基于典型相关分析与小波变换的眼电伪迹去除研究.doc

生产实习课程论文 基于典型相关分析和小波变换的眼电伪迹去除研究 学 院（系）： 电子信息与电气工程学部 专 业： 生物医学工程 学 生 姓 名： 学 号： 指 导 教 师： 邱天爽 完 成 日 期： 2013.07.20 目 录 1 绪论 1 1.1 脑电信号处理的意义 1 1.2 去除眼电伪迹方法的进展 1 1.2.1 早期的人工处理 1 1.2.2 现代的相关去噪算法 1 1.3 wCCA算法的提出 2 2 wCCA算法 2 2.1 基于典型相关分析的盲源分离方法 2 2.2 小波阈值去噪 3 2.3 基于 wCCA 的盲源分离方法去除眼电伪迹 3 3 程序说明 4 3.1 算法流程图 4 3.2 相关matlab函数 4 3.3 相关参数描述 4 4 实验结果分析 6 4.1 仿真结果 6 4.2 数据比较分析 7 结 论 8 1 绪论 1.1 脑电信号处理的意义 脑电活动首次于1924年被德国精神教授测量并定名为EEG。EEG信号作为一种直接反应大脑内部状态的生物电信号，其中蕴含了大量的心理、生理和病理信息。目前被广泛运用于神经心理学、大脑意识及认知、脑部疾病的诊治、脑机接口等诸多研究领域中。 与EEG信号研究紧密关系的另一种典型技术为脑机接口技术BCI，BCI可以完全不依赖于外围神经核肌肉的参与，直接实现人与计算机之间或外部环境之间的通信。BCI一般可以分为以自发脑电信号的BCI系统和使用命令的转换算法 。BCI系统可以使有运动障碍的人通过EEG信号来与外界进行交流。提高BCI系统有效性的另一个重要手段就是提高采集到的微弱的EEG信号的信噪比。脑电信号一般通过放置于大脑头皮的电极进行采集，但是实际采集到的脑电信号非常微弱，只有微伏极。由于脑电信号是一种易变的非平稳信号，其在采集过程当中，会不可避免地混入非脑神经组织产生的各种伪迹信号，如眼电（眨眼或眼动），它的幅度比脑电信号大好几倍，所以如何对脑电信号进行预处理、去除各种伪迹成分，并从中提取出有效的脑电信号成分，是各国研究者关注的重要问题，具有重大的理论和实践意义。 1.2 去除眼电伪迹方法的进展 1.2.1 早期的人工处理 在早期，意思和研究者通过实验控制来处理无关的电生理伪迹成分，比如让患者和被试者避免或者减少眨眼、眼动、吞咽以及四肢运动等，这样会添加附加的实验任务，并且不易于控制，如当患者或被试者为儿童时，比较难以控制，因而会影响实验效果。 一般情况下，EEG信号伪迹去除的通用方法是去除含有伪迹成分的EEG信号【片断。比如，识别眼电伪迹（主要包括眨眼和眼动伪迹），通常通过检测眼电导联记录的电平超过一定的固定阈值，其他的伪迹成分或干扰的检测可以通过人工标记并去除，去除含有伪迹成分的EEG片断必然会引起有效的EEG信号成分的大量损失。比如识别人物当中的眨眼可能就是识别任务的一种反应，若剔除就可能导致重要信息的丢失，另外，对于一些病人来说，剔除被污染的脑电数据就意味着病情的漏诊。 1.2.2 现代的相关去噪算法 自适应滤波法。自适应滤波器可以自动调节参数，在设计时无需任何关于信号和噪声的先验统计知识，在信号和噪声的先验知识未知的情况下，可以采用自适应滤波方法来去除噪声。 小波变换方法是20世纪80年代中期发展起来的一种时域分析方法。传统的傅里叶分析方法在处理平稳信号方面具有显著优势，经过其变换的信号具有最大的频率分辨率，但是不具备时空定位信息，而小波变换由于其窗口可以根据频率分辨率的高低的而进行自适应调节，从而具有多分辨特性，小波变换在低频部分具有较高的频率分辨率和较低时间分辨率。而在高频部分具有较高的时间分辨率和较低的频率分辨率，这种多尺度特性适合于分析生物医学信号等非平稳信号。 盲源分离是信号处理领域一个新的研究热点，它尝试在源信号和传输系统特性均未知的情况下对混合信号进行分离。。盲源分离法将伪迹成分和EEG信号分解成不同的源信号成分，通过将与伪迹有关的源信号成分置零，可以得到去除伪迹后的信号。盲源分离问题可以采用许多不同的算法以及原则来估计源信号成分，通常采用基于二阶统计量和高阶统计量的方法来实现盲源分离。 1.3 wCCA算法的提出 针对脑电信号中眼电伪迹去除尚存在的问题，提出一种基于典型相关分析与小波变换的 (wavelet-enhanced canonical correlation analysis, wCCA)自动去除眼电伪迹的算法。 首先，充分利用脑电信号和眼电伪迹的空间分布特征，将基于典型相关分析的盲源分离算法以一种全新的方式应用于混合信号中，从而保证典型相关分析分解得到的第