CN112244876A

CN112244876A - 一种基于可变遗忘因子的自适应滤波器的脑电信号时序随机噪声去除方法

Info

Publication number: CN112244876A
Application number: CN202011061254.6A
Authority: CN
Inventors: 段立娟; 连召洋; 乔元华; 陈军成; 苗军
Original assignee: Beijing University of Technology
Current assignee: Beijing University of Technology
Priority date: 2020-09-30
Filing date: 2020-09-30
Publication date: 2021-01-22

Abstract

本发明涉及一种基于可变遗忘因子的自适应滤波器的脑电信号时序随机噪声去除方法，用于去除脑电信号中时序随机噪声。包括模型训练和模型测试，模型训练包括获取含有时序随机信号的混合脑电信号做为训练数据；设置模型初始参数；根据混合脑电信号生成当前迭代的输入混合信号序列片段

生成当前迭代的输入参考噪声片段x_t；更新遗忘因子；计算当前迭代的不含噪声的脑电信号片段

更新中间参数；重复上述步骤直到满足条件训练完成；最终利用训练完成的模型进行实际去噪。本发明弥补了对脑电信号中较强时序随机噪声的伪迹去除研究较少的不足，并与现有方法进行了试验对比，实验结果表明，本发明在运动想象数据集上的时序随机强噪声去除效果明显。

Description

一种基于可变遗忘因子的自适应滤波器的脑电信号时序随机噪声去除方法

技术领域

本发明涉及运动想象任务中脑电信号的时序随机噪声去除领域以及生物信息学领域。

背景技术

颅外的脑电信号(Electro encephalography,EEG)中有包含了大量的生理和病理信息，但也可能包含有大量的伪迹，这些伪迹噪声严重影响了采集到的脑电信号。近年来，出现了许多伪迹去除方法。现在大部分脑电伪迹去除方法都是集中在眼电伪迹、心电伪迹、电机运动伪迹、基线漂移伪迹和工频干扰等伪迹的去除，然而常用伪迹去除的模型及参数有待优化，并且对脑电信号中较强时序随机噪声的伪迹去除研究较少。

自适应滤波器是可以根据输入信号自动不断调整参数的数字滤波器，能够解决非自适应滤波器参数固定的缺陷。脑电是一种随机信号，而加入脑电信号中的时序随机噪声也是复杂多变的，事先不知道模型中所需要设定的参数，所以采用自适应滤器来自适应调节参数可以达到伪迹去除的目的。常用的自适应滤波器分为基础的LMS(Least MeanSquare)和RLS(Recursive Least Squares)及其改进算法。对于自适应滤器，遗忘因子的大小与算法的收敛速度、稳定性有密切的关系，

发明内容

针对上述背景，本发明提出采用可变遗忘因子的自适应滤波器VFFRLS(VariableForgetting Factor RLS)去除脑电信号中的时序随机噪声，用于解决去除脑电信号中时序随机噪声的问题。

具体技术方案如下：

包括模型训练和模型实测两个阶段，其中，

所述的模型训练阶段用于训练VFFRLS的模型和参数；

所述的模型实测是利用训练完成的VFFRLS模型对待去噪脑电信号进行噪声滤除，

模型训练阶段具体包括以下步骤：

1)获取含有时序随机信号的混合脑电信号

2)设置VFFRLS的各种初始参数

3)生成输入的混合信号序列片段。

4)生成输入的参考噪声片段。

5)更新遗忘因子。

6)估算不含噪声的脑电信号片段。

7)估算噪声片段。

8)更新其它中间参数。

9)如果不满足停止条件，则不断重复更新。

10)满足停止条件后，训练完成。

有益效果

本发明提出采用可变遗忘因子的自适应滤波器VFFRLS(Variable ForgettingFactor RLS)来去除脑电信号中的时序随机噪声，并在实验室环境下对比了不同算法在运动想象脑电信号中混入较强的时序随机噪声后的去除效果。与其它7种自适应滤波方法相比，VFFRLS可变遗忘因子的自适应滤波算法在运动想象的脑电信号中的时序随机噪声的去除效果最好，VFFRLS算法的平均根均方差RMSE都最小、SNR都最大。VFFRLS有效的完成对脑电信号的伪迹去除，最终得到不含明显噪声的脑电信号。

