引用本文

刘志勇, 孙金玮, 卜宪庚. 单通道脑电信号眼电伪迹去除算法研究. 自动化学报, 2017, 43(10): 1726-1735. doi: 10.16383/j.aas.2017.c160191

LIU Zhi-Yong, SUN Jin-Wei, BU Xian-Geng. EOG Artifact Removing Method for Single-channel EEG Signal. ACTA AUTOMATICA SINICA, 2017, 43(10): 1726-1735. doi: 10.16383/j.aas.2017.c160191

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.2017.c160191

关键词

脑电信号，眼电伪迹，小波变换，集合经验模态分解，独立成分分析 

摘要

由眨眼和眼动产生的眼电伪迹（Electrooculography，EOG）信号是脑电信号（Electroencephalography，EEG）中的主要噪声信号之一.目前，多通道脑电信号中眼电伪迹的去除算法已经较为成熟.而在单通道脑电信号的眼电伪迹去除中，由于采集通道数量较少且缺乏参考眼电信号，目前尚无十分有效的去除方法.本文提出一种基于小波变换（Wavelet transform，WT）、集合经验模态分解（Ensemble empirical mode decomposition，EEMD）和独立成分分析（Independent component analysis，ICA）的WT-EEMD-ICA单通道脑电信号眼电伪迹去除算法.实验表明：WT-EEMD-ICA算法有效地解决了单通道WT-ICA算法中的超完备问题，能够有效去除单通道脑电信号中的眼电伪迹，并且分离出的眼电伪迹成分与参考通道采集的眼电信号相关性较强.

文章导读

脑电信号(Electroencephalography, EEG)中包含了大量的生理和病理信息.从大脑头皮采集到的脑电信号包含了大量的生理伪迹.常见的伪迹种类包括心电伪迹(Electrocardiography, ECG)[1]、肌电伪迹(Electromyography, EMG)[2]和眼电伪迹(Electrooculography, EOG)[3]等.由于这些伪迹信号的存在, 使得采集到的脑电信号受到了严重的噪声污染.如果伪迹成分得不到有效去除, 会导致在后续的脑电信号特征参数提取与分类过程中出现严重的错误.特别是在脑机接口(Brain computer interface, BCI)[4]和麻醉深度监测等领域, 过多的伪迹干扰会造成分类结果的不准确, 并带来严重的后果[5].眼电伪迹的频带范围分布较广[6], 且眼电伪迹与脑电信号频带严重重叠[7], 这使得传统线性滤波的方法难以去除脑电信号中的眼电伪迹[8].

近年来, 许多眼电伪迹去除算法相继问世.根据采集的通道数量, 可以将伪迹去除算法分为多通道眼电伪迹去除算法和单通道眼电伪迹去除算法.多通道伪迹去除算法主要包括伪迹减法[9]、主成分分析法(Principal components analysis, PCA)[10]和独立成分分析法(Independent component analysis, ICA)[11]等. Gomez等基于盲源分离算法提出了多通道眼电伪迹的自动去除算法, 在不采用眼电参考通道的情况下成功地对脑电信号中的眼电伪迹进行了去除[12], 优点是能够处理高阶统计量[13], 缺点是需要伪迹的先验知识[14].

在便携式脑机接口(BCI)、便携式麻醉深度监测系统、便携式睡眠监测和便携式情绪状态识别等应用领域通常针对单通道的脑电信号进行分析.因此, 研究可靠的单通道脑电信号伪迹去除算法对于便携式脑电设备的发展具有重要意义.在单通道脑电信号的伪迹去除中, 由于通道数量较少, 包含的有效信息有限, 且缺少参考通道, 使得二者的分离较为困难.最初, 人们采用阈值的方法限制眼电伪迹成分的幅度, 但会损失有用的脑电数据成分[15], 特别是当眼电伪迹幅度与脑电信号幅度接近时[16].线性滤波方法能够去除部分眼电伪迹成分[17], 而对眼电伪迹与脑电信号频带重叠的部分无能为力[18].吴明权等提出了一种基于长时差分振幅包络与小波变换(Wavelet transform, WT)的眼电干扰自动分离方法, 通过长时差分结合双门限法确定眼电伪迹起始位置, 随后采用sym 5小波对脑电信号进行分解, 同时引入Birge-Massart策略确定小波重构系数阈值对眼电信号进行估计, 进而实现单通道脑电信号的眼电伪迹分离[19].该方法的缺点是当眼电伪迹与脑电信号幅度较为接近时, 对眼电信号进行准确估计十分困难.近年来, 不少学者尝试将单通道脑电信号转换为多通道信号, 然后采用PCA或ICA等较为成熟的多通道伪迹去除算法进行处理. James等采用动态嵌入的方法将单通道信号转换为多通道信号, 结合ICA算法实现了单通道脑电信号的眼电伪迹去除算法[20-21]. Mammone等采用ICA对小波分解的结果进行独立成分分析, 提出了一种基于WT-ICA方法的眼电伪迹去除算法[22], 在多通道脑电信号中能够取得较好的效果, 但在单通道伪迹去除中存在超完备ICA问题.为解决该问题, 本文在其基础上引入集合经验模态分解(Ensemble empirical mode decomposition, EEMD)算法, 解决了超完备ICA问题, 实现了单通道脑电信号的眼电伪迹去除.

图 1  WT-EEMD-ICA算法框图

图 2  实验设计框图

图 5  带通滤波前后EEG与EOG信号对比

由于受采集通道数量少, 缺乏参考眼电通道等因素的制约, 单通道脑电信号的眼电伪迹去除问题一直没有得到较好解决.本文提出的WT-EEMD-ICA单通道眼电伪迹去除算法融合了小波变换、集合经验模态分解和独立成分分析等算法, 解决了ICA算法在去除单通道眼电伪迹过程中的超完备问题, 实现了单通道脑电信号中眼电伪迹去除.相对于WT、WT-ICA和EEMD-ICA三种算法, WT-EEMD-ICA在眼电伪迹去除方面的效果更优, 并且对脑电信号中的有价值信息保留程度较好.经过对比验证, WT-EEMD-ICA算法在处理不同长度脑电信号时, 具有较好的稳定性.

作者简介

刘志勇

哈尔滨工业大学电气工程及自动化学院博士研究生.2008年获得哈尔滨工业大学电气工程及自动化学院学士学位.主要研究方向为生物医学信号处理.E-mail:liuzhiyong563@hit.edu.cn

卜宪庚 

哈尔滨医科大学基础医学院教授.主要研究方向为物联网及其应用.E-mail:bxg@ems.hrbmu.edu.cn

孙金玮 

哈尔滨工业大学电气工程及自动化学院教授.主要研究方向为生物医学传感器, 主动噪声控制理论.本文通信作者, E-mail:jwsun@hit.edu.cn