基于脑电幅频特性的ICA伪迹识别与去除方法及装置

摘要

本发明公开了一种基于脑电幅频特性的ICA伪迹识别与去除方法及装置，其中，方法包括以下步骤：根据脑电伪迹的幅度和频率得到幅度阈值、持续时间阈值与功率阈值；通过基于负熵ICA得到幅度有效阈值、持续时间有效阈值与功率有效阈值；根据幅度有效阈值、持续时间有效阈值与功率有效阈值对脑电信号中脑电伪迹进行自动识别与去除。本发明实施例的识别与去除方法，通过脑电伪迹的幅度和频率和基于负熵的独立分量分析进行伪迹识别与去除，提高了伪迹识别的准确度与效率，避免伪迹的误识别，简单便捷。

说明书

技术领域

本发明涉及伪迹去除技术领域，特别涉及一种基于脑电幅频特性的ICA伪迹识别与 去除方法及装置。

背景技术

目前，眼电伪迹去除方法较多，效果较好的有ICA(IndependentComponentAnalysis， 独立成分分析)，但是伪迹的识别大多依赖人工或半人工，导致应用存在局限，尤其在导联 多、数据量大的情况下这一问题更为凸显。总之，目前对眼电伪迹，尤其是由导线滑动、 接触不良等情况引发的其它伪迹与眼电复合成的混合伪迹(简称为混合伪迹)，并没有十分 有效的伪迹自动去除方法，亟待解决。

发明内容

本发明旨在至少在一定程度上解决上述相关技术中的技术问题之一。

为此，本发明的一个目的在于提出一种基于脑电幅频特性的ICA伪迹识别与去除方法， 该方法可提高识别的准确度与效率，简单便捷。

本发明的另一个目的在于提出一种基于脑电幅频特性的ICA伪迹识别与去除装置。

为达到上述目的，本发明一方面实施例提出了一种基于脑电幅频特性的ICA伪迹识别 与去除方法，包括以下步骤：根据脑电伪迹的幅度和频率得到幅度阈值、持续时间阈值与 功率阈值；根据所述幅度阈值、持续时间阈值与功率阈值，并通过基于负熵ICA得到幅度 有效阈值、持续时间有效阈值与功率有效阈值；以及根据所述幅度有效阈值、持续时间有 效阈值与功率有效阈值对脑电信号中脑电伪迹进行自动识别与去除。

根据本发明实施例提出的基于脑电幅频特性的ICA伪迹识别与去除方法，通过脑电伪 迹的幅度和频率得到幅度阈值、持续时间阈值与功率阈值，其次基于负熵的独立分量分析 得到幅度有效阈值、持续时间有效阈值与功率有效阈值，从而进行伪迹的识别与去除，提 高了伪迹识别的准确度与效率，减少了伪迹的漏识别与误差，避免伪迹的误识别，简单便 捷，适用性广。

另外，根据本发明上述实施例的基于脑电幅频特性的ICA伪迹识别与去除方法还可以 具有如下附加的技术特征：

进一步地，在本发明的一个实施例中，上述方法还包括：获取所述脑电信号的幅值阈 值与持续时间阈值；对识别的脑电伪迹的独立成分进行恢复，以根据所述脑电信号的幅值 与持续时间阈值判断所述识别的脑电伪迹是否为真伪迹，如果所述识别的脑电伪迹为真伪 迹，则去除，否则恢复为脑电信号。

进一步地，在本发明的一个实施例中，上述方法还包括：根据预设相干系数阈值判断 所述识别的脑电伪迹的相干系数是否满足要求；如果满足，则确定为真伪迹，否则调整所 述幅度阈值、持续时间阈值与功率阈值。

进一步地，在本发明的一个实施例中，在所述根据预设相干系数阈值判断为真伪迹的 识别的脑电伪迹的相干系数是否满足要求之前，还包括：对所述识别的脑电伪迹进行预设 频率的带通滤波处理。

