眼電偽跡自動(dòng)識(shí)別與去除的新方法

李明愛(ài)，郭碩達(dá)，田曉霞，楊金福，郝冬梅

(1.北京工業(yè)大學(xué)電子信息與控制工程學(xué)院，北京 100124； 2.計(jì)算智能與智能系統(tǒng)北京市重點(diǎn)實(shí)驗(yàn)室，北京 100124； 3.北京工業(yè)大學(xué)生命科學(xué)與生物工程學(xué)院，北京 100124)

?

眼電偽跡自動(dòng)識(shí)別與去除的新方法

李明愛(ài)1,2，郭碩達(dá)1，田曉霞1，楊金福1,2，郝冬梅3

(1.北京工業(yè)大學(xué)電子信息與控制工程學(xué)院，北京 100124； 2.計(jì)算智能與智能系統(tǒng)北京市重點(diǎn)實(shí)驗(yàn)室，北京 100124； 3.北京工業(yè)大學(xué)生命科學(xué)與生物工程學(xué)院，北京 100124)

為了改善腦電中的眼電偽跡過(guò)估計(jì)問(wèn)題及環(huán)境干擾耦合引起的非線性混合對(duì)眼電去除效果的影響，提出一種基于快速核獨(dú)立成分分析(Fast Kernel Independent Component Analysis,FastKICA)與離散小波變換(Discrete Wavelet Transform,DWT)的眼電自動(dòng)去除方法，即(Fast Kernel Independent Wavelet Transform ,FKIWT)方法.首先，利用FastKICA方法對(duì)腦電信號(hào)進(jìn)行分離得到獨(dú)立成分，并以相關(guān)系數(shù)為依據(jù)識(shí)別出眼電偽跡；進(jìn)而，基于DWT對(duì)眼電偽跡進(jìn)行多分辨率分析，將逼近分量置零，而細(xì)節(jié)分量保持不變，使得重構(gòu)所得眼電偽跡成分保留更多有用腦電信號(hào)；最后，利用FastKICA逆變換重建眼電去除后的腦電信號(hào).實(shí)驗(yàn)結(jié)果表明：FKIWT不僅有效改善了眼電過(guò)估計(jì)問(wèn)題，增強(qiáng)了抗干擾能力和魯棒性，而且在線性混合和非線性混合情況下，均得到較好的偽跡去除效果，特別是在非線性混合時(shí)優(yōu)勢(shì)更為明顯，適合于實(shí)際在線應(yīng)用.

非線性混合模型；快速核獨(dú)立成分分析；離散小波變換；眼電過(guò)估計(jì)；魯棒性

1　引言

腦電信號(hào)(Electroencephalogram,EEG)是通過(guò)電極在頭皮表面采集到的反映大腦內(nèi)部狀態(tài)的生物電信號(hào)，在神經(jīng)科學(xué)、腦科學(xué)、臨床醫(yī)學(xué)與康復(fù)工程等領(lǐng)域具有十分重要的作用.腦電信號(hào)采集過(guò)程中極易受到眼電、肌電、心電等多種噪聲干擾[1]，而眼電信號(hào)由于幅值較大，嚴(yán)重影響腦電信號(hào)的分析和應(yīng)用，如何有效去除腦電信號(hào)中的眼電偽跡尤為重要[2].

