技术领域
[0001] 本
发明属于脑
电信号监测领域，特别涉及了一种脑电信号质量评估方法。
背景技术
[0002] 脑电信号是由大脑神经元放电产生的，反映大脑活动的微弱
生物电信号。由于脑电具有容易获取，非侵入性，以及高时间
分辨率的特点，其在科学研究和
疾病诊断等方面发挥着越来越重要的作用。随着脑电监测技术的不断发展，市场上出现了一大批可穿戴脑电设备，主要应用于商业，医疗和教育等领域。但是这些可穿戴脑电设备在实际应用过程中面临着很多问题，其中最主要的两大问题是：噪声难以实时去除和缺少信号质量。脑电信号是一种低幅值非稳态信号，在采集过程中受到各种噪声的干扰，比如：低频趋势噪声，高频噪声，工频噪声，运动伪迹，毛刺伪迹，眼动伪迹和肌电伪迹等等。这些干扰的存在严重影响了脑电的基本节律，因此需要提出能够有效识别并去除这些伪迹的
算法。由于可穿戴脑电设备在实际应用过程中通常是实时分析的，这就增加了伪迹识别和滤除的难度。同时由于失去了人工筛选和评估的支持，信号质量低的无效脑电信号就无法被提前剔除，这严重影响了脑电信号后续分析的准确性。因此一个实时伪迹自动去除和信号质量评估系统可以确保后续分析结果的准确性。
[0003] 在噪声干扰去除方面，主要目的是在尽可能保留脑电信号的
基础上最大程度上的去除干扰。针对低频趋势、工频干扰和高频噪声可以利用巴特沃斯
滤波器有效滤除。针对运动，毛刺，眼动和肌电等伪迹，由于其与脑电信号的基本节律存在很多交叠的部分，去伪迹过程中势必会去除部分有用的脑电信号。对于多通道脑电，普遍运用独立成分分析(ICA)
盲源分离方法，可以提取出各种伪迹，将伪迹从原始脑电中减去，即可滤除。但是针对目前的便携可穿戴脑电设备，其通道数不足以支持使用ICA方法。目前针对通道数较少的脑电信号的伪迹去除方法主要有快速傅里叶变换法和
小波变换法。快速傅里叶变换法和小波变换法由于其本质是基于一个基波分解脑电，这些伪迹的形状和
频率各不相同，需要人为的设定基波和滤波
阈值，且很难在保留信号的同时有效去除伪迹。这些方法都是不适用于可穿戴脑电采集设备的实时应用的。
[0004] 通常情况下，经过滤波后的脑电信号即被认为是干净的脑电信号，可用于后续分析，但是实际应用过程中存在一些特殊情况，例如原始信号的
信噪比过低，信号幅值低于正常值，脑电信号波段
能量占比与正常值不符等等。这些特殊情况的脑电信号质量一般较差，不适合应用于后续分析的，应该被剔除。在科研中，所有脑电数据都会经过研究人员的人为筛选，剔除信号质量差的数据段，但是实际应用过程中无法做到人为筛选，因此迫切需要一个自动评估脑电信号质量的技术。
发明内容
[0005] 为了解决上述背景技术提到的技术问题，本发明提出了基于可穿戴脑电设备的伪迹去除和脑电信号质量评估方法。
[0006] 为了实现上述技术目的，本发明的技术方案为：
[0007] 基于可穿戴脑电设备的伪迹去除和脑电信号质量评估方法，包括以下步骤：
[0008] (1)通过可穿戴脑电设备采集头皮表层的原始脑电信号，原始脑电信号中包含了设备噪声和各种伪迹噪声；
[0009] (2)对原始脑电信号中的设备噪声进行滤波；
[0010] (3)对原始脑电信号中的各种伪迹噪声进行识别，包括运动伪迹、毛刺伪迹、眼动伪迹和肌电伪迹；
[0011] (4)基于步骤(3)的伪迹识别结果，进行自适应伪迹裁剪和信号拼接，得到干净的脑电信号；
[0012] (5)采用神经网络分类和指标参数对步骤(4)得到的脑电信号进行综合质量评估。