进一步地，在本发明的一个实施例中，所述幅度阈值、持续时间阈值与功率阈值根据 去除的脑电伪迹与有用脑电信号的频域相干系数进行调整。

本发明另一方面实施例提出了一种基于脑电幅频特性的ICA伪迹识别与去除装置，包 括：第一获取模块，用于根据脑电伪迹的幅度和频率得到幅度阈值、持续时间阈值与功率 阈值；分解模块，用于根据所述幅度阈值、持续时间阈值与功率阈值，并通过基于负熵ICA 得到幅度有效阈值、持续时间有效阈值与功率有效阈值；以及识别与去除模块，用于根据 所述幅度有效阈值、持续时间有效阈值与功率有效阈值对脑电信号中脑电伪迹进行自动识 别与去除。

根据本发明实施例提出的基于脑电幅频特性的ICA伪迹识别与去除装置，通过脑电伪 迹的幅度和频率得到幅度阈值、持续时间阈值与功率阈值，其次基于负熵的独立分量分析 得到幅度有效阈值、持续时间有效阈值与功率有效阈值，从而进行伪迹的识别与去除，提 高了伪迹识别的准确度与效率，减少了伪迹的漏识别与误差，避免伪迹的误识别，简单便 捷，适用性广。

另外，根据本发明上述实施例的基于脑电幅频特性的ICA伪迹识别与去除装置还可以 具有如下附加的技术特征：

进一步地，在本发明的一个实施例中，上述装置还包括：第二获取模块，用于获取所 述脑电信号的幅值阈值与持续时间阈值；恢复模块，用于对识别的脑电伪迹的独立成分进 行恢复，以根据所述脑电信号的幅值与持续时间阈值判断所述识别的脑电伪迹是否为真伪 迹，如果所述识别的脑电伪迹为真伪迹，则去除，否则恢复为脑电信号。

进一步地，在本发明的一个实施例中，上述装置还包括：判断模块，用于根据预设相 干系数阈值判断所述识别的脑电伪迹的相干系数是否满足要求；调整模块，如果不满足， 则用于调整所述幅度阈值、持续时间阈值与功率阈值。

进一步地，在本发明的一个实施例中，上述装置还包括：滤波模块，用于对所述识别 的脑电伪迹进行预设频率的带通滤波处理。

进一步地，在本发明的一个实施例中，所述幅度阈值、持续时间阈值与功率阈值根据 去除的脑电伪迹与有用脑电信号的频域相干系数进行调整。

本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明 显，或通过本发明的实践了解到。

附图说明

本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显 和容易理解，其中：

图1为根据本发明实施例的基于脑电幅频特性的ICA伪迹识别与去除方法的流程图；

图2为根据本发明一个实施例的含有眼电伪迹脑电数据的示意图；

图3为根据本发明一个实施例的基于眼电峰值与持续时间的ICA伪迹自动识别和去除 方法的误识别概率的示意图；

图4为根据本发明一个实施例的第一次识别的误识别概率的示意图；

图5为根据本发明一个实施例的假伪迹及其恢复后信号的示意图；

图6为根据本发明一个实施例的未增强的真伪迹恢复后信号的示意图；

图7为根据本发明一个实施例的已增强的真伪迹恢复后信号的示意图；

图8为根据本发明一个实施例的增强前后信号功率比较的示意图；

图9为根据本发明一个实施例的效果增强率的示意图；

图10为根据本发明一个实施例的去除伪迹前后脑电信号对比的示意图；

图11为根据本发明一个实施例的基于脑电幅频特性的ICA伪迹识别与去除方法的流程 图；以及

图12为根据本发明实施例的基于脑电幅频特性的ICA伪迹识别与去除装置的结构示 意图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同 或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描 述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或 者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者 隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上， 除非另有明确具体的限定。

在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术 语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是 机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两 个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在 本发明中的具体含义。

在本发明中，除非另有明确的规定和限定，第一特征在第二特征之“上”或之“下”可以 包括第一和第二特征直接接触，也可以包括第一和第二特征不是直接接触而是通过它们之 间的另外的特征接触。而且，第一特征在第二特征“之上”、“上方”和“上面”包括第一特征在 第二特征正上方和斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二 特征“之下”、“下方”和“下面”包括第一特征在第二特征正下方和斜下方，或仅仅表示第一特 征水平高度小于第二特征。

