基于ICA和异常值检测的脑电伪迹去除方法、系统及设备与流程

本发明涉及脑电信号分析，尤其涉及一种基于ica(independentcomponent analysis，独立成分分析)和异常值检测的脑电伪迹去除方法、系统及设备。

背景技术：

1、脑电图(electroencephalogram，eeg)有两种采集方式分别是侵入式技术和非侵入式技术。前者往往需要在外科手术的帮助下完成而后者是通过非侵入电子仪器测量大脑内部电活动的技术，在医疗和脑-机工程领域有着广泛的应用。电极记录下来的eeg信号通常受到眼球运动、眨眼、肌肉活动和线路噪音的伪迹污染。伪迹通常以高幅值、低频率呈现，破坏了脑电数据的原始性。因此，伪迹去除是eeg数据预处理中的必要步骤，由于伪迹频率与真实信号频率重叠，现行的基于滤波去除伪迹的方法存在局限性。基于时间或频率的回归方法需要参考信道，由于伪迹活动和eeg信号的影响是双向的，导致eog信号真实程度无法保证。主成分分析(principal component analysis，pca)作为一种分解方法，已被提出用于消除eeg记录中的眼动伪影，然而，pca不能完全将伪迹与eeg信号分离。

2、ica已成为去除伪迹的一种有效方法。采用ica将采集到的eeg信号分离为统计独立的信号源ics，可以方便对伪迹源进行进一步识别。有文献提出使用awica算法，首先利用离散小波变换(discrete wavelet transform，dwt)通过递归应用小波变换来生成不同频带的信号。输入信号与低通滤波器h[n](对应于缩放函数)和高通滤波器g[n](对应于小波函数)之间的离散卷积，可以获得有效的分解，分别输出近似系数和细节系数。去除通过峰态系数或模糊熵计算识别到的伪迹成分；最后通过逆ica和逆dwt重构信号。但离散小波变换(dwt)需要考虑小波分解中小波基函数、分解层数等的选择问题，使得awica算法在去除电脑伪迹时复杂度高、精确度低和鲁棒性差。

