CN114757236B - 基于tqwt与svmd的脑电信号去噪优化方法及*** - Google Patents
基于tqwt与svmd的脑电信号去噪优化方法及*** Download PDFInfo
- Publication number
- CN114757236B CN114757236B CN202210659050.5A CN202210659050A CN114757236B CN 114757236 B CN114757236 B CN 114757236B CN 202210659050 A CN202210659050 A CN 202210659050A CN 114757236 B CN114757236 B CN 114757236B
- Authority
- CN
- China
- Prior art keywords
- components
- signal
- modal
- tqwt
- subband
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000005457 optimization Methods 0.000 title claims abstract description 23
- 238000000354 decomposition reaction Methods 0.000 claims description 74
- 230000003595 spectral effect Effects 0.000 claims description 28
- 230000008569 process Effects 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 17
- 238000000605 extraction Methods 0.000 claims description 14
- 238000007781 pre-processing Methods 0.000 claims description 14
- 230000009466 transformation Effects 0.000 claims description 11
- 230000010355 oscillation Effects 0.000 claims description 9
- 238000012958 reprocessing Methods 0.000 claims description 8
- 230000015572 biosynthetic process Effects 0.000 claims description 7
- 238000003786 synthesis reaction Methods 0.000 claims description 7
- 210000004556 brain Anatomy 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 230000009977 dual effect Effects 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000001228 spectrum Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000002156 mixing Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 208000020401 Depressive disease Diseases 0.000 description 1
- 108010076504 Protein Sorting Signals Proteins 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 206010015037 epilepsy Diseases 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003183 myoelectrical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7253—Details of waveform analysis characterised by using transforms
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Public Health (AREA)
- Molecular Biology (AREA)
