《電子技術(shù)應(yīng)用》
您所在的位置:首頁 > 其他 > 設(shè)計(jì)應(yīng)用 > 基于HHT的腦電信號去噪處理研究
基于HHT的腦電信號去噪處理研究
來源:電子技術(shù)應(yīng)用2013年第11期
單慧琳, 張銀勝, 唐慧強(qiáng)
南京信息工程大學(xué), 江蘇 南京210044
摘要: 在分析多種時(shí)頻分析方法的基礎(chǔ)上,提出應(yīng)用改進(jìn)型的希爾伯特-黃變換來實(shí)現(xiàn)對腦電信號噪聲干擾的處理。利用經(jīng)驗(yàn)?zāi)B(tài)分解獲得有限項(xiàng)目的經(jīng)驗(yàn)?zāi)J胶瘮?shù),在局部數(shù)據(jù)平均的基礎(chǔ)上利用希爾伯特變換獲得能量譜。研究結(jié)果表明,改進(jìn)的極值域均值模式分解法能夠有效去除腦電信號的噪聲部分,消除鄰近頻率的混疊影響和邊界效應(yīng)。對利用腦電信號診斷癲癇、缺血性腦損和睡眠監(jiān)護(hù)有臨床指導(dǎo)作用。
中圖分類號: TN911
文獻(xiàn)標(biāo)識碼: A
文章編號: 0