第一篇：基于典型相關分析和小波變換的眼電偽跡去除研究

生產實習課程論文

基于典型相關分析和小波變換的眼電偽跡去除研究

學 院（系）： 電子信息與電氣工程學部 專

業：

生物醫學工程

學 生 姓 名：

學

號：

指 導 教 師：

邱天爽

完 成 日 期：

2013.07.20

目 錄 緒論........................................................................................................................................1

1.1 腦電信號處理的意義...............................................................................................1 1.2 去除眼電偽跡方法的進展.......................................................................................1

1.2.1 早期的人工處理............................................................................................1 1.2.2 現代的相關去噪算法....................................................................................1 1.3 wCCA算法的提出...................................................................................................2 2 wCCA算法..........................................................................................................................2

2.1 基于典型相關分析的盲源分離方法.......................................................................2 2.2 小波閾值去噪...........................................................................................................3 2.3 基于 wCCA 的盲源分離方法去除眼電偽跡........................................................3 3 程序說明................................................................................................................................4

3.1 算法流程圖...............................................................................................................4 3.2 相關matlab函數......................................................................................................4 3.3 相關參數描述...........................................................................................................4 4 實驗結果分析......................................................................................................................6

4.1 仿真結果...................................................................................................................6 4.2 數據比較分析...........................................................................................................7 結

論..................................................................................................錯誤！未定義書簽。

-II-基于典型相關分析和小波變換的眼電偽跡去除研究 緒論

1.1 腦電信號處理的意義

腦電活動首次于1924年被德國精神教授測量并定名為EEG。EEG信號作為一種直接反應大腦內部狀態的生物電信號，其中蘊含了大量的心理、生理和病理信息。目前被廣泛運用于神經心理學、大腦意識及認知、腦部疾病的診治、腦機接口等諸多研究領域中。

與EEG信號研究緊密關系的另一種典型技術為腦機接口技術BCI，BCI可以完全不依賴于外圍神經核肌肉的參與，直接實現人與計算機之間或外部環境之間的通信。BCI一般可以分為以自發腦電信號的BCI系統和使用命令的轉換算法。BCI系統可以使有運動障礙的人通過EEG信號來與外界進行交流。提高BCI系統有效性的另一個重要手段就是提高采集到的微弱的EEG信號的信噪比。腦電信號一般通過放置于大腦頭皮的電極進行采集，但是實際采集到的腦電信號非常微弱，只有微伏極。由于腦電信號是一種易變的非平穩信號，其在采集過程當中，會不可避免地混入非腦神經組織產生的各種偽跡信號，如眼電（眨眼或眼動），它的幅度比腦電信號大好幾倍，所以如何對腦電信號進行預處理、去除各種偽跡成分，并從中提取出有效的腦電信號成分，是各國研究者關注的重要問題，具有重大的理論和實踐意義。

1.2 去除眼電偽跡方法的進展

1.2.1 早期的人工處理

在早期，意思和研究者通過實驗控制來處理無關的電生理偽跡成分，比如讓患者和被試者避免或者減少眨眼、眼動、吞咽以及四肢運動等，這樣會添加附加的實驗任務，并且不易于控制，如當患者或被試者為兒童時，比較難以控制，因而會影響實驗效果。

一般情況下，EEG信號偽跡去除的通用方法是去除含有偽跡成分的EEG信號【片斷。比如，識別眼電偽跡（主要包括眨眼和眼動偽跡），通常通過檢測眼電導聯記錄的電平超過一定的固定閾值，其他的偽跡成分或干擾的檢測可以通過人工標記并去除，去除含有偽跡成分的EEG片斷必然會引起有效的EEG信號成分的大量損失。比如識別人物當中的眨眼可能就是識別任務的一種反應，若剔除就可能導致重要信息的丟失，另外，對于一些病人來說，剔除被污染的腦電數據就意味著病情的漏診。

1.2.2 現代的相關去噪算法

自適應濾波法。自適應濾波器可以自動調節參數，在設計時無需任何關于信號和噪聲的先驗統計知識，在信號和噪聲的先驗知識未知的情況下，可以采用自適應濾波方法來去除噪聲。

–1– 基于典型相關分析和小波變換的眼電偽跡去除研究

小波變換方法是20世紀80年代中期發展起來的一種時域分析方法。傳統的傅里葉分析方法在處理平穩信號方面具有顯著優勢，經過其變換的信號具有最大的頻率分辨率，但是不具備時空定位信息，而小波變換由于其窗口可以根據頻率分辨率的高低的而進行自適應調節，從而具有多分辨特性，小波變換在低頻部分具有較高的頻率分辨率和較低時間分辨率。而在高頻部分具有較高的時間分辨率和較低的頻率分辨率，這種多尺度特性適合于分析生物醫學信號等非平穩信號。

