脑脉冲芯片 |
CN114757236A (zh) * | 2022-06-13 | 2022-07-15 | 广东工业大学 | 基于tqwt与svmd的脑电信号去噪优化方法及*** |
CN114757236B (zh) * | 2022-06-13 | 2022-10-11 | 广东工业大学 | 基于tqwt与svmd的脑电信号去噪优化方法及*** |
CN117312965A (zh) * | 2023-11-30 | 2023-12-29 | 国网辽宁省电力有限公司 | 一种gis高压隔离开关未知故障自学习方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106951835A (zh) | 一种脑电信号噪声去除方法 | |
CN102697493B (zh) | 一种快速的脑电信号中眼电伪迹自动识别和去除的方法 | |
CN102697495B (zh) | 基于总体平均经验模式分解的二代小波肌电信号消噪方法 | |
CN105677035B (zh) | 基于eemd和小波阈值的运动想象脑电信号消噪方法 | |
CN105342605B (zh) | 一种去除脑电信号中肌电伪迹的方法 | |
CN103610461B (zh) | 基于双密度小波邻域相关阈值处理的脑电信号消噪方法 | |
CN103961092B (zh) | 基于自适应阈值处理的脑电信号去噪方法 | |
Sobahi | Denoising of EMG signals based on wavelet transform | |
US20080262371A1 (en) | Method for Adaptive Complex Wavelet Based Filtering of Eeg Signals | |
CN102835955A (zh) | 一种无需设定阈值的脑电信号中眼电伪迹自动去除的方法 | |
CN114533086A (zh) | 一种基于空域特征时频变换的运动想象脑电解码方法 | |
CN110151175A (zh) | 基于ceemd与改进小波阈值的表面肌电信号消噪方法 | |
CN108042130A (zh) | 一种基于经验模式分解(emd)的脑电信号预处理方法 | |
CN114081503A (zh) | 去除脑电信号中眼电伪迹的方法 | |
Liu et al. | An efficient and robust muscle artifact removal method for few-channel EEG | |
Feng et al. | Feature extraction algorithm based on csp and wavelet packet for motor imagery eeg signals | |
CN106859641B (zh) | 一种基于自动ica去除eeg信号中核磁伪迹的方法 | |
CN114403897A (zh) | 一种基于脑电信号的人体疲劳检测方法及*** | |
Feng et al. | A novel SSA-CCA framework for muscle artifact removal from ambulatory EEG | |
CN117462145A (zh) | 基于FastICA的眼电伪迹自识别清除方法、装置、设备及介质 | |
CN117064405A (zh) | 一种单通道脑电信号伪迹去除方法、设备及介质 | |
CN114757236B (zh) | 基于tqwt与svmd的脑电信号去噪优化方法及*** | |
Rong-Yi et al. | Blind source separation of multichannel electroencephalogram based on wavelet transform and ICA | |
Řondík et al. | Comparison of various approaches for P3 component detection using basic methods for signal processing | |
Zhang et al. | Motor imagery electroencephalogram de-noising method based on EEMD and improved wavelet threshold |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170714 |