改进独立分量算法的眼电伪迹去除方法研究

doi:10.3778/j.issn.1002-8331.1609-0236

计算机工程与应用 ›› 2018, Vol. 54 ›› Issue (4): 167-173.DOI: 10.3778/j.issn.1002-8331.1609-0236

改进独立分量算法的眼电伪迹去除方法研究

王灿锋，孙曜

杭州电子科技大学机器人研究所，杭州 310018

出版日期:2018-02-15 发布日期:2018-03-07

Research on improved independent component analysis to ocular artifacts removal from EEG signals

WANG Canfeng, SUN Yao

Robot Research Institute, Hangzhou Dianzi University, Hangzhou 310018, China

Online:2018-02-15 Published:2018-03-07

摘要/Abstract

摘要： 脑电信号采集过程中易受眼电干扰，给脑电信号分析处理带来极大的不便，由此提出了一种改进独立分量分析（IICA）自动去除眼电伪迹的方法。该方法将水平和垂直眼电信号按照一定的比例混叠成一导新的信号，并与脑电信号一起作为输入；采用基于负熵判据的FastICA算法快速获取各导独立分量；记录此时的负熵判据参数[a]，并利用相关系数识别混叠眼电信号独立分量，记录对应的相关系数；[a]加上一定的步长，重复上述步骤至[a]达到阈值时停止；重复多次上述循环，获取均值向量，取出均值向量中最大的相关系数与所对应的[a]，根据[a]获取新的独立分量，采用相关系数自动识别混叠眼电独立分量，并置零；再进行ICA逆变换返回到原信号各个电极，即可得到同时去除水平与垂直眼电伪迹后的各导脑电信号。实验结果表明，IICA方法能有效降低去伪迹耗时，极大提高信噪比，减少均方根误差。

关键词: 眼电伪迹, 改进独立分量分析, 混叠, 负熵判据

Abstract: Electroencephalogram（EEG） is easily affected by Ocular Artifacts（OA）, which would be harmful to analysis. The Improved Independent Component Analysis（IICA）is a novel method for Ocular Artifacts removing automatically. Firstly, the horizontal and vertical electro-oculogram aliasing together, and together with EEG as the input, the independent components are gained through the FastICA algorithm. Secondly, it records the negative entropy criterion parameter, uses the correlation coefficient to recognize the independent component and records the corresponding correlation coefficient. Thirdly, the parameter adds steps. Then repeats the above steps until the parameter achieves threshold. Fourthly, pick up the maximum coefficient of the above coefficients and the corresponding parameter. Finally, use the new parameter to gain the independent components, and use correlation coefficient to recognize the aliasing signal component. The EEG without Ocular Artifacts are reconstructed using inverse transformation of ICA. Experimental results show that IICA lowers time-consuming, and improves the signal-to-noise ratio, and reduces root-mean-square errors.

Key words: ocular artifacts, Improve Independent Component Analysis（IICA）, aliasing, negative entropy criterion

王灿锋，孙曜. 改进独立分量算法的眼电伪迹去除方法研究[J]. 计算机工程与应用, 2018, 54(4): 167-173.

WANG Canfeng, SUN Yao. Research on improved independent component analysis to ocular artifacts removal from EEG signals[J]. Computer Engineering and Applications, 2018, 54(4): 167-173.

[1]	李广安，曹岩，岳晓新. 基于BEEMD分解的红外与可见光图像融合[J]. 计算机工程与应用, 2021, 57(14): 237-244.
[2]	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.
[3]	李佳庆1，李海芳1，白一帆1，阴桂梅2，孙丽婷1. 脑电信号中眼电伪迹自动识别与去除方法研究[J]. 计算机工程与应用, 2018, 54(13): 148-152.
[4]	司莉1，3，毕贵红2，3，张寿明1，韦春桃1. 一种改进的经验模态分解方法[J]. 计算机工程与应用, 2014, 50(14): 194-201.
[5]	王放，何选森. 蚁群聚类的欠定盲源分离方法[J]. 计算机工程与应用, 2013, 49(13): 211-215.
[6]	朱贝贝1，尚赵伟1，2，袁博1，国庆1，张峰1，杨建伟3. 抗混叠轮廓波变换的脱线中文手写体笔迹识别[J]. 计算机工程与应用, 2011, 47(24): 150-153.
[7]	林婉如1，熊盛武1，谢啸虎2. 局部经验模态分解算法[J]. 计算机工程与应用, 2011, 47(13): 123-126.
[8]	尚赵伟^1，2，翟振兴¹，庞庆堃¹，赵正辉¹，李剑¹，杨建伟³. 改进的NeighLevel图像去噪方法[J]. 计算机工程与应用, 2010, 46(25): 157-159.
[9]	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.
[10]	王兵¹，王魁¹，王柏祥¹，陆璇辉² . 结合PCA和JADE的EEG眼电伪迹去除研究[J]. 计算机工程与应用, 2009, 45(23): 130-133.
[11]	李杨寰,高峰,李腾,周智敏. 特征选择中信息熵的应用[J]. 计算机工程与应用, 2009, 45(15): 54-57.
[12]	沈智鹏^1,2,张宁^3,殷福亮²,郭晨¹ . 一种基于多相分解的分数抽样率变换研究[J]. 计算机工程与应用, 2008, 44(7): 27-30.

改进独立分量算法的眼电伪迹去除方法研究

Research on improved independent component analysis to ocular artifacts removal from EEG signals

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 12

编辑推荐

Metrics