典型相关分析去除脑电信号中眼电伪迹的研究

doi:10.3778/j.issn.1002-8331.2009.31.065

计算机工程与应用 ›› 2009, Vol. 45 ›› Issue (31): 218-220.DOI: 10.3778/j.issn.1002-8331.2009.31.065

典型相关分析去除脑电信号中眼电伪迹的研究

张莉^1，2，何传红^1，2，何为^1，2

1.重庆大学电气工程学院，重庆 400030
2.重庆大学输配电装备及系统安全与新技术国家重点实验室，重庆 400030

收稿日期:2009-05-07 修回日期:2009-06-12 出版日期:2009-11-01 发布日期:2009-11-01
通讯作者: 张莉

Research on removing EOG artifacts from EEG based on CCA

ZHANG Li^1，2，HE Chuan-hong^1，2，HE Wei^1，2

1.College of Electrical Engineering，Chongqing University，Chongqing 400030，China
2.State Key Lab of Power Transmission Equipment & System Security and New Tech.，Chongqing University，Chongqing 400030，China

Received:2009-05-07 Revised:2009-06-12 Online:2009-11-01 Published:2009-11-01
Contact: ZHANG Li

摘要/Abstract

摘要： 给出了一种基于典型相关分析（Canonical Correlation Analysis，CCA）的盲源分离技术来去除脑电信号中的眼电伪迹。通过实验验证了基于CCA的盲源分离方法去除眼电伪迹的有效性，并将该方法与广泛使用的独立分量分析（Independent Component Analysis，ICA）进行了比较。实验结果表明，基于CCA的盲源分离方法可以对眼电伪迹进行成功地分离和消除，该方法相较于ICA方法而言，算法更为简单，计算速度更快。

关键词: 脑电信号, 眼电伪迹, 典型相关分析, 盲源分离

Abstract: Canonical Correlation Analysis（CCA） as a Blind Source Separation（BSS） technique is applied to the removal of Electroencephalography（EEG） artifacts.This method is tested and compared with the widely used Independent Component Analysis（ICA） method through experiments.The experiment results show that the CCA-based method is effective in separating and eliminating Electrooculography（EOG） contamination.Compared with ICA method，the proposed method has the advantages of simplicity and high speed.

Key words: Electroencephalography（EEG）, EOG artifacts, Canonical Correlation Analysis（CCA）, Blind Source Separation（BSS）

中图分类号:

R318

张莉^1，2，何传红^1，2，何为^1，2. 典型相关分析去除脑电信号中眼电伪迹的研究[J]. 计算机工程与应用, 2009, 45(31): 218-220.

ZHANG Li^1，2，HE Chuan-hong^1，2，HE Wei^1，2. Research on removing EOG artifacts from EEG based on CCA[J]. Computer Engineering and Applications, 2009, 45(31): 218-220.

[1]	蔡冬丽，钟清华，朱永升，廖金湘，韩劢之. 三维输入卷积神经网络脑电信号情感识别[J]. 计算机工程与应用, 2021, 57(5): 161-167.
[2]	沈潇童，毕卉，王苏弘，李文杰，邹凌. 抑郁症患者脑电导联选择算法及分类研究[J]. 计算机工程与应用, 2020, 56(22): 154-159.
[3]	周奕隽，李冬冬，王喆，高大启. 融合倒谱特征的脑电（EEG）情感分类[J]. 计算机工程与应用, 2020, 56(21): 164-169.
[4]	杜轻，辛守庭，雷新宇，于海涛. 基于脑网络和TSK模糊系统的癫痫脑电识别[J]. 计算机工程与应用, 2020, 56(2): 133-140.
[5]	周元，于明，黄炜嘉，李效龙. 能量熵与峰值窗口结合去除眼电伪迹研究[J]. 计算机工程与应用, 2020, 56(19): 168-175.
[6]	蒋亚芳，严馨，李思远，徐广义，周枫. 多重CCA算法的柬汉双语词向量构建方法[J]. 计算机工程与应用, 2020, 56(17): 167-172.
[7]	陈景霞，郝为，张鹏伟，谢佳. RSVP与SSVEP混合脑电信号刺激与多类事件检测[J]. 计算机工程与应用, 2020, 56(15): 132-139.
[8]	李世丹，朱晓军. 基于递归定量分析的视听脑电应用研究[J]. 计算机工程与应用, 2019, 55(9): 107-111.
[9]	张雪英，王薇蓉，孙颖，宋春晓. 面向脑电情感识别的改进多分类RVM模型研究[J]. 计算机工程与应用, 2019, 55(9): 112-117.
[10]	赵青，冶继民，常芳丽. 两正定矩阵联合对角化盲分离算法[J]. 计算机工程与应用, 2019, 55(7): 214-219.
[11]	胡章芳，崔婷婷，罗元，张毅，魏博. 基于CBLSTM算法的脑电信号特征分类[J]. 计算机工程与应用, 2019, 55(24): 110-116.
[12]	田莉莉，邹俊忠，张见，卫作臣，汪春梅. 基于改进的卷积神经网络脑电信号情感识别[J]. 计算机工程与应用, 2019, 55(22): 99-105.
[13]	李佩珍，王彬，牛焱，田程，相洁. 基于功能连接信息熵的精神分裂症EEG分类研究[J]. 计算机工程与应用, 2019, 55(22): 239-244.
[14]	苗立志1，2，3，徐韬4，郭静4，焦东来1，2，3. 人脑电信号实时监测原型系统设计与实现[J]. 计算机工程与应用, 2019, 55(2): 236-239.
[15]	陈景霞，王丽艳，贾小云，张鹏伟. 基于深度卷积神经网络的脑电信号情感识别[J]. 计算机工程与应用, 2019, 55(18): 103-110.

典型相关分析去除脑电信号中眼电伪迹的研究

Research on removing EOG artifacts from EEG based on CCA

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics