基于小波和独立分量的脑电信号预处理研究

摘要

脑电图(Electroencephalogram，EEG)是一种记录大脑活动的生理监测方法之一，对于脑部疾病的诊断及监测有十分重大的作用。然而，因为脑电采集设备自身或外部环境因素，使得采集到的多导联脑电信号受到各类伪迹噪声的干扰，这些干扰给分析和研究脑电信号带来了很大的困难。随着现代科学技术的发展，脑电信号的采集设备和技术都有了很大的改善，并且不断涌现出新的脑电信号处理技术和方法。但脑电信号的特征提取和消噪等问题依然没有得到很好的解决，因此，降低并消除脑电信号中的干扰对于脑电信号的分析及研究起着至关重要的作用。
　　为此本文提出一种基于离散小波变换与独立成分分析相结合的脑电信号伪迹去除算法(DWICA)，脑电信号中含有的伪迹信号主要来源于眼电伪迹、肌电伪迹及心电伪迹，其中，眼电伪迹是脑电信号的主要干扰来源。首先对多导睡眠脑电信号去除工频干扰，根据采集的脑电信号选择合适的阀值对脑电信号小波去噪，再利用离散小波变换，获取多尺度小波系数，并将小波系数作为独立成分分析的输入。采用基于负熵判据的FastICA算法实现独立成分分量的获取，并根据余弦相似度算法判别伪迹成分。为了保证去伪的效果，利用基于负熵判据的FastICA算法迭代次数作为阀值因子，把判别为伪迹的成分置零，剩余的独立成分进行重新组合。再利用独立成分分析逆变换将去除伪迹的独立成分分量投影到原脑电信号对应的各个电极位置，最后通过离散小波逆变换重构脑电信号，即可得到去除伪迹的多导脑电信号。选取公开数据集中一位健康人的睡眠脑电信号验证算法的可行性，并从时域、功率谱密度和相关性度量三个方面对去噪前后的分析作比较。
　　为了验证离散小波变换与独立成分分析算法的多样性，样本数据选择一位夜间额叶癫痫病人6导联脑电信号进行仿真测试，验证该算法对于癫痫病人睡眠脑电信号去伪的有效性。把该算法与目前一些主流脑电信号去噪算法进行对比，主要从信噪比SNR、均方根误差RMSE、运算时间这三个方面进行对比。结果表明，相对于其它算法而言，基于离散小波变换与独立成分分析相结合的脑电信号伪迹去除算法在实现去噪目标的同时大幅降低了在处理多导联脑电方面的复杂度，并且极大地提高了脑电信号的信噪比，同时保证了原始脑电信号的完整性。使得该算法在对多导联脑电信号去噪方面具备现实可行性，为脑电信号的预处理提供了新的思路，为下一步把脑电信号用于睡眠研究、情感识别、临床疾病监测奠定了基础。

目录

声明

摘要

第1章 引言

1．1 研究背景

1．2 国内外研究现状

1．3 本课题主要研究目的与意义

1．4 论文章节安排

1．5 本章小结

第2章 脑电信号的特性

2．1 脑电信号简介

2．1．1 脑电信号的生理学原理

2．1．2 脑电信号的基本特征

2．1．3 脑电信号的节律特征

2．2 脑电信号的采集

2．3 脑电信号的预处理

2．3．1 脑电信号的伪迹噪声及干扰源

2．3．2 伪迹去除方法

2．4 脑电信号特征提取

2．4．1 时域分析法

2．4．2 频域分析法

2．4．3 时频域分析法

2．4．4 非线性动力学分析法

2．5 本章小结

第3章 小波变换及独立成分分析

3．1 小波变换

3．1．1 连续小波变换

3．1．2 离散小波变换

3．1．3 小波包分解

3．1．4 小波去噪

3．2 独立成分分析的原理

3．2．1 ICA的定义

3．2．2 ICA的数学模型

3．2．3 ICA的估计原理

3．3 Infomax算法

3．3．1 Infomax算法

3．3．2 扩展Infomax算法

3．4 Fast ICA算法

3．5 本章小结

第4章 脑电信号预处理总体设计

4．1 总体设计框图

4．2 信号过滤

4．3 小波变换

4．4 ICA预处理

4．4．1 去均值

4．4．2 白化处理

4．5 余弦相似度

4．6 信号重构

4．7 本章小结

第5章 基于小波与ICA的脑电信号预处理

5．1 仿真实验及分析

5．2 算法性能评价指标

5．3 实验仿真

5．3．1 原始脑电信号及滤波

5．3．2 小波去噪与系数提取

5．3．3 ICA分离信号

5．3．4 余弦相似度伪迹判定

5．3．5 信号重构

5．4 本章小结

结论

致谢

参考文献