針對微弱的腦電(Electroencephalogram,EEG)信號在采集過程中夾雜著各種生理偽跡,特別易遭到眨眼和眼動產(chǎn)生的眼電(Electrooculography,EOG)偽跡干擾。本文提出在自適應(yīng)噪聲完備經(jīng)驗?zāi)B(tài)分解(Complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)的基礎(chǔ)上,構(gòu)建盲反卷積(Blind deconvolution,BD)模型,實現(xiàn)EOG偽跡分離的方法。該方法首先運用CEEMDAN方法將含有偽跡的EEG信號分解成若干固有模態(tài)函數(shù)(Intrinsic mode function,IMF)分量,再以模態(tài)分量為觀測信號送入EEG信號和EOG偽跡兩個源信號構(gòu)成的盲反卷積模型中,通過構(gòu)建代價函數(shù)迭代實現(xiàn)EEG信號與EOG偽跡分離。為了驗證新提出的算法,采用標準CHB-MIT頭皮腦電數(shù)據(jù)庫進行實驗驗證,EOG偽跡分離后的數(shù)據(jù)跟原始腦電數(shù)據(jù)作相關(guān)性分析,其相關(guān)系數(shù)是0.82。結(jié)果證實本文提出的方法保留有大多數(shù)原始EEG信號分量,同時對EOG偽跡的分離也具有良好的效果。

【文章頁數(shù)】：10 頁

【部分圖文】：

圖5CEEMDAN分解后多個IMF分量

最后對代價函數(shù)J(W)展開共軛梯度法迭代，獲得W的最優(yōu)值W?。迭代時取初始值k=0，終止閾值ε=0.01，進而由式s?(t)=W?x(t)分別得出由EEG信號和EOG偽跡組成的源信號，成功實現(xiàn)分離。從分離結(jié)果圖6可以看出，圖中多處含有EOG偽跡較明顯的位置，偽跡均有明顯消除。對比....

圖6CEEMDAN-BD算法處理結(jié)果對比

圖5CEEMDAN分解后多個IMF分量3.3兩種對比方法的眼電偽跡祛除效果

圖7WT-ICA算法處理結(jié)果對比

圖8給出了采用CEEMDAN-ICA算法處理后的結(jié)果。CEEMDAN-ICA算法首先對含有EOG偽跡的EEG信號執(zhí)行CEEMDAN分解。整個算法CEEMDAN部分參數(shù)的設(shè)置與本文中CEEMDAN-BD算法的參數(shù)一致。從運行結(jié)果圖中可以看出偽跡祛除后的信號成分無明顯缺失，保留了大部....

圖8CEEMDAN-ICA算法處理結(jié)果對比

圖7WT-ICA算法處理結(jié)果對比3.4相關(guān)系數(shù)的計算分析

本文編號：3958696