- Veterinary Medicine (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Physiology (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Psychology (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明提出了一种基于TQWT与SVMD的脑电信号去噪优化方法及***,涉及脑电信号去噪优化的技术领域,首先对原始脑电信号进行预处理,对预处理后的离散脑电信号进行具有可调Q因子的小波变换TQWT分解操作,可根据脑电信号的振荡程度调整Q因子,从而自由划分分解后子带分量的频带和带宽,灵活性高,然后基于各个子带分量的能量选取用于重构的子带分量,降低计算复杂度,对重构的脑电信号进行连续变分模态分解SVMD优化再处理,以抑制应用传统经验模态分解造成的模态混叠现象,对于中心频率的鲁棒性更强,优化了脑电信号,而且迭代次数少,加快了运算速度。
Description
技术领域
本发明涉及脑电信号去噪优化的技术领域,更具体地,涉及一种基于TQWT与SVMD的脑电信号去噪优化方法及***。
背景技术
随着科学的进步和生物医疗技术的迅猛发展,生物信号被应用于各个领域的研究,例如应用脉搏电信号进行血压和血糖的监测,利用眼电图和心电图进行睡眠分类,除此之外,脑电信号的应用更为广泛,例如利用脑电信号进行睡眠分类、癫痫症以及抑郁症的辅助诊断。
然而,对于脑电信号而言,由于采集到的的脑电信号幅值小,一般只有几十到几百微伏,在采集过程中会受到各种各样的噪声干扰,最常见的是一些噪声如眼电伪迹和肌电伪迹,在信号采集的过程中很难被直接消除,而这些噪声会影响实验和研究的效果,因此,脑电信号的去噪显得十分重要。
经验模态分解(Empirical Mode Decomposition,EMD)是一种无需预先设定任何基函数,而依据数据自身的时间尺度特征来进行信号分解的一种时频域信号处理方式,适合处理非线性非平稳的信号序列,具有较高的信噪比,将原始脑电信号进行EMD处理后再进行信号重构,可达到去噪的效果。离散小波变换(DWT)也能用于脑电信号的去噪,可做到脑电信号的完全重构,但面对存在振荡行为的信号时,无法灵活调整振荡信号的Q因子(振荡信号中心频率与带宽之比),不能实现对分解后信号分量的频带和带宽的自由划分,灵活性差。如现有技术中公开了一种单通道脑电信号中眼电伪迹去除方法,首先对单通道脑电信号进行基于经验小波变换处理,对δ频段的脑电信号进行改进的自适应噪声完备经验模态分解,得到若干固有模态函数;计算每个固有模态函数的样本熵,设置样本熵阈值识别含眼电伪迹的固有模态函数;去除含眼电伪迹的固有模态函数,对剩余的固有模态函数做改进的自适应噪声完备经验模态分解逆运算重构得到滤波之后的δ频段信号;最后,将滤波之后的δ频段信号和高频段信号进行基于经验小波变换逆变换,最后重构得到去除眼电伪迹的脑电信号,该方案基于小波变换和经验模态分解,从真实脑电信号中去除眼电伪迹的同时尽可能保留了脑电信息,避免失真,从而准确有效地分析大脑活动。然而,EMD在分解脑电信号的过程中会产生模态混叠现象,模态混叠是信号中断引起的,中断会混淆时频分布,进而破坏本征模态函数的物理意义,使得特征提取、模型训练、模式识别变得困难。变分模态分解(Variational Mode Decomposition,VMD)能很好地抑制EMD对信号进行处理时产生的模态混叠现象,但VMD自身的计算复杂度较高,且中心频率的初始值对VMD处理的结果产生较大的影响。
发明内容
为解决当前用于脑电信号去噪的方法灵活性差、计算复杂度高、运算速度差的问题,本发明提出一种基于TQWT与SVMD的脑电信号去噪优化方法及***,将具有可调Q因子的小波变换TQWT与连续变分模态分解SVMD结合,降低了计算的复杂度低,实现分解后信号分量的频带和带宽的灵活划分,且抑制了模态混叠现象,优化了脑电信号。
为了达到上述技术效果,本发明的技术方案如下:
一种基于TQWT与SVMD的脑电信号去噪优化方法,所述去噪优化方法包括以下步骤:
S1.采集原始脑电信号,对原始脑电信号进行预处理,得到预处理后的离散脑电信号;
S2.对预处理后的离散脑电信号进行具有可调Q因子的小波变换TQWT分解操作,得到各个子带分量;
S3.分析各个子带分量的能量,从各个子带中选择若干个子带分量进行信号重构,得到重构的脑电信号;
S4.对重构的脑电信号进行连续变分模态分解SVMD优化再处理,分解出若干个模态分量。
在本技术方案中,首先对原始脑电信号进行预处理,对预处理后的离散脑电信号进行具有可调Q因子的小波变换TQWT分解操作,可根据脑电信号的振荡程度调整Q因子,从而自由划分分解后子带分量的频带和带宽,灵活性高,然后基于各个子带分量的能量选取用于重构的子带分量,降低计算复杂度,对重构的脑电信号进行连续变分模态分解SVMD优化再处理,以抑制应用传统变分模态分解造成的模态混叠现象,随机初始化中心频率,SVMD可完全收敛到最佳的中心频率模态,对于中心频率的鲁棒性更强,优化了脑电信号,而且迭代次数少,加快了运算速度。
优选地,在步骤S1中,所述对原始脑电信号进行的预处理操作为:
设置信号提取频率段,对原始脑电信号做离散傅里叶变换处理,然后利用低通滤波器,将经过离散傅里叶变换处理后的位于信号提取频率段的脑电信号提取,然后对提取出的脑电信号做离散傅里叶逆变换,得到预处理后的离散脑电信号x[n],n表示离散脑电信号的时间索引。
