脑电伪迹降噪方法整理

关注“心仪脑”查看更多脑科学知识的分享。

关键词：脑科学、经验分享

01回归方法

利用回归方法做脑电降噪是在90年代比较流行的，这时候fastICA算法还没有诞生。这种方法的基本假设是，不管是脑电还是各种噪声，都是加性叠加的。

使用回归方法需要设置噪声参考电极，利用参考电极估计各个脑电电极接收到噪声的α、β、γ等系数，进而可以减去噪声获得干净的脑电数据。

02滤波方法

滤波方法一般包括三种类型：自适应滤波、维纳滤波、贝叶斯滤波。这些方法常用于控制领域，有比较强的在线处理能力，最重要的是可以用于单电极脑电降噪。

01自适应滤波（Adaptive filtering）

自适应滤波假设脑电信号和噪声无关，记作

，其中x是原始脑电信号，S是干净脑电信号，n是噪声信号。使用自适应滤波最重要的是设置参考电极，估计滤波参数W使得降噪后的脑电信号接近参考电极。估计滤波参数W的算法是自动控制领域常用的最小二乘法(Least Mean Squares, LMS)或递归最小二乘(Recursive Least Mean Squares, RLMS)，使得矫正后的脑电信号与参考电极信号越来越接近，也就是让二者误差e越来越小，进而达到滤波的效果。

自适应滤波难以应对突发的噪声，比如一些肌电和持续震动的伪迹，在这种情况下滤波参数W可能会失控。

02维纳滤波（Wiener Filtering）

维纳滤波也是一种自适应滤波器，基本思想是最小化目标信号与测量信号的功率谱密度。问题在于一般并不知道目标信号的功率谱密度，这使得维纳滤波无法用于脑电信号的在线滤波。

03贝叶斯滤波（Bayes filtering）

贝叶斯滤波基于贝叶斯法则，属于概率图模型。常用的滤波器包括基于马尔科夫链的卡尔曼滤波和粒子滤波，这两种滤波器常用在目标追踪、环境感知、导航等控制领域。在脑电降噪领域中，这种方法被用于去除心电和眼电伪迹。

03盲源分离方法

盲源分离是脑电降噪领域最为人熟知的方法，包括PCA、ICA、CCA。

01主成分分析(PCA)

主成分分析是最广为人知的统计学方法，各个领域都有应用，在这里简要的说一下。

主成分分析认为方差越大解释力越强，通过协方差矩阵描述数据的相关性。通过对协方差矩阵做特征值分解，寻找一对正交基使得各主成分按照方差从大到小排列。在脑电降噪里面，一般采集的原始脑电信号里，噪声信号方差大于脑电信号方差，利用主成分分析找出方差最大的主成分一般就是噪声信号。模型表达如下，其中u是变换矩阵，Σ是数据协方差矩阵：

利用拉格朗日乘子法求解这个优化问题即可归结到特征值分解问题上。

02独立成分分析(ICA）

这是用得最多的脑电降噪方法。模型也很简单

，X是采集的信号，S是要求的源信号，W是混合矩阵。求解方法也有很多种，包括负熵(fastICA)、互信息(InfoMax)等基于高阶中心距的算法以及基于二阶中心矩(SOBI)的算法，不同算法所基于的对源信号的统计假设不同。

03典型相关性分析(CCA)

典型相关性分析属于联合盲源分离的一种，不同于盲源分离只考察一组数据，联合盲源分离是对多组数据构建盲源分离的模型。这种方法可以很好的提取脑电噪声中的肌电噪声，在这点上是优于ICA的。关于利用CCA降噪肌电的具体讲解，会在下次推文中结合之前的文章展开来讲。

04信号分解方法

盲源分离方法难以适用于单电极或者少量电极（n<8）的脑电数据。如果不使用之前提到的滤波方法，就想用盲源分离方法的话，就需要创造出来盲源分离适应的环境，具体来说存在两种方法：小波分解和经验模态分解。

01小波变换(Wavelet Transform)

小波变换克服了傅里叶变化的缺点——全局变换、没有时间解析度等，可以将信号分解成二维的时频信号，被广泛用于时域及图像信号处理、数据压缩等领域。模型表达为：

其中，

是观测信号，

是小波函数，α可以理解为小波变换的频率尺度，τ可以理解为小波变换的时间尺度。小波变换为单电极或者少量电极的脑电数据提供了一个很好的途径，将观测信号数量大量扩充，以满足盲源分离的基本假设。

02经验模态分解

(Empirical Mode Decomposition)

不同于小波变换这种模型驱动的分解方法，经验模态分解是数据驱动的分解方法，具有很好的数据自适应性。经验模态分解认为一个信号特别是非平稳信号，由多种本征模态函数(Intrinsic Mode Function，IMF，被认为是平稳信号Stationary Signals) 和余量(Residual)线性叠加构成，特别适用于非平稳信号处理。其模型表达为：