[0013] 进一步地，在步骤(2)中，利用巴特沃斯
低通滤波器滤出高频噪声；利用巴特沃斯
高通滤波器滤出低频噪声；利用巴特沃斯
带阻滤波器作为陷波滤出工频干扰。
[0014] 进一步地，所述巴特沃斯低通滤波器的截止频率小于100Hz，所述巴特沃斯高通滤波器的截止频率小于0.3Hz。
[0015] 进一步地，在步骤(3)中，所述运动伪迹的识别方法如下：
[0016] (1a)利用巴特沃斯
带通滤波器提取出0.3-2Hz之间的脑电信号，其中就包含了运动伪迹；
[0017] (1b)利用Hilbert方法提取运动伪迹的包络线，包络线能够保留运动伪迹的大致形状并忽略其他信号的影响；
[0018] (1c)对上一步获得的包络线做平滑处理，进一步降低其他信号的影响；
[0019] (1d)对平滑后的信号做标准分数Z变换，判断超过预设阈值a的数据为运动伪迹，保存其在脑电信号上的索引
位置，a为正常干净脑电信号幅值的10倍。
[0020] 进一步地，在步骤(3)中，所述毛刺伪迹的识别方法如下：
[0021] (2a)计算信号的差分和近似导数，识别出有瞬间电位变化的信号；
[0022] (2b)采用中值滤波平滑差分和近似导数的绝对值；
[0023] (2c)对平滑后的信号做标准分数Z变换，判断超过预设阈值b的数据为毛刺伪迹，保存其在脑电信号上的索引位置。
[0024] 进一步地，在步骤(3)中，所述眼动伪迹的识别方法如下：
[0025] (3a)利用巴特沃斯带通滤波器提取出0.3-10Hz之间的脑电信号，其中就包含了眼动伪迹；
[0026] (3b)利用Hilbert方法提取眼动伪迹的包络线，包络线能够保留眼动伪迹的大致形状并忽略其他信号的影响；
[0027] (3c)对上一步获得的包络线做平滑处理，进一步降低其他信号的影响；
[0028] (3d)对平滑后的信号做标准分数Z变换，判断超过预设阈值c的数据为眼动伪迹，保存其在脑电信号上的索引位置，c为正常干净脑电信号幅值的5倍。
[0029] 进一步地，在步骤(3)中，所述肌电伪迹的识别方法如下：
[0030] (4a)利用巴特沃斯带通滤波器提取出100-120Hz之间的脑电信号，其中就包含了肌电伪迹；
[0031] (4b)利用Hilbert方法提取肌电伪迹的包络线，包络线能够保留肌电伪迹的大致形状并忽略其他信号的影响；
[0032] (4c)对上一步获得的包络线做平滑处理，进一步降低其他信号的影响；
[0033] (4d)对平滑后的信号做标准分数Z变换，判断超过预设阈值d的数据为肌电伪迹，保存其在脑电信号上的索引位置。
[0034] 进一步地，步骤(4)的具体过程如下：
[0035] (401)取所有可穿戴脑电设备通道上识别出的4种伪迹索引位置的并集；
[0036] (402)对任意伪迹，寻找该伪迹索引位置前后幅值在[-5,5]μV范围内点的索引位置，并对此取所有可穿戴脑电设备通道上的交集；
[0037] (403)在上述交集中找到伪迹前后最近的点，作为伪迹的开始和结束位置，重新定义准确的伪迹位置；
[0038] (404)裁剪掉准确的伪迹位置，并将裁剪后剩余的信号拼接在一起，得到干净的脑电信号。
[0039] 进一步地，在步骤(5)中，计算脑电信号质量评价参数：
[0040] (A)信噪比SNRhigh和SNRnotch：
[0041]
[0042]
[0043] 上式中，S为去除设备噪声的脑电信号，Nhigh为高频噪声，Nnotch为工频干扰；
[0044] (B)有效信号率E：
[0045]
