分形维数结合RLS-ICA的脑电信号消噪

发布时间：2020-02-14 19:51

【摘要】：针对脑机接口中脑电信号噪声的去除,提出将分形维数、递归式最小均方(RLS)-独立分量分析(ICA)相结合的方法.利用ICA对脑电信号进行盲源分离,得到源信号;采用分形维数自动识别源信号中的噪声信号;利用RLS自适应滤波器对已识别出来的噪声信号进行自适应滤波;通过信号重构,得到去除噪声的脑电信号.该方法有2个优点:一是通过对分形维数自动识别源信号中的噪声信号进行滤波,克服了RLS-ICA将所有源信号进行滤波,可能造成部分有用脑电信号被去除的缺点;二是通过分形维数减少RLS滤波的独立源,加快了运行速度.为了证明该方法的有效性,分别对2008年国际BCI竞赛数据和本实验室的数据进行处理.将该方法与RLS-ICA进行比较,结果显示,该方法的去噪效果明显优于RLS-ICA,单个样本的运行时间比RLS-ICA少0.07s.采用提出的方法不仅能够去除一些常见的诸如眼电(EOG)、肌电(EMG)等噪声,而且能够去除一些未知的噪声.
【图文】：

源信号,噪声,独立源,噪声参数

号判定为噪声：Ｓ１＝［ｓ′（１），ｓ′（２），ｓ′（３），…，ｓ′（ｋ）］，其中为了尽可能地将独立源中的噪声信号自动识别到Ｓ１中，本文设定ｋ满足下面的条件，即：ｋ＝［Ｎ／２］＋１，其中［Ｎ／２］表示不大于Ｎ／２的最大整数．其他的源信号为Ｓ２＝［ｓ′（ｋ＋１），ｓ′（ｋ＋２），…，ｓ′（Ｎ）］．３）利用ＲＬＳ自适应滤波器对Ｓ１进行滤波，Ｓ２保持不变．ａ）滤波原理如图２所示．首先假设Ｓ１是由不含噪声的源信号和噪声ｙ（ｎ）组成，其中噪声１和噪声２是设定的噪声信号，ｈ１、ｈ２是噪声参数，ｙ（ｎ）是噪声１和噪声２的组合体．然后通过不断的调整使得自适应滤波器的参数ｈ１′、ｈ２′能够接近真正的噪声参数ｈ１、ｈ２，得到与噪声ｙ（ｎ）相近的ｙ′（ｎ），再将Ｓ１中的ｙ′（ｎ）去除，得到去除噪声的源信号．具体过程如１．１节描述．图２滤波原理图Ｆｉｇ．２ＰｒｉｎｃｉｐｌｅｏｆＲＬＳｆｉｌｔｅｒｉｎｇｂ）将滤波以后的去除噪声的源信号与Ｓ２组合成一个新的源信号Ｙ′．４）实现ＥＥＧ信号重构．利用Ｘ＝Ｗ×Ｙ′，其中Ｗ为分离矩阵，得到去除噪声的脑电信号．１．４分形维数结合ＲＬＳ－ＩＣＡ与ＲＬＳ－ＩＣＡ的原理比较ＲＬＳ－ＩＣＡ中的ＲＬＳ必须要对所有的独立源即Ｓ进行滤波，，而分形维数结合ＲＬＳ－ＩＣＡ则只需要对部分独立源即Ｓ１进行滤波，这是两者的

原理图,自适应噪声抵消,原理图

滤波以后的去除噪声的源信号与Ｓ２组合成一个新的源信号Ｙ′．４）实现ＥＥＧ信号重构．利用Ｘ＝Ｗ×Ｙ′，其中Ｗ为分离矩阵，得到去除噪声的脑电信号．１．４分形维数结合ＲＬＳ－ＩＣＡ与ＲＬＳ－ＩＣＡ的原理比较ＲＬＳ－ＩＣＡ中的ＲＬＳ必须要对所有的独立源即Ｓ进行滤波，而分形维数结合ＲＬＳ－ＩＣＡ则只需要对部分独立源即Ｓ１进行滤波，这是两者的本质区别．为了更好地说明这２种算法的区别，引入单参考自适应噪声抵消原理［１０］．如图３所示为单参考自适应噪声抵消原理图．图３单参考自适应噪声抵消原理图Ｆｉｇ．３Ｐｒｉｎｃｉｐｌｅｏｆｓｉｎｇｌｅｒｅｆｅｒｅｎｃｅａｄａｐｔｉｖｅｎｏｉｓｅｃａｎｃｅｌｉｎｇ原始输入信号ｄ中含有希望提取的信号Ｐ和噪声ｎ０，参考输入信号Ｘ为噪声ｎ１，它与噪声ｎ０相关而与信号Ｐ不相关．ｎ１经过自适应滤波产生输出ｙ．系统输出为ε＝Ｐ＋ｎ０－ｙ．（１）１２３６浙江大学学报（工学版）第４８卷

【参考文献】