基于典型相關(guān)分析和小波變換的眼電偽跡去除研究

1、生產(chǎn)實(shí)習(xí)課程論文基于典型相關(guān)分析和小波變換的眼電偽跡去除研究學(xué) 院（系）： 電子信息與電氣工程學(xué)部專 業(yè)： 生物醫(yī)學(xué)工程 學(xué) 生 姓 名： 學(xué) 號： 指 導(dǎo) 教 師： 邱天爽 完 成 日 期： 2013.07.20 目 錄1 緒論11.1 腦電信號處理的意義11.2 去除眼電偽跡方法的進(jìn)展11.2.1 早期的人工處理11.2.2 現(xiàn)代的相關(guān)去噪算法11.3 wCCA算法的提出22 wCCA算法22.1 基于典型相關(guān)分析的盲源分離方法22.2 小波閾值去噪32.3 基于 wCCA 的盲源分離方法去除眼電偽跡33 程序說明43.1 算法流程圖43.2 相關(guān)matlab函數(shù)43.3 相關(guān)參數(shù)描述44

2、 實(shí)驗(yàn)結(jié)果分析64.1 仿真結(jié)果64.2 數(shù)據(jù)比較分析7結(jié) 論81 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(yīng)大腦內(nèi)部狀態(tài)的生物電信號，其中蘊(yùn)含了大量的心理、生理和病理信息。目前被廣泛運(yùn)用于神經(jīng)心理學(xué)、大腦意識及認(rèn)知、腦部疾病的診治、腦機(jī)接口等諸多研究領(lǐng)域中。與EEG信號研究緊密關(guān)系的另一種典型技術(shù)為腦機(jī)接口技術(shù)BCI，BCI可以完全不依賴于外圍神經(jīng)核肌肉的參與，直接實(shí)現(xiàn)人與計算機(jī)之間或外部環(huán)境之間的通信。BCI一般可以分為以自發(fā)腦電信號的BCI系統(tǒng)和使用命令的轉(zhuǎn)換算法 。BCI系統(tǒng)可以使有運(yùn)動障礙的人通過EEG信號來與外

3、界進(jìn)行交流。提高BCI系統(tǒng)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(jìn)行采集，但是實(shí)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(wěn)信號，其在采集過程當(dāng)中，會不可避免地混入非腦神經(jīng)組織產(chǎn)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(jìn)行預(yù)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(guān)注的重要問題，具有重大的理論和實(shí)踐意義。1.2 去除眼電偽跡方法的進(jìn)展1.2.1 早期的人工處理在早期，意思和研究者通過實(shí)驗(yàn)控制來處理無關(guān)的電生理偽跡成分，比如讓患者和被試

4、者避免或者減少眨眼、眼動、吞咽以及四肢運(yùn)動等，這樣會添加附加的實(shí)驗(yàn)任務(wù)，并且不易于控制，如當(dāng)患者或被試者為兒童時，比較難以控制，因而會影響實(shí)驗(yàn)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(dǎo)聯(lián)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(biāo)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(dāng)中的眨眼可能就是識別任務(wù)的一種反應(yīng)，若剔除就可能導(dǎo)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(shù)據(jù)就意味著病情的漏診。1.2.2

5、現(xiàn)代的相關(guān)去噪算法自適應(yīng)濾波法。自適應(yīng)濾波器可以自動調(diào)節(jié)參數(shù)，在設(shè)計時無需任何關(guān)于信號和噪聲的先驗(yàn)統(tǒng)計知識，在信號和噪聲的先驗(yàn)知識未知的情況下，可以采用自適應(yīng)濾波方法來去除噪聲。小波變換方法是20世紀(jì)80年代中期發(fā)展起來的一種時域分析方法。傳統(tǒng)的傅里葉分析方法在處理平穩(wěn)信號方面具有顯著優(yōu)勢，經(jīng)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(jù)頻率分辨率的高低的而進(jìn)行自適應(yīng)調(diào)節(jié)，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(yī)學(xué)信號等非平穩(wěn)信號。盲源

6、分離是信號處理領(lǐng)域一個新的研究熱點(diǎn)，它嘗試在源信號和傳輸系統(tǒng)特性均未知的情況下對混合信號進(jìn)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(guān)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(tǒng)計量和高階統(tǒng)計量的方法來實(shí)現(xiàn)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(guān)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

7、的空間分布特征，將基于典型相關(guān)分析的盲源分離算法以一種全新的方式應(yīng)用于混合信號中，從而保證典型相關(guān)分析分解得到的第一個典型相關(guān)變量（即左右腦區(qū)之間的最公共成分），就是與眼電偽跡相關(guān)的分量。其次為了恢復(fù)泄漏在該偽跡分量中的腦電成分，對偽跡分量進(jìn)行小波閾值去噪，僅將小波系數(shù)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。 2 wCCA算法2.1 基于典型相關(guān)分析的盲源分離方法討論相關(guān)關(guān)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(guān)，得到pq個相關(guān)系數(shù)，用這些相關(guān)系數(shù)反映兩組變量的關(guān)系。但這樣做是