[0046] 上式中，Lleft为伪迹裁剪和信号拼接后脑电信号的数据长度，Loriginal为原始脑电信号的数据长度；
[0047] (C)运动伪迹占比率Emove：
[0048]
[0049] 上式中，Lmove为运动伪迹部分脑电信号的数据长度；
[0050] (D)毛刺伪迹占比率Ejump：
[0051]
[0052] 上式中，Ljump为毛刺伪迹部分脑电信号的数据长度；
[0053] (E)眼动伪迹占比率Eeog：
[0054]
[0055] 上式中，Leog为眼动伪迹部分脑电信号的数据长度；
[0056] (F)肌电伪迹占比率Eemg：
[0057]
[0058] 上式中，Lemg为肌电伪迹部分脑电信号的数据长度；
[0059] (G)干净脑电信号的幅值；
[0060] (H)Alpha波段
功率谱密度占比：利用小波将Alpha波段从干净脑电信号中提取出来，分别计算Alpha波段和干净脑电信号的功率谱密度，最终获得Alpha波段在脑电中的功率谱密度占比；
[0061] (I)干净脑电信号的模糊熵。
[0062] 进一步地，在步骤(5)中，利用小波时频分析方法生成干净脑电信号的时频图，从而将一维信号转换为二维图像，并作为
深度神经网络的输入，深度神经网络的输出为输入数据所属于不同类别的概率，类别包括低质量不可用、中等质量可用和高等质量可用。
[0063] 采用上述技术方案带来的有益效果：
[0064] (1)本发明解决了目前可穿戴脑电设备由于通道数限制和实时性造成的伪迹去除困难的问题，实现了伪迹自动识别、裁剪和拼接，该方法在保留脑电信息完整性的同时能够较为彻底的去除设备噪声、运动伪迹、毛刺伪迹、眼动伪迹和肌电伪迹的干扰，相比于其他方法，该方法不受通道数影响并适用于实时系统。
[0065] (2)本发明解决了目前脑电信号质量评估方法缺失的问题，基于真实脑电信号的特性，总结出信噪比，有效信号率，各伪迹占比率，干净脑电信号的幅值、Alpha波段功率谱密度占比和模糊熵作为信号质量评估的指标参数。同时基于深度神经网络模型，直接判断出该段数据的信号质量等级，决定是否用于后续分析。评估结果可进一步提高后续脑电分析的可靠性、准确性和可解释性。
附图说明
[0067] 图2是本发明设备噪声滤波的流程图和过程结果图；
[0068] 图3是本发明运动伪迹识别的流程图和过程结果图；
[0069] 图4是本发明毛刺伪迹识别的流程图和两种典型毛刺伪迹的过程结果图；
[0070] 图5是本发明眼动伪迹识别的流程图和过程结果图；
[0071] 图6是本发明肌电伪迹识别的流程图和过程结果图；
[0072] 图7是本发明伪迹裁剪和拼接的示意图；
[0073] 图8是本发明深度神经网络的结构示意图。
具体实施方式
[0074] 以下将结合附图，对本发明的技术方案进行详细说明。
[0075] 如图1所示，本发明主要包括5个步骤：信号采集，设备噪声滤波，四种伪迹(运动伪迹，毛刺伪迹，眼动伪迹，肌电伪迹)识别，伪迹裁剪和信号拼接，脑电信号质量评估。每个步骤的具体操作将在下文进行详细介绍。
[0076] 步骤1——信号采集：便携可穿戴脑电设备采集头皮表层的原始脑电信号，原始脑电信号中除了脑电信号还包含了设备噪声和各种伪迹噪声。设备噪声是设备本身所造成的噪声干扰，包括：低频噪声，工频干扰和高频噪声。基于这些设备噪声，得到的设备信噪比，可以用于评估该设备本身的信号质量。各种伪迹噪声通常是设备和人体