优选地,在步骤S2中,设利用树形结构滤波器组对预处理后的离散脑电信号x[n]进行具有可调Q因子的小波变换TQWT分解操作,且将x[n]分解为J+1个子带分量,J表示TQWT分解的总层数,树形结构滤波器组中的每一级分解均由一个双通道滤波器组组成,α和β分别为双通道滤波器组中低通滤波器的系数和高通滤波器的系数,表示频域变量,,,且;和通过一个周期为2π的幂互补函数定义,对于,满足:
和
其中,表示第j层低通滤波器的低通缩放尺度因子,j表示当前正在分解的层,表示第j层高通滤波器的低通缩放尺度因子,在第j层分解时,预处理后的离散脑电信号x[n]经等效低通滤波器、低通缩放后得到信号c j [n],预处理后的离散脑电信号x[n]经等效高通滤波器、低通缩放、高通滤波器的系数高通缩放后得到信号d j [n];在TQWT分解操作过程中,设置三个参数,分别为:品质因子Q,分解的总层数J,以及冗余r,其中:
其中,f c和BW分别为低通滤波器和高通滤波器的中心频率和带宽,Q表示可调因子,是中心频率和带宽的比值,通过调整Q就能划分中心频率和带宽,控制信号振荡的程度,r控制过度振铃现象,起到局域化脑电信号特征的作用,r满足:
在此,调整可调因子Q可以自由划分分解后子带分量的中心频率和带宽,具有更强的灵活性。
优选地,经过具有可调Q因子的小波变换TQWT分解出的子带分量共J+1个,在步骤S3中,设经过具有可调Q因子的小波变换TQWT分解出的第i个子带分量表示为s i [n],i=1,2,…,J+1,其能量表示为:
其中,E i 表示第i个子带分量的能量;J+1个子带分量的总能量E为:
则第i个子带的能量占比Q i 为:
以J+1个子带分量的总能量E的90%为基准,将各个子带分量的能量按从大到小排序,按排序顺序,从J+1个子带分量中选取出子能量之和超过总能量E的90%的P个子带分量进行信号重构,P﹤J+1。
优选地,在将P个子带分量进行信号重构时,将J+1个子带分量中剩余的(J+1-P)个子带分量的时间序列置零,即令(J+1-P)个子带分量为0,最后利用TQWT的合成滤波器组对P个子带分量和剩余的(J+1-P)个子带分量进行重构,得到重构后的脑电信号,降低了计算复杂度。
S44.根据判别式:
进行判断,其中,T为信号f(t)的持续时间,若判别式不成立,则返回步骤S42,进行下一个模态的提取,若判别式成立,则表明已经提取出所有的模态,连续变分模态分解SVMD结束。
在此,使用SVMD对重构的信号进行处理,能够抑制传统EMD存在的模态混合,与VMD相比可以大大提高运算速度,对中心频率初始值拥有更强的鲁棒性。
优选地,所述方法还包括将若干个模态分量按频谱特性分类的过程,用于后续的脑电信号的特征提取。
优选地,经连续变分模态分解SVMD处理后得到的模态分量是按频率由低至高的顺序排列,将若干个模态分量按频谱特性分类后再重构,在按频谱特性分类时,若模态数量与频谱特性类别数目一致,将每一个模态分量与每一种频谱特性类别对应归类;若模态数量大于频谱特性类别数,以模态分量从后向前的顺序,将在后相邻模态分量与模态分量之间首先组合,对应归类为一种频谱特性类别,保证了脑电信号特征向量长度的一致性,有助于后续脑电信号的特征提取。
本申请还提出一种基于TQWT与SVMD的脑电信号去噪优化***,所述***包括:
脑电信号预处理模块,用于对采集的原始脑电信号进行预处理,得到预处理后的离散脑电信号;
TQWT分解模块,用于对预处理后的离散脑电信号进行具有可调Q因子的小波变换TQWT分解操作,得到各个子带分量;
信号分析重构模块,用于分析各个子带分量的能量,从各个子带中选择若干个子带分量进行信号重构,得到重构的脑电信号;
连续变分模态分解模块,用于对重构的脑电信号进行连续变分模态分解SVMD优化再处理,分解出若干个模态分量。
与现有技术相比,本发明技术方案的有益效果是:
本发明提出一种基于TQWT与SVMD的脑电信号去噪优化方法及***,首先对原始脑电信号进行预处理,对预处理后的离散脑电信号进行具有可调Q因子的小波变换TQWT分解操作,可根据脑电信号的振荡程度调整Q因子,从而自由划分分解后子带分量的频带和带宽,灵活性高,然后基于各个子带分量的能量选取用于重构的子带分量,降低计算复杂度,对重构的脑电信号进行连续变分模态分解SVMD优化再处理,以抑制应用传统变分模态分解造成的模态混叠现象,对于中心频率的鲁棒性更强,优化了脑电信号,而且迭代次数少,加快了运算速度。
附图说明
图1表示本发明实施例1中提出的TQWT与SVMD的脑电信号去噪优化方法的流程示意图;
图2表示本发明实施例1中提出的基于具有可调Q因子的小波变换TQWT分解操作将脑电信号x[n]分解成c j [n]的过程图;
图3表示本发明实施例1中提出的基于具有可调Q因子的小波变换TQWT分解操作将脑电信号x[n]分解成基于具有可调Q因子的小波变换TQWT分解操作将脑电信号x[n]分解成信号c j [n]的过程图;
图4表示本发明实施例2中提出的将模态按频谱特性分类时,根据模态数量与频谱特性类别数目的一致性分类划分的示意图;
图5表示本发明实施例3中提出的基于TQWT与SVMD的脑电信号去噪优化***的结构图。
具体实施方式
附图仅用于示例性说明,不能理解为对本专利的限制;
为了更好地说明本实施例,附图某些部位会有省略、放大或缩小,并不代表实际尺寸;
对于本领域技术人员来说,附图中某些公知内容说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