下面参照附图描述根据本发明实施例提出的基于脑电幅频特性的ICA伪迹识别与 去除方法及装置，首先将参照附图描述根据本发明实施例提出的基于脑电幅频特性的 ICA伪迹识别与去除方法。参照图1所示，该方法包括以下步骤：

S101，根据脑电伪迹的幅度和频率得到幅度阈值、持续时间阈值与功率阈值。

其中，在本发明的实施例中，脑电伪迹主要是眼电伪迹，也包括与眼电伪迹类似 的其它伪迹和混合伪迹，下文的眼电伪迹、脑电伪迹、伪迹都不特别区分。

S102，根据幅度阈值、持续时间阈值与功率阈值，并通过基于负熵ICA得到幅度 有效阈值、持续时间有效阈值与功率有效阈值。

具体地，根据相关文献例如基于扩展Informax算法的脑电信号伪差分离研究的研 究结果，并结合基于负熵的fastICA算法可应用于超高斯和亚高斯信号的特点，本发明 实施例采用基于负熵的fastICA算法对含有眼电干扰的脑电信号进行伪迹去除。

其中，负熵(J)是任意概率密度函数和具有同样方差的高斯型概率密度函数间的 KL散度，从基本概念而言，负熵应当是信号非高斯程度最适当的度量，而且采用负熵 的固定点算法具有确保收敛、迭代过程中无需引入调节步长等人为参数的设置，简单 方便的特点，采用负熵比采用四阶高阶累积量的快速ICA方法应用更为广泛。

S103，根据幅度有效阈值、持续时间有效阈值与功率有效阈值对脑电信号中脑电 伪迹进行自动识别与去除。

需要说明的是，人工识别眼电主要凭借个人的经验，基本的判断标准有以下几点：

(1)波形，波幅、形状等；

(2)波的频率；

(3)单个波的持续时间。

上述三个标准符合眼电的基本特性。

(1)眼电频率为1-8Hz；

(2)眼电最大值通常都在100μv以上；

(3)单个眼电峰值可持续一段时间，脑电信号不能保持较高幅度很长时间。

参照图2所示，图2为含有眼电伪迹脑电数据的示意图，图中横坐标为时间，单 位为秒，纵坐标为信号幅值，单位为μv，左侧为导联编号。从图2(a)中可见在0-1， 1-2，3-4，5-6，7-9秒之间存在明显的伪迹成分，以眼电为主，眼电伪迹幅度较大，频 率为1-8Hz，从放大图2(b)中可见(该段取自1-2秒之间5-7导联的眼电)，峰值持 续时间约为0.1-0.2秒。

进一步地，通过设置幅度阈值、与频率对应的功率阈值、达到上述阈值的持续时 间阈值，识别眼电伪迹。综合上述因素，以及ICA分解特性，阈值的详细设置如下：

幅度阈值

眼电伪迹幅值较大，而脑电信号相对微弱，眼电信号属于幅值较大的少数，而且 该特点在分解之后的数据中更加凸显，因此认为：幅值较大的小部分数据为眼电，通 过计算眼电峰值持续时间在单位时间内的比例确定眼电成分的比例。为了更有效地去 除眼电伪迹，本发明实施例可以以35百分位作为初始阈值。

设峰值持续时间为Ts，单位为毫秒，以1秒为单位长度，计算幅度的百分位阈值。

$Perctile=\frac{1000-Ts}{1000}\times 100\%---\left(1\right)$

频率对应功率阈值

经独立分量分解之后，眼电伪迹成分更加突出，对应方向上其幅值最大，而其它 成分幅值很小，功率和能量也较大。即具有眼电伪迹成分的分离向量在1-8Hz部分的 功率值很大，本发明实施例可以通过计算该部分的功率占所有功率的比例为阈值。

设总功率为P_all，1-8Hz功率和为P_1-8，功率比(RateP)：RateP＝P_1-8/P_all；

理论上在眼电伪迹成分中这一比例应该近似为1，由于分解的数据段并非完全是眼 电伪迹，因此本发明实施例根据计算数据长度选择ThR>0.4(功率阈值)，即可满足要 求，因为其它两个阈值更为精确，从而有效确保准确识别伪迹成分。