盲源分離(Blind Source Separation,BSS)方法是在源信號(hào)信息及混合過(guò)程都未知的情況下，僅需對(duì)觀測(cè)信號(hào)進(jìn)行處理就可實(shí)現(xiàn)對(duì)源信號(hào)和系統(tǒng)的辨識(shí)，近年來(lái)在信息處理領(lǐng)域備受青睞而發(fā)揮著越來(lái)越重要的作用[3].目前，用于去除腦電信號(hào)中眼電偽跡的常用BSS方法有：(1)基于矩陣聯(lián)合對(duì)角化的預(yù)白化算法(Joint Approximate Diagonalization of Eigenmatrixes,JADE).JADE算法引入多變量數(shù)據(jù)的四維累積量矩陣，通過(guò)特征分解使其得以簡(jiǎn)化，并提高了結(jié)果的穩(wěn)健性[4,5]；(2)PICA算法(Pearson Independent Component Analysis,PICA).該算法將ICA中的固定非線性對(duì)比函數(shù)方法與最大似然估計(jì)方法相結(jié)合，提高了對(duì)不同分布的源信號(hào)的分離能力，但計(jì)算量較大[6]；(3)快速獨(dú)立向量分析(Fast Independent Component Analysis,FastICA)算法.該算法是在傳統(tǒng)ICA算法的基礎(chǔ)上發(fā)展起來(lái)的一種快速尋優(yōu)迭代算法，因采用了定點(diǎn)迭代優(yōu)化算法，具有較快的收斂速度[7,8]；(4)離散小波變換(DWT)和FastICA相結(jié)合的一種算法，記為DWICA算法[9].該算法的本質(zhì)是在小波域上利用FastICA完成眼電去除，不僅收斂速度更快，而且增加了算法的穩(wěn)健性.上述四種方法具有兩個(gè)共同特點(diǎn)：(1)將分離或判斷得到的眼電偽跡直接去除.因算法本身不能保證偽跡信號(hào)完全分離，而且噪聲對(duì)分離效果也有一定影響，因而，分離出的眼電偽跡中依然包含有用的EEG成分，直接或全部去除會(huì)造成眼電偽跡的過(guò)估計(jì)[10]；(2)實(shí)際采集的EEG信號(hào)符合線性混合模型的假設(shè)[11,12].由于EEG信號(hào)作為一種生物電信號(hào)十分微弱，且易受外界環(huán)境多種干擾耦合的影響，實(shí)際采集到的EEG不可避免的會(huì)發(fā)生非線性畸變，因此，腦電和眼電信號(hào)的非線性混合更加符合實(shí)際，這使得上述BSS算法在眼跡去除問(wèn)題中具有一定局限性，導(dǎo)致分離能力和穩(wěn)定性有所下降.

核獨(dú)立成分分析法(Kernel Independent Component Analysis,KICA)是近幾年為解決BSS問(wèn)題而提出的一種新方法，它利用核函數(shù)將信號(hào)從低維空間映射到高維空間，從而將非線性問(wèn)題轉(zhuǎn)換到高維空間的線性問(wèn)題，對(duì)非線性混合問(wèn)題有較好的分離能力和更好魯棒性[13,14].FastKICA算法是在KICA的基礎(chǔ)上發(fā)展而來(lái)的，具有更快的運(yùn)算速度[15].

本文提出一種基于FastKICA和DWT算法的眼電偽跡自動(dòng)識(shí)別與去除方法，即FKIWT方法.采用FastKICA算法對(duì)腦電混合信號(hào)進(jìn)行盲源分離，并以相關(guān)系數(shù)識(shí)別出眼跡成分，進(jìn)而對(duì)分離出的眼電偽跡基于DWT進(jìn)一步分析和處理，再利用FastKICA逆算法重建眼跡去除后的腦電信號(hào).實(shí)驗(yàn)研究表明，F(xiàn)KIWT方法在有效改善眼電過(guò)估計(jì)問(wèn)題、增強(qiáng)方法自身抗干擾能力和魯棒性等方面均得到較好效果.

2　基本原理

2.1核獨(dú)立成分分析

2.1.1KICA原理

在源信號(hào)分量獨(dú)立且最多只有一個(gè)分量服從高斯分布的前提下，KICA模型如式(1)所示.

X=HS

(1)

其中，X=[x1,x2,…,xn]T∈Rn×M表示觀測(cè)信號(hào)，S=[s1,s2,…,sn]T∈Rn×M表示源信號(hào)，n為源信號(hào)和觀測(cè)信號(hào)分量個(gè)數(shù)，M為每個(gè)分量的樣本點(diǎn)數(shù)，H∈Rn×n表示未知混合矩陣.

KICA方法首先利用核函數(shù)K(xi,xj)(i,j∈{1,2,…,n}且i≠j)來(lái)代替向量xi和xj間的內(nèi)積，以實(shí)現(xiàn)將觀測(cè)信號(hào)從低維空間映射到滿足可再生核希爾伯特空間(ReproducingKernelHilbertSpace，RKHS)特性的高維特征空間F；然后，以RKHS內(nèi)的非線性函數(shù)作為對(duì)比函數(shù)，并運(yùn)用對(duì)Gram矩陣的低階近似等方法在RKHS內(nèi)搜索對(duì)比函數(shù)的最小值[13]，以求解分離矩陣W=H-1；進(jìn)而，求得對(duì)源信號(hào)的估計(jì)Y=WX.

