专利汇可以提供基于单通道的脑电信号中眼电伪迹分离方法专利检索,专利查询,专利分析的服务。并且本 发明 公开了一种基于单通道的脑电 信号 中眼电伪迹分离方法,包括:S1对单通道采集的待分离脑 电信号 进行自适应噪声完备经验模态分解,得到n个模态分量作为观测信号,脑电信号中混有眼电伪迹;S2将观测信号的卷积混合模型转化为瞬时混合模型x(t)=As(t),观测信号由2维源信号卷积混合而成;S3基于脑电信号中眼电伪迹和纯净的脑电信号之间的相互独立性,根据联合快对 角 化原理和转化为瞬时混合模型的观测信号建立代价函数J(W);S4根据共轭梯度法对代价函数J(W)进行 迭代 寻优,得到逆矩阵W的估计值W;S5根据逆矩阵W的估计值W,计算得到纯净的脑电信号 实现脑电信号中分离出眼电伪迹,其采用 盲反卷积 的分离方法,分离出脑电信号中的眼电伪迹,大大提高了分离的 精度 ,得到精确的纯净的脑电信号。,下面是基于单通道的脑电信号中眼电伪迹分离方法专利的具体信息内容。
1.一种基于单通道的脑电信号中眼电伪迹分离方法,其特征在于,包括:
S1对单通道采集的待分离脑电信号进行自适应噪声完备经验模态分解,得到n个模态分量作为观测信号,所述脑电信号中混有眼电伪迹;
S2将所述观测信号的卷积混合模型转化为瞬时混合模型x(t)=As(t),所述观测信号由2维源信号卷积混合而成;
其中,t为脑电信号的采样时间点,n维观测信号x(t)=[x1(t),x2(t),...,xK(t)],m维源信号 混合矩阵A=(Aij),
hij表示是第j个源信号到第i个观测
点的卷积混合过程,用FIR滤波器表示,i=1,2,…,K,j=1,2,…,m,l表示滤波器的阶数;
S3基于脑电信号中眼电伪迹和纯净的脑电信号之间的相互独立性,根据联合快对角化原理和转化为瞬时混合模型的观测信号建立代价函数J(W);
其中,||·||F表示矩阵的Frobenius范数,offbdiag表示矩阵的非对角块部分,W表示混合矩阵A的逆矩阵;τq表示时延,q=1,2,…,Q;WH表示W的共轭转置矩阵;Rx(τq)表示观测信号x(t)在时延τq下的自相相关矩阵,且Rx(τq)=ARS(τq)AH,AH表示混合矩阵A的共轭转置矩阵;
S4根据共轭梯度法对代价函数J(W)进行迭代寻优,得到逆矩阵W的估计值W;
S5根据逆矩阵W的估计值W,计算得到纯净的脑电信号 实现脑电信号中分
离出眼电伪迹。
2.如权利要求1所述的脑电信号中眼电伪迹分离方法,其特征在于,在步骤S1中包括:
S11在观测信号中加入高斯白噪声得到构造信号xj(t)=x(t)+σ0wj(t),其中,x(t)为观测信号,σ0为求第1个模态分量时的噪声标准差,wj(t)为服从N(0,1)分布的白噪声,j=1,
2,…,N;
S12对构造信号xj(t)进行N次EMD分解得到N个第一阶分量,并对分量取均值,得第一个模态分量IMF1(t)和第一个余量信号r1(t):
r1(t)=x(t)-IMF1(t);
S13判断余量信号r1(t)的极值点个数是否超过两个,若是,对EMD分解到的第一阶模态算子加入第一阶余量信号r1(t)构成信号r1(t)+σ1M1[wj(t)]进行EMD分解得到第二个模态分量IMF2(t):
其中,σ1表示求第2个模态分量时的噪声标准差,Ma[·]定义为对信号进行EMD分解后的第a个IMF模态的算子,M1[wj(t)]为EMD分解产生的第一个模态的算子,wj(t)表示第j次分解添加的高斯白噪声;
S14循环步骤S13进行分解,直到判断前一层模态分解得到的余量信号的极值点个数不超过两个,停止分解,得到最终的余量信号R(t):
其中,K表示模态分解的次数;k表示模态分解的层数,k=1,2,…,K;
原始信号x(t)被分解为:
在第k层分解,计算第k个余量信号rk(t)和第k+1个模态分量IMFk+1(t):
rk(t)=rk-1-IMFk(t)
其中,IMFk(t)表示第k个模态分量,σk表示求第k+1个模态分量时的噪声标准差。
3.如权利要求2所述的脑电信号中眼电伪迹分离方法,其特征在于,EMD分解为:
S01找出观测信号x(t)的局部极值点,使用插值法对局部极小值点形成下包络emint(t)、对局部极大值形成上包络emax(t);
S02根据公式m(t)=(emint(t)+emax(t))/2计算均值,进而计算:差值d(t)=x(t)-m(t);
S03若差值d(t)满足预先设定的IMF函数要求,则将差值d(t)作为该次分解的模态分量;若不满足,则差值d(t)重复步骤S01和步骤S02中观测信号x(t)的操作,进行迭代,直到差值d(t)满足IMF函数要求,输出模态分量。
