文摘

生成的运动捕捉时间的electro-encephalography (EEG)信号导致的工件,这可能减少获得信息的质量。现有工件去除方法用典型相关分析(CCA)去除工件一起合奏经验模态分解(EEMD)和小波变换(WT)。提出了一种新方法,进一步分析和提高过滤性能,减少过滤器非常嘈杂的环境下计算时间。CCA的这种新方法是基于高斯消元法用于计算相关系数使用反斜杠操作,是专为脑电图信号运动工件去除。使用高斯消去法求解线性方程来计算特征值降低计算成本的CCA方法。这部小说测试方法对现有工件去除技术使用EEMD-CCA和小波变换。性能测试在合成和真实的EEG信号数据。提出了工件去除技术评估使用效率矩阵如del信号噪声比(DSNR),λ(λ),均方根误差(RMSE),运行时间,中华民国参数。结果表明该算法的适应性用作补充目前使用的算法。

1。介绍

脑电图信号广泛用于探索人类大脑活动和优于其他生理信号,因为他们可以直接用于检测脑电活动变化跨度毫秒的时间,而功能性磁共振成像(fMRI)在几秒或几分钟时间分辨率。通常,脑电图信号遭受各种运动工件生成的捕获时间。有两个主要来源的工件在机器和环境以外的神经信号。这些肌肉和眼活动的个体产生低烈度,低频电脉冲,过滤范围的传感器和录音设备。

EEG信号受到各种工件心电图(ECG)、眼电图(小城镇)和肌电图(EMG)。的EMG工件更感兴趣,因为它有更高的振幅,广泛、多变的地形分布比EEG信号(1]。EMG构件自相关低于脑电图信号由于其广泛的频谱。此外,这些构件类似颞白噪声。因此,工件拒绝是一个基础研究的主题,并研究在2]。EEMD是数据驱动和noise-assisted方法应用于去除运动构件的单通道脑电图信号(3]。

基于组件的自动分选机的工件需要线性信号分解为源组件。组件提供的个人性质的信息,工件信息结合到单独的来源和重建信号没有这些来源声称artifact-free信息。盲源分离(BSS)方法的性能作为独立分量分析(ICA)和CCA脑电图信号眨眼工件去除比较在4),得出的结论是,CCA比ICA更准确和更快。CCA算法执行比ICA对肌肉的工件去除因为这些工件生成由于运动身体的肌肉组织。此外,这些工件不代表刻板的地形(5]。田永红et al。6]CCA算法应用于去除肌肉工件从脑电图信号。此外,工件去除方法是提高了WT CCA算法后申请自动检测和删除肌肉工件从脑电图信号(7]。的级联组合EEMD和CCA技术适用于单通道脑电图工件去除(8,9]。单通道脑电图信号转化为多维信号EEMD技术。CCA,二阶统计应用于隔离构件组件从输入信号和它的性能比较,提出了更好的相比现有的小波去噪和EEMD-ICA级联算法。陈等人。10)提高了过滤方法运用EEMD和MCCA(多重集CCA)删除EMG更多的计算时间。自动清除眼部工件,CCA的级联组合和WT算法提出了(11),证明了该方法显著去除工件与保留原始信号的神经活动。Safieddine et al。12]建议EEMD算法优于其他随机和确定的工件去除方法和WT算法表现良好在嘈杂的数据较少。

找到一个有效的级联方法EEMD-CCA-SWT成功为脑电图运动工件去除(13]。EEMD的结合、CCA和SWT方法已经应用了有效抑制运动工件的脑电图信号。这种三级级联的方法有效地消除了工件增加计算成本。这个计算复杂度降低在这个研究论文通过开发现有correlation-based算法和高斯消去法(GE)和插入EEMD-SWT的级联,导致EEMD-GECCA-SWT EEMD的结合和改进方法GECCA(高斯消去法典型相关分析)与SWT。这增加计算成本是有效地减少由于应用GECCA CCA的方法。左边矩阵划分应用于GECCA允许更好地估计矩阵求逆;因此,它提高了SWT过滤效率,从而提高了整体效率的脑电图运动工件去除。

本文组织如下。工件去除方法召回部分2该算法,然后讨论了部分3。应用脑电图数据集给出的细节部分4;结果的方法,以表格形式相比,和详细的章节中讨论5。最后,结论部分6。

2。工件去除方法

2.1。集成经验模态分解

EEMD算法将信号分解成一系列固有模式函数(货币)通过迭代方法称为筛选[12]。在第一层,IMF1的意思是原始EEG信号的上、下包络 。然后减去IMF1获得的残余信号 。这个过程是迭代停止准则是成全(残余信号能量是接近于零)。剩下的残余信号 在哪里

最后,信号是通过添加所有的货币和残余信号重建

2.2。高斯消去法典型相关分析(GECCA)

标准的现有CCA算法从一个假设开始和两组随机变量(4]。是输入矩阵和向量被定义为暂时相关的二维卷积算子有效吗向量的线性卷积的面具作为

合并两个输入向量

如果是最大的典型相关, 汽车向量的协方差吗和 ,分别为,和之间的交叉协方差向量和 。各种可能的相关矩阵 在哪里的大小吗 , 的大小吗 , 预定义的小剩余常数将是哪一个本文所使用的是标准的CCA方法(2,眼睛是单位矩阵与对角条款1和所有其他条款为零。这个词为了设置和维护使用最初的协方差矩阵的非零值吗 。的小价值不影响协方差矩阵的值。

两种不同的典型解决方案获得通过计算协方差

这相当于两个线性方程和向量的方向,分别 在哪里和是权重向量和和典型变量的记者和 ,分别。

最大的变量之间的相关性和计算(8]

现在,分层矩阵通过简化计算(9), 在哪里计算得到的特征值(k)(10)和(11),此外,和变量等于最大价值的特征向量(特征值)。

这些权重向量和替换(8)来计算正则变量和 。此外,分层矩阵可以通过逆估计权向量的计算 。最后,源预计通过应用和或作为

因此,观察到标准CCA算法使用矩阵逆操作来解决线性方程组得到最大的价值确定分层矩阵 。

在这个研究论文,一个快速和有效的修改CCA算法使用反斜杠或左矩阵分裂算子求解线性(10)和(11)来计算特征值。这个反斜杠符比逆算子的快速和高效。其余算法类似于CCA方法。让我们定义线性(10), 在哪里

的参数和从线性(15)和(16)被定义为

标准CCA方法使用反矩阵获得的价值和 。摘要左矩阵部门提出解决这些线性(15)和(16)。

左边的除法运算符可以被定义为一个矩阵划分的成 ,等于的解决方案 。如果是一个N——- - - - - -N矩阵和是一个列向量N组件或一个矩阵包含几个这样的列,然后 方程可以定义左分裂算子 。

类似的解决方案可以定义矩阵 。解决方案(15)和(16)可以写成

方程(18)和(19)表明,逆操作的作用是避免获得参数的值和 。这将简化方程,从而计算时间。

2.2.1。除法操作符用于GECCA离开的理由

为了证明了分裂算子,分子和分母都乘以分子转置

通过运营商使用的顺序高斯消去法的概念, 自和是N——- - - - - -N对称矩阵和和列向量,N组件或一个矩阵等一些列。

自 因此,(21)和(22)可以写成

对于对称方阵, 和

然后(23)和(24)简化为

替换的值和从(25)和(26)(14)的解决方案获得的是

的价值没有获得逆操作仅由应用部门操作员。这种解决方案不仅可以节约计算时间,还增加了CCA方法的效率,减少错误。获得的 特征值吗按照降序排列, ;和特征向量的最大价值 。

然后CCA组件 通过将向量在(8),消息人士预计通过使用分层加权矩阵通过使用(12)。

如果是一个 矩阵 和是一个列向量组件、或矩阵等一些列 解决方案是在最小二乘意义下或确定方程组 。有效的排名的决定从旋转的QR分解。解决方案计算,最多每列非零组件。