盲源分離是信號處理領域一個新的研究熱點，它嘗試在源信號和傳輸系統特性均未知的情況下對混合信號進行分離。盲源分離法將偽跡成分和EEG信號分解成不同的源信號成分，通過將與偽跡有關的源信號成分置零，可以得到去除偽跡后的信號。盲源分離問題可以采用許多不同的算法以及原則來估計源信號成分，通常采用基于二階統計量和高階統計量的方法來實現盲源分離。

1.3 wCCA算法的提出

針對腦電信號中眼電偽跡去除尚存在的問題，提出一種基于典型相關分析與小波變換的(wavelet-enhanced canonical correlation analysis, wCCA)自動去除眼電偽跡的算法。

首先，充分利用腦電信號和眼電偽跡的空間分布特征，將基于典型相關分析的盲源分離算法以一種全新的方式應用于混合信號中，從而保證典型相關分析分解得到的第一個典型相關變量（即左右腦區之間的最公共成分），就是與眼電偽跡相關的分量。其次為了恢復泄漏在該偽跡分量中的腦電成分，對偽跡分量進行小波閾值去噪，僅將小波系數高于某一閾值的分量置零。與其他三種基于盲源分離去除眼電偽跡的方法相比較，該方法在有效地自動去除眼電偽跡的同時，很好地保留了潛在的腦電信號。wCCA算法

2.1 基于典型相關分析的盲源分離方法

討論相關關系常用的一種方法是討論第一組每個變量和第二組中每個變量的相關，得到pq個相關系數，用這些相關系數反映兩組變量的關系。但這樣做是不夠的，既繁瑣，又抓不住要領。另外一種方法類似于主分量分析，對每組變量做一個線性組合，稱其為這組變量的綜合變量，然后研究兩組綜合變量的相關，通過少數幾個綜合變量來反映兩組變量的相關性質，這樣可以抓住它們的主要關系，而且又簡明。因此典型相關分析揭示了兩組變量之間的內在關系，更深刻的反映了這兩組隨機變量之間的線性相關情況。綜合變量對間的相關強弱程度不同，就形成了不同的典型相關對.在實際中，往往只需重點研究相關關系較大的幾對典型變量，因為它們反映了兩組變量間相互關系的絕大部分信息。這就是典型相關分析的主要思想。

–2– 基于典型相關分析和小波變換的眼電偽跡去除研究

假設X和Y是兩組觀測信號。典型相關分析尋找X和Y的線性組合,即：

u ?wx?...?wx?wTXx11xkkxv?wy1y1?...?wykyk?wTyY使得產生的新變量u和v之間的相關程度最大。

2.2 小波閾值去噪

典型相關分析分解出的偽跡分量中還含有少量的高頻腦電成分，若將該分量完全置零可能會造成感興趣腦電成分的損失，故需要進一步恢復泄漏在偽跡分量中的腦電成分。小波閾值去噪是同時基于時空域和頻率的去噪方法。經過CCA 分解得到的偽跡分量中，眼電成分的能量在小波域集中在一些大的小波系數中，而腦電成分的能量卻分布于整個小波域內。因此經過小波分解后，偽跡成分的小波系數幅值要大于腦電成分的小波系數幅值。對偽跡分量進行小波閾值去噪，將小波系數高于某一閾值的分量置零，這樣可以把大部分腦電成分對應的小波系數保留，而將偽跡成分系數置零。

2.3 基于 wCCA 的盲源分離方法去除眼電偽跡

由電極采集到的腦電信號是由不同來源的腦電和偽跡疊加而成的。不同的腦電信號在頭皮上分布的區域是不同的，不同腦區采集到的腦電信號是不同的。另一方面，由于大腦是電的良導體，眼電信號從前額處后向傳播，遍歷整個頭部。充分利用腦電信號和眼電偽跡空間分布特點的不同，本文將CCA 算法以一種全新的方式應用于混合信號中，令X(t)為左側腦區的腦電信號，Y(t)為右側腦區的腦電信號。同時將垂直眼電信號分別加入到X(t)和Y(t)中，來提高得到的第一個典型相關變量中偽跡成分的百分比。CCA 分解得到的第一對典型相關變量之間的相關性最大，故該分量可以認為是X(t)和Y(t)之間最公共成分，即左右腦區之間最公共成分。而該成分是由與偽跡相關及少量高頻腦電成分構成的。借助于這種方式的CCA，巧妙的回避了基于盲源分離方法中面臨的偽跡成分人工識別的問題。當然若將該偽跡分量全部置零再重構的話，會造成其中腦電成分的損失。為此，可利用小波閾值去噪來去除該偽跡分量中眼電成分，保留腦電成分。