4.如权利要求3所述的脑电信号中眼电伪迹分离方法,其特征在于,在步骤S03中,IMF函数要求为:在整个时间范围内,局部极值点和过零点的数目相等或相差一个;及在任意时刻点,局部最大值的包络和局部最小值的包络的平均值为零。
5.如权利要求1或2或3所述的脑电信号中眼电伪迹分离方法,其特征在于,在步骤S2中:
观测信号xi(t)的卷积混合模型为:
其中,l表示滤波器的阶数,p=1,2,…,(l-1);
设定长度为w的时间窗,且满足Kw≥m(w+l-1),则t时刻脑电信号的观测信号xi(t)为:
T
xi(t)=[xi(t),xi(t-1),...xi(t-w+1)]
写成矢量形式得到:
以此,卷积混合模型可以写为x(t)=As(t),完成脑电信号混合模型到瞬时混合模型的转换。
6.如权利要求5所述的脑电信号中眼电伪迹分离方法,其特征在于,在步骤S3中,源信号s(t)的自相关矩阵RS(τ)为分块对角矩阵:
其中,τ为时延,H表示s(t-τ)示的共轭转置矩阵, 观测信号x(t)
=As(t)的自相关矩阵Rx(τ)为:
H
Rx(τ)=ARS(τ)A
使用逆矩阵进行表示:
WRx(τ)WH=RS(τ)
根据联合快对角化原理,取多个时延τq,q=1,2,…,Q,求得多个Rx(τq);
建立代价函数J(W),使得WRx(τq)WH的非对角块部分趋近零:
其中,||·||F表示矩阵的Frobenius范数,offbdiag表示矩阵的非对角块部分。
7.如权利要求6所述的脑电信号中眼电伪迹分离方法,其特征在于,在步骤S4的共轭梯度法中,迭代公式为:
Wk+1=Wk+αkdk
dk+1=-gk+1+βkdk
其中,αk为步长因子,通过强Wolfe线性搜索方法产生;dk与βk由给定d0迭代得到,d0=-g0;gk计算式为:
8.如权利要求7所述的脑电信号中眼电伪迹分离方法,其特征在于,在步骤S4中,S41对时延τ=0时的自相关矩阵Rx(0)进行特征值分解,得到Rx(0)=VDVH,其中,V为特征向量矩阵,D为特征值矩阵;将特征值矩阵D中的特征值按照降序排列,构造白化矩阵进而根据该白化矩阵对观测信号x(t)进行白化处理;
S42设定逆矩阵W的初始值W0,并对初始值进行标准化,给出终止阈值ε>0,初始值令k=
0;
S43计算g0=▽J(W0)的值,并令d0=-g0;
S44根据逆矩阵W的迭代式,计算Wk+1,并进行标准化Wk+1=Wk+1/||Wk+1||F;
S45判断|Wk+1-Wk||F≤ε是否成立,若成立,停止迭代,输出W=Wk+1;
S46令ndim为逆矩阵W的维数,若k=ndim,令k=k+1,W0=Wk+1并跳转至步骤S43;分别计算gk+1和dk+1,跳转至步骤S44。
标题 | 发布/更新时间 | 阅读量 |
---|---|---|
基于稀疏表示的图像抠图算法研究 | 2020-07-15 | 0 |
一种采用多粒度级联森林评估链路质量的方法 | 2020-08-13 | 2 |
一种实现自适应消息过滤的即时通讯系统和即时通讯方法 | 2020-12-16 | 1 |
一种无参考高动态范围图像客观质量评价方法 | 2021-01-14 | 1 |
一种基于局部参考点的快速点云配准方法 | 2023-04-15 | 0 |
摘要生成方法和装置 | 2021-11-11 | 0 |
一种异常检测方法、装置以及设备 | 2022-08-24 | 1 |
一种基于SSA与LSTM深度学习的电厂存煤量短期预测方法 | 2020-11-02 | 1 |
基于信息几何与谱聚类的频谱感知方法、装置及设备 | 2020-12-09 | 1 |
细胞分辨水平的脑组织三维图像的脑区自动分割方法及系统 | 2020-08-09 | 0 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台,是提供专利分析,专利查询,专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据,免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析,涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度,系统通过AI智能系统对图表进行解读,只需1分钟,一键生成行业专利分析报告。