對(duì)比函數(shù)最小值的求解等價(jià)于式(2)所示最小廣義特征值的求解問(wèn)題：

Kα=λFDα

(2)

(3)

顯然，通過(guò)最小化C(W)，即可獲得分離矩陣W.

2.1.2FastKICA工作原理

FastKICA算法是在KICA的基礎(chǔ)上發(fā)展而來(lái)的，該算法利用Hilbert-Schmidt獨(dú)立性判決準(zhǔn)則(Hilbert-Schmidt Independence Criterion,HSIC)作為衡量變量統(tǒng)計(jì)獨(dú)立性的對(duì)比函數(shù)，用牛頓類法對(duì)對(duì)比函數(shù)進(jìn)行優(yōu)化，通過(guò)極小化對(duì)比函數(shù)，獲取分離矩陣，并采用不完全Cholesky分解方法來(lái)提高計(jì)算性能[15].

FastKICA的基本工作過(guò)程如下：

(1)確定觀測(cè)信號(hào)X=[x1,x2,…,xn]T和核函數(shù)K(·,·).

(2)對(duì)觀測(cè)信號(hào)進(jìn)行去中心化和白化處理.

(3)基于HSIC準(zhǔn)則定義對(duì)比函數(shù)C(W).

(4)對(duì)對(duì)比函數(shù)C(W)的Hessian矩陣進(jìn)行不完全的Cholesky估計(jì).

(5)用牛頓類法優(yōu)化求解分離矩陣W.

2.2離散小波變換

小波變換是一種有效的時(shí)頻分析方法，具有多分辨分析和對(duì)信號(hào)的自適應(yīng)特點(diǎn)，廣泛應(yīng)用于非平穩(wěn)信號(hào)分析中.

對(duì)任意離散函數(shù)f(t)∈L2(R)，其離散小波變換定義為：

(4)

式中，j,k分別代表頻率分辨率和時(shí)間平移量，j,k∈Z,Ψj,k(t)為離散小波函數(shù)，滿足

(5)

相應(yīng)的DWT逆變換定義為

(6)

Mallat將計(jì)算機(jī)的多分辨率分析思想引入到小波分析中，統(tǒng)一了正交小波基的構(gòu)造，提出了離散小波變換的快速分解和重構(gòu)算法，即Mallat塔式分解算法，顯著減少了DWT的運(yùn)算數(shù)據(jù)量[16].

圖1給出了Mallat算法的信號(hào)分解過(guò)程示意圖.

(7)

其中，Aj,k、Dj,k分別表示j尺度空間的逼近分量和細(xì)節(jié)分量，且A0=f(t).

Mallat算法信號(hào)重構(gòu)滿足下式：

(8)

隨著空間尺度逐級(jí)減小至1，完成信號(hào)的重構(gòu)過(guò)程.

3　基于FKIWT的眼電偽跡自動(dòng)去除方法

基于FKIWT進(jìn)行眼電偽跡自動(dòng)識(shí)別與去除，主要步驟如下：

(1)基于FastKICA算法的眼電偽跡分離

假設(shè)X(t)=[x1(t),x2(t),…,xn(t)]T∈Rn×M為n導(dǎo)觀測(cè)信號(hào)，其中，M表示每導(dǎo)信號(hào)的樣本點(diǎn)數(shù)，xi(t)(i=1,2,…,n-1)為n-1導(dǎo)腦電信號(hào)，xn(t)為眼電參考信號(hào).利用FastKICA算法對(duì)X(t)進(jìn)行核獨(dú)立成分分析，得到分離矩陣W；進(jìn)而，根據(jù)Y(t)=WX，(t)得到n個(gè)獨(dú)立成分：

Y(t)=[y1(t),y2(t),…,yn(t)]T∈Rn×M

(9)

(2)利用相關(guān)系數(shù)識(shí)別眼電偽跡

相關(guān)系數(shù)用以描述兩變量之間的相關(guān)性，其絕對(duì)值越大表明兩個(gè)變量相似度越高.依式(10)計(jì)算每個(gè)獨(dú)立成分yi(t)(i=1,2,…,n)與眼電參考信號(hào)xn(t)的相關(guān)系數(shù)：

(10)

Y(t)=[y1(t),…,yeog(t),…,yn(t)]T

(11)