8、不夠的，既繁瑣，又抓不住要領(lǐng)。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(guān)，通過少數(shù)幾個綜合變量來反映兩組變量的相關(guān)性質(zhì)，這樣可以抓住它們的主要關(guān)系，而且又簡明。因此典型相關(guān)分析揭示了兩組變量之間的內(nèi)在關(guān)系，更深刻的反映了這兩組隨機(jī)變量之間的線性相關(guān)情況。綜合變量對間的相關(guān)強(qiáng)弱程度不同，就形成了不同的典型相關(guān)對.在實(shí)際中，往往只需重點(diǎn)研究相關(guān)關(guān)系較大的幾對典型變量，因?yàn)樗鼈兎从沉藘山M變量間相互關(guān)系的絕大部分信息。這就是典型相關(guān)分析的主要思想。假設(shè)X和Y是兩組觀測信號。典型相關(guān)分析尋找X和Y的線性組合,即： 使得產(chǎn)生的新變量u和v之

9、間的相關(guān)程度最大。2.2 小波閾值去噪典型相關(guān)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(jìn)一步恢復(fù)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(jīng)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(shù)中，而腦電成分的能量卻分布于整個小波域內(nèi)。因此經(jīng)過小波分解后，偽跡成分的小波系數(shù)幅值要大于腦電成分的小波系數(shù)幅值。對偽跡分量進(jìn)行小波閾值去噪，將小波系數(shù)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(yīng)的小波系數(shù)保留，而將偽跡成分系數(shù)置零。2.3 基于 wCCA 的盲源分離方法去除眼電

10、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(qū)域是不同的，不同腦區(qū)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(dǎo)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(diǎn)的不同，本文將CCA 算法以一種全新的方式應(yīng)用于混合信號中，令X(t)為左側(cè)腦區(qū)的腦電信號，Y(t)為右側(cè)腦區(qū)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(guān)變量中偽跡成分的百分比。CCA 分解得到的第一對典型相關(guān)變量之間的相關(guān)性最大，故該分量可以認(rèn)為是X(t)和Y(t)之間最公共成分，即左右腦區(qū)之間最公共成分

11、。而該成分是由與偽跡相關(guān)及少量高頻腦電成分構(gòu)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(dāng)然若將該偽跡分量全部置零再重構(gòu)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 程序說明3.1 算法流程圖 3.2 相關(guān)matlab函數(shù)本程序主要用的的函數(shù)有waverec 小波重構(gòu)函數(shù) 、wavedec小波分解函數(shù)、appcoef 低頻分量（尺度系數(shù)）提取函數(shù)、detcoef高頻分量（小波系數(shù)）提取函數(shù)3.3 相關(guān)參數(shù)描述X1-將FP1 、F3、 C3 、O1 、垂直眼電信號組合作為一路5×100

12、0Y1 -將FP2、F4、 C4 、O2 、垂直眼電信號組合作為一路5×1000A、B -分別為X1與Y1每一行的均值為5×1的矩陣X、Y -經(jīng)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(guān)向量得到的典型相關(guān)變量C1、 C2、L1、L2-由小波分解得到的小波解向量和相應(yīng)的記錄長度cA5 c1A5-u v 的尺度系數(shù)（由函數(shù)appcoef得到的低頻分量）cD1、cD2、cD3、cD4、cD5、c1D1、c1D2、c1D3、c1D4、 c1D5-由detcoef得到的u、v各層小波系數(shù)k1k6、p1p6-各個低頻閾值和高頻閾值U、V

13、-經(jīng)小波重構(gòu)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 4 實(shí)驗(yàn)結(jié)果分析4.1 仿真結(jié)果 FP1與FP2兩路信號的處理前后結(jié)果對比圖F3與F4兩路信號的處理前后結(jié)果對比圖C3與C4兩路信號的處理前后結(jié)果對比圖O1與O2兩路信號的處理前后結(jié)果對比圖4.2 數(shù)據(jù)比較分析 由實(shí)驗(yàn)結(jié)果截圖可以看出，本次的實(shí)驗(yàn)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(guān)，與眼電的空間分布特性和傳輸有關(guān)，F(xiàn)P1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(guān)，O1和O2處受眼電影響較小，這點(diǎn)由圖可以看出來，可能是因?yàn)檫@兩點(diǎn)和眼電產(chǎn)生部位的距離有關(guān)，從圖中看不出來對這兩個部位的處理效果，但是實(shí)驗(yàn)處理前后的數(shù)據(jù)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(shí)驗(yàn)數(shù)據(jù)能說明該算法還是對這兩點(diǎn)起到了去偽跡的效果。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(biāo)：（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(xué)地評價一個偽跡去除算法的好壞