文摘

提高空间分辨率,密集的多通道脑电图有超过32导致了越来越多的应用。然而,强常见干扰不仅会掩盖弱组件产生的特定的隔离神经来源,还导致严重的大脑不同区域之间的伪相关,导致大脑连接或网络上大变形分析。从快速独立分量分析算法,首先推导出混合矩阵的独立源组件基于基线信号之前的任务。然后,我们确定常见干扰这些组件的混合向量张成的最小角度对单一向量。通过假设常见干扰和相应的混合向量保持一致在整个实验中,我们运用分层和混合矩阵的任务和删除推断出常见的干扰信号。随后,我们使用仿真验证的方法。最后,全球一致性指数计算进行验证。事实证明,该方法可以成功删除的共同干扰,这样杰出的连贯性μ节奏在运动图像的任务是一览无遗。该方法可以获得广泛应用,因为它揭示了真正的当地来源尽管之间的相关性较低的信噪比。

1。介绍

从头皮脑电图(EEG)收集整合大量的皮层神经元的电活动模糊的头骨(1]。尽管人们普遍认为脑电图的优势高时间分辨率、空间分辨率仍然是一个问题(2]。提高空间分辨率,密集的多通道脑电图(超过32通道)和高密度脑电图(超过128个频道)获得了越来越多的应用。然而,使用渠道越多,更多的冗余信息。它直接导致这一事实势单力薄组件产生的特定神经源深深隐藏的常见组件周围的来源(3]。此外,这些裁员会导致伪相关/大脑不同区域之间的协调而事实上或勤杂人员。它将极大地扭曲了大脑连接或网络分析的结果,它变得越来越受欢迎(4- - - - - -15]。因此,重视揭露的孤立source-corresponding组件从最初收集信号冗余信息过多或常见的干扰。

在多通道脑电图redundancy-removal方法,一个代表表面拉普拉斯算子的参考方案(16,17]。减去平均潜在附近后,原始信号引用到一个或两个常见的位置转换为各自的本地引用。通常,信号幅度将大大减少,去除冗余的预期回报。表面拉普拉斯算子的参考方案在理论上是简单和容易实现。然而,使用社区内的算术平均作为本地引用可能有点粗糙,不管邻居之间的传导差异导致。此外,要注意选择的社区。

另一个代表是独立分量分析(ICA) [18,19]。事实上,ICA一直应用于脑电图预处理[20.- - - - - -27包括electrooculography工件去除。最近,惠特莫尔和林已经成功地消除远电气参考以及volume-conducted噪音使用ICA从局部场电位(25]。它极大地激励我们一步,尝试一种更一般的常见的干扰消除。

在提交的手稿,我们不确定源或常见的频率干扰。相反,我们只能假定常见干扰会影响不同的频道最均匀,混合向量保持不变在整个实验中,无论心理活动。此外,通过对常见的干扰和传输矢量在整个实验相同情况下,我们采用组件从基线数据中提取。我们验证该方法在BCI竞争数据集1 (28,29日]。事实证明,该方法可以成功地揭露了相干在μ节奏运动想象的任务。因为高密度脑电图和大脑连接或网络是神经科学的发展趋势,该方法可以获得广泛的应用。

在手稿,我们第一节中描述的方法2,然后在部分3使用模拟验证了方法系列以及实验数据提供的BCI竞争第四,最后讨论了部分结果4。

2。方法

的方法包括三个步骤:独立组件分解,常见的干扰识别和删除和逆变换。

2.1。独立分量分解

在数学上,考虑到独立 消息人士 ,在这 代表了采样时间指数N声道输出( )收集信号表示 可以计算的 在这 是N——- - - - - -米混合矩阵。从理论上讲,每一行 表示一组权重的组合 不同来源的特定频道,每一列的 ,表示为 ,反映的相对影响j源在所有 不同的渠道。

解决独立分量分解(1)获得 在哪里 被称为分层矩阵。因为无论是 也不 是已知的先验,同时最大化或最小化互信息原理是通常用来近似 以及 通过迭代12]。

在此,我们采用FastICA算法提出的Hyvarinen [13为独立分量分解。定点迭代计划以及maximum-negative熵原理采用正交旋转矩阵 的最大非高斯测量prewhitened数据。然后混合矩阵 可以计算为