3、因此有必要提出一种新的电脑伪迹去除方法来解决上述问题。

技术实现思路

1、本发明实施例提供了一种基于ica和异常值检测的脑电伪迹去除方法、系统及设备，用于解决现有技术中脑电伪迹去除方法复杂度高、精确度低和鲁棒性差的问题。

2、为解决上述技术问题，本发明实施例提供一种基于ica和异常值检测的脑电伪迹去除方法，该方法包括：

3、s1：实时选取含伪迹的eeg信号；

4、s2：对所述含伪迹的eeg信号进行处理；

5、s3：对处理后的eeg信号进行处理，分解生成n个独立的估计源信号；

6、s4：计算各独立的估计源信号的峰态系数，设定峰态系数的阈值；

7、s5：根据设定的峰态系数阈值判断各独立的估计源信号是否为伪迹源，如果是，检测伪迹源中的异常数据，并对异常数据进行处理；如果不是，得到剩余的原信号；

8、s6：将处理后的伪迹源和剩余的源信号重构，得到去伪迹后的脑电信号。

9、优选地，步骤s1中，选取含伪迹的eeg信号的方法为：

10、在固定宽度的滑动时间窗内选取可能被伪迹污染的l个通道的eeg信号。

11、优选地，步骤s2中，对所述含伪迹的eeg信号进行预处理的方法为：

12、对滑动时间窗内脑电数据信号进行巴特沃斯带通滤波处理，去除真实脑电数据以外的频段。

13、优选地，步骤s3中，对处理后的eeg信号进行ica算法处理，分解生成n个独立的估计源信号，所述ica算法为基于负熵最大的fastica算法。

14、优选地，对处理后的eeg信号进行处理，分解生成n个独立的估计源信号包括以下步骤：

15、s31：将l个通道的观测信号归一化成零均值信号；

16、s32：对观测信号的协方差矩阵进行特征值分解，将观测信号x白化生成矩阵其中e是特征向量按列组成的矩阵，d是特征值的对角矩阵；

17、s33：逐一估计n个独立的估计源信号，构建解混矩阵w＝[w1,…,wn,…,wn]，设置迭代次数，其中wn是第n个独立的估计源信号；

18、s34：对w初始化，使得||wn||＝1；

19、s35：基于负熵最大的fastica算法，迭代计算wn，迭代公式表示如下：

20、

21、其中，非线性函数g(y)＝tanh(y)，g′(y)是g(y)的导数，g′(y)＝1-tanh2(y)，归一化

22、判断是否成立，ε取0.0001，若不成立，则继续迭代，若成立，则执行步骤s36；

23、s36：当n≥2时用对称正交法更新wn，判断wn是否收敛，若不收敛，则继续执行步骤s35；若收敛，则执行步骤s37；

24、s37：n＝n+1，重复执行步骤s34，直到n等于独立的估计源信号n。

25、优选地，步骤s4中，计算各独立的估计源信号的峰态系数，所述峰态系数计算公式如下：

26、

27、其中，kurtn表示第n个源信号的信号序列峰态系数，mi＝e{(sn-e{sn})i}表示估计的第n个源信号序列的i阶中心矩。

28、优选地，步骤s5中，对异常数据进行处理的方法包括以下步骤：

29、s51：利用四分位间距将数据分成三个四分位，在q1-k*iqr和q3+k*iqr范围以外的区域表示异常数据，其中k是异常点因子，q1是第一四分位，q3是第三四分位，iqr是第一四分位q1和第三四分位q3之间的距离；

30、s52：利用粒子群算法优化异常点因子k，找到去伪迹效果最优的伪迹成分，具体包括以下步骤：

31、step1：初始化粒子群参数，包括粒子的速度位置、迭代次数、学习因子和惯性权重；

32、step2：根据随机的参数初始值代入箱线图算法，对超出异常值截断点的数据清零处理；

33、step3：对重构后的信号和原始纯净信号数据段计算相关系数，并将此相关系数作为目标函数；

34、step:4：对粒子的速度位置进行更新计算，得到更新后的粒子适应度值；

35、step5：根据新的适应度值继续重复更新粒子的个体极值和群体极值，以使相关系数求得最大值，当满足设定的迭代次数后，输出最优的k值；

36、所述相关系数的公式表示如下：

37、

38、其中，xl(t)表示第l通道观测脑电信号，cl(t)表示去伪迹后的脑电信号，t为采样点数，cov()代表两个信号序列的协方差，var()代表信号序列的方差；

39、s53：通过将最优的k值带入公式将伪迹成分的异常值清零。

40、本发明实施例还提供了一种基于ica和异常值检测的脑电伪迹去除系统，该系统包括：

41、选取模块，用于实时选取含伪迹的eeg信号；

42、预处理模块，用于对所述含伪迹的eeg信号进行处理；

43、独立成分分析模块，用于对处理后的eeg信号进行处理，分解生成n个独立的估计源信号；

44、峰态系数计算模块，用于计算各独立的估计源信号的峰态系数，设定峰态系数的阈值；

45、伪迹源判断及处理模块，用于根据设定的峰态系数阈值判断各独立的估计源信号是否为伪迹源，如果是，检测伪迹源中的异常数据，并对异常数据进行处理；否则，得到剩余的原信号；

46、脑电信号重构模块，用于将处理后的伪迹源和剩余的源信号重构，得到去伪迹后的脑电信号。

47、本发明实施例还提供了一种电子设备，其包括上述任意一项所述的基于ica和异常值检测的脑电伪迹去除方法，以实现去除脑电伪迹。

48、本发明实施例还提供了一种计算机储存介质，所述计算机存储介质存储有计算机软件产品，所述计算机软件产品包括的若干指令，用以使得一台计算机设备执行上述任意一项所述的基于ica和异常值检测的脑电伪迹去除方法。

49、本发明的上述技术方案相比现有技术具有以下优点：

50、本发明提供了一种基于ica和异常值检测的脑电伪迹去除方法、系统及设备，本发明首先利用ica算法获得各独立估计信号源的分量，然后基于峰态系数识别伪迹，伪迹分量中使用的改进箱线图技术将求取的异常值清零，实现了多通道脑电信号的伪迹自动去除，同时保留了原始信号的真实性；本发明中提出的箱线图中异常值检测采用基于粒子群算法的异常点因子优化，在目标函数即相关系数取最大时得到最优的异常点因子，最大程度地找到去噪效果最优的伪迹成分保留真实的脑电信号；本发明所提供的脑电信号去伪迹算法复杂度不高，便于集成在分布式设备中，随着边缘计算逐渐成为一种主流的处理方式，因此在云获取脑电信号之前应在嵌入式设备中实现伪迹的去除。