–3– 基于典型相關分析和小波變換的眼電偽跡去除研究 程序說明

3.1 算法流程圖

3.2 相關matlab函數

本程序主要用的的函數有waverec 小波重構函數、wavedec小波分解函數、appcoef 低頻分量（尺度系數）提取函數、detcoef高頻分量（小波系數）提取函數

3.3 相關參數描述

X1--------------------------將FP1、F3、C3、O1、垂直眼電信號組合作為一路5×1000 Y1------------------------將FP2、F4、C4、O2、垂直眼電信號組合作為一路5×1000 A、B----------------------分別為X1與Y1每一行的均值為5×1的矩陣 X、Y-----------------------經中心化處理的X1和Y1信號 WX、Wy----------------------由CAA算法處理得到的特征向量 u1、v1----------------------由典型相關向量得到的典型相關變量

C1、C2、L1、L2--------------由小波分解得到的小波解向量和相應的記錄長度 cA5 c1A5--------------------u v 的尺度系數（由函數appcoef得到的低頻分量）

–4– 基于典型相關分析和小波變換的眼電偽跡去除研究

cD1、cD2、cD3、cD4、cD5、c1D1、c1D2、c1D3、c1D4、c1D5----------------------------由detcoef得到的u、v各層小波系數 k1~k6、p1~p6----------------各個低頻閾值和高頻閾值 U、V-----------------------經小波重構得到的信號

x1、y1-----------------------別對兩路信號中的第一行處理后得到的信號

–5– 基于典型相關分析和小波變換的眼電偽跡去除研究 實驗結果分析

4.1 仿真結果

FP1與FP2兩路信號的處理前后結果對比圖

5000-***0FP1電極處處理前信號10005000-***0FP2電極處處理前信號1000500500wCCA0-***0FP1電極處處理后信號1000wCCA0-***0FP2電極處處理后信號1000

F3與F4兩路信號的處理前后結果對比圖

5000-5000500F3電極處處理前信號10005000-5000500F4電極處處理前信號1000500500wCCA0-5000

wCCA500F3電極處處理后信號10000-5000500F4電極處處理后信號1000

–6– 基于典型相關分析和小波變換的眼電偽跡去除研究

C3與C4兩路信號的處理前后結果對比圖

5000-***0C3電極處處理前信號10005000-***0C4電極處處理前信號1000500wCCA500wCCA0-***0C3電極處處理后信號10000-***0C4電極處處理后信號1000

O1與O2兩路信號的處理前后結果對比圖

50050000-***0O1電極處處理前信號1000-***0O2電極處處理前信號1000500500wCCA0wCCA0200400600800O1電極處處理后信號10000-500-***0O2電極處處理后信號1000

4.2 數據比較分析

由實驗結果截圖可以看出，本次的實驗程序基本上解決了腦電信號中眼電偽跡的去除工作，不同部位電極處的信噪比不同，可知不同部位的去除效果不一樣，這可能和眼電傳到不同部位的時間和距離有關，與眼電的空間分布特性和傳輸有關，FP1與FP2處的處理效果不是很好，主要和前額兩處電極受眼電干擾大的原因有關，O1和O2處受眼電影響較小，這點由圖可以看出來，可能是因為這兩點和眼電產生部位的距離有關，從圖中看不出來對這兩個部位的處理效果，但是實驗處理前后的數據是有變化的，所以說即使不能肉眼觀察出來這兩處的處理效果，但是實驗數據能說明該算法還是對這兩點起到了去偽跡的效果。

–7– 基于典型相關分析和小波變換的眼電偽跡去除研究

反思與討論

在評價眼電偽跡去除效果的時候，需要綜合考慮兩個方面的目標：（1）考慮眼電偽跡去除的干凈程度，即是否將眼電偽跡去除徹底；（2）考慮腦電信號的損失程度，即是否在去除眼電偽跡的同時也破壞了感興趣的腦電信號。這樣才能科學地評價一個偽跡去除算法的好壞。我們在這方面的研究與比較還有所欠缺

參考文獻

典型相關分析算法理論及其在模式分類中的應用：西安電子科技大學 趙峰 2005.01 基于典型相關分析和小波變換的眼電偽跡去除：大連理工大學 邱天爽 實時腦電信號眼電偽差去除方法的研究：西安交通大學學報 2004.12 基于腦電的腦_機接口_關鍵技術和應用前景：電子科技大學學報 2009.05 《MATLAB 小波分析》---機械工程出版社

腦電信號中眼電偽跡去除方法研究：電子科技大學 劉鐵軍 2008.12

–8–