2.2。常见的干扰识别和清除

随后,我们试图识别和消除常见的干扰通过分析混合矩阵 。

假定的常见干扰组件是假定为一个远端信号在所有电极大约同样的效果。为了获得当地的大脑活动更准确地说,这些远端常见干扰组件应该被删除。要做到这一点,每个之间的矢量角度计算 和一个单位向量,角度越小,越均匀的影响相应的源(独立分量)渠道和更有可能对应的源是一种常见的干扰。我们通过设定相应的删除这个源kth独立源 为0,获得处理 ,最后推导出deabundancy信号

3所示。实验

3.1。模拟

为了验证该方法,我们首先应用仿真系列。我们定义三个收集通道信号是由三个独立的组件,例如, , 和随机的高斯噪声 , ,混合矩阵 。节中描述2,收集到的信号 。高斯组件是故意设置的振幅,并被视为共同的干扰。理论上,我们可以获得纯信号不常见的干扰通过设置第三列元素为0。我们画出纯粹的信号通道在图1和图21(一)如图,收集被污染的信号1 (b)。然后,我们应用该方法 。常见干扰去除后,信号通道绘制在图1和图21 (c)。定量评价的信号质量,我们也算收集信号之间的线性相关系数和纯信号,前后常见的干扰消除。

(一)
(一)
(b)
(b)
(c)
(c)
图1
仿真结果(纯信号(a), (b)是受污染的信号,和(c)是位信号。我们可以看到,虽然噪声强,该方法大大提高了信号质量通过加倍纯净信号的相关系数。因此,验证该方法)。

图1表明,该方法与纯信号的相关系数几乎翻倍,和波形显示信号质量大大提高,即使在如此低的信噪比。

3.2。应用头皮脑电图
3.2.1之上。数据描述

我们将该方法应用到校准数据的数据集1 BCI竞争第四,柏林BCI集团[提供的20.,21]。

这个数据集包括三个人工数据(d c #, #和# e)以及四个数据块记录从4健康受试者(#,#,# f,和# g)在运动图像的实验。每个数据包括59-channel连续脑电图或人工模拟脑电图,采样率为1000 Hz和高截止频率为200赫兹。压缩数据的大小,提供者downsampled低通滤波后的数据到100赫兹和阻带边缘频率49赫兹(21]。根据数据信息,我们领先位置如图2。

(一)
(一)
(b)
(b)
图2
领先位置的信号数据集1 ((a)介绍了铅标签,和(b)介绍了铅号码,以防我们会引用它的手稿)。

之前在每个实验中,第一个线索是,第一个16 s可以考虑时间基准信号,然后200试验的cue-response 8 s随访持续时间。每个试验包括4 s线索和运动图像的任务,2 s黑屏,2 s固定。运动图像可以运动的左手,右手,或脚,每个主体两类运动图像选择。第2.56节开始提示用于以下分析。

3.2.2。常见的干扰消除

基线信号首先作为原始数据计算最佳正交旋转矩阵 和不超过59个独立组件 由FastICA [13]。FastICA的停止标准设置为10的最低重量变化−5。

虽然大脑活动相关的独立的来源可能不同基线和任务之间的试验,常见的干扰信号本身和其相应的传输矢量在整个实验认为是相同的。因此,计算的假定的常见干扰组件基线信号可以扩展到以下任务状态的脑电图治疗。也就是说, 应用于任务试验信号:

删除常见的干扰后,我们获得了信号处理

3.2.3。脑电图结果

我们将该方法应用于脑电图。作为一个代表,我们目前的矢量角来自#一个图3,淡蓝色标志着两个组件作为常见的干扰,然后删除。可以看到,这两个组件不是最小的两个向量角度。然而,我们设置一个额外的限制,所有元素的映射向量应该相同的信号。因此,在这种情况下组件2和4决心为常见的干扰。


图3
分开独立分量的矢量角(浅蓝色标志的两个组件作为常见的干扰和删除)。

我们也检查了前后脑电图系列加工。作为一个代表,我们两个领导的话题#图4。如图4,原始采集的信号5 (F1)和7 (F2)是高度相关的。眼球运动的构件是显而易见的,从4.3到5年代发生。处理后,相关性是缓解和眼球运动工件移除。


图4
代表脑电图系列主题#的结果。(额脑电图污染通常是通过目镜和眼球运动构件。这部分包括两个明显的眼部工件,从4.3到5年代发生。处理后,眼球运动的构件是成功移除,F1和F2缓解)之间的相关性