附图中描述位置关系的仅用于示例性说明,不能理解为对本专利的限制;
实施例1
传统经验模态分解在分解脑电信号的过后才能中会产生模态混叠现象,变分模态分解VMD虽然能很好地抑制EMD对脑电信号进行处理时产生的模态混叠现象,但本身计算复杂度高,且中心频率的初始值对处理结果有较大的影响,为解决传统方式灵活性差、计算复杂度高、运算速度差的问题,本实施例将具有可调Q因子的小波变换(TQWT)与连续变分模态分解SVMD结合,如图1所示,本实施例提出一种基于TQWT与SVMD的脑电信号去噪优化方法,所述去噪优化方法包括以下步骤:
S1.采集原始脑电信号,对原始脑电信号进行预处理,得到预处理后的离散脑电信号;
对原始脑电信号进行的预处理操作为:设置信号提取频率段,对原始脑电信号做离散傅里叶变换处理,然后利用低通滤波器,将经过离散傅里叶变换处理后的位于信号提取频率段(0Hz~50Hz)的脑电信号提取,然后对提取出的脑电信号做离散傅里叶逆变换,得到预处理后的离散脑电信号x[n],n表示离散脑电信号的时间索引。
S2.对预处理后的离散脑电信号进行具有可调Q因子的小波变换TQWT分解操作,得到各个子带分量;
在本实施例中,设利用树形结构滤波器组对预处理后的离散脑电信号x[n]进行具有可调Q因子的小波变换TQWT分解操作,且将x[n]分解为J+1个子带分量,J表示TQWT分解的总层数,树形结构滤波器组中的每一级分解均由一个双通道滤波器组组成,α和β分别为双通道滤波器组中低通滤波器的系数和高通滤波器的系数,表示频域变量,,,且;和通过一个周期为2π的幂互补函数定义,对于,满足:
和
其中,表示第j层低通滤波器的低通缩放尺度因子,j表示当前正在分解的层,表示第j层高通滤波器的低通缩放尺度因子,在第J层分解时,参见图2,预处理后的离散脑电信号x[n]经等效低通滤波器、低通缩放后得到信号c j [n],参见图3,预处理后的离散脑电信号x[n]经等效高通滤波器、低通缩放、高通滤波器的系数高通缩放后得到信号d j [n];在TQWT分解操作过程中,设和分别为第0级分解和第1级分解的采样频率,其中,是输入的原始脑电信号的采样频率,且设两个频率为:
设f c和BW分别为滤波器的中心频率和带宽,且:
TQWT需要设置的参数有3个,分别为:品质因子Q,分解的总层数J,以及冗余r,其中:
其中,f c和BW分别为低通滤波器和高通滤波器的中心频率和带宽,Q表示可调因子,是中心频率和带宽的比值,通过调整Q就能划分中心频率和带宽,控制信号振荡的程度,r控制过度振铃现象,起到局域化脑电信号特征的作用,r满足:
因为脑电信号属于高振荡信号,所以本实施例设置Q的值为3,参数r有助于在不影响脑电信号波形状的情况下,在时域中定位小波,并且在执行TQWT时,需要通过适当选择大于或等于3的r值来防止不必要的小波过度震荡,所以,在本实施例中,设置r的值为3。
S3.分析各个子带分量的能量,从各个子带中选择若干个子带分量进行信号重构,得到重构的脑电信号;
由于TQWT符合帕塞瓦尔定理,这说明小波系数的总能量等于信号的能量,经过具有可调Q因子的小波变换TQWT分解出的子带分量共J+1个,设经过具有可调Q因子的小波变换TQWT分解出的第i个子带分量表示为s i [n],i=1,2,…,J+1,其能量表示为:
其中,E i 表示第i个子带分量的能量;J+1个子带分量的总能量E为:
则第i个子带的能量占比Q i 为:
以J+1个子带分量的总能量E的90%为基准,将各个子带分量的能量按从大到小排序,按排序顺序,从J+1个子带分量中选取出子能量之和超过总能量E的90%的P个子带分量进行信号重构,P﹤J+1。
在将若干个子带分量进行信号重构时在将P个子带分量进行信号重构时,将J+1个子带分量中剩余的(J+1-P)个子带分量的时间序列置零,即令(J+1-P)个子带分量为0,最后利用TQWT的合成滤波器组对P个子带分量和剩余的(J+1-P)个子带分量进行重构,得到重构后的脑电信号,降低了计算复杂度,这里的原则是原来TQWT分解了多少个子带分量,那么必要用相同个数且点数相同的分量来通过TQWT的合成滤波器才能重构,所以舍去的意思是令没有被挑选的分量设为0,但是这些0还是会加入TQWT的合成滤波器进行信号重构。在本实施例中,选择能量占比最大的5个子带分量进行信号重构,由于脑电信号能量占比高的子带分量均分布在前面部分,如果分解层数从J层增加到J+1层,TQWT只是在第J层分解的基础上,对最后一个子带分量进行低通滤波,对前面子带的能量分布不造成任何影响,所以在本实施例中,设置分解层数J为8,则TQWT会将预处理后的离散脑电信号x[n]分解成9个子带分量,选择能量占比最大的5个子带分量,5个子带分量的能量和超过总能量的90%以上,这5个子带分量包含了脑电信号绝大部分的信息。
S4.对重构的脑电信号进行连续变分模态分解SVMD优化再处理,分解出若干个模态分量。
连续变分模态分解是通过在信号上连续应用变分模态提取(VME)来完成,其中添加了一些约束条件以避免收敛到先前提取的模态。这个过程会知道所有模态分量都被提取出来或者重构误差(输入信号和模数之和的误差)小于阈值时才终止,设重构的脑电信号表示为f(t),对f(t)连续应用变分模态分解,f(t)被分解为两个信号,表达式满足:,其中,表示第L个模态分量,表示残差,满足:
S44.根据判别式:
进行判断,其中,T为信号f(t)的持续时间,若判别式不成立,则返回步骤S42,进行下一个模态的提取,若判别式成立,则表明已经提取出所有的模态,连续变分模态分解SVMD结束。经过若干次迭代,得到经连续变分模态分解SVMD处理后的若干个模态。使用SVMD对重构的信号进行处理,能够抑制传统EMD存在的模态混合,与VMD相比可以大大提高运算速度,对中心频率初始值拥有更强的鲁棒性。
实施例2
在本实施例中,除实施例1中提出的方法用于脑电信号去噪优化外,还包括将若干个模态分量按频谱特性分类的过程,用于后续的脑电信号的特征提取。
经实施例1之后得到的模态数量是不能确定的,一个脑电信号经过连续变分模态分解处理后会产生4~8个模态分量,且分解出来的本征模态函数是按照频率从低到高排列的,因为同一频率范围的信号所提取的特征具有更多的共性,所以将分解出来的模态分量按照频谱的特性,对应若干个类别,经连续变分模态分解VMD处理后得到的模态分量是按频率由低至高的顺序排列,将若干个模态分量按频谱特性分类后再重构,在按频谱特性分类时,如图4所示,将若干个模态分量按频谱特性分类后再重构,在按频谱特性分类时,若模态数量与频谱特性类别数目一致,将每一个模态分量与每一种频谱特性类别对应归类;若模态数量大于频谱特性类别数,以模态分量从后向前的顺序,将在后相邻模态分量与模态分量之间首先组合,对应归类为一种频谱特性类别,保证了脑电信号特征向量长度的一致性,有助于后续脑电信号的特征提取。
例如,假设Ck(t),k=1,2,...,8表示经实施例1后分解出来的模态,I1,I2,I3,I4表示按照模态频谱的特点组合成的4类函数。当SVMD将脑电信号分解出4个模态时,则每一个模态作为一类函数,即C1(t)∈I1,C2(t)∈I2,C3(t)∈I3,C4(t)∈I4;当连续VMD将脑电信号分解出5个模态,则将第4个和第5个模态组合成一类函数,其他三个模态函分别作为一类函数,即C1(t)∈I1, C2(t)∈I2, C3(t)∈I3 ,(C4(t)+C5(t))∈I4;当SVMD将脑电信号分解出6个模态,则将第3个和第4个模态组合成一类函数,将第5个和第6个模态组合成一类函数,其他两个模态分别作为一类函数,即C1(t)∈I1,C2(t)∈I2,(C3(t)+C4(t))∈I3,(C5(t)+C6(t))∈I4;当SVMD将脑电信号分解出8个模态,则将第1个和第2个模态作为一类函数,将第3和第4个模态作为一类函数,第5和第6个模态作为一类函数,第7个和第八个模态作为一类函数。
实施例3
如图5所示,本实施例提出一种基于TQWT与SVMD的脑电信号去噪优化***,所述***包括:
脑电信号预处理模块,用于对采集的原始脑电信号进行预处理,得到预处理后的离散脑电信号;
TQWT分解模块,用于对预处理后的离散脑电信号进行具有可调Q因子的小波变换TQWT分解操作,得到各个子带分量;
信号分析重构模块,用于分析各个子带分量的能量,从各个子带中选择若干个子带分量进行信号重构,得到重构的脑电信号;
连续变分模态分解模块,用于对重构的脑电信号进行连续变分模态分解SVMD优化再处理,分解出若干个模态分量。
显然,本发明的上述实施例仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (6)
1.一种基于TQWT与SVMD的脑电信号去噪优化方法,其特征在于,所述去噪优化方法包括以下步骤:
S1.采集原始脑电信号,对原始脑电信号进行预处理,得到预处理后的离散脑电信号;
S2.对预处理后的离散脑电信号进行具有可调Q因子的小波变换TQWT分解操作,得到各个子带分量;
S3.分析各个子带分量的能量,从各个子带中选择若干个子带分量进行信号重构,得到重构的脑电信号;
经过具有可调Q因子的小波变换TQWT分解出的子带分量共J+1个,在步骤S3中,设经过具有可调Q因子的小波变换TQWT分解出的第i个子带分量表示为s i [n],i=1,2,…,J+1,其能量表示为:
其中,E i 表示第i个子带分量的能量;J+1个子带分量的总能量E为:
则第i个子带的能量占比Q i 为:
以J+1个子带分量的总能量E的90%为基准,将各个子带分量的能量按从大到小排序,按排序顺序,从J+1个子带分量中选取出子能量之和超过总能量E的90%的P个子带分量进行信号重构,P﹤J+1;在将P个子带分量进行信号重构时,将J+1个子带分量中剩余的(J+1-P)个子带分量的时间序列置零,即令(J+1-P)个子带分量为0,最后利用TQWT的合成滤波器组对P个子带分量和剩余的(J+1-P)个子带分量进行重构,得到重构后的脑电信号;将P个子带分量进行信号重构时,将J+1个子带分量中剩余的(J+1-P)个子带分量的时间序列置零,即令(J+1-P)个子带分量为0,用相同个数且点数相同的分量来通过TQWT的合成滤波器重构,未被挑选的分量设为0,但是这些置零分量会加入TQWT的合成滤波器进行信号重构;
S4.对重构的脑电信号进行连续变分模态分解SVMD优化再处理,分解出若干个模态分量;
