孟 明,杨国雨,高云园,甘海涛,罗志增

(杭州电子科技大学智能控制与机器人研究所,杭州 310018)

头皮脑电EEG(Electroencephalogram)由于其易采集、无创性以及较好的时间分辨率,在最近被广泛关注的脑机接口应用中,有着不可替代的作用。但由于头皮脑电是一种非平稳非线性极其微弱的随机信号[1],极易被心电,眼电,电磁干扰,工频干扰等大量外界干扰信号淹没[2],所以消噪就成了脑电信号预处理阶段中最重要的步骤之一。

文献[3]提出的经验模态分解EMD(Empirical Mode Decomposition)是一种自适应的数据分解方法,能够较好地处理随机非平稳信号,具有良好的自适应性、信号的完备性等[4]。因此,EMD成为现代信号处理分析领域的一个研究热点,然而EMD方法存在模态混叠现象:当信号的极值点分布不均匀时,会导致一个相似尺度信号分布在不同的内蕴模态函数IMF(Intrinsic Mode Function)分量中或者一个IMF分量中出现多个尺度信号,从而使IMF分量失去了原本的物理意义。

Wu和Huang在EMD基础上改进提出了集合经验模态分解[5]EEMD(Ensemble Empirical Mode Decomposition),通过加入白噪声改变信号的极值点分布,进而有效地改善EMD的模态混叠现象,极大提高了信号的信噪比。但是基于EEMD的信号消噪方法通过直接去除EEMD分解结果中的前几个高频IMF分量来消噪,导致在去掉高频IMF分量中噪声的同时去除了其中的有效信息成分[6]。

降噪源分离DSS(De-noising Source Separation)是盲信号分离广泛应用的一种技术。Valpola等人在研究基于贝叶斯准则的快速独立分量分析算法的过程中,提出了DSS的基本理论概念[7]。DSS本质是在源信号复杂结构未知的的条件下,根据信号的统计特性,选择合适的降噪函数将复杂信号分解为若干组成分量,从而实现源信息的挖掘。……