基于典型相关分析和小波变换的眼电伪迹去除研究

生产实习课程论文基于典型相关分析和小波变换的眼电伪迹去除研究学院（系）：电子信息与电气工程学部专业：生物医学工程学生姓名：学号：指导教师：邱天爽完成日期：2013.07.20-II-目录1绪论........................................................................................................................................11.1脑电信号处理的意义...............................................................................................11.2去除眼电伪迹方法的进展.......................................................................................11.2.1早期的人工处理............................................................................................11.2.2现代的相关去噪算法....................................................................................11.3wCCA算法的提出...................................................................................................22wCCA算法..........................................................................................................................22.1基于典型相关分析的盲源分离方法.......................................................................22.2小波阈值去噪...........................................................................................................32.3基于wCCA的盲源分离方法去除眼电伪迹........................................................33程序说明................................................................................................................................43.1算法流程图...............................................................................................................43.2相关matlab函数......................................................................................................43.3相关参数描述...........................................................................................................44实验结果分析......................................................................................................................64.1仿真结果...................................................................................................................64.2数据比较分析...........................................................................................................7结论.....................................................................................................错误!未定义书签。基于典型相关分析和小波变换的眼电伪迹去除研究–1–1绪论1.1脑电信号处理的意义脑电活动首次于1924年被德国精神教授测量并定名为EEG。EEG信号作为一种直接反应大脑内部状态的生物电信号，其中蕴含了大量的心理、生理和病理信息。目前被广泛运用于神经心理学、大脑意识及认知、脑部疾病的诊治、脑机接口等诸多研究领域中。与EEG信号研究紧密关系的另一种典型技术为脑机接口技术BCI，BCI可以完全不依赖于外围神经核肌肉的参与，直接实现人与计算机之间或外部环境之间的通信。BCI一般可以分为以自发脑电信号的BCI系统和使用命令的转换算法。BCI系统可以使有运动障碍的人通过EEG信号来与外界进行交流。提高BCI系统有效性的另一个重要手段就是提高采集到的微弱的EEG信号的信噪比。