(3)基于DWT的眼電偽跡分析與重構(gòu)

(4)利用FastKICA逆變換重建眼電去除后的腦電信號(hào)

(12)

(13)

4　實(shí)驗(yàn)研究

4.1實(shí)驗(yàn)數(shù)據(jù)來(lái)源

本實(shí)驗(yàn)純凈腦電信號(hào)采用BCI Competition II的Data set Ⅲ數(shù)據(jù)庫(kù)，該數(shù)據(jù)庫(kù)記錄了一位25歲的女性受試者左右手運(yùn)動(dòng)想象的EEG信號(hào).該實(shí)驗(yàn)包含140組訓(xùn)練數(shù)據(jù)，其中左右手運(yùn)動(dòng)想象各70組.每組實(shí)驗(yàn)持續(xù)9s，實(shí)驗(yàn)開(kāi)始后0～2s休息，2～3s出現(xiàn)“+”準(zhǔn)備提示符，3～9s出現(xiàn)箭頭(向左或向右)運(yùn)動(dòng)想象提示，實(shí)驗(yàn)時(shí)序如圖3所示.

該實(shí)驗(yàn)利用G.tec腦電采集儀和Ag/AgCl電極采集了C3、Cz和C4三導(dǎo)的EEG數(shù)據(jù)，采樣電極位置如圖4所示，采集頻率為128Hz，并對(duì)數(shù)據(jù)經(jīng)過(guò)0.5～30Hz濾波.

眼電數(shù)據(jù)來(lái)源于BCI Competition IV的Data sets 2b中采集的垂直眼電參考信號(hào).由于采集的眼電信號(hào)中不可避免的會(huì)混有腦電信號(hào)，為了還原純凈的眼電信號(hào)，本文根據(jù)眼電信號(hào)的頻率范圍，對(duì)眼電數(shù)據(jù)采用FIR低通濾器，進(jìn)行0～10Hz的低通濾波，去掉其中的高頻信號(hào)后，作為純凈眼電信號(hào).

4.2基于線性混合模型的實(shí)驗(yàn)研究

本部分將基于線性混合模型，利用FKIWT方法從眼電過(guò)估計(jì)、偽跡去除及魯棒性等多方面開(kāi)展眼跡去除實(shí)驗(yàn)研究，以展示本文提出方法的有效性.實(shí)驗(yàn)環(huán)境為matlab2014a.

4.2.1線性混合模型

根據(jù)眼電和腦電間的雙向傳遞特性，構(gòu)建線性混合模型如下：

(14)

4.2.2性能評(píng)價(jià)指標(biāo)

均方誤差(Mean Squared Error,MSE)是普遍采用的一種偽跡去除評(píng)價(jià)指標(biāo)，其計(jì)算式如下：

(15)

4.2.3眼電偽跡過(guò)估計(jì)實(shí)驗(yàn)

本節(jié)將從FastKICA算法和FKIWT方法的工作過(guò)程入手，通過(guò)計(jì)算每種方法去除掉的眼跡成分與純凈眼電信號(hào)的相關(guān)系數(shù)，檢驗(yàn)本文方法改善眼電偽跡過(guò)估計(jì)能力和抗干擾能力.FastKICA算法中，核函數(shù)選用高斯徑向基函數(shù)，核函數(shù)寬度取值為1，迭代精度設(shè)為0.0001，最大迭代次數(shù)設(shè)為10000.FKIWT方法中，F(xiàn)astKICA算法的參數(shù)選定同前；DWT選用coif小波基函數(shù)，小波分解層數(shù)為3.

圖5給出任取一組腦電數(shù)據(jù)的眼電過(guò)估計(jì)實(shí)驗(yàn)結(jié)果.圖中，EOGcle表示純凈眼電信號(hào)，yeog(t)為FastKICA算法分離和去除掉的眼電偽跡，ydel(t)則為基于FKIWT方法去除掉的眼電偽跡.

由圖可見(jiàn)，yeog(t)依然包含較多的腦電信號(hào)，而ydel(t)與EOGcle的波形更為相似，說(shuō)明FKIWT方法相對(duì)FastKICA算法而言，去除掉的眼電偽跡包含更少的腦電成分，有效改善了眼電過(guò)估計(jì)問(wèn)題.