很难提供一个精确的信号质量评价,因为我们实际上不知道“真实”的信号。然而,我们试图计算相对实力的比较以及连贯性和原始信号(预处理)和信号处理常见干扰删除(后处理)。把话题#作为一个例子,我们现在的相对权力人物5和一致的热图图6通常定义的EEG节律。


图5
相对比较原始信号和常见的干扰信号。(颜色代表了特定的节奏的力量相对于整个频带。正如我们看到的,处理后,相对力量揭示更多的分布特征。这证明我们发现内在的孤立的神经活动,隐藏的强者共同干扰)

图6
相干的热图比较原始信号和常见的干扰信号。(我们可以看到,在处理之前,θ和伽马节奏都呈现强烈的一致性几乎所有领导对。处理后,一致性不同对之间的差异变得明显。此外,亮线平行于对角线扩散处理后更广泛的地区。这意味着后常见的干扰消除相干之间的一些遥远的铅对成为公开的和著名的)

从图我们可以看出5、地图的原始信号的连接区域更大了,而处理后地图揭示更多分布特征。这证明我们发现内在的孤立的神经活动,隐藏的强大常见的干扰。

从图我们可以看出6为原始信号,共同实施强相干干扰导致在同一个小区。导致亮线平行于对角线的热图,这可能掩盖领导不关闭位置之间的一致性。然而,由该方法处理后,明亮的邻域扩散,和一些遥远的铅对之间的衔接手段成为公开的和突出。

我们进一步计算出一个有趣的指数,即。,全球一致性(3,22,做了比较。全球一致性数据集1的结果呈现在图7,水平轴代表频率,纵轴代表了全球一致性指数。

(一)
(一)
(b)
(b)
(c)
(c)
(d)
(d)
(e)
(e)
(f)
(f)
(g)
(g)
图7
之间的全球一致性指数比较原始和处理过的信号。(水平轴代表频率,纵轴代表了全球一致性指数。在原始数据,所有人类受试者,也就是说。,(一),(b),(f),和(g),present high coherences in both low frequency band and high frequency band, which indicates a universal conductance induced consistency on scalp. However, as for the processed data, the high coherences in that two frequency bands are both suppressed while a coherence peak in mu rhythms (the green shade area) becomes prominent except for subject #b. It implies that although we did not mean to filter the specific frequency, the spurious high coherences caused by the common interferences are greatly alleviated. We cannot observe mu coherence in the artificial signals, i.e., (c), (d), and (e))

如数据所示7(一),7 (b),7 (f),7 (g)原始数据,所有人类受试者呈现高衔接手段在低频段和高频段,这表明一个通用电导引起头皮上的一致性。然而,至于处理过的数据,高衔接手段在两个频段都是抑制相干高峰在μ节奏(绿色阴影区域图7除了主题# b)成为突出。这意味着虽然我们并不意味着过滤特定的频率,造成的虚假的高相干常见的干扰是大大缓解。同时,μ节奏的连贯性,本质上与运动想象,揭露了。和人工信号数据7 (c),7 (d),7 (e),我们不能观察μ连贯性。由于这些信号是人工,我们认为这是合理的。因此,上述结果表明,该方法是成功的。

4所示。讨论和结论

连贯性是频域相关的等价。在活跃的大脑,在时域相关分析是困难的,因为去同步化的脑电图振幅很弱。在这些情况下,一致性是合适的替代品。然而,无论是在时间域或频率域,带来的伪相关常见干扰对揭露真实的一个大问题弱神经源之间的合作。在介绍工作,我们提出一个基于独立分量分解的方法;两个最关键的创新包括以下: 混合向量之间的夹角和单一向量而不是频率或形态是用来识别常见的干扰;和 独立组件源和混合向量来自于基线信号应用于以下任务的信号。至于 ,因为大多数脑电图实验中实现stimulus-locking范式,该方法可以获得广泛的应用。总之,该方法提供了成功应用电动机虚构的脑电图的BCI竞争第四,揭示了相干峰汽车相关μ的节奏。

附录

交叉谱矩阵 是计算 在这 和 从通道的光谱计算吗 和j分别在频率 。然后互谱矩阵奇异值分解 ,在那里 是对角矩阵的对角元素,表示是 ,一个特征值, 。最后,全球计算相干

的利益冲突

作者宣称没有利益冲突。

确认

支持这项工作前瞻性项目的整合产业,教育和研究江苏省(批准号BY2015069-06)和社会发展项目的主要研究与江苏省发展计划(批准号。BE2016733和BE2017679)。