罗志增,严志华,傅炜东

(杭州电子科技大学智能控制与机器人研究所,杭州 310018)

脑电信号EEG(Electroencephalogram)包含了丰富的脑部活动信息,是人类大脑研究、疾病诊断和康复工程的重要信息源[1],但它也是一种非常微弱的非线性信号,其幅值范围在 100 μV以下,采集过程极易受到噪声干扰,产生信号伪迹。较常见的伪迹有眼电伪迹、肌电伪迹和心电伪迹[2]。其中眼电伪迹幅值较大,致使EEG信号产生畸变,且眼电伪迹占据与神经性活动EEG信号相重叠的频带,通过简单的滤波去噪方法不能有效消除[3],导致后续EEG信号特征提取和分类等工作出现较大误差。因此,如何有效地去除眼电伪迹,获得有价值的分析数据,始终是EEG信号处理领域的重要问题之一。

目前,对眼电伪迹去除方法的研究已取得较多的成果,大多数算法借助至少一个眼电记录导联信号作为参考,比较经典的有平均伪迹回归分析方法[4],主成分分析法PCA(Principal Components Analysis)[5]和独立成分分析法ICA(Independent Component Analysis)[6]等。其中,平均伪迹回归分析方法通过眼电通道与其他多个脑电通道的相关性来估计传导系数,并利用传导系数将采集到的EEG信号减去眼电信号,实现眼电伪迹去除;PCA方法要求在实验过程中同时记录EEG信号和眼电信号,分析信号的主成分,通过比较,识别出眼电伪迹成分并加以去除;而ICA方法假设各个信号源相互独立,将原始数据投影到多个彼此独立的特征空间,从而实现原始信号的特征分离,识别并去除眼电伪迹。平均伪迹回归分析方法需要检测独立的眼电通道,PCA和ICA方法也需要较多的脑电通道数据才能获得可靠而精确的源估计[7-8],因此这些方法在单通道或少通道数的便捷式BCI设备中难以适用。……