持续时间阈值

眼电伪迹峰值持续时间通过连续数据点的个数表示，假设眼电峰值持续时间为Ts， 单位为ms，采样频率为f_s则峰值持续时间的数据长度(DataLenth)为：

DataLenth＝f_s×Ts×1000(2)

根据达到幅度阈值的连续数据点个数确定原始信号是否满足峰值持续时间的要求。 眨眼所产生的伪迹持续时间一般不超过200-300ms，本发明实施例可以选择峰值持续时 间初始阈值为60ms。

上述三个初始阈值的设定受多种因素影响，可根据实际需要结合被试当时状态以 及脑电数据的特性进行计算并适当调整。三个阈值互为条件，幅度阈值、持续时间阈 值是精确数据，功率阈值存在一定弹性，同时满足三个阈值的数据才被判定为眼电伪 迹，因此具有一定弹性的功率阈值并不会造成眼电伪迹的误判，相反可避免漏判。

进一步地，在本发明的一个实施例中，本发明实施例的方法还包括：获取脑电信 号的幅值阈值与持续时间阈值；对识别的脑电伪迹的独立成分进行恢复，以根据脑电 信号的幅值与持续时间阈值判断识别的脑电伪迹是否为真伪迹，如果识别的脑电伪迹 为真伪迹，则去除，否则恢复为脑电信号。

需要说明的是，基于上述阈值可能将有用脑电信号识别为眼电伪迹成分。原因如 下：

(1)ICA分量的高斯性相似，幅值相差不大，可能存在幅值百分位数满足阈值， 但却不是眼电伪迹的分量；

(2)理由同(1)，基于峰值持续时间阈值，再将(1)中识别为伪迹的部分脑电 信号，判断为伪迹；

(3)基于频率对应的功率阈值，将基于幅值和持续时间阈值已识别的伪迹且频率 在1-8Hz的脑电信号识别为伪迹。

因此，基于上述阈值可能会将满足上述阈值要求的真实脑电信号判断为伪迹。

针对此，本发明实施例设计了真假伪迹识别方法，具体步骤如下：

S1，对识别为伪迹的独立成分进行恢复；

S2，设置原始信号的幅值和持续时间阈值；

S3，对已恢复的原始信号，基于(2)的阈值识别，如果满足条件，则伪迹为真， 否则为假，并恢复假伪迹为脑电信号。

在本发明的一个实施例中，为了分析伪迹误识别率，本发明实施例随机选取了5 名被试中至少各1次实验的数据，共6组数据，分别计算了两种自动识别方法的伪迹 误识别率，结果如下：正确识别的伪迹以人工识别为参考，每段数据长度为2000点。 本发明实施例的方法是指第一次识别(即进行真假伪迹识别之前)的伪迹误识别率。

(1)参照图3所示，图3为基于眼电峰值与持续时间的ICA伪迹自动识别和去除 方法的误识别概率的示意图，由图可得，基于眼电峰值与持续时间的自动识别方法中 存在很大的误识别率。

(2)参照图4所示，图4为第一次识别的误识别概率的示意图。

从上述结果可知，基于本发明实施例的方法在第一次识别过程中依然存在很大的 伪迹误识别率，因此可见引入真假伪迹识别方法对于避免伪迹的误识别的重要性。

(3)本发明实施例的方法最终伪迹识别准确率分析。

本发明实施例没有特别统计最终识别的伪迹误识别概率，但在上述6次处理过程 中，都以人工识别的伪迹为参考确定最终的伪迹分量，结果与自动识别的一致，从上 述结果可知伪迹误识别概率很低，同时在(2)统计误识别率过程中计算了伪迹的漏识 别概率为0，综上可知，本发明实施例的方法具有较高的准确率。

总体效果见图5和图6、图8。图5(a)是第一次识别的伪迹，其中第4导、第6 导为假伪迹，图5(b)、(c)是第一次识别的伪迹成分的恢复信号，从幅值和频率特 性可判断该成分恢复之后的信号为1-8Hz(theta波为主)的有用脑电信号。图6和图7 为识别的真脑电伪迹成分及其恢复后信号。