2.2.2。在CCA GECCA算法的好处

CCA GECCA算法的优势如下:(1)CCA算法的操作取决于找到分层矩阵逆操作。如果输入矩阵不是方阵,那么这个CCA算法失败。然而,离开部门运营商GECCA算法提供了一种解决方案如果输入矩阵不是方阵。(2)CCA算法涉及到矩阵的逆操作。逆操作计算复杂和耗时。然而,提出了获得GECCA算法的速度比CCA correlation-based源分离采用左部门操作的逆操作。(3)拟议中的GECCA算法采用分裂算子。这个操作符允许更好地估计矩阵求逆。这些有效的估计系数应用于SWT滤波器提高SWT过滤效率从而提高运动工件去除算法的整体效率。(4)CCA算法在每个情况下操作不一致。这个问题是可以克服的提议GECCA算法。

上面的讨论与WT算法高效、快速correlation-based算法应用在随后的小节中讨论。

2.3。小波变换(WT)

工件可用EEG信号的级联方法抑制EEMD GECCA。尽管如此,一些大脑行为可能被打扰由于高频传感器噪声和低通和高通滤波器组件。这些噪声信号频率会与大脑信号重叠,那么传统的过滤技术不能被利用,因此这个应用WT带走多余的噪音从脑电图信号(12]。

最常应用小波变换的离散小波变换(DWT)。在脑电图中工件去除,保留信号的神经信息的行列式。因此,一些最新的研究表明,平稳小波变换(SWT)是一个强大的工具来清除工件的信号保留原始EEG信号的神经信息(14]。

SWT算法翻译不变,所以没有将采样的数据。Translation-invariance是通过删除,和upsamplers DWT和upsampling滤波器系数的因素在的算法。SWT是首选的,因为它消除了不可预知的行为和脑电图信号由于噪声随机性运动构件剩余两级过滤后的脑电图信号。因此,脑电图信号变得平和的长度包含所有基本属性。最后,基于讨论算法的算法将在下一节中讨论。

3所示。算法

提出了工件去除算法如下:(1)定义引用脑电图数据多通道数据集的关联匹配。(2)输入工件脑电图通道通过EEMD分解与3乐团将单通道脑电图转换成多通道脑电图数据。(3)生成的首先是传递给GECCA源分离算法。(4)GECCA输出包含的构件形式的随机性和噪音。因此,进一步应用GECCA SWT的输出工件去除算法有效。执行分解通过SWT的频域信号Rigrsure阈值。(5)皮尔森相关系数是用于工件识别和抑制,最后重建找到artifact-free信号。(6)参数进化是基于信噪比和相关性进行改进。相关性进行对参考原始脑电图数据最初定义的。(7)的参数评估方法与现有的运动完成工件去除方法。

4所示。脑电图信号数据集

EEG数据多通道数据被认为是标准的麻省理工学院头皮数据集与24通道记录不同的电极。这个数据集可以在生理网。数据是10秒和2560个样本/信号。采样频率为256赫兹,采样间隔0.00390625秒。这些数据样本是减少到16通道以满足国际标准的10 - 20频道。图1显示第一个16通道的脑电图数据集与chb01_01_edfm网上。垫在生理网提供的Shoeb [15]。它是观察从图1每个通道记录与不同电极具有不同的运动特征。

在图1(一),通道1、5、9、13个对应眨眼见负高峰(1000和2000)的规模。这是显示和Shoeb引用的15]。这些通道(1、5、9、13)以来最大运动或工件他们有更高的标准偏差为172.0907,175.417,136.129,和170.467,分别。本文通道数字4 7和11个影响最少的工件(200)只有规模的16通道脑电图信号,这可以通过最低定量合理的平均值和标准偏差(除10规模),如图1 (b)。英吉利海峡在图71(一)有最小的标准偏差(= 4364903)和最小绝对平均值(= 0.228125),如图1 (b)这证明最小运动构件。因此,频道号码7作为参考信号用于correlation-based工件去除。该参考信号称为原始信号。