将若干个模态分量按频谱特性分类的过程,用于后续的脑电信号的特征提取;经连续变分模态分解SVMD处理后得到的模态分量是按频率由低至高的顺序排列,将若干个模态分量按频谱特性分类后再重构,在按频谱特性分类时,若模态数量与频谱特性类别数目一致,将每一个模态分量与每一种频谱特性类别对应归类;若模态数量大于频谱特性类别数,以模态分量从后向前的顺序,将在后相邻模态分量与模态分量之间首先组合,对应归类为一种频谱特性类别。
2.根据权利要求1所述的基于TQWT与SVMD的脑电信号去噪优化方法,其特征在于,在步骤S1中,对原始脑电信号进行的预处理操作为:
设置信号提取频率段,对原始脑电信号做离散傅里叶变换处理,然后利用低通滤波器,将经过离散傅里叶变换处理后的位于信号提取频率段的脑电信号提取,然后对提取出的脑电信号做离散傅里叶逆变换,得到预处理后的离散脑电信号x[n],n表示离散脑电信号的时间索引。
和
其中,表示第j层低通滤波器的低通缩放尺度因子,j表示当前正在分解的层,表示第j层高通滤波器的低通缩放尺度因子,在第j层分解时,预处理后的离散脑电信号x[n]经等效低通滤波器、低通缩放后得到信号c j [n],预处理后的离散脑电信号x[n]经等效高通滤波器、低通缩放、高通滤波器的系数高通缩放后得到信号d j [n];在TQWT分解操作过程中,设置三个参数,分别为:品质因子Q,分解的总层数J,以及冗余r,其中:
其中,和BW分别为低通滤波器和高通滤波器的中心频率和带宽,Q表示可调因子,是中心频率和带宽的比值,通过调整Q就能划分中心频率和带宽,控制信号振荡的程度,r控制过度振铃现象,起到局域化脑电信号特征的作用,r满足:
5.根据权利要求4所述的基于TQWT与SVMD的脑电信号去噪优化方法,其特征在于,设重构的脑电信号表示为f(t),对f(t)连续应用变分模态分解,依次寻找模态分量,f(t)被分解为两个信号,表达式满足:,其中,表示第L个模态分量,表示冗余信号,满足:
S44.根据判别式:
进行判断,其中,T为信号f(t)的持续时间,若判别式不成立,则返回步骤S42,进行下一个模态的提取,若判别式成立,则表明已经提取出所有的模态,连续变分模态分解SVMD结束。
6.一种基于TQWT与SVMD的脑电信号去噪优化***,其特征在于,所述***包括:
脑电信号预处理模块,用于对采集的原始脑电信号进行预处理,得到预处理后的离散脑电信号;
TQWT分解模块,用于对预处理后的离散脑电信号进行具有可调Q因子的小波变换TQWT分解操作,得到各个子带分量;
信号分析重构模块,用于分析各个子带分量的能量,从各个子带中选择若干个子带分量进行信号重构,得到重构的脑电信号;
经过具有可调Q因子的小波变换TQWT分解出的子带分量共J+1个,设经过具有可调Q因子的小波变换TQWT分解出的第i个子带分量表示为s i [n],i=1,2,…,J+1,其能量表示为:
其中,E i 表示第i个子带分量的能量;J+1个子带分量的总能量E为:
则第i个子带的能量占比Q i 为:
以J+1个子带分量的总能量E的90%为基准,将各个子带分量的能量按从大到小排序,按排序顺序,从J+1个子带分量中选取出子能量之和超过总能量E的90%的P个子带分量进行信号重构,P﹤J+1;在将P个子带分量进行信号重构时,将J+1个子带分量中剩余的(J+1-P)个子带分量的时间序列置零,即令(J+1-P)个子带分量为0,最后利用TQWT的合成滤波器组对P个子带分量和剩余的(J+1-P)个子带分量进行重构,得到重构后的脑电信号;将P个子带分量进行信号重构时,将J+1个子带分量中剩余的(J+1-P)个子带分量的时间序列置零,即令(J+1-P)个子带分量为0,用相同个数且点数相同的分量来通过TQWT的合成滤波器重构,未被挑选的分量设为0,但是这些置零分量会加入TQWT的合成滤波器进行信号重构;
连续变分模态分解模块,用于对重构的脑电信号进行连续变分模态分解SVMD优化再处理,分解出若干个模态分量;
将若干个模态分量按频谱特性分类的过程,用于后续的脑电信号的特征提取;经连续变分模态分解SVMD处理后得到的模态分量是按频率由低至高的顺序排列,将若干个模态分量按频谱特性分类后再重构,在按频谱特性分类时,若模态数量与频谱特性类别数目一致,将每一个模态分量与每一种频谱特性类别对应归类;若模态数量大于频谱特性类别数,以模态分量从后向前的顺序,将在后相邻模态分量与模态分量之间首先组合,对应归类为一种频谱特性类别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210659050.5A CN114757236B (zh) | 2022-06-13 | 2022-06-13 | 基于tqwt与svmd的脑电信号去噪优化方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210659050.5A CN114757236B (zh) | 2022-06-13 | 2022-06-13 | 基于tqwt与svmd的脑电信号去噪优化方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114757236A CN114757236A (zh) | 2022-07-15 |
CN114757236B true CN114757236B (zh) | 2022-10-11 |