接触不良或者人为造成的一些伪迹干扰，由于这些伪迹的幅值通常远大于脑电信号本身，因此它们的存在会影响分析的准确性，需要进行去除。伪迹噪声包括：被试运动造成的运动伪迹，
电极和被试接触不稳定造成的毛刺伪迹，被试眨眼造成的眼动伪迹，肌电伪迹。
[0077] 步骤2——设备噪声滤波：一般脑电的预处理包括：高通滤波，低通滤波和工频陷波，其目的在于去除设备噪声。脑电信号是头皮层的微弱电信号，幅值通常为50μV，有效
频率范围[0.3-100]Hz。如图2中的(a)所示，对原始脑电信号，利用巴特沃斯低通滤波器(截止频率的选取取决于后续分析所关注的脑电频段，但是应当低于头皮脑电的最高有效频率100Hz)滤出的高频噪声；利用巴特沃斯高通滤波器(截止频率的选取一般建议在0.3Hz以下，过高的截止频率将影响脑电信号的完整性)滤出的低频噪声；49-51Hz的巴特沃斯带阻滤波器滤出的50Hz工频干扰(不同地区的工频噪声可能是60Hz)。如图2中的(b)所示得到的滤除设备噪声后的脑电信号，相对原始信号已经没有了设备噪声的干扰，可以看得到脑电本身的信息了。
[0078] 步骤3——四种伪迹识别：
[0079] 运动伪迹识别：运动伪迹通常来自于被试的头部运动或者走路等运动，幅值远高于50μV，频率范围通常为[0.3,2]Hz。要消除运动伪迹干扰主要有三种方法：1、通过高通滤波器滤出低频的运动伪迹的，但是这种方法往往会导致大部分有用的低频脑电信号的丢失；2、根据被试头部的
加速度
传感器，从脑电信号中分离出脑电中的运动趋势，但是并不是所有脑电设备都同时装有加速度传感器的，且该方法算法尚不成熟，因此该方法的使用受到了很大的限制；3、识别到运动伪迹的地方，直接从脑电中减去该段信号。
[0080] 本发明能够准确的识别出运动伪迹的所在位置，如图3中的(a)所示具体识别步骤如下：
[0081] 1.运动伪迹的主要频段一般为0.3-2Hz之间，利用巴特沃斯带通滤波器提取出0.3-2Hz之间的脑电信号，其中就包含了运动伪迹；
[0082] 2.由于运动伪迹的幅值通常是脑电信号的十几倍甚至几十倍，因此利用Hilbert方法提取其包络线，包络线可以保留运动伪迹的大致形状并忽略其他信号的影响；
[0083] 3.对上一步获得包络线做平滑处理，进一步降低其他信号的影响；
[0084] 4.对平滑后的信号做标准分数Z变换，判断超过阈值范围(正常干净脑电信号幅值的十倍)的数据为运动伪迹，保存其在脑电信号上的索引位置；
[0085] 5.所有通道重复上述步骤。
[0086] 运动伪迹识别结果如图3中的(b)所示。
[0087] 毛刺伪迹识别：毛刺伪迹通常是由于电极和
皮肤接触不良或者
信号传输过程中存在问题，造成电位瞬间变化。为了消除这类伪迹的干扰，首先要识别毛刺伪迹，如图4中的(a)所示采用以下步骤：
[0088] 1.计算信号的差分和近似导数，可以识别到有瞬间电位变化的信号；
[0089] 2.中值滤波平滑差分和近似导数的绝对值；
[0090] 3.对平滑后的信号做标准分数Z变换，判断超过阈值范围的数据为毛刺伪迹，保存其在脑电信号上的索引位置；
[0091] 4.所有通道重复上述步骤。
[0092] 毛刺伪迹识别结果如图4中(b)、(c)所示，(b)、(c)分别表示两种典型的毛刺伪迹。
[0093] 眼动伪迹识别：眼动伪迹是脑电数据中普遍存在的一种伪迹，且出现频繁影响巨大。幅值范围为[50,200]μV，频率范围通常为[0.3,10]Hz。目前常用的眼动伪迹去除方法是盲源分离方法，但是该方法要求足够多的通道数，否则无法有效分离出眼动伪迹信号，因此该方法对于便携脑电设备显然是不适用。而其他类似于基于小波变换或者经验模态分解方法，存在操作复杂和易滤除有用频率段信号的缺点。对于需要应用到实际生活中的便携脑电设备，本发明识别眼动伪迹的方法，如图5中的(a)所示具体步骤如下：