附图说明

图1为本发明所涉及方法的结构图；

具体实施方式

下面结合附图和具体实施细节对本发明做进一步的描述。本实施例是对医院的眼电或肌电信号进行伪迹去除，本发明所涉及方法的流程包括以下步骤：

训练阶段

步骤1)选择脑电数据集。

采用BCI(Brain Computer Interface)脑机接口竞赛第二届Ia数据集，一共有561个脑电信号的样本，记为EEG_org，每个样本中有6个点电极样本段，每段有896个样本点，有用的时间段为3.5s。

步骤2)生成随机噪声。

noise＝a₀·f_rnd(m,n)

式中：a₀为噪声的幅值系数，m为1，n为896。f_rnd(m,n)是生成m×n维的0到1之间随机数的函数，noise是一个随机生成1×896维的行向量。

步骤3)生成含有时序随机信号的混合脑电信号，其生成方式如下：

EEG_noise(i)＝EEG_org(i)

+1·a₁·noise(i)

+1_i＞1·a₂·noise(i-1)

+1_i＞2·noise(i-2)

式中：EEG_org(i)表示一个点电极样本段中的第i个样本点，1≤i≤n，EEG_noise是加了时序随机强噪声的混合信号，延时添加不同权重噪声体现时序性，a₁和a₂为权重系数，其中0＜a₁＜1，0＜a₂＜1。两者都是1*896维的行向量，1≤i≤896，1_i＞1表示当i＞1时取1，反之取0。

步骤4)设置VFFRLS的各种初始参数。

初始化遗忘因子λ₀、δ、w₀、y₀、M、P₀参数，其中λ₀＝0.99，δ＝0.001，M＝3，l＝M-1＝2，P₀＝δ·M，y₀、w₀是1×3维的0向量，

步骤5)根据混合脑电信号EEG_noise，生成当前第t次迭代的输入混合信号序列片段

生成输入的混合信号序列片段

式中：

是一个1×(l+1)维的向量，EEG_noise(t)表示向量EEG_noise在索引t处的数据，比如当t＝5时，那么

就是从EEG_noise的第5个索引位置开始向后截取长度为l+1的序列片段。

步骤6)生成输入的参考噪声片段x_t。

x_t＝[noise(t),…,noise(t+l)]

式中：x是一个1×(l+1)维的向量，noise(t)表示向量noise在索引t处的数据，

步骤7)更新遗忘因子λ_t。

如果迭代次数1≤t≤λ_num-1更新公式，如果λ_num-1＜t≤N-M+1跳过公式。

式中：λ_num取90，N为896。遗忘因子对算法有重要影响，太大稳定性好，但跟踪能力差，太小跟踪能力强，但是稳定性差，一般来说遗忘因子的大小在0.9到1.0之间，算法效果会比较好，在本文中初始值为0.99，开始相对小的值，提高其跟踪速度，随着时间的增加，逐渐提高遗忘因子，提高其稳定性。

步骤8)估算不含噪声的脑电信号片段

其中，初值如下，

更新如下，

EEG_est(t+l)＝EEG_noise(t+l)-noise_est(t+l)

其中，

步骤9)，更新中间参数w_t。

步骤10)，更新中间参数w_t、K_t、P_t等其它中间参数。

步骤11)，更新中间参数P_t。

式中：EEG_est是估计出来的不含随机噪声的脑电信号，EEG_est(t+l)表示EEG_est向量中第t+l索引处的数据，P_t为第t次迭代时更新的P值，上述公式中其它变量含t的小括号和下标含义也一样。

步骤12)，如果1＜t≤N-M+1，则重复更新步骤5)-步骤12)，完成一次滤噪后，计算去噪后的脑电信号与纯净脑电信号EEG_org之间的根均方根误差RMSE和信噪比SNR是否满足要求，如果满足要求则训练结束，否则继续训练。

步骤13)，完成模型训练后，为了使实测结果更加准确，需要用医院的眼电或肌电信号进行伪迹去除微调参数，此时，含有时序随机信号的混合脑电信号EEG_noise为医院实采的受眼电EOG信号或受肌电EMG信号影响的EEG导联信号纯净脑电信号；noise为医院实采的参考眼EOG信号或肌电EMG信号，或是换成经各种算法解后的与EOG信号或ECG信号最相关的信号成分；计算根均方根误差RMSE和信噪比SNR时，纯净脑电信号EEG_org为医院实采的未受眼电EOG信号(例如未眨眼时)或未受肌电EMG信号影响(例如没有明显肌肉抖动时)的EEG导联信号。