Family
ID=82336098
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210659050.5A Expired - Fee Related CN114757236B (zh) | 2022-06-13 | 2022-06-13 | 基于tqwt与svmd的脑电信号去噪优化方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114757236B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116687406B (zh) * | 2023-05-06 | 2024-01-02 | 粤港澳大湾区精准医学研究院(广州) | 情绪识别方法、装置、电子设备及存储介质 |
CN118193960A (zh) * | 2024-05-16 | 2024-06-14 | 中国航空工业集团公司沈阳空气动力研究所 | 一种基于模态分解和小波变换的脉冲风洞数据处理方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103777237A (zh) * | 2012-10-17 | 2014-05-07 | 中国石油化工股份有限公司 | 一种基于空变加权镶边波数域滤波的地表高程平滑方法 |
CN106951835A (zh) * | 2017-03-03 | 2017-07-14 | 东华大学 | 一种脑电信号噪声去除方法 |
CN107392364A (zh) * | 2017-07-12 | 2017-11-24 | 河海大学 | 变分模态分解与深度信念网络的短期负荷预测方法 |
CN110916716A (zh) * | 2019-12-30 | 2020-03-27 | 龙岩学院 | 一种可穿戴式心音监测设备 |
CN111307277A (zh) * | 2020-03-20 | 2020-06-19 | 北京工业大学 | 基于变分模态分解和预测性能的单模态子信号选择方法 |
CN111914735A (zh) * | 2020-07-29 | 2020-11-10 | 天津大学 | 一种基于tqwt和熵特征的癫痫脑电信号特征提取方法 |
CN112287796A (zh) * | 2020-10-23 | 2021-01-29 | 电子科技大学 | 基于VMD-Teager能量算子的辐射源识别方法 |
CN112362756A (zh) * | 2020-11-24 | 2021-02-12 | 长沙理工大学 | 一种基于深度学习的混凝土结构损伤监测方法及*** |
CN112784686A (zh) * | 2020-12-29 | 2021-05-11 | 聊城大学 | 一种基于连续多变量变分模态分解的自适应信号分析方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110865357B (zh) * | 2019-10-25 | 2023-03-31 | 南京理工大学 | 一种基于参数优化vmd的激光雷达回波信号降噪方法 |
-
2022
- 2022-06-13 CN CN202210659050.5A patent/CN114757236B/zh not_active Expired - Fee Related
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103777237A (zh) * | 2012-10-17 | 2014-05-07 | 中国石油化工股份有限公司 | 一种基于空变加权镶边波数域滤波的地表高程平滑方法 |
CN106951835A (zh) * | 2017-03-03 | 2017-07-14 | 东华大学 | 一种脑电信号噪声去除方法 |
CN107392364A (zh) * | 2017-07-12 | 2017-11-24 | 河海大学 | 变分模态分解与深度信念网络的短期负荷预测方法 |
CN110916716A (zh) * | 2019-12-30 | 2020-03-27 | 龙岩学院 | 一种可穿戴式心音监测设备 |
CN111307277A (zh) * | 2020-03-20 | 2020-06-19 | 北京工业大学 | 基于变分模态分解和预测性能的单模态子信号选择方法 |
CN111914735A (zh) * | 2020-07-29 | 2020-11-10 | 天津大学 | 一种基于tqwt和熵特征的癫痫脑电信号特征提取方法 |
CN112287796A (zh) * | 2020-10-23 | 2021-01-29 | 电子科技大学 | 基于VMD-Teager能量算子的辐射源识别方法 |
CN112362756A (zh) * | 2020-11-24 | 2021-02-12 | 长沙理工大学 | 一种基于深度学习的混凝土结构损伤监测方法及*** |
CN112784686A (zh) * | 2020-12-29 | 2021-05-11 | 聊城大学 | 一种基于连续多变量变分模态分解的自适应信号分析方法 |
