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(hào)： 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(hào)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(shuō)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(hào)處理的意義腦電活動(dòng)首次于1924年被德國(guó)精神教授測(cè)量并定名為EEG。EEG信號(hào)作為一種直接反應(yīng)大腦內(nèi)部狀態(tài)的生物電信號(hào)，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(shí)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(hào)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(jì)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(hào)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(dòng)障礙的人通過(guò)EEG信號(hào)來(lái)與外

3、界進(jìn)行交流。提高BCI系統(tǒng)有效性的另一個(gè)重要手段就是提高采集到的微弱的EEG信號(hào)的信噪比。腦電信號(hào)一般通過(guò)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(hào)非常微弱，只有微伏極。由于腦電信號(hào)是一種易變的非平穩(wěn)信號(hào)，其在采集過(guò)程當(dāng)中，會(huì)不可避免地混入非腦神經(jīng)組織產(chǎn)生的各種偽跡信號(hào)，如眼電（眨眼或眼動(dòng)），它的幅度比腦電信號(hào)大好幾倍，所以如何對(duì)腦電信號(hào)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(hào)成分，是各國(guó)研究者關(guān)注的重要問(wèn)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(guò)實(shí)驗(yàn)控制來(lái)處理無(wú)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(dòng)、吞咽以及四肢運(yùn)動(dòng)等，這樣會(huì)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(shí)，比較難以控制，因而會(huì)影響實(shí)驗(yàn)效果。一般情況下，EEG信號(hào)偽跡去除的通用方法是去除含有偽跡成分的EEG信號(hào)【片斷。比如，識(shí)別眼電偽跡（主要包括眨眼和眼動(dòng)偽跡），通常通過(guò)檢測(cè)眼電導(dǎo)聯(lián)記錄的電平超過(guò)一定的固定閾值，其他的偽跡成分或干擾的檢測(cè)可以通過(guò)人工標(biāo)記并去除，去除含有偽跡成分的EEG片斷必然會(huì)引起有效的EEG信號(hào)成分的大量損失。比如識(shí)別人物當(dāng)中的眨眼可能就是識(shí)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(duì)于一些病人來(lái)說(shuō)，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(dòng)調(diào)節(jié)參數(shù)，在設(shè)計(jì)時(shí)無(wú)需任何關(guān)于信號(hào)和噪聲的先驗(yàn)統(tǒng)計(jì)知識(shí)，在信號(hào)和噪聲的先驗(yàn)知識(shí)未知的情況下，可以采用自適應(yīng)濾波方法來(lái)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(lái)的一種時(shí)域分析方法。傳統(tǒng)的傅里葉分析方法在處理平穩(wěn)信號(hào)方面具有顯著優(yōu)勢(shì)，經(jīng)過(guò)其變換的信號(hào)具有最大的頻率分辨率，但是不具備時(shí)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(shí)間分辨率。而在高頻部分具有較高的時(shí)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(hào)等非平穩(wěn)信號(hào)。盲源

6、分離是信號(hào)處理領(lǐng)域一個(gè)新的研究熱點(diǎn)，它嘗試在源信號(hào)和傳輸系統(tǒng)特性均未知的情況下對(duì)混合信號(hào)進(jìn)行分離。盲源分離法將偽跡成分和EEG信號(hào)分解成不同的源信號(hào)成分，通過(guò)將與偽跡有關(guān)的源信號(hào)成分置零，可以得到去除偽跡后的信號(hào)。盲源分離問(wèn)題可以采用許多不同的算法以及原則來(lái)估計(jì)源信號(hào)成分，通常采用基于二階統(tǒng)計(jì)量和高階統(tǒng)計(jì)量的方法來(lái)實(shí)現(xiàn)盲源分離。1.3 wCCA算法的提出針對(duì)腦電信號(hào)中眼電偽跡去除尚存在的問(wèn)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(dòng)去除眼電偽跡的算法。首先，充分利用腦電信號(hào)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(hào)中，從而保證典型相關(guān)分析分解得到的第一個(gè)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(duì)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(dòng)去除眼電偽跡的同時(shí)，很好地保留了潛在的腦電信號(hào)。 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(gè)變量和第二組中每個(gè)變量的相關(guān)，得到pq個(gè)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(duì)每組變量做一個(gè)線性組合，稱其為這組變量的綜合變量，然后研究?jī)山M綜合變量的相關(guān)，通過(guò)少數(shù)幾個(gè)綜合變量來(lái)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(jiǎn)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(duì)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(duì).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(duì)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(cè)信號(hào)。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(huì)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(shí)基于時(shí)空域和頻率的去噪方法。經(jīng)過(guò)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(gè)小波域內(nèi)。因此經(jīng)過(guò)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(duì)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(duì)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(hào)是由不同來(lái)源的腦電和偽跡疊加而成的。不同的腦電信號(hào)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(hào)是不同的。另一方面，由于大腦是電的良導(dǎo)體，眼電信號(hào)從前額處后向傳播，遍歷整個(gè)頭部。充分利用腦電信號(hào)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(hào)中，令X(t)為左側(cè)腦區(qū)的腦電信號(hào)，Y(t)為右側(cè)腦區(qū)的腦電信號(hào)。同時(shí)將垂直眼電信號(hào)分別加入到X(t)和Y(t)中，來(lái)提高得到的第一個(gè)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(duì)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(shí)別的問(wèn)題。當(dāng)然若將該偽跡分量全部置零再重構(gòu)的話，會(huì)造成其中腦電成分的損失。為此，可利用小波閾值去噪來(lái)去除該偽跡分量中眼電成分，保留腦電成分。3 程序說(shuō)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(hào)組合作為一路5×100

12、0Y1 -將FP2、F4、 C4 、O2 、垂直眼電信號(hào)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(hào)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(zhǎng)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(gè)低頻閾值和高頻閾值U、V

13、-經(jīng)小波重構(gòu)得到的信號(hào)x1、y1-別對(duì)兩路信號(hào)中的第一行處理后得到的信號(hào) 4 實(shí)驗(yàn)結(jié)果分析4.1 仿真結(jié)果 FP1與FP2兩路信號(hào)的處理前后結(jié)果對(duì)比圖F3與F4兩路信號(hào)的處理前后結(jié)果對(duì)比圖C3與C4兩路信號(hào)的處理前后結(jié)果對(duì)比圖O1與O2兩路信號(hào)的處理前后結(jié)果對(duì)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(hào)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(shí)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(lái)，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(lái)對(duì)這兩個(gè)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(shuō)即使不能肉眼觀察出來(lái)這兩處的處理效果，但是實(shí)驗(yàn)數(shù)據(jù)能說(shuō)明該算法還是對(duì)這兩點(diǎn)起到了去偽跡的效果。反思與討論在評(píng)價(jià)眼電偽跡去除效果的時(shí)候，需要綜合考慮兩個(gè)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(hào)的損失程度，即是否在去除眼電偽跡的同時(shí)也破壞了感興趣的腦電信號(hào)。這樣才能科學(xué)地評(píng)價(jià)一個(gè)偽跡去除算法的好壞