下面對(duì)140組腦電數(shù)據(jù)進(jìn)行實(shí)驗(yàn)，并在線性混合模型中加入不同強(qiáng)度的白噪聲，用來(lái)模擬腦電采集過(guò)程中受到的心電、肌電、出汗等其它干擾的影響，計(jì)算yeog(t)和ydel(t)分別與EOGcle間的相關(guān)系數(shù)reog和rdel.圖6展現(xiàn)了從無(wú)噪聲到有噪聲，且噪聲強(qiáng)度從-5dBw逐漸增強(qiáng)至10dBw時(shí)，基于140組數(shù)據(jù)所得平均相關(guān)系數(shù)的變化曲線.

從圖6可知，隨著噪聲的增強(qiáng)，相關(guān)系數(shù)rdel變化很小，reog變化較大且減小趨勢(shì)明顯，說(shuō)明本文FKIWT方法相對(duì)FastKICA算法具有更好的眼跡去除效果，不僅有效保留了有用的腦電信號(hào)，有利于減弱眼電過(guò)估計(jì)影響，而且具有更強(qiáng)的抗干擾能力.

4.2.4多種方法的眼電偽跡去除對(duì)比實(shí)驗(yàn)

本節(jié)將基于線性混合模型，以相關(guān)系數(shù)和均方誤差為性能評(píng)價(jià)指標(biāo)，將本文方法與其它常用方法進(jìn)行比對(duì)實(shí)驗(yàn)研究，檢驗(yàn)FKIWT方法的眼跡去除能力.

圖7呈現(xiàn)了某組純凈的腦電信號(hào)和眼電信號(hào)，圖8則進(jìn)一步給出了依據(jù)式(14)進(jìn)行線性混合并加入-5dBw的高斯白噪聲的腦電信號(hào)和眼電信號(hào).這里，影響因子k1、k2和k3設(shè)定為0.2到0.4之間的隨機(jī)數(shù)，k4、k5和k6設(shè)定為0.02到0.3之間的隨機(jī)數(shù)，高斯白噪聲用以模擬采集過(guò)程中眼跡之外的其它干擾.由圖清晰可見(jiàn)，在采樣點(diǎn)300和800附近，眼電信號(hào)對(duì)腦電信號(hào)產(chǎn)生非常強(qiáng)烈的擾動(dòng).

利用本文FKIWT方法對(duì)圖8所示混有眼跡和干擾的腦電信號(hào)進(jìn)行處理，實(shí)驗(yàn)結(jié)果如圖9.和圖7對(duì)比可知，相應(yīng)導(dǎo)聯(lián)腦電信號(hào)波形非常接近，去噪效果良好.

進(jìn)而，隨機(jī)產(chǎn)生20個(gè)線性混合矩陣H，采用多種方法基于140組腦電數(shù)據(jù)各進(jìn)行2800次眼跡去除實(shí)驗(yàn).表1顯示了基于JADE、PICA、FastICA和DWICA四種常用方法及FKIWT法去除眼電偽跡后的腦電信號(hào)與純凈腦電信號(hào)的平均相關(guān)系數(shù)(r)和均方誤差(MSE).這里，F(xiàn)astICA及DWICA方法中的ICA均選用基于負(fù)熵判據(jù)的FastICA算法，其迭代精度和最大迭代次數(shù)與PICA及FKIWT中的FastKICA設(shè)置相同，DWICA中DWT與FKIWT中DWT參數(shù)選擇相同.由表1可知，F(xiàn)KIWT方法得到三導(dǎo)腦電信號(hào)的平均MSE較JADE、PICA、FastICA和DWICA分別減少了46.1%、28.8%、13.4%和8.3%；而平均相關(guān)系數(shù)則分別提高了0.0029、0.0013、0.0005和0.0003.顯然，F(xiàn)KIWT法相對(duì)其它方法在C3、Cz和C4三導(dǎo)腦電信號(hào)上均取得了最大相關(guān)系數(shù)和最小均方誤差，效果優(yōu)勢(shì)明顯.

