基于FastICA的眼电伪迹自识别清除方法、装置、设备及介质

本发明涉及眼电伪迹识别清除，具体涉及基于fastica的眼电伪迹自识别清除方法、装置、设备及介质。

背景技术：

1、大脑是人类中枢神经系统的最高级控制器官，是个体的运动控制、思维活动、学习记忆、情绪产生的重要器官。由于大脑是由数以万计的神经元组成的，在大脑进行生理活动的过程中神经元会释放电信号，生理电信号在大脑皮层或头皮表面的总体反映就形成了脑电波。脑电图(eeg)是通过脑电极采集生理电信号，用于观测和记录人脑活动的技术。此外，伴随着深度学习和人工智能算法的发展，脑机接口(bci)技术成为脑科学领域一大发展方向。bci系统能分析处理eeg信号实现深度人机交互，其不仅能运用于脑医学观测和医疗康复，还在外部设备或是vr虚拟现实设备的运动控制和环境控制领域有着广泛应用。

2、bci系统的精度往往受到eeg信号洁净程度的制约，但是脑电仪器在记录eeg信号的过程中却容易受到例如：电极漂移、工频干扰此类非生理伪迹干扰；也会受到心跳、脉搏、眼动和其它肌肉运动造成的生理伪迹干扰。其中眼电伪迹(oa),是因眨眼而产生，波形发生在200-400毫秒极短时间内的尖峰状信号。由于眨眼eeg采集过程中不可避免，而且oa信号的频段和eeg信号存在重叠，这对oa的去除造成了很大的困难。市面上常用的盲源分离方法是ica方法，ica作为一种经典的盲源分离方法，在多通道脑电信号的处理领域有着广泛的运用；ica可以将多通道的脑电数据分离成与其通道数相等的独立成分组件ics,但是，ica对于识别ics中是否含有oa成分存在困难，并且ica在直接去除含有oa成分的ics(oa-ics)时，存在造成eeg成分丢失的问题。

3、对于传统的oa-ics人工目视识别方法，要求观测者拥有大量先验知识并且其识别效率低。增加眼电参考的方式可以简单直接的完成oa-ics,但是这种方法在增加bci系统成本的同时，眼电极造成的不适还会极大影响用户的穿戴体验。为了解决此问题，有许多oa-ics的自识别方法被提出。例如，采用了以改进多尺度样本熵和峰度值平均值的95％作为置信区间判别oa-ics的识别方法。再例如，把ics划分为0.5s的区间，将区间renyi熵和峰度值大于阈值的士2个区间划分为oa伪迹段。这类方法通过oa伪迹的熵、峰度等特征参数作为判别条件的方法在有着较好的识别速度和识别准确率，但是参数阈值的设置需要大量数据支持，而且应用于不同设备其范化能力弱。由于大脑的额叶区是受到oa影响较为严重的区域，还有提出的通过ics与额叶脑电通道的相关性实现oa-ics判别的方式也是一类主流方法，但此类模型性能受到额叶区脑电通道数限制，其在额叶通道多的设备上能获得更好表现。伴随着深度学习技术发展，基于神经网络算法和支持向量机的识别模型备受关注。此类模型经过训练能后，相较于其它算法能获得更高的正确率，但是这类方法需要大量有标签的数据作为训练集，这同样需要进行大量的人工识别。同时，训练数据的数量、多样性会影响其准确性和泛化能力。

4、同时，为了在清洗oa-ics的过程中尽可能保留中存在的eeg信号，但是传统的线性滤波对于oa和eeg混叠现象严重的频域无法有效的分离。

5、有鉴于此，提出本申请。

技术实现思路

1、有鉴于此，本发明的目的在于提供基于fastica的眼电伪迹自识别清除方法、装置、设备及介质，能够有效解决现有技术中的oa自识别矫正技术存在眼电伪影(oa)和脑电信号(eeg)的频段混叠，无法准确清洗分离这两种信号的频段，进而影响oa的自识别校正的问题。

2、本发明公开了基于fastica的眼电伪迹自识别清除方法,包括：

3、获取多个通道的脑电原始数据，对所述脑电原始数据进行去均值和白化处理，生成观测信号，并对所述观测信号进行快速独立分析处理，分解生成与所述脑电原始数据个数相对应的独立成分；

4、从所述独立成分中识别出含有眼点伪迹的独立成分oa-ics和不含眼点伪迹的独立成分eeg-ics，并对所述含有眼点伪迹的独立成分oa-ics和所述不含眼点伪迹的独立成分eeg-ics进行特征提取处理，生成样本熵和oa伪迹的窗口；

5、对所述样本熵和oa伪迹的窗口进行k均值聚类处理，并通过总轮廓系数对k均值聚类处理的聚类结果进行评价，更新生成含有眼点伪迹的独立成分oa-ics和不含眼点伪迹的独立成分eeg-ics；

6、将更新生成的所述含有眼点伪迹的独立成分oa-ics进行基于ceemdan的oa伪迹清洗处理，生成洁净脑电数据。

7、本发明还公开了基于fastica的眼电伪迹自识别清除装置，包括：

8、伪迹分离单元，用于获取多个通道的脑电原始数据，对所述脑电原始数据进行去均值和白化处理，生成观测信号，并对所述观测信号进行快速独立分析处理，分解生成与所述脑电原始数据个数相对应的独立成分；

9、特征提取单元，用于从所述独立成分中识别出含有眼点伪迹的独立成分oa-ics和不含眼点伪迹的独立成分eeg-ics，并对所述含有眼点伪迹的独立成分oa-ics和所述不含眼点伪迹的独立成分eeg-ics进行特征提取处理，生成样本熵和oa伪迹的窗口；

10、聚类识别单元，用于对所述样本熵和oa伪迹的窗口进行k均值聚类处理，并通过总轮廓系数对k均值聚类处理的聚类结果进行评价，更新生成含有眼点伪迹的独立成分oa-ics和不含眼点伪迹的独立成分eeg-ics；

11、伪迹清洗单元，用于将更新生成的所述含有眼点伪迹的独立成分oa-ics进行基于ceemdan的oa伪迹清洗处理，生成洁净脑电数据。

12、本发明还公开了基于fastica的眼电伪迹自识别清除设备，包括处理器、存储器以及存储在存储器中且被配置由处理器执行的计算机程序，处理器执行计算机程序时实现如上任意一项的基于fastica的眼电伪迹自识别清除方法。

13、本发明还公开了可读存储介质，存储有计算机程序，计算机程序能够被该存储介质所在设备的处理器执行，以实现如上任意一项的基于fastica的眼电伪迹自识别清除方法。

14、综上所述，本实施例提供的基于fastica的眼电伪迹自识别清除方法、装置、设备及介质，结合完全集合经验模态分解和小波阈值去噪的(fastica-k-means-ceemdan-wtd)模型，能够对多通道eeg数据完成oa的自识别校正。该模型相较于一些基于独立成分分析(ica)的oa去噪模型具有以下优势：1.能够实现自识别，不需要大量先验知识。2.不需要通过进行预先训练。3.不需要增加额外的眼电信号作为参考4.能最大程度的防止eeg信号丢失。基于上述方法，本文对实验室采集的运动想象脑电信号进行识别处理，能获得94.78％的准确率。从而解决现有技术中的oa自识别矫正技术存在眼电伪影(oa)和脑电信号(eeg)的频段混叠，无法准确清洗分离这两种信号的频段，进而影响oa的自识别校正的问题。

技术特征：

1.基于fastica的眼电伪迹自识别清除方法,其特征在于，包括：

2.根据权利要求1所述的基于fastica的眼电伪迹自识别清除方法，其特征在于，获取多个通道的脑电原始数据，对所述脑电原始数据进行去均值和白化处理，生成观测信号，并对所述观测信号进行快速独立分析处理，分解生成与所述脑电原始数据个数相对应的独立成分，具体为：

3.根据权利要求1所述的基于fastica的眼电伪迹自识别清除方法，其特征在于，并对所述含有眼点伪迹的独立成分oa-ics和所述不含眼点伪迹的独立成分eeg-ics进行特征提取处理，生成样本熵和oa伪迹的窗口，具体为：

4.根据权利要求1所述的基于fastica的眼电伪迹自识别清除方法，其特征在于，对所述样本熵和oa伪迹的窗口进行k均值聚类处理，并通过总轮廓系数对k均值聚类处理的聚类结果进行评价，更新生成含有眼点伪迹的独立成分oa-ics和不含眼点伪迹的独立成分eeg-ics，具体为：

5.根据权利要求1所述的基于fastica的眼电伪迹自识别清除方法，其特征在于，将更新生成的所述含有眼点伪迹的独立成分oa-ics进行基于ceemdan的oa伪迹清洗处理，生成洁净脑电数据，具体为：

6.基于fastica的眼电伪迹自识别清除装置，其特征在于，包括：

7.根据权利要求6所述的基于fastica的眼电伪迹自识别清除装置，其特征在于，所述聚类识别单元具体用于：

8.根据权利要求6所述的基于fastica的眼电伪迹自识别清除装置，其特征在于，所述伪迹清洗单元具体用于：

9.基于fastica的眼电伪迹自识别清除设备，其特征在于，包括处理器、存储器以及存储在存储器中且被配置由处理器执行的计算机程序，处理器执行计算机程序时实现如权利要求1至5任意一项的基于fastica的眼电伪迹自识别清除方法。

10.可读存储介质，其特征在于，存储有计算机程序，计算机程序能够被该存储介质所在设备的处理器执行，以实现如权利要求1至5任意一项的基于fastica的眼电伪迹自识别清除方法。

技术总结
本发明提供了基于FastICA的眼电伪迹自识别清除方法、装置、设备及介质，涉及眼电伪迹识别清除技术领域，结合完全集合经验模态分解和小波阈值去噪的(FastICA‑K‑means‑CEEMDAN‑WTD)模型，能够对多通道EEG数据完成OA的自识别校正。该模型相较于一些基于独立成分分析(ICA)的OA去噪模型具有以下优势：1.能够实现自识别，不需要大量先验知识。2.不需要通过进行预先训练。3.不需要增加额外的眼电信号作为参考4.能最大程度的防止EEG信号丢失。基于上述方法，本文对实验室采集的运动想象脑电信号进行识别处理，能获得94.78％的准确率。

技术研发人员：黄江茵,金天
受保护的技术使用者：厦门理工学院
技术研发日：
技术公布日：2024/2/1