结果表明真假伪迹识别方法，可避免伪迹的误识别，同时由于阈值初始值为相应 特性的最小值，并且是自适应调整的，可确保不会漏识别。

其中，在本发明的一个实施例中，幅度阈值、持续时间阈值与功率阈值根据去除 的脑电伪迹与有用脑电信号的频域相干系数进行调整。

进一步地，在本发明的一个实施例中，本发明实施例的方法还包括：根据预设相 干系数阈值判断识别的脑电伪迹的相干系数是否满足要求；如果满足，则确定为真伪 迹，否则调整幅度阈值、持续时间阈值与功率阈值。

具体地，如何评价伪迹去除效果是伪迹去除方法研究中的难点问题。目前，还没 有衡量去伪后的信号是否为真脑电的直接方法，一般应用数据仿真、专家人工评价等 间接的方法作为标准。

其中，相干系数反映了两个信号相位的共同变化情况，表明了信号的相关性。

在本发明的实施例中，由于本发明实施例的方法主要针对1-8Hz的成分，本发明 实施例选择相干系数为伪迹去除效果的评价指标，并作为伪迹识别和去除过程中阈值 调整的判据，同时为了进一步验证伪迹去除效果，每次数据处理完之后，比较伪迹去 除前后信号波形的变化。

经实际数据验证表明频域相干系数越低，伪迹去除效果越好，脑电信号的失真度 越小。

进一步地，在本发明的一个实施例中，在根据预设相干系数阈值判断为真伪迹的 识别的脑电伪迹的相干系数是否满足要求之前，还包括：对识别的脑电伪迹进行预设 频率的带通滤波处理。

具体地，伪迹去除效果的增强方法包括以下步骤：

S1，对真伪迹进行1-8Hz的带通滤波；

其中，带通滤波阈值可根据实际需要调整

S2，从中提取真伪迹成分并置0，非伪迹成分恢复为脑电信号。

与未进行效果增强处理的差异主要体现在脑电伪迹成分及其恢复后的信号中，由 图6、7、8可见两者区别；图6是未进行效果增强的信号，其中含较多其它频率的有 用信号；而图7的伪迹成分中其它频率信号很少，表明增强方法有效筛选了有用的脑 电成分。

从功率谱分析，未进行效果增强处理的信号功率图8(a)、(c)在1-30Hz有较 大幅值(较图(d))分布，在图8(b)、(d)中8-30Hz的功率明显减小，表明未进 行效果增强的伪迹成分含有较多脑电信号。

效果增强率，是指增强的有用信号与未增强之前有用信号的功率之比。通过比较 效果增强前后非眼电频率区域的功率变化衡量效果增强效果。若某一段数据没有伪迹 分量，则增强率为0，计算结果参照图9所示。

参照图9所示，由结果图可见只要存在眼电伪迹分量的数据段中的效果增强率较 大，反映了增强后有用信号功率增加明显。其中被试1，2中存在眼电伪迹分量的数据 段中效果增强率几乎都大于0.8，而被试3中最小的增强率也大于0.6，被试4，5的效 果增强率均值大于0.5。

在本发明的一个具体实施例中，应用本发明实施例的方法对实际脑电数据进行伪 迹识别和去除，数据来自中国航天员训练中心某次实验采集的脑电数据，数据采集设 备为FLY-2神经生理信息工作站(16通道脑电放大器，氯化银电极)，脑电极按照10-20 系统分布。计算中每一段分解数据长度为3000，结果如图5、图6、图7、图8、图10 和表2所示。图中纵坐标为幅值，单位为μv。

参照图6、图7、图8、图10中可见，眼电主要集中在额区的导联，在枕、顶、颞 区导联幅值较小。(导联编号与10-20系统导联对应关系见表1)，符合眼电主要集中 在额部并可从前额处后向传播，遍历整个头部，但其强度随着距离的平方衰减的传统 观点。

表1

名称 Fp1 Fp2 F3 F4 C3 C4 P3 P4 编号 1 2 3 4 5 6 7 8 名称 O1 O2 F7 F8 T3 T4 T5 T6 编号 9 10 11 12 13 14 15 16