步骤14)利用训练完成后的模型对医院实采的含伪迹的脑电信号进行心电和肌电的伪迹去除。

本发明包括但不限于对医院实测的眼电或肌电信号的伪迹去除。

对于本发明所述的VFFRLS算法的有效性可以通过计算单个样本的根均方根误差RMSE，以及计算单个样本的信噪比SNR进行评价。RMSE越小越好，值越小说明估计出来的不含噪声信号和原始的不含噪声信号越相近，而SNR值越大越好。

RMSE是根均方根误差(Root Mean Square Error)，可以衡量运动想象脑电中时序随机强噪声的在时序上的去除效果，评价计算的不含噪声信号EEG_est和原始的不含噪声信号EEG_org的差别程度，此值越小越好，值越小说明估计出来的不含噪声信号和原始的不含噪声信号越相近，其公式如下：

式中：N为样本点数，EEG_org某样本中某电极导不含联噪声的脑电信号，EEG_est通过各种自适应滤波器估计出来的该电极导联的不含噪声EEG信号。

计算单个样本的信噪比SNR

SNR是信噪比(Signal Noise Ratio)，本来是指信号和噪声的比例。本文中用信噪比表示原始不含噪声信号EEG_org与估计出来的不含噪声EEG信号EEG_est的误差之间的关系，此值越大越好。

式中：N、EEG_org、EEG_est参数含义和RMSE中的参数含义一致。

为了验证VFFRLS算法的有效性，在实验室环境下进了测试。测试时采用BCI(BrainComputer Interface)脑机接口竞赛第二届Ia数据集，一共有561个脑电信号的样本，记为EEG_org，每个样本中有6个点电极样本段，每段有896个样本点，有用的时间段为3.5s。生成随机噪声，noise＝a₀·f_rnd(m,n)，式中：a₀为噪声的幅值系数，m为1，n为896。f_rnd(m,n)是生成m×n维的0到1之间随机数的函数，noise是一个随机生成1×896维的行向量。生成含有时序随机信号的混合脑电信号，其生成方式如下：

EEG_noise(i)＝EEG_org(i)

+1·a₁·noise(i)

+1_i＞1·a₂·noise(i-1)

+1_i＞2·noise(i-2)

式中：EEG_org(i)表示一个点电极样本段中的第i个样本点，1≤i≤n，EEG_noise是加了时序随机强噪声的混合信号，延时添加不同权重噪声体现时序性，a₁和a₂为权重系数，其中0＜a₁＜1，0＜a₂＜1。添加的随机噪声后的混合信号和原始脑电信号差别很大。两者都是1*896维的行向量，1≤i≤896，1_i＞1表示当i＞1时取1，反之取0。

表1不同自适应滤波算法的平均RMSE值比较(单位μV)

表2不同自适应滤波算法的平均SNR值比较(单位db)

表1和表2中，水平方向代表不同的自适应滤波算法，垂直方向代表不同的电极。从表1中可知，在8种自适应滤波器中，VFFRLS在6个电极中估计出来的纯净脑电信号与原始无随机噪声的脑电信号的平均根均方误差RMSE最小。从表2可知，VFFRLS自适应滤波器在6个电极上估计出来的纯净的脑电信号与原始无时序随机噪声的脑电信号之间的平均SNR都最大。在评价指标中RMSE越小越好，SNR越大越好。试验证明本发明采用的VFFRLS算法能够非常有效的完成对脑电信号的伪迹去除。

Claims

1.一种基于可变遗忘因子的自适应滤波器的脑电信号时序随机噪声去除方法，其特征在于包括模型训练和模型实测两个阶段，其中，

所述的模型训练阶段用于训练VFFRLS的模型和参数；

所述的模型实测阶段通过利用训练完成的VFFRLS模型对待去噪脑电信号进行噪声滤除，得到去噪之后的脑电信号；

其中，模型训练阶段具体包括以下步骤：

1)获取含有时序随机信号的混合脑电信号EEG_noise做为训练数据；

2)设置VFFRLS的初始参数，包括初始化遗忘因子λ₀、λ_num、δ、w₀、y₀、M、K₀、P₀参数；

3)根据混合脑电信号EEG_noise，生成当前第t次迭代的输入混合信号序列片段

4)生成当前第t次迭代的输入参考噪声片段x_t，用于生成估计噪声片段；

5)更新遗忘因子；

6)计算当前第t次迭代的不含噪声的脑电信号片段

即为估算的纯净脑电信号；

7)更新中间参数；

8)如果1＜t≤N-M+1，N＝n，n为一个样本中的采样点数，则重复更新步骤3)-步骤8)，直到完成一次迭代，所有得到的

即为去噪后的脑电信号；计算去噪后的脑电信号与纯净脑电信号EEG_org之间的根均方根误差RMSE和信噪比SNR是否满足要求，如果满足要求则训练结束，否则继续训练；