图2比较原始的或引用脑电图数据(频道号码7)蓝色和artifactual信号(频道号码5)用红颜色。通道5所示的比较,因为它有最大标准差为175.417,最大峰值变化眨眼。它是观察从图2,原始脑电图数据可能遭受肌肉运动工件绿色矩形下(如图所示)或眨眼工件(显示在黄色矩形)或他们两人。眨眼工件可能会引起振幅增加约10倍原来的脑电图数据。此次工件与EEG信号脉冲形式,而肌肉运动导致随机广谱振幅的变化。引用脑电图数据的性质和显然没有工件如图2 (b)和2 (c)。

眨眼工件可能会引起振幅增加约10倍原来的脑电图数据。此次工件与EEG信号脉冲形式,而肌肉运动导致随机广谱振幅的变化。摘要肌肉运动工件的信号(如第5频道)是自然生成的EEG数据捕获与电极的时候。因此,为了清晰,引用和工件信号的增强版数据所示2 (b)和2 (c)。

5。结果和讨论

这部小说GECCA工件去除方法是评估artifactual脑电图频道5号并与CCA算法。比较脑电图工件的去除方法通道5号使用CCA和GECCA DWT图所示3。EEG信号频道7号被认为是纯粹的脑电图信号。绿色和黄色框的比较数据3(一个)和3 (b)表明盲源分离(BSS)基础上提出GECCA方法消除了运动构件显著优于现有CCA-based方法。绿色矩形记者CCA,黄色矩形GECCA记者。可以看出眨眼的山峰与GECCA-DWT最小化与CCA-DWT眨眼一半的山峰(订单的±200减少到约±100)第四行所图3。此外,第二个眨眼的模式也更类似于参考GECCA-DWT后脑电图信号。

SWT算法更精通的工件去除神经脑电图信号相比DWT算法;因此,BSS提出方法的有效性与SWT (GECCA)也是评估并与CCA-based方法。图4提供使用CCA脑电图工件去除方法的比较和GECCA SWT过滤。工件去除方法应用在5号频道,和性能相对于参考通道7脑电图信号。比较各自的绿色和黄色框的数字4(一)和4 (b)表明该GECCA方法消除了运动构件显著优于现有CCA-based方法。此外,警惕的观察和比较各自的绿色矩形图4(一)和黄色的矩形图4 (b)表明GECCA与SWT比CCA-SWT删除眨眼的效果。可以看出眨眼的山峰与GECCA-SWT最小化与CCA-SWT眨眼一半的山峰(订单的±200减少到约±100)如前所述在第四排图4。这可能是定量更好明确在接下来的部分封装在评价参数比较表1。

8后重构信号SWT-smoothened CCA方法比较,GECCA如图5。观察到GECCA方法不仅保留了信息,还提供了更好的快速估计。这是结论通过比较第二和四频段如图5 (c)和5 (d)。

此外,该工件去除方法(EEMD-GECCA-SWT)输出比较三个不同的脑电图频道数据,即Ch 4, Ch 9日和Ch 14,呈现在图6。在图6蓝色呈现原始artifactual信号,而红色代表了该方法过滤输出信号。是GECCA表明,该方法消除了眨眼显著运动工件和工件。

为了评估该方法的性能,参数进行评价,如表所示1。工件去除方法的性能进行了CCA和GECCA方法DWT和SWT过滤方法。可以看出该方法EEMD-GECCA-SWT减少了大约15.81%的均方误差(MSE)和改善DSNR性能显著。此外,λ越高(λ)值表示提高过滤性能8]。表1表明GECCA-based工件去除方法实现改进的λ(λ)值。警觉的观察结果表1也带来了更好的相关改进GECCA CCA相比,对DWT和SWT。反斜杠符提供了更好的估计效率。因此,高斯elimination-based方法提供了改进的相关性通过使用反斜杠操作比矩阵逆的方法更有效。

