文摘

我们提出一个新方法消除工件的脑电图(EEG)记录在前庭神经电刺激(问)。利用全球之声的主要挑战是了解大脑刺激作为输入。我们使用脑电图监测大脑,引起全球之声反射。然而,全球之声电流分布在整个头皮脑电图信号生成工件。我们需要消除这种工件能够分析EEG信号在全球之声。我们提出一个新颖的方法来估计当前全球之声的贡献在EEG信号在每个电极结合时间序列回归方法与小波分解方法。我们使用小波变换项目记录脑电图信号成不同的频段,然后估计全球之声电流分布在每个频带。该方法是优化使用模拟信号,其性能与普遍接受的工件去除ica方法和自适应滤波器等方法。结果表明,该方法具有更好的性能在去除问工件,比别人。使用该方法,更高的信号工件比−1.625 dB的实现,如ica方法优于其他方法,回归方法和自适应滤波器。

1。介绍

脑刺激的电流一直被应用在神经学上的研究为治疗目的多年(1- - - - - -5]。然而,分析在刺激持续的神经活动的能力是有限的,由于生成的工件问。的泄漏电流刺激头皮产生一个附加电势与更高的振幅比神经活动。结果,收集的高潜力artifactual EEG电极,特别是刺激区域的附近。刺激的构件是叠加在EEG信号的主要障碍在理解全球之声的影响与神经电路在不同的大脑区域。EEG信号分析在全球之声刺激非常重要,因为它提供了关于它如何影响神经活动的信息。例如,在使用全球之声抑制某些神经系统疾病的症状,研究者感兴趣的诱发全球之声的反应在不同的大脑区域。此外,能够执行问研究闭环模式,在交付的全球之声刺激调整,以应对持续的神经活动,有必要消除刺激工件从神经活动的信号。一个实验测量的例子EEG信号污染的问工件如图1。

考虑到神经信号的频谱和问工件重叠,过滤问工件的频率成分导致原始神经信号的损失。四个主要的脑电图频率乐队三角洲(最低频段4赫兹),θ(4赫兹到8 Hz),α(8赫兹到12赫兹),β(12赫兹到30 Hz)。为了分析和理解全球之声对脑电图的影响模式,至关重要的是能够把工件从感兴趣的频段信号,之前建立任何GVS-EEG交互模型。

有各种各样的方法来消除不同类型的工件,如肌原性的工件(6- - - - - -9),眼部构件(10- - - - - -15),外在的构件(如核磁共振诱导工件同时脑电图/ fMRI研究[16),刺激构件(17- - - - - -20.),和一般工件和信号noncerebral起源(21,22]。最常用的方法之一是把工件从脑电图信号独立分量分析(ICA)。一般,在基于组件的方法如ICA, EEG信号分解为统计独立和不相关的术语;工件组件识别和过滤掉,和EEG信号可以从神经重建组件没有工件。然而,应用ICA来消除全球之声刺激的构件是具有挑战性的,尤其是当我们增加全球之声的振幅与信号工件比小于1 mA−35分贝。稍后我们将详细讨论这一节中“比较不同工件去除方法”的表现。

我们提出一个新颖的方法问工件去除结合时间序列回归方法和小波分解方法。提高工件的精度估计使用回归模型,该模型应该占全球之声相互作用的复杂的行为在频域。所以我们记录脑电图和全球之声信号分解到不同的频段,然后使用回归模型来估计在每个频带问工件。我们使用多分辨率小波分析分解非平稳的脑电图信号在时频平面上。离散小波变换(DWT)和平稳小波变换(SWT)算法,和结果进行了比较。估计问电流分布通过头皮使用时间序列回归方法基于生物物理模型,我们使用和比较不同的参数回归模型的性能,如离散多项式、非线性Hammerstein-Wiener,状态空间模型。