Non-Patent Citations (4)
Title |
---|
Successive variational mode decomposition;MojtabaNazari et.al;《Signal Processing》;20200505;第174卷;第1-10页 * |
基于信号共振稀疏分解的风电机组齿轮箱故障诊断;刘一鸣;《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》;20200115(第01期);第C042-504页 * |
基于可调Q因子小波变换和迁移学习的癫痫脑电信号检测;罗婷瑞 等;《计算机科学》;20200731;第47卷(第7期);第1-7页 * |
基于小波分解和IIR滤波器的最优均衡器设计;凌永权 等;《电视技术》;20210331;第45卷(第3期);第1-2页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114757236A (zh) | 2022-07-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109784242B (zh) | 基于一维残差卷积神经网络的脑电信号去噪方法 | |
CN114757236B (zh) | 基于tqwt与svmd的脑电信号去噪优化方法及*** | |
CN110353672B (zh) | 一种脑电信号中眼部伪迹去除***及去除方法 | |
CN106709469B (zh) | 基于脑电和肌电多特征的自动睡眠分期方法 | |
CN114266276B (zh) | 一种基于通道注意力和多尺度时域卷积的运动想象脑电信号分类方法 | |
CN111310570B (zh) | 一种基于vmd和wpd的脑电信号情感识别方法及*** | |
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 | |
CN107260166A (zh) | 一种实用化在线脑电伪迹剔除方法 | |
Bouallegue et al. | A dynamic filtering DF-RNN deep-learning-based approach for EEG-based neurological disorders diagnosis | |
CN107411739A (zh) | 基于双树复小波的脑电信号情绪识别特征提取方法 | |
CN112861625B (zh) | 一种堆叠去噪自编码器模型确定方法 | |
CN111543984B (zh) | 一种基于ssda的脑电信号的眼电伪迹去除方法 | |
Abdullah et al. | Seizure detection by means of hidden Markov model and stationary wavelet transform of electroencephalograph signals | |
CN114081503A (zh) | 去除脑电信号中眼电伪迹的方法 | |
CN113842115B (zh) | 一种改进的eeg信号特征提取方法 | |
Gao et al. | EEG reconstruction with a dual-scale CNN-LSTM model for deep artifact removal | |
Zachariah et al. | Automatic EEG artifact removal by independent component analysis using critical EEG rhythms | |
CN117064405A (zh) | 一种单通道脑电信号伪迹去除方法、设备及介质 | |
CN116172576A (zh) | 一种基于多模块神经网络的脑电信号伪迹去除方法 | |
CN111493864B (zh) | Eeg信号混合噪声处理方法、设备和存储介质 | |
CN115270847A (zh) | 基于小波包分解和卷积神经网络的设计决策脑电识别方法 | |
CN114699078A (zh) | 一种基于少量通道eeg信号的情绪识别方法及*** | |
Zahan | Removing EOG artifacts from EEG signal using noise-assisted multivariate empirical mode decomposition | |
Li et al. | Ocular Artifact Removal Algorithm of Single Channel EEG Based on CEEMDAN-ICA-WTD | |
Mir et al. | Adaptive data analysis methods for biomedical signal processing applications |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20221011 |