所谓模态分解就是去寻找IMF的过程，经验意味着数据驱动。

同小波变换在脑电信号分解里的作用，EMD也可以扩充观测信号以满足盲源分离的基本假设。

05混合方法

所谓混合方法就是结合信号分解方法和盲源信号分离来处理脑电信号，排列组合一下有很多种方法可以选择，例如Wavelet/EMD+ICA/CCA。现在脑电信号降噪效果最好的方法也是上述降噪方法的排列组合，如下图所示。

这篇文章大致列举了目前常用的脑电降噪方法，没有过多的展开去讲，下篇文章将具体介绍一下CCA在脑电降噪中的应用。

参考文献：

Jiang, X., Bian, G. B., & Tian, Z. (2019). Removal of artifacts from EEG signals: a review. Sensors, 19(5), 987.

Kanoga, S., & Mitsukura, Y. (2017). Review of artifact rejection methods for electroencephalographic systems. Electroencephalography, 69(Nov), 69-89.

Urigüen, J. A., & Garcia-Zapirain, B. (2015). EEG artifact removal—state-of-the-art and guidelines. Journal of neural engineering, 12(3), 031001.

全文完结，整理不易，看不完记得收藏，最后希望点赞支持一下！

了解更多，请关注“心仪脑”公众号！

脑电伪迹降噪方法整理相关推荐

AAAI2020 一种启发式变分路径推理（VPR）脑电情绪识别方法
AAAI2020|| 一种启发式变分路径推理(VPR)脑电情绪识别方法论文工作人类情感认知的研究表明,在情感表达过程中,空间相邻区域和功能相关区域之间存在着联系和通路.作者提出了一种启发式的变分路 ...
脑电伪迹长什么样呢？看这篇就够了
关注"心仪脑"查看更多脑科学知识的分享. 头皮脑电(EEG/ERP)作为一项无创研究大脑状态的技术,在脑科学研究者中使用广泛,但由于头皮脑电电极只是与受试者的头部皮肤接触传导电信号 ...
php中复选框删除数据_ERP分析中如何自动删除休息阶段的脑电数据？
文章转载自公众号:流浪心球作者:念靖晴为了保证EEG研究中采集到的脑电数据的质量.因此在整个实验任务进行中,研究者往往会设置休息阶段,休息阶段的时长设置一般有以下几种形式: 被试自主决定强制休息 ...
（论文加源码）基于CNN和LSTM的脑电情绪识别（数据集为DEAP和seed）
目录目录: 运行过程: 1. 运行1D文件(没有什么bug): 2. 再运行3D文件(没有出现bug): 3. 最后运行main文件(出现了两个bug)(前提需要配置好tensorflow的框架): ...
脑电参考之零参考技术
本文首发在个人博客上(7988888.xyz),此文章中所有链接均通过博客进行访问. 写脑电教程的系列文章,我写的比较多了,也谈了很多,可以参考我制作的gitbook网址,https://book.7 ...
基于耳部脑电的语音想象脑机接口系统
本次分享一篇发表于JNE期刊的基于耳部脑电的语音想象脑机接口系统. 摘要本研究调查了以用户耳朵 (ear-EEG) 为中心的脑电图 (EEG) 对基于语音想象的脑机接口 (BCI) 系统的功效.开发 ...
脑电实验注意事项及实验过程中伪迹识别
点击上面"脑机接口社区"关注我们更多技术干货第一时间送达 Rose分享一篇群友 Tina关于脑电实验的学习笔记,感谢脑机社区群友Tina的分享. 实验前准备 1.填写被试信息及知 ...
直击用户大脑——用户研究新方法（眼动与脑电数据分析）
眼动仪作为记录用户注视轨迹的用户研究工具而得以流行.随着神经营销的兴起,脑电研究也越来越多的被用来了解用户的真实想法.而将眼动研究和脑电研究结合起来,则是未来用户研究的一个趋势.借助于二者的联机同步, ...
脑电数据分析方法与应用实例简介-EEG Processing and Feature 1
这是<EEG Processing and Feature Extraction>的第一个视频资料整理.内容是"脑电数据分析方法与应用实例简介". 视频地址:https ...
脑电采集理论基础：脑电信号采集方式、分类及特点、伪迹、导联
此博客为个人博客,不涉及商业用途,仅提供学习参考,内容均来自个人原创以及互联网转载和摘录. 此博客上带有原创标识的文章.图片.文件等,未经本人允许,不得用于商业用途以及传统媒体. 本文首发于CSDN, ...

脑电伪迹降噪方法整理

脑电伪迹降噪方法整理相关推荐

最新文章

热门文章