脑电信号一般通过放置于大脑头皮的电极进行采集，但是实际采集到的脑电信号非常微弱，只有微伏极。由于脑电信号是一种易变的非平稳信号，其在采集过程当中，会不可避免地混入非脑神经组织产生的各种伪迹信号，如眼电（眨眼或眼动），它的幅度比脑电信号大好几倍，所以如何对脑电信号进行预处理、去除各种伪迹成分，并从中提取出有效的脑电信号成分，是各国研究者关注的重要问题，具有重大的理论和实践意义。1.2去除眼电伪迹方法的进展1.2.1早期的人工处理在早期，意思和研究者通过实验控制来处理无关的电生理伪迹成分，比如让患者和被试者避免或者减少眨眼、眼动、吞咽以及四肢运动等，这样会添加附加的实验任务，并且不易于控制，如当患者或被试者为儿童时，比较难以控制，因而会影响实验效果。一般情况下，EEG信号伪迹去除的通用方法是去除含有伪迹成分的EEG信号【片断。比如，识别眼电伪迹（主要包括眨眼和眼动伪迹），通常通过检测眼电导联记录的电平超过一定的固定阈值，其他的伪迹成分或干扰的检测可以通过人工标记并去除，去除含有伪迹成分的EEG片断必然会引起有效的EEG信号成分的大量损失。比如识别人物当中的眨眼可能就是识别任务的一种反应，若剔除就可能导致重要信息的丢失，另外，对于一些病人来说，剔除被污染的脑电数据就意味着病情的漏诊。1.2.2现代的相关去噪算法自适应滤波法。自适应滤波器可以自动调节参数，在设计时无需任何关于信号和噪声的先验统计知识，在信号和噪声的先验知识未知的情况下，可以采用自适应滤波方法来去除噪声。基于典型相关分析和小波变换的眼电伪迹去除研究–2–小波变换方法是20世纪80年代中期发展起来的一种时域分析方法。传统的傅里叶分析方法在处理平稳信号方面具有显著优势，经过其变换的信号具有最大的频率分辨率，但是不具备时空定位信息，而小波变换由于其窗口可以根据频率分辨率的高低的而进行自适应调节，从而具有多分辨特性，小波变换在低频部分具有较高的频率分辨率和较低时间分辨率。而在高频部分具有较高的时间分辨率和较低的频率分辨率，这种多尺度特性适合于分析生物医学信号等非平稳信号。盲源分离是信号处理领域一个新的研究热点，它尝试在源信号和传输系统特性均未知的情况下对混合信号进行分离。。盲源分离法将伪迹成分和EEG信号分解成不同的源信号成分，通过将与伪迹有关的源信号成分置零，可以得到去除伪迹后的信号。盲源分离问题可以采用许多不同的算法以及原则来估计源信号成分，通常采用基于二阶统计量和高阶统计量的方法来实现盲源分离。1.3wCCA算法的提出针对脑电信号中眼电伪迹去除尚存在的问题，提出一种基于典型相关分析与小波变换的(wavelet-enhancedcanonicalcorrelationanalysis,wCCA)自动去除眼电伪迹的算法。首先，充分利用脑电信号和眼电伪迹的空间分布特征，将基于典型相关分析的盲源分离算法以一种全新的方式应用于混合信号中，从而保证典型相关分析分解得到的第一个典型相关变量（即左右脑区之间的最公共成分），就是与眼电伪迹相关的分量。其次为了恢复泄漏在该伪迹分量中的脑电成分，对伪迹分量进行小波阈值去噪，仅将小波系数高于某一阈值的分量置零。与其他三种基于盲源分离去除眼电伪迹的方法相比较，该方法在有效地自动去除眼电伪迹的同时，很好地保留了潜在的脑电信号。2wCCA算法2.1基于典型相关分析的盲源分离方法讨论相关关系常用的一种方法是讨论第一组每个变量和第二组中每个变量的相关，得到pq个相关系数，用这些相关系数反映两组变量的关系。但这样做是不够的，既繁琐，又抓不住要领。另外一种方法类似于主分量分析，对每组变量做一个线性组合，称其为这组变量的综合变量，然后研究两组综合变量的相关，通过少数几个综合变量来反映两组变量的相关性质，这样可以抓住它们的主要关系，而且又简明。因此典型相关分析揭示了两组变量之间的内在关系，更深刻的反映了这两组随机变量之间的线性相关情况。综合变量对间的相关强弱程度不同，就形成了不同的典型相关对.在实际中，往往只需重点研究相关关系较大的几对典型变量，因为它们反映了两组变量间相互关系的绝大部分信息。这就是典型相关分析的主要思想。基于典型相关分析和小波变换的眼电伪迹去除研究–3–假设X和Y是两组观测信号。典型相关分析寻找X和Y的线性组合,即：使得产生的新变量u和v之间的相关程度最大。2.2小波阈值去噪典型相关分析分解出的伪迹分量中还含有少量的高频脑电成分，若将该分量完全置零可能会造成感兴趣脑电成分的损失，故需要进一步恢复泄漏在伪迹分量中的脑电成分。小波阈值去噪是同时基于时空域和频率的去噪方法。经过CCA分解得到的伪迹分量中，眼电成分的能量在小波域集中在一些大的小波系数中，而脑电成分的能量却分布于整个小波域内。因此经过小波分解后，伪迹成分的小波系数幅值要大于脑电成分的小波系数幅值。对伪迹分量进行小波阈值去噪，将小波系数高于某一阈值的分量置零，这样可以把大部分脑电成分对应的小波系数保留，而将伪迹成分系数置零。2.3基于wCCA的盲源分离方法去除眼电伪迹由电极采集到的脑电信号是由不同来源的脑电和伪迹叠加而成的。不同的脑电信号在头皮上分布的区域是不同的，不同脑区采集到的脑电信号是不同的。另一方面，由于大脑是电的良导体，眼电信号从前额处后向传播，遍历整个头部。充分利用脑电信号和眼电伪迹空间分布特点的不同，本文将CCA算法以一种全新的方式应用于混合信号中，令X(t)为左侧脑区的脑电信号，Y(t)为右侧脑区的脑电信号。同时将垂直眼电信号分别加入到X(t)和Y(t)中，来提高得到的第一个典型相关变量中伪迹成分的百分比。CCA分解得到的第一对典型相关变量之间的相关性最大，故该分量可以认为是X(t)和Y(t)之间最公共成分，即左右脑区之间最公共成分。而该成分是由与伪迹相关及少量高频脑电成分构成的。借助于这种方式的CCA，巧妙的回避了基于盲源分离方法中面临的伪迹成分人工识别的问题。当然若将该伪迹分量全部置零再重构的话，会造成其中脑电成分的损失。为此，可利用小波阈值去噪来去除该伪迹分量中眼电成分，保留脑电成分。1111...