2.根据权利要求1所述的一种基于可变遗忘因子的自适应滤波器的脑电信号时序随机噪声去除方法，其特征在于：所述模型训练阶段的混合脑电信号EEG_noise由以下方法构建：

步骤1.1)选择多个不含噪声脑电信号样本，记为EEG_org，每个样本中包含m个点电极样本段，每段有n个样本点；

步骤1.2)为纯净脑电信号EEG_org中每个点电极样本段生成随机噪声noise,

noise＝a₀·f_rnd(m,n)

式中：a₀为噪声的幅值系数，m＝1，f_rnd(m,n)是生成m×n维的0到1之间随机数的函数，noise是一个随机生成1×n维的行向量；

步骤1.3)为每个点电极样本段生成含有时序随机信号的混合脑电信号EEG_noise＝{EEG_noise(1),...,EEG_noise(n)}，其中，EEG_noise(i)生成方式如下：

EEG_noise(i)＝EEG_org(i)+1·a₁·noise(i)+1_i＞1·a₂·noise(i-1)+1_i＞2·noise(i-2)

式中：EEG_org(i)表示一个点电极样本段中的第i个样本点，1≤i≤n，noise(i-1)和noise(i-2)表示延时，延时添加不同权重噪声体现时序性，a₁和a₂为权重系数，其中0＜a₁＜1，0＜a₂＜1，1_i＞1表示当i＞1时取1，反之取0。

3.根据权利要求1所述的一种基于可变遗忘因子的自适应滤波器的脑电信号时序随机噪声去除方法，其特征在于：进一步的，模型测试前，对模型微调迁移，当对医院的眼电或肌电信号进行伪迹去除微调迁移时时，含有时序随机信号的混合脑电信号EEG_noise为医院实采的受眼电EOG信号或受肌电EMG信号影响的EEG导联信号纯净脑电信号，noise为医院实采的参考眼电EOG信号或肌电EMG信号，EEG_org为医院实采的未受眼电EOG信号或未受肌电EMG信号影响的EEG导联信号。

4.根据权利要求1所述的一种基于可变遗忘因子的自适应滤波器的脑电信号时序随机噪声去除方法，其特征在于，步骤3所述的当前第t次迭代的输入混合信号序列片段

为：以t为起始点，从混合脑电信号EEG_noise截取的长度为l+1的信号片段，表示如下

式中：EEG_noise(t)表示混合脑电信号EEG_noise在索引t处的数据。

5.根据权利要求1所述的一种基于可变遗忘因子的自适应滤波器的脑电信号时序随机噪声去除方法，其特征在于，步骤4所述的当前第t次迭代的输入参考噪声片段x_t为：以t为起始点，从随机生成的噪声noise截取的长度为l+1的信号片段，表示如下：

x_t＝[noise(t),…,noise(t+l)]

式中：noise(t)表示噪声noise在索引t处的数据。

6.根据权利要求1所述的一种基于可变遗忘因子的自适应滤波器的脑电信号时序随机噪声去除方法，其特征在于，步骤5所述的更新遗忘因子λ_t的具体方法如下；

如果迭代次数1≤t≤λ_num-1，则按下式进行更新；

如果λ_num-1＜t≤N-M+1跳过公式；

7.根据权利要求1所述的一种基于可变遗忘因子的自适应滤波器的脑电信号时序随机噪声去除方法，其特征在于，步骤6所述的

初值如下：

更新如下，

EEG_est(t+l)＝EEG_noise(t+l)-noise_est(t+l)

其中，

8.根据权利要求1所述的一种基于可变遗忘因子的自适应滤波器的脑电信号时序随机噪声去除方法，其特征在于，步骤7具体包括如下内容：

更新中间参数w_t，

更新中间参数K_t，

更新中间参数P_t，

9.根据权利要求1所述的一种基于可变遗忘因子的自适应滤波器的脑电信号时序随机噪声去除方法，其特征在于，当对医院实测的眼电或肌电信号进行伪迹去除时，实测阶段的待去噪脑电信号EEG_noise为医院实采的受眼电EOG信号或受肌电EMG信号影响的EEG导联信号，noise为医院实采的参考眼电EOG信号或肌电EMG信号。