表2为1次实验所有数据相干系数的最大值与均值，数据长度为109794。

表2

导联 Fp1 Fp2 F3 F4 C3 C4 P3 P4 Mean 0 0 0 0 0 0 0 0 Max 11 17 16 14 17 14 10 14 导联 O1 O2 F7 F8 T3 T4 T5 T6 Mean 0 0 0 0 0 0 0 0 Max 23 11 13 13 16 11 25 21

参照图6、图7、图8、图10可见，伪迹的误识别概率较小，伪迹的识别准确有效。 从图10清晰可见去除伪迹之后的脑电信号中基本不含伪迹，且波形保持较好。图10 (c)中，P4导联在71-72秒之间存在非常大的干扰，对比图10(d)可见对应位置的 干扰已经去除，且波形保持较好；图10(e)中，C4导联在105秒附近有较大的干扰， 对比图10(f)可见对应位置的干扰已经去除，且波形保持较好。表明本文方法对非眼 电伪迹的去除也具有较好效果。

在本发明的实施例中，本发明实施例的伪迹自动识别和去除方法具有很好的效果， 不仅能去除眼电伪迹，而且对其它干扰也有较好的去除效果。

下面与其它方法的比较大都基于理论分析，而伪迹识别率、效果增强率等可参见 图3、图4与图9，另外与人工方法的比较，除了理论分析外，同时比较了每次伪迹去 除前后信号的波形。

与人工方法比较：伪迹自动去除方法与人工伪迹去除方法的效果差异主要取决于 眼电伪迹的识别是否准确、精确。伪迹识别越精准，则伪迹去除的效果越好。这也是 目前基于ICA的伪迹自动识别和去除方法存在的最大问题。

本发明实施例的方法设计的阈值参数是自适应的，初始参数大都设置为伪迹特性 的最小值，确保识别范围覆盖绝大部分伪迹(以眼电为主)，避免伪迹漏识别，同时 为了避免识别的“伪迹”过多，计算量过大，结合频域相干系数的阈值，可适时调整阈 值参数，减少“伪迹”成分，减少计算量。同时为了避免将有用脑电信号识别为眼电伪 迹，在运算过程中，设计了真假脑电伪迹识别方法，避免了伪迹的误识别，提高了伪 迹识别的准确率，有效地保留了有用脑电信号。因此，基于上述两个策略的伪迹识别 准确率与人工方法相当，可准确有效地识别脑电伪迹。

本发明实施例的方法引入了效果增强方法，避免了现有ICA伪迹去除方法中去掉 了有用信号的缺点，显著改善伪迹去除的效果，效果较现有基于ICA的伪迹去除方法 显著提高。具体见图4效果增强率。

与自动方法比较：目前，已产生了大量眼动伪迹自动去除方法，如基于独立成分 分析的方法、基于回归迭代的方法，以及基于小波变化的方法等。从计算原理和算法 思路、计算步骤而言，本发明实施例的方法不需要眼电信号为参考(只需要眼电的统 计特性即可)，伪迹消除效果好，同时具有思路清晰、步骤简单的特点。

与非基于ICA的自动方法比较：基于回归迭代和小波变化的方法对于伪迹信号的 处理，主要通过采集相邻的信号做平均处理替代眼电伪迹。实际上相邻信号中可能含 有眼电伪迹(或其它伪迹)，原因在于：算法在进行眼电伪迹自动识别时，只针对眼 电峰值区域，不考虑眼电开始和结束的信号，这是造成相邻信号可能含有眼电伪迹的 原因之一，另外导线漂移、头发瞬时干扰等因素也可能造成上述后果。

本发明实施例的方法在伪迹识别过程中，虽然以眼电峰值的持续时间和幅值等作 为阈值设计的参考，但根据ICA特性可知，在识别过程中并非只识别眼电峰值区域(这 是与其它方法的最大区别)。在伪迹去除过程又引入了效果增强方法，提高了伪迹去 除的效果，保留了更多的有用信息，经实际数据验证表明本文方法可较好地去除伪迹。