表1　基于多種方法的眼跡去除實(shí)驗(yàn)結(jié)果

JADEPICAFastICADWICAFKIWTrMSErMSErMSErMSErMSEC30.99320.93150.99500.67280.99560.57060.99600.52220.99620.4805Cz0.99310.94650.99460.72030.99550.60130.99550.58650.99580.5389C40.99320.89440.99470.70440.99560.55180.99580.52000.99620.4740

4.2.5FKIWT方法魯棒性實(shí)驗(yàn)

方法的魯棒性對(duì)于其能否獲得穩(wěn)定的實(shí)驗(yàn)結(jié)果及在線應(yīng)用十分重要.為此，在4.2.4節(jié)實(shí)驗(yàn)的基礎(chǔ)上，進(jìn)一步計(jì)算眼電偽跡去除后的腦電信號(hào)與純凈腦電信號(hào)的相關(guān)系數(shù)的方差(var)，以比較不同方法眼電分離效果波動(dòng)的大小，從而評(píng)價(jià)各方法的魯棒性.圖10給出了五種方法在三導(dǎo)腦電信號(hào)上獲得的平均實(shí)驗(yàn)結(jié)果.

從圖10可知，F(xiàn)KIWT方法在三導(dǎo)腦電上均得到了最小相關(guān)系數(shù)方差，特別是相對(duì)于JADE和PICA方法優(yōu)勢(shì)尤為明顯，說(shuō)明FKIWT方法具有較好的魯棒性，更適合應(yīng)用于實(shí)時(shí)腦機(jī)接口系統(tǒng)中.

4.3基于非線性混合模型的實(shí)驗(yàn)研究

4.3.1非線性混合模型

腦電信號(hào)采集過(guò)程中易受外界環(huán)境多種干擾耦合的影響，導(dǎo)致實(shí)際采集到的EEG會(huì)不可避免地發(fā)生非線性畸變.為此，本節(jié)選用后置非線性混合模型作為腦電與眼電信號(hào)的混合模型進(jìn)行實(shí)驗(yàn)研究，如圖11所示.

4.3.2非線性畸變函數(shù)

考慮生物電信號(hào)的自身特性及干擾耦合的特點(diǎn)，本節(jié)選擇以下三種非線性函數(shù)模擬非線性畸變：

(1)多項(xiàng)式函數(shù)f1(·)

(16)

(2)三角函數(shù)f2(·)

(17)

(3)雙曲函數(shù)f3(·)

(18)

4.3.3基于多種方法的實(shí)驗(yàn)結(jié)果

下面將基于多種非線性畸變函數(shù)的非線性混合模型，針對(duì)FKIWT和其它常用方法的眼跡去除問(wèn)題展開(kāi)實(shí)驗(yàn)研究.為便于對(duì)比，實(shí)驗(yàn)環(huán)境及各方法中參數(shù)取值同4.2節(jié).

為了簡(jiǎn)化非線性混合模型并排除隨機(jī)線性混合矩陣H對(duì)分離結(jié)果的影響，實(shí)驗(yàn)中將H設(shè)定為固定值，影響因子k1到k6分別取值為：0.2、0.2、0.2、0.05、0.1和0.15；根據(jù)生物信號(hào)非線性畸變的特點(diǎn)，有關(guān)非線性函數(shù)系數(shù)分別取值為a=0.01，b=0.001，c=30，d=π/120，g=π/120，p=30.將140組腦電數(shù)據(jù)進(jìn)行后置非線性混合，獲得含有眼跡的腦電數(shù)據(jù)，再利用FKIWT和其他四種方法完成眼跡去除，以均方誤差和相關(guān)系數(shù)為評(píng)價(jià)指標(biāo)，平均實(shí)驗(yàn)結(jié)果如圖12和圖13所示.

從圖可見(jiàn)，基于非線性混合模型，采用三種非線性畸變函數(shù)時(shí)，本文FKIWT法相對(duì)其它四種方法均取得了最佳實(shí)驗(yàn)效果.針對(duì)每種非線性函數(shù)情況，MSE均有所減小，相關(guān)系數(shù)都有所增大.其中，基于三種非線性函數(shù)在三導(dǎo)腦電信號(hào)上的平均MSE較JADE、PICA、FastICA和DWICA分別減少了36.1%、24.1%、20.4%和18.3%；而平均相關(guān)系數(shù)則分別提高了0.0051、0.0020、0.0008和0.0005.說(shuō)明本文方法在非線性混合時(shí)的分離效果上較其他四種方法有較大的改善，且優(yōu)于線性混合模型情況下的實(shí)驗(yàn)結(jié)果.