[0094] 1.利用巴特沃斯带通滤波器提取出0.3-10Hz之间的脑电信号，其中就包含了眼动伪迹；
[0095] 2.由于眼动伪迹的幅值通常是脑电信号的几倍，因此利用Hilbert方法提取其包络线，包络线可以保留眼动伪迹的大致形状并忽略其他信号的影响；
[0096] 3.对上一步获得包络线做平滑处理，进一步降低其他信号的影响；
[0097] 4.对平滑后的信号做标准分数Z变换，判断超过阈值范围(正常干净脑电信号幅值的五倍)的数据为眼动伪迹，保存其在脑电信号上的索引位置；
[0098] 5.所有通道重复上述步骤。
[0099] 眼动伪迹识别结果如图5中的(b)所示。
[0100] 肌电伪迹识别：肌电伪迹普遍存在于脑电信号的采集过程中，其幅值范围和频率范围都非常广泛，很难从脑电中分离和提取出来。但是一般肌电伪迹的幅值要高于50μV且频率较高。虽然上文已经利用低通滤波，滤除了高频噪声，但是由于采用的3阶巴特沃斯滤波器，仍有部分高频信号遗留。基于以上原因，本发明如图6中的(a)所示采用如下步骤识别肌电伪迹：
[0101] 1.利用巴特沃斯带通滤波器提取出100-120Hz之间的脑电信号，其中就包含了高频肌电伪迹；
[0102] 2.由于肌电伪迹的幅值通常是脑电信号的几倍，因此利用Hilbert方法提取其包络线，包络线可以强调肌电伪迹的大致位置；
[0103] 3.对上一步获得包络线做平滑处理，进一步明确肌电伪迹的位置；
[0104] 4.对平滑后的信号做标准分数Z变换，判断超过阈值范围的数据为肌电伪迹，保存其在脑电信号上的索引位置；
[0105] 5.所有通道重复上述步骤。
[0106] 肌电伪迹识别结果如图6中的(b)所示。
[0107] 步骤4——自适应伪迹裁剪和脑电拼接：通过以上步骤识别出运动、毛刺、眼动和肌电伪迹后，需要将其从脑电信号中裁剪，并将脑电信号重新拼接。未必要裁剪和拼接过程中出现伪迹残留或者拼接毛刺的问题。本发明设计了一种自适应裁剪和拼接方法，有的伪迹在所有通道上都存在，而有的伪迹可能仅在于某一特定通道，但是为确保通道数据长度的一致性，所有通道都要裁剪同样长的伪迹段后进行拼接。因此，如图7所示具体步骤如下：
[0108] 1.取所有通道上识别到的四种伪迹的索引位置的并集；
[0109] 2.对任意伪迹，寻找该伪迹索引位置前后幅值在[-5,5]μV范围内点的索引位置，并对此取所有可穿戴脑电设备通道上的交集；；
[0110] 3.在这一交集中找到伪迹前后最近的点，作为伪迹的开始和结束位置；
[0111] 4.裁剪掉重新定义的伪迹位置并将裁剪后剩余的信号拼接在一起；
[0112] 5.对所有伪迹重复步骤2-4，完成伪迹裁剪和脑电拼接。
[0113] 步骤5——脑电信号质量评估：脑电信号质量的评估主要用于评估该段脑电数据是否可以用于分析，评估方法包括指标参数和神经网络分类。
[0114] 1.信号质量的指标参数
[0115] (A)信噪比SNRhigh和SNRnotch：
[0116]
[0117]
[0118] 上式中，S为去除设备噪声的脑电信号，Nhigh为高频噪声，Nnotch为工频干扰；
[0119] (B)有效信号率E：
[0120]