在这项研究中,我们首先使用模拟数据来评估和优化使用各种回归模型方法的性能和不同的小波算法。由此产生的优化方法应用于实际数据。我们提出的方法和其他方法的结果相比,ICA等使用模拟和真实数据。本文的组织结构如下:部分2提供设备的详细描述和设置,数据模拟、信号处理方法,比较他们的表演。部分3显示的结果提出了工件去除方法,并在部分4,我们将讨论该方法,其结果,并建议未来的工作。

2。材料和方法

2.1。设备及安装

进行了脑电图记录与NeuroScan SynAmps2系统,与20电极位于根据国际(表10 - 20脑电图系统1)和采样频率设置为1 kHz。

全球之声信号应用使用Digitimer DS5孤立的双极电流刺激器。这刺激器可以生成一个刺激电流波形与输入控制电压成正比。生成的波形是使用虚拟仪器和发送到刺激器通过一个国家仪器(NI)数据采集(采集)。在这项研究中,我们应用为粉红噪声电流、1 /类型功率谱在0.1到10赫兹的频率范围和持续时间72秒。我们一直提供刺激的振幅低于阈值的感觉,在100年的范围μ一到800μ一个,60之间的均方根值μ一个和450个μa .刺激器配有数据采集设备记录交付的刺激,它允许我们做出的连续记录刺激电流和电压。我们记录EEG信号刺激期间,60秒和60秒后刺激之前。这些实验的脑电图数据收购我们的合作者在太平洋帕金森氏症研究中心。9名健康受试者(3 6雄性,雌性),21岁和53岁之间,没有已知的神经系统疾病或受伤的历史,参与了这项研究。所有受试者被要求放松,保持静止,专注于一个焦点在屏幕上在他们面前这样少肌原性的和眼部构件发生。在休息的情况下,也有少头阻抗的变化23),对数据采集在这项研究很重要。

2.2。模拟数据

定量评估和优化方法的性能,比较不同方法的准确性将全球之声从脑电图记录工件,我们使用模拟数据。仿真研究是由结合干净工件(免费)脑电图记录与模拟全球之声污染。模拟实际过程的全球之声污染,我们注意electrode-skin接口的物理结构和电阻抗之间的头点脑电图和问电极放置。的头骨阻抗远高于头皮阻抗(23),我们可以假定当前主要通过头皮分布全球之声。皮肤和electrode-skin接口可以使用resistive-capacitive电路建模(24),如图2。

在这个电等效电路,的半电池电位电极/凝胶接口,和电阻的并联组合吗和电容组件代表阻抗与electrode-gel相关接口。是相关的串联阻抗的电阻电极凝胶。是表皮的电位差,阻力所代表的是谁的阻抗和电容。一般来说,真皮和皮下层下它表现为一个纯电阻。皮肤的深层,含有血管、神经组件和毛囊,贡献非常少皮肤电阻抗,但汗腺和导管添加一个等效平行RC网络(由破碎的线路图2)和汗腺之间的电位差,导管、真皮和皮下层(24]。如果我们忽视纯电阻更深层的皮肤和电极的电阻凝胶,我们可以简化阻抗结构如下: 这个方程可以写成 在哪里是一个复杂的频率变量,,,,代表特定的组合,,,,,对于每一个电极。这种基于模型的识别方法提出以下关系注入问当前和收集到的脑电图在给定的电极电压: 在哪里是测量脑电图,是电流注入的问,原始的神经信号或脑电图没有工件,然后呢是测量噪声。我们模拟阻抗结构能够计算出全球之声在每个脑电图通道输出的贡献: 在哪里代表了全球之声的工件测量脑电图信号。模拟19个脑电图问电极和电极之间的阻抗结构被用来计算输出电压由于当前全球之声(问工件)在每一个脑电图电极(图3)。

配合比例是一个测量的相对能量分数模拟问工件按照给出的计算:

结果表明,模拟工件问较高的健身更接近全球之声的脑电图电极电极并进一步降低在15 (Pz)等频道频道,频道10 (Cz),第五频道(Fz),通道1 (FP1),通道2 (FP2)。根据(2),我们可以假定皮肤阻抗模型是一个低阶,连续时间传递函数与一个0和两极。模拟皮肤阻抗结构,我们使用一个迭代的非线性最小二乘算法来最小化代价函数作为加权和选择方形的错误。该算法已应用于实际测量数据,和阻抗的参数模型被确定为每个脑电图电极。例如,模拟电等效阻抗通道18 (O1,枕)被计算为: 与,,,。我们使用这个模型阻抗模拟输出信号由于头皮传播通道18和问电极之间(模拟问工件)是主要的总测量脑电图信号,具有高适应的比例约为87%。

我们计算阻抗模型使用整个脑电图在每次试验中收集的数据(70秒)。解决头皮的时变特性阻抗的担忧,我们计算阻抗模型较短的时间间隔(例如,1 s, 2 s, 5 s, 7 s, 10 s,和14)和分析模拟全球之声的健身工件测量脑电图数据(图4)。

结果表明,模型的适应性不改变不同长度的时间间隔,和不同的时间间隔很近的健身使用整个70秒脑电图数据输出模型,这是87%左右。上述结果表明,头皮的阻抗可由一个传递函数对整个试验。模拟测量脑电图数据在全球之声,我们结合模拟问工件清洁脑电图数据收集应用问之前,为了得到一个全球数据集与已知的脑电图和问构件组件。这有助于定量比较方法的有效性在去除不良工件的信号。

2.3。回归工件去除的方法

注入的问当前和EEG信号测量系统同时被记录,而全球之声电流分布通过头皮污染记录脑电图信号。我们可以使用记录问当前作为参考来识别问工件测量脑电图信号。确定问工件的污染EEG信号,采用时间序列回归的方法使用不同的模型结构。一个类的模型结构离散多项式模型,描述了一般方程如下:

在这里记录当前全球之声,估计问工件,是一个白噪声(均值= 0,方差=),它代表了随机模型的一部分。,,,,是多项式的使用者操作符问,描述当前全球之声和测量噪声的影响在脑电图数据。如ARMAX模型结构、Box-Jenkins和输出误差(OE)上面的一般多项式方程的子集。在ARMAX模型和等于1,Box-Jenkins吗= 1,输出误差模型,,等于1。

模型结构的另一个类是Hammerstein-Wiener模型,它使用一个或两个静态非线性模块串联线性分组。该模型结构可以用来捕获的一些非线性系统的行为。线性区块是一个离散传递函数,代表模型的动态组件,将使用一个参数化的输出误差模型类似于前面的模型。非线性的块可以是一个非线性函数如死区、饱和,或分段线性函数。我们现在还没有观察到任何死区或饱和非线性的类型数据,我们选择了分段线性函数,我们可以将一个非线性系统分解成许多断点之间的线性系统。

我们也使用状态方程全球之声信号之间的关系模型,噪音,和全球之声的构件描述系统状态变量的一阶微分方程相关功能,噪音,全球之声信号的一阶导数状态变量和输出方程相关的状态变量和全球之声信号问工件。

2.4。自适应滤波方法工件去除

自适应滤波是另一种方法去除工件。该方法特别适合于实时应用。自适应滤波器使用接收到的输入数据点来完善它的属性(例如,传递函数或滤波器系数)和匹配参数在每一次瞬间的变化。这些过滤器是用来去除不同脑电图构件(25]。

在我们的应用程序中,主自适应滤波器的输入系统是测量污染脑电图信号作为一个真正的脑电图的混合物和工件组件。自适应滤波器的块当前全球之声作为参考输入和估计工件组件。滤波器系数递归地调整优化算法由一个错误的信号: 在哪里 由于前庭系统的功能调节刺激信号(26),没有直接的线性关系真正的脑电图当前,全球之声。另一方面,全球之声工件之间有很强的相关性和,所以我们可以计算的期望值如下:

或 随着滤波器系数的调整不会影响因此减少相当于减少。

在各种优化技术中,我们选择了递归最小二乘(RLS)和至少意味着广场(LMS)为我们的应用程序。节”不同的工件去除方法的性能比较”,我们比较的结果自适应滤波器与其他方法。

2.5。小波分解方法

在本节中,我们解释了如何使用小波方法来提高我们的工件去除方法的性能。应用当前全球之声在这项研究是一个粉红噪声频带为0.1 -10 Hz。当前全球之声和脑电图数据获得的采样率为1000 Hz。抗锯齿过滤后,信号的频率范围0 - 500赫兹。下面是问当前使用的功率谱韦尔奇的方法(图5)。

如上所示,全球之声的主要频率成分在0.1到10赫兹的范围。实现之间的最佳匹配估计全球之声的贡献和在每个脑电图测量脑电图频道,我们打破记录当前全球之声和受污染的脑电图数据成各种频段的小波分析和估计,全球之声在每个频带工件。小波变换能够构建一个高分辨率像脑电图信号的非平稳信号的时频表示。小波变换的信号分解为一组基函数,通过膨胀和变化的一个独特的功能被称为妈妈。或者是原型小波,而不是一个正弦波作为基函数的傅里叶变换。当信号是离散的,离散小波变换(DWT)算法可以应用,基函数的集合上定义“二元”时间尺度平面上的网格 在哪里管理的扩展控制翻译的数量或时间发生变化。小波变换是基于小波函数的内积和信号在时域。DWT算法,离散时域信号分解为高频或详细信息组件和低频近似分量通过连续的低通和高通滤波器。原始信号进行多分辨率分析,分解为一个近似和细节部分。近似部分再次分解通过迭代过程;因此一个信号可以分解成许多组件。基本的DWT算法不保留平移不变性。因此翻译的小波系数并不一定对应于相同的翻译的原始信号。这的非平稳特性源于锥体的将采样操作算法。该算法可以修改插入滤波器系数之间的零层,而不是采样下来。这DWT算法的修改版本平稳小波变换(SWT),它可以保留平移不变性的财产。在这项研究中,我们应用DWT和SWT使用不同的母小波分解EEG信号等Symlet和Daubechies不同的订单。目前全球之声和模拟脑电图信号分解为12的水平,因此我们有逼近和细节分量的频带,表所示2。

2.6。ica方法工件去除

独立分量分析(ICA)是一种统计方法用于提取独立成分的测量信号。该方法的一个特例盲源分离方法,渠道的记录脑电图信号被认为是一个线性组合的未知的独立的来源: 在哪里是未知的混合矩阵定义为每个源贡献权重脑电图信号记录在每个通道。ICA的测量纳入一个通道脑电图信号维空间和投射到一个坐标系数据预测最小重叠和最大限度地相互独立的。有各种各样的算法与不同的方法找到独立的组件,如互信息最小化或最大化之间的联合熵数据预测。ICA算法用于这项研究扩展Infomax算法(27)这是一个修改版的Infomax贝尔提出的算法和Sejnowski28]。它使用一个学习规则,交换机之间不同类型的分布,如亚高斯和超高斯源。EEGLAB MATLAB工具箱实现的扩展Infomax算法(29日),广泛用于分析脑电图的研究。ICA用于测量脑电图发现问构件组件。把工件问我们需要找到所有组件都归因于全球之声应用于主题。这些组件可以通过计算确定ICA组件之间的相关系数和全球之声信号。全球之声的时间结构构件组件也不同于其他组件,期间,全球之声,一个大振幅工件(图出现6)。

我们尝试了两种方法去除工件。第一个方法是零的工件信号占全球之声的组件寄生影响和净化后获得一个新的源矩阵。第二种方法是对工件施加一个阈值组件,为了提取工件峰值和它们设置为0。阈值被设定为三个标准差的EEG信号没有工件(例如,信号在应用问之前),和所有的数据点与振幅阈值设置为0。因此,我们得到一个新的矩阵,,修改后的组件。阈值在3个标准差的原始神经信号使我们保持原来的神经活动的重要组成部分没有尽可能多的(图7)。

最后,我们重建ICA-corrected脑电图信号为: 在哪里是一种新的数据集代表artifact-free估计数据。

2.7。提出了工件去除方法

在该方法中,我们分解EEG和当前全球之声信号在12个频段(表2),然后利用回归方法,我们估计在每个频带问构件组件。图8显示了检测过程问工件。在这个流程图如图所示,在每个频带,全球之声的工件通过回归分析发现,在全球之声信号作为参考信号。

估计问工件频率成分是减去从受污染的脑电图频率成分。小波分解使我们专注于感兴趣的频段和计算估计问工件在每个频带独立;因此,回归方法能更好的处理一些皮肤在频域非线性行为。这种小波时频分析方法提高了工件去除方法的性能。净化后的适当的频率成分的信号重建估计全球之声信号组件在感兴趣的频率范围(例如,1赫兹到32 Hz)。我们计算全球之声信号之间的相关系数和估计问工件从不同频段重构,而我们观察到回归结果改善重建估计问工件组件分别对应的频带。

相关分析的结果列在下表中3。在这个分析中,真正的数据通道O1,枕脑电图,被分解成12个频段,与母亲小波db4使用SWT算法,并使用OE问当前估计回归模型的2。我们计算皮尔森的相关性的相关性分析 在哪里是问当前和记录估计是问工件从不同的频率成分重建。

结果表明,全球之声信号之间的相关性和估计全球之声的工件通过使用小波分解方法显著增加。我们应用了小波变换去除频率成分低于0.98赫兹,高于31.25赫兹,不的主要利益,全球之声信号之间的相关性,估计问工件增加了0.9899。

我们使用SWT和DWT算法提出了工件的去除方法。SWT和DWT算法之间的差异简要解释小波分析部分。我们还使用各种回归模型来估计全球之声工件。评估性能的方法使用不同的算法和模型,我们运用我们的方法来模拟数据和脑电图检查了兴味信号与原来相比artifact-free脑电图信号。对于这个评价,我们不仅计算artifact-removed EEG信号之间的相关性和原始artifact-free EEG信号,而且我们测量的健身artifact-removed信号的基础上标准化残差平方和有时介绍的是哪一个归一化的二次错误定义为 在哪里代表原始artifact-free信号是artifact-removed信号。

我们测量方法的性能基于相关性(15)和标准化残差平方和(16)。小波算法的选择和母亲小波是这样工件去除方法的性能最大化。比较不同的小波算法和母亲小波,我们使用大量的母小波从两个不同的小波家庭常用的脑电图信号处理,Daubechies(,,),Symlets(,,)。SWT和DWT都使用这些母亲在拟议中的工件去除方法和小波应用于模拟数据。我们列表标准化残差平方和,artifact-removed信号之间的相关性和原始artifact-free信号的频率范围低于31.25赫兹(表4)。

结果表明,SWT DWT算法相比,算法具有优越的性能和不同的母亲小波Daubechies和Symlet小波4比其他人表现的更好。

另一个步骤来改善性能的方法,找到一个最优回归方法计算估计问工件尽可能准确。我们使用三种不同类型的模型结构,输出误差(OE)作为一个简单的一般多项式模型的特例,Hammerstein-Wiener与分段线性函数和空间状态模型,都是介绍了“回归的方法”部分。我们使用这些模型用不同的订单提出工件去除方法,应用该方法使用这些模型来模拟数据。为了比较性能,我们使用SWT Daubechies 4分解污染信号,估计问工件使用不同的模型,然后对这些性能的相关性和原始之间的标准化残差平方和artifact-free信号和artifact-removed信号重建的频率范围低于31.25赫兹。结果列在下表中5。

对于非线性Hammerstein-Wiener模型我们使用分段线性函数和破裂EEG信号的间隔。我们尝试了各种数量的间隔和观察,每隔4(或更少),我们可以得到最高的相关性和最少的残余。

结果表明,这些模型之间,输出误差和非线性Hammerstein-Wiener有更好的性能。我们使用这些回归模型方法的性能最大化,然后,我们将该方法应用于实际数据。

我们还使用了两个(ica方法去除工件:过滤掉工件工件组件上的组件和应用阈值去除工件峰值振幅超出阈值。

评估ICA方法的性能模拟数据,我们计算相关性和标准化之间的残差平方和artifact-removed脑电图信号和原始artifact-free脑电图信号。

我们提出的ica方法方法相比使用输出误差和非线性Hammerstein-Wiener模型2,连同12-level STW与母亲DB4小波分解(表6和7)。

2.8。比较不同工件的去除方法

我们应用不同的工件去除方法在全球之声的脑电图数据期间获得应用程序。我们使用的数据通道O1群(枕EEG)脑电图/问研究的不同学科。在我们的试验中应用不同的刺激信号振幅,从这些实验观察一致的结果。通过计算全球之声信号之间的相关系数和估计问工件,我们比较这些方法的性能。首先我们比较ica、回归和自适应过滤不使用小波分析。然后我们使用小波分析的方法来提高我们的工件去除方法的性能。

最好的ica算法方法,最佳回归模型方法和选择最佳滤波器自适应滤波方法。之间不同的ICA算法(如“ICA工件去除方法”一节中提到的一样),扩展Infomax显示更好的结果。之间的回归方法(正如前面介绍了部分“回归工件去除方法”),OE订单2表现出更好的性能,以及自适应滤波器之间(正如前面介绍了部分工件自适应滤波方法去除),RLS滤波器的遗忘因子0.99997,2的滤波器长度,适应增益为0.5 LMS滤波器,滤波器长度3有更好的性能。我们表(表8)全球之声信号之间的相关性和估计问工件。

之间的结果表明,上述方法,回归方法可以估计问相关性较高的工件与原全球之声信号。因此,我们采用回归方法以及小波分析在我们的方法来实现最佳的性能在去除工件问。小波分解的方法提高了估计全球之声的构件的相关性能和鲁棒性。这是由于不同的传递函数估计为每个频带,一方面使其不易非线性皮肤行为或其他噪声源。此外,通过小波分解,我们可以过滤掉不感兴趣的频率成分。删除这些频率成分可以提高回归分析的结果。清洗脑电图数据重建从感兴趣的频率范围(例如,1赫兹到32 Hz)。

使用相关分析,我们展示了小波时频分析方法提高了工件去除方法的性能。我们计算全球之声信号之间的相关系数和估计问构件重构不同频段(列在下表中9)。我们观察到,通过专注于感兴趣的频率成分,例如,1赫兹到32赫兹之间,我们可以实现更高的估计和原始全球之声信号之间的相关性。

如表所示9后,消除了频带低于0.98赫兹,比31.25赫兹,我们目前的利益外,全球之声信号之间的相关性和估计问工件显著增加从0.7673到0.9899通过使用小波分解方法。

到目前为止,我们表明,该方法比其他方法具有优越的性能,适用于低幅度随机问信号1 mA。我们还应用工件去除方法脑电图/问我们收集的数据集的其他合作者感觉运动生理学实验室,在更高的振幅粉红噪声问多达3100μ脑电图/全球之声的应用研究。在一个数据集,粉红噪声在范围广泛的振幅从100年全球之声μ一到3100μ(每个300μ)应用,脑电图/问数据收集。我们比较了该方法的性能和延长Infomax ICA方法。结果表明,而ICA方法的性能恶化随着全球之声振幅的增加,该方法提供了一个健壮的性能(图9)。

3所示。结果

“该工件去除方法”一节中,我们使用模拟数据的方法进行了优化。找到最优的信号分解算法,我们比较了SWT使用不同的母小波和小波分解算法(表中所示的结果4),达到更好地估计问工件,我们使用不同的模型结构(结果见表5)。

在优化算法中,我们使用SWT使用母亲DB4小波分解算法和分解成12频带的信号。这使我们问工件分离到不同的频段和工件使用时域估计回归模型。不同的模型结构的比较表明,输出误差(OE)和非线性Hammerstein-Wiener阶2也有类似的表现,比其他模型。