5　結(jié)論

本文提出一種FastKICA和DWT相結(jié)合的眼跡自動(dòng)識(shí)別與去除方法，即FKIWT法.該方法的特色主要體現(xiàn)在從腦電與眼電信號(hào)時(shí)頻特性的差別入手，利用DWT的多分辨特性僅對(duì)眼電偽跡成分進(jìn)行處理與分析，通過(guò)置近似小波系數(shù)為零、細(xì)節(jié)小波系數(shù)不變，使得去除的眼電偽跡成分更加逼近純凈的眼電信號(hào).基于國(guó)際標(biāo)準(zhǔn)數(shù)據(jù)庫(kù)的大量實(shí)驗(yàn)研究表明，F(xiàn)KIWT法不僅有效減少了眼電過(guò)估計(jì)問(wèn)題，具有較強(qiáng)的抗干擾能力和魯棒性，而且在線性混合模型和非線性混合模型下，相對(duì)其它常用方法而言，F(xiàn)KIWT法均取得了最佳的眼跡去除效果，特別在非線性混合模型下優(yōu)勢(shì)更為明顯，這為FKIWT法真正應(yīng)用于腦電信號(hào)的實(shí)際在線分析與處理奠定了基礎(chǔ)，另外，本研究對(duì)于更好地提示腦電混合方式和腦電建模具有重要理論意義.

[1]Akhtar M T,Mitsuhashi W,James C J.Employing spatially constrained ICA and wavelet denoising,for automatic removal of artifacts from multichannel EEG data[J].Signal Processing,2012,92(2):401-416.

[2]Vijila C,et al.Artifacts removal in EEG signal using adaptive neuro fuzzy inference system[A].2007 International Conference of Signal Processing,Communications and Networking[C].Chennai:IEEE,2006.589-591.

[3]Jung T P,Makeig S,Humphries C,et al.Removing electroencephalographic artifacts by blind source separation[J].Psychophysiology,2000,37(2):163-178.

[4]Cardoso J F,Souloumiac A.Blind beamforming for non-Gaussian signals[J].IEE Proceedings-F Padar and Signal Processing,1993,140(6):362-370.

[5]Pham D T,Cardoso J F.Blind separation of instantaneous mixtures of nonstationary sources[J].IEEE Transactions on Signal Processing,2001,49(9):1837-1848.

[6]Karvanen J,Koivunen V.Blind separation methods based on Pearson system and its extensions[J].Signal Processing,2002,82(4):663-673.

[7]Shen H,Kleinsteuber M,Huper K.Local convergence analysis of FastICA and related algorithms[J].IEEE Transactions on Neural Networks,2008,19(6):1022-1032.

[8]Dermoune A,Wei T W.FastICA algorithm:Five criteria for the optimal choice of the nonlinearity function[J].IEEE Transactions on Signal Processing,2013,61(8):2078-2087.

[9]李明愛(ài),崔燕,楊金福.腦電信號(hào)中眼電偽跡自動(dòng)去除方法的研究[J].電子學(xué)報(bào),2013,41(06):1207-1213.

LI Ming-ai,CUI Yan,YANG Jin-fu.Research on removing ocular artifact automatically from EEG signals[J].Acta Electronica Sinica,2013,41(06):1207-1213.(in Chinese)

[10]Klados M A,Papadelis C L,Bamidis P D.REG-ICA:A new hybrid method for EOG artifact rejection[A].2009 9thInternational Conference on Information Technology and Applications in Biomedicine[C].Larnaka:IEEE,2009.278-281.

[11]李曉歐.基于獨(dú)立分量分析和共同空間模式的腦電特征提取方法[J].生物醫(yī)學(xué)工程學(xué)雜志,2010,27(06):1370-1374.

LI Xiao-ou.EEG feature extraction basedon ICA and CSP algorithms[J].Journal of Biomedical Engineering,2010,27(06):1370-1374.(in Chinese)

[12]萬(wàn)柏坤,等.ICA去除EEG中眼動(dòng)偽差和工頻干擾方法研究[J].電子學(xué)報(bào),2003,31(10):1571-1574.

WANG Bai-kun,ZHU Xin,YANG Chun-mei,et al.Study on applying independent component analysis to remove blink artifacts and power noise in EEG[J].Acta Electronica Sinica,2003,31(10):1571-1574.(in Chinese)

[13]Marchesi S,Bruzzone L.ICA and kernel ICA for change detection in multispectral remote sensing images[A].2009 IEEE International Geoscience and Remote Sensing Symposium[C].Cape Town:IEEE,2009.1231-1234.