与基于ICA的自动年方法比较：基于头模型(偶极子)的ICA伪迹自动识别和去 除方法的效果依赖于头模型的准确性。头模型准确与否决定了伪迹识别的准确率，个 体差异和佩戴脑电极存在的偏差，造成实际眼电伪迹在头部的分布与头模型存在偏差， 导致伪迹识别的准确率降低，并且有些眼电伪迹易识别不出，而有的并非眼电的信号 却识别为眼电伪迹，伪迹识别不准确，伪迹消除效果不佳。

从伪迹消除效果看，目前基于ICA的伪迹去除方法对伪迹的处理，都是将伪迹成 分置0，然后反求独立分量在头皮投影即为去除伪迹之后的脑电信号，导致将伪迹成分 中非伪迹信号也一并去除了，容易丢失有用信息。

与其它基于ICA的伪迹自动去除方法相比，由于本发明实施例的方法设置的阈值 全面覆盖了眼电特性(幅值、频率、持续时间)，并且为自适应阈值，同时引入了真 假伪迹识别方法，避免了伪迹的漏识别和误识别，提高了伪迹识别的准确率。而且在 伪迹去除过程中，又引入了效果增强方法，改变了传统ICA伪迹去除方法对伪迹成分 处理的思路，伪迹去除效果较现有方法显著提高。

具体而言，参照图11所示，本发明实施例的方法基于脑电伪迹(主要针对眼电伪 迹)的幅度和频率特性，设计幅度、持续时间和功率阈值，并结合ICA分解的特性， 巧妙地转换为在分解后依然有效的阈值，进行伪迹的自动识别，并且考虑到ICA分解 与阈值的特性可能造成伪迹的误识别，因此，针对第一次伪迹识别后可能存在的假脑 电伪迹，设计了真假伪迹识别方法，可有效地将假脑电伪迹恢复为有用信号，避免了 伪迹的误识别。

进一步地，在本发明的实施例中，设计的伪迹识别阈值是自适应调整的，初始值 大都设置为相关特性的最小值，在运算过程中，计算去除的伪迹与有用脑电的频域相 干系数，并与阈值进行比较，从而识别是否需要重新调整阈值；自适应阈值不但可有 效避免伪迹的漏识别，而且保证了伪迹去除的效果。

进一步地，在伪迹去除过程中引入了效果增强方法，转换了现有ICA伪迹去除方 法对伪迹成分分量处理的思路，显著改善了伪迹去除效果。

本发明实施例的方法具有准确自动识别伪迹、失真小、运算速度快等优点，摆脱 了对人眼识别伪迹方法的依赖，大大降低了工作量、节省了时间。实际数据验证表明 伪迹识别和去除效果较好，有效地去除了眼电伪迹(含其它混合伪迹)的干扰，而且 很好地保留了有用脑电信号，实现了ICA方法在脑电伪迹识别和去除中的自动化、对 促进ICA方法在该方向的推广应用提供了理论、方法和技术依据。

其中，伪迹识别和去除的效果还取决于独立分量的分解过程和判据的选择，可结 合脑电的幅频特性，设计相关判据和约束条件，对ICA方法进行改进，实现约束ICA 方法，从而提高伪迹的识别和去除效果。

根据本发明实施例提出的基于脑电幅频特性的ICA伪迹识别与去除方法，基于伪 迹幅频特性，结合独立分量分析的特点，设计了独立分量分解后依然有效的幅度、频 率对应功率、持续时间等伪迹自动识别阈值，并结合相干系数实现了阈值的自适应调 整，减少了伪迹的漏识别，并且针对可能产生的假伪迹创新性地设计了真假伪迹识别 方法，避免了伪迹的误识别，上述两个策略确保了本方法的伪迹识别准确率，以及针 对伪迹分量中依然存在有效信息的特点，提出了伪迹去除效果增强方法，有效提取了 其中的有用脑电信息，伪迹去除效果显著提高，改变了传统ICA伪迹去除方法对伪迹 的处理思路，保留了更多的有用脑电信息，不但可靠性高，失真度小，而且为ICA方 法在眼电伪迹去除方面的自动化应用提供了重要的理论借鉴和有效途径。