该方法也进行了评估与接受者操作特征(ROC)曲线参数如表所示2。,阳性预测值(PPV),阴性预测值(NPV),灵敏度(Sen)和特异性(Spe)计算了真阳性(TP),真阴性(TN),假阳性(FP),和假阴性(FN) [16)如下:

真阳性(TP)表明,样本被确定为一个工件时,它实际上是一个工件。假阳性(FP)了,样品被确定为一个工件但实际上并不是。假阴性(FN)是一个指标没有工件;然而,工件出现在示例。此外,真阴性(TN)表示工件时,工件的缺失实际上是不存在的。

ROC曲线是真阳性之间的对比图率或敏感性和假阳性率(1−特异性)(16)工件的准确检测脑电图信号如图7。

图7(一)显示基于DWT CCA和GECCA方法的比较。蓝色和红色水平线显示EEMD-CCA-DWT的敏感性和EEMD-GECCA-DWT工件去除方法,分别。CCA-based方法的灵敏度或真正的工件检测率是0.39961,而GECCA-based方法提出了改进的快速响应和增加价值为0.45156。然而,图7 (b)显示了CCA和GECCA算法基于swt的方法比较相同的蓝色和红色颜色代码。这两种方法目前几乎相似的敏感性为0.43438和0.43789,分别如表所示2。虽然,GECCA-based CCA方法执行比工件去除算法。此外,算法的灵敏度与准确度。所有中华民国参数敏感性,特异性,PPV和NPV如上所述的(28),(29日),(30.)和(31日)计算脑电图信号通道5号和有效的比较列表CCA和GECCA-based方法如表所示2。可以看出GECCA-based方法显示比CCA-based方法改进的敏感性,从而更好的准确性与DWT和SWT过滤。此外,特异性、PPV和NPV也提高了GECCA-based方法。

此外,GECCA-based工件去除效率的评估方法也通过考虑中华民国参数对于大多数工件污染通道数字(1、3、5、6、9和14)从图1。表3封装所有中华民国参数基于CCA和GECCA过滤方法。它是观察从表3GECCA-based方法显示改善准确性相比CCA-based方法除了通道1。同样,特异性,PPV和NPV参数也提高的大部分通道提出了成功GECCA-based工件去除的方法。

左边的矩阵的使用部门运营商GECCA算法执行速度比逆矩阵法用于CCA算法。因此,拟议的速度比CCA GECCA方法。此外,左矩阵部门允许更好地评估矩阵求逆的提高了SWT过滤效率从而提高整体效率的皮尔森correlation-based工件去除。

这个执行或计算速度由运行时间评估。运行时间比较DWT和SWT如图8(一个)这表明SWT比DWT快。图8 (b)比较GECCA和CCA SWT的运行时间。这个礼物GECCA SWT算法计算时间比与SWT CCA方法快。

图8(一个)表明,SWT比工件去除DWT方法快。因此,SWT时间评估和CCA GECCA方法和得出结论,GECCA方法与SWT是脑电图工件去除更快更有效。

6。结论

EEG信号的测量和处理导致信号污染的概率显著通过运动构件可阻碍重要特征和原始EEG信号中存在的信息质量。诊断人类神经系统疾病如癫痫、肿瘤,和问题与创伤有关15),这些工件必须适当地修剪保证没有损失的主要属性脑电图信号。因此,小说在级联算法介绍了GECCA EEMD和SWT运动工件的快速和有效的抑制从单通道脑电图信号。拟议中的GECCA方法使用反斜杠操作来解决线性方程。这提高了计算效率的方法。SWT的应用而不是DWT改善方法的信噪比性能和速度比DWT方法。然而,该算法可能给抚平如果设计不当。该方法基于GECCA比传统的CCA快18%。的各种评价参数del信号噪声比(DSNR),λ(λ),均方根误差(RMSE),和民国参数用来比较的性能提出了工件去除算法。中华民国参数比较表明,改进的精度达到1 GECCA算法除了Ch。最优评价结果显示提出的成功运动工件去除方法。

的利益冲突

作者宣称没有利益冲突。