在前面的小节中,我们比较了不同的方法和观察到的性能如何结合小波分解和回归分析(表9)可以提高工件的性能问/脑电图研究去除方法。

使用该方法,我们可以专注于特定的频段和移除问工件与更好的性能在每个频带,另行规定。数据10和11显示符合比例(5)和相关(15)详细的组件之间的估计全球之声信号和模拟数据的全球之声信号的频带中引入表2。

结果表明,哈佛频率成分L10、分裂到8 - 16个赫兹,这相当于4 - 8赫兹,2 - 4赫兹,1 - 2赫兹,和0.5 - 1 Hz的乐队,我们可以分别在拒绝问构件实现更高的性能。的原因之一的鲁棒性方法是建立单独的等效传递函数每个频带的全球之声信号有助于保持算法的性能对大范围的全球之声强度水平,频率范围。为了说明小波分析的重要性,我们描绘了artifact-removed信号使用不同的频率成分(数字12,13,14)。

图14表明,当我们使用特定的频率成分估计全球之声的工件,我们可以显著抑制问工件,实现高信号工件比(SAR)。特别行政区的定义是信号幅度的比值在分贝(dB)工件振幅。我们可以实现的一个特别行政区1 Hz-16赫兹的频率范围,同时,使用的范围中的频率成分1 Hz-32赫兹(图13),我们可以获得一个特别行政区;使用的频率成分1 Hz - 64赫兹的范围(图12),我们有一个特别行政区。在最初的污染EEG信号,而不删除问工件(图1),香港。

4所示。讨论

在“模拟数据”一节中,我们表明,通过模拟皮肤阻抗和估计的传递函数(一个函数对整个频率范围),我们可以重建一个问工件的主要部分。为通道为例,18日,大约87%的全球之声工件是重建(图3),因此我们可以模拟污染脑电图信号来评估该方法的性能。

使用小波分解,我们能够重建高达96%的全球之声构件组件在某些频段,尤其是在全球之声的频率范围的信号(图10)。

我们表明,利用小波分解可以提高时域回归方法估计全球之声的构件。通过回归和小波分析的结合提出了工件的去除方法,我们能够专注于不同的频段和显著改善污染脑电图的SAR数据在特定频段。

该方法和ica方法拒绝问工件上的表现也不同。我们观察到一个高相关性估计问工件和原问信号使用该方法,但我们不能使用ica方法获得良好的相关性。

如前所述,我们不能完全消除全球之声污染在所有频率范围(例如,超过16赫兹)。删除整个问工件对未来仍然是一个问题的方法。

在这项研究中我们还发现二阶非线性Hammerstein-Wiener模型,使用分段线性块4断点(或更少),提供相同的性能输出误差的二阶模型。这意味着全球之声构件之间的关系在脑电图电极和注入问目前在整个时代线性和保持不变。我们的模拟研究结果还显示,脑电图电极之间的阻抗模型和问电极保持不变在整个时代(图4)和使用短的时代不会提高健身的阻抗模型和估计问工件。事实上,它甚至可能恶化的估计时域特征。

我们还显示,当我们应用该方法消除全球之声的构件,减少失真介绍了清洗EEG信号,失真,相比其他方法(例如,ica方法)介绍。此外,使用该方法,我们不需要收集和处理所有脑电图通道作为ica分析;因此,ica方法要快得多。这使我们能够有一个简单的实验装置收集脑电图信号用更少的脑电图渠道问研究使准备主题前的数据采集会话花更少的时间得到累,和更多的肌原性的和眼部工件。ICA方法相比,该方法更容易实现在实时系统中为未来的应用程序。

确认

作者要感谢马丁·j·麦克考恩教授的研究团队,从太平洋帕金森氏症研究中心教授的研究小组也Jean-Sebastien Blouin对养的感觉运动生理学实验室,英属哥伦比亚大学,为实验数据的收集和有用的对话框在我们的工作。