[14]Tateyama T,Nakao Z,Chen Y W.Classification of brain matters in MRI by kernel independent component analysis[A].2008 4thInternational Conference on Intelligent Information Hiding and Multimedia Signal Processing Proceedings[C].Harbin:IEEE Computer Soc,2008.713-716.

[15]Shen H,Jegelka S,Gretton A.Fast kernel-based independent component analysis[J].IEEE Transactions on Signal Processing,2009,57(9):3498-3511.

[16]羅志增,等.基于小波變換和盲信號(hào)分離的多通道肌電信號(hào)處理方法[J].電子學(xué)報(bào),2009,37(04):823-827.

LUO Zhi-zeng,et al.A method of multi-channel EMG disposal based on wavelet transform and blind signal separation[J].Acta Electronica Sinica,2009,37(04):823-827.(in Chinese)

[17]王明祥,寧宇蓉,王晉國(guó).基于Mallat算法的一維離散小波變換的實(shí)現(xiàn)[J].西北大學(xué)學(xué)報(bào)(自然科學(xué)版),2006,36(03):364-368.

WANG Ming-xiang,NING Yu-rong,WANG Jin-guo.Realization of one dimension discrete wavelet transform based on Mallat algorithm[J].Journal of Northwest University(Natural Science Edition),2006,36(03):364-368.(in Chinese)

李明愛(ài)(通信作者)女，2006年于北京工業(yè)大學(xué)獲得博士學(xué)位,現(xiàn)為北京工業(yè)大學(xué)副教授,碩士生導(dǎo)師,主要研究方向?yàn)槟X機(jī)接口技術(shù)與智能控制.

E-mail:limingai@bjut.edu.cn

郭碩達(dá)男,2012年于武漢紡織大學(xué)獲得學(xué)士學(xué)位,現(xiàn)為北京工業(yè)大學(xué)控制科學(xué)與工程專業(yè)碩士研究生,主要研究方向?yàn)槟X機(jī)接口技術(shù)、信息處理與模式識(shí)別.

A Novel Automatic Recognition and Removal Method of Ocular Artifacts

LI Ming-ai1,2,GUO Shuo-da1,TIAN Xiao-xia1,YANG Jin-fu1,2,HAO Dong-mei3

(1.CollegeofElectronicInformation&ControlEngineering,BeijingUniversityofTechnology,Beijing100124,China; 2.BeijingKeyLaboratoryofComputationalIntelligenceandIntelligentSystem,Beijing100124,China; 3.CollegeofLifeScienceandBio-Engineering,Beijing100124,China)

In order to improve the overestimation of ocular artifacts (OA) in electroencephalogram (EEG) and the OA removal effect of nonlinear mixture caused by environmental interference coupling,a novel automatic removal method is proposed based on fast kernel independent component analysis (FastKICA) and discrete wavelet transform (DWT),and it is denoted as FKIWT.The independent components are separated from the mixed EEG by using the FastKICA algorithm,and the correlation coefficient is applied to identify OA component;Then,the Multiresolution analysis of OA is achieved with DWT,the approximation wavelet coefficients are set to zero and the detail wavelet coefficients are not changed.So more useful EEG is remained in the reconstructed OA component;Furthermore,the clean EEG is restored with the inverse algorithm of FastKICA.The experimental results show that FKIWT can effectively improve the overestimation of OA and has perfect anti-interference ability and robustness.Meanwhile,the better effects of OA elimination are also obtained on the condition that the linear or nonlinear mixed model is adopted,and the latter’s advantage is especially obvious.The FKIWT is suitable for on-line application.

nonlinear mixed model;fast kernel independent component analysis;discrete wavelet transform;overestimation of ocular artifacts;robustness

2014-08-14;

2015-05-05 ；責(zé)任編輯：馬蘭英

國(guó)家自然科學(xué)基金(No.81471770，No.61201362);北京市自然科學(xué)基金(No.7132021，No.7132028)

R318

A

0372-2112 (2016)05-1032-08

電子學(xué)報(bào)URL:http://www.ejournal.org.cn10.3969/j.issn.0372-2112.2016.05.004