[0121] 上式中，Lleft为伪迹裁剪和信号拼接后脑电信号的数据长度，Loriginal为原始脑电信号的数据长度；
[0122] (C)运动伪迹占比率Emove：
[0123]
[0124] 上式中，Lmove为运动伪迹部分脑电信号的数据长度；
[0125] (D)毛刺伪迹占比率Ejump：
[0126]
[0127] 上式中，Ljump为毛刺伪迹部分脑电信号的数据长度；
[0128] (E)眼动伪迹占比率Eeog：
[0129]
[0130] 上式中，Leog为眼动伪迹部分脑电信号的数据长度；
[0131] (F)肌电伪迹占比率Eemg：
[0132]
[0133] 上式中，Lemg为肌电伪迹部分脑电信号的数据长度；
[0134] (G)干净脑电信号的幅值：正常的脑电信号其幅值在50μV左右，范围为[20,100]μV。
[0135] (H)Alpha波段功率谱密度占比：利用小波将Alpha波段从干净脑电信号中提取出来，分别计算Alpha波段和干净脑电信号的功率谱密度，最终获得Alpha波段在脑电中的功率谱密度占比；
[0136] (I)干净脑电信号的模糊熵：利用模糊熵计算经过伪迹去除后的干净脑电信号的熵，如果信号中有噪声残留会导致熵值降低。
[0137] 以上各指标可以从不同
角度详细描述信号的特征。
[0138] 2.基于深度神经网络的质量分类
[0139] 利用小波时频分析方法生成伪迹去除后脑电信号的时频图，实现将一维信号转换为二维图像，作为深度神经网络模型的输入。脑电的信号质量被分为三个等级：低质量不可用、中等质量可用和高质量可用，这三个等级作为三个类别用于模型的输出。如图8所示，采用了类似于残差网络体系结构中的连接，通过允许信息在深度神经网络中很好地传播来优化训练。该网络由1个基本
块和16个残差块组成。基本块具有两个卷积层(convolutional layer，简称conv)，残差块具有一个卷积层，并采用最大
池化(max pool)。在每个卷积层之前，都添加批量归一化(batch normalization，简称BN)和整
流线性单位(rectified linear unit,简称ReLU)，采用预激活块设计。由于采用预激活块结构，网络的第一层和最后一层是特殊情况。我们还在卷积层之间和非线性之后应用Dropout。最终的完全连接层(fully connected layers，简称FC)和归一化(softmax)输出时频图属于各个类别的概率。由于信号质量评估对于数据长度和实验环境等没有特殊要求，因此可以在短时间内收集大量的数据作为训练集，训练集脑电生成的时频图可以用于训练模型。测试集脑电生成的时频图作为模型的输入，得到该段脑电数据属于不同类别的概率。
[0140] 3.综合评估
[0141] 上述两个部分分别得到了用于描述原始脑电和去伪迹后脑电的指标参数，以及去伪迹后脑电的信号质量所属类别。信号质量所属类别直接决定该段数据是否用于后续分析，但是深度神经网络的最大缺点在于其不可解释性。当遇到低质量脑电时，无法快速找到造成信号低的原因，而指标参数的辅助则可以很好的弥补这一缺憾。两种方法的结合和互补，在保证其高准确率和实时性的同时能够快速解释影响信号质量高低的原因并及时调整。例如，当检测到连续“低质量不可用”数据段时，查看指标参数，发现运动伪迹成分很大，那么可以提醒用户减少头部运动，提高数据可用性。
[0142]
实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。