其次参照附图描述根据本发明实施例的提出的基于脑电幅频特性的ICA伪迹识别 与去除装置。参照图12所示，该伪迹识别与去除装置10包括：第一获取模块100、分 解模块200与识别与去除模块300。

其中，第一获取模块100用于根据脑电伪迹的幅度和频率得到幅度阈值、持续时 间阈值与功率阈值。分解模块200用于根据幅度阈值、持续时间阈值与功率阈值，并 通过基于负熵ICA得到幅度有效阈值、持续时间有效阈值与功率有效阈值。识别与去 除模块300用于根据幅度有效阈值、持续时间有效阈值与功率有效阈值对脑电信号中 脑电伪迹进行自动识别与去除。本发明实施例的装置10通过脑电伪迹的幅度和频率和 基于负熵的独立分量分析进行伪迹识别与去除，提高了识别的准确度与效率，避免伪 迹的误识别。

进一步地，在本发明的一个实施例中，本发明实施例的装置10还可以包括：第二 获取模块与恢复模块。

其中，第二获取模块用于获取脑电信号的幅值阈值与持续时间阈值。恢复模块用 于对识别的脑电伪迹的独立成分进行恢复，以根据脑电信号的幅值与持续时间阈值判 断识别的脑电伪迹是否为真伪迹，如果识别的脑电伪迹为真伪迹，则去除，否则恢复 为脑电信号。

进一步地，在本发明的一个实施例中，本发明实施例的装置10还可以包括：判断 模块与调整模块。

其中，判断模块用于根据预设相干系数阈值判断识别的脑电伪迹的相干系数是否 满足要求。如果不满足，则调整模块用于调整幅度阈值、持续时间阈值与功率阈值。

具体地，在本发明的一个实施例中，幅度阈值、持续时间阈值与功率阈值根据去 除的脑电伪迹与有用脑电信号的频域相干系数进行调整。

进一步地，在本发明的一个实施例中，本发明实施例的装置10还可以包括：滤波 模块。其中，滤波模块用于对识别的脑电伪迹进行预设频率的带通滤波处理。

应理解，根据本发明实施例的基于脑电幅频特性的ICA伪迹识别与去除装置的具 体实现过程可与本发明实施例的基于脑电幅频特性的ICA伪迹识别与去除方法的工作 流程相同，此处不再详细赘述。

根据本发明实施例提出的基于脑电幅频特性的ICA伪迹识别与去除装置，基于伪 迹幅频特性，结合独立分量分析的特点，设计了独立分量分解后依然有效的幅度、频 率对应功率、持续时间等伪迹自动识别阈值，并结合相干系数实现了阈值的自适应调 整，减少了伪迹的漏识别，并且针对可能产生的假伪迹创新性地设计了真假伪迹识别 方法，避免了伪迹的误识别，上述两个策略确保了本方法的伪迹识别准确率，以及针 对伪迹分量中依然存在有效信息的特点，提出了伪迹去除效果增强方法，有效提取了 其中的有用脑电信息，伪迹去除效果显著提高，改变了传统ICA伪迹去除方法对伪迹 的处理思路，保留了更多的有用脑电信息，不但可靠性高，失真度小，而且为ICA方 法在眼电伪迹去除方面的自动化应用提供了重要的理论借鉴和有效途径。

流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括 一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段 或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或 讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能， 这应被本发明的实施例所属技术领域的技术人员所理解。

在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实 现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令 执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行 系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设 备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播 或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用 的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布 线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只 读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及 便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述 程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行 编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储 在计算机存储器中。

应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实 施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或 固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下 列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路 的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现 场可编程门阵列(FPGA)等。

本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可 以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中， 该程序在执行时，包括方法实施例的步骤之一或其组合。

此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各 个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既 可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以 软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读 取存储介质中。

上述提到的存储介质可以是只读存储器，磁盘或光盘等。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、 或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包 含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定 指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的 一个或多个实施例或示例中以合适的方式结合。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的， 不能理解为对本发明的限制，本领域的普通技术人员在不脱离本发明的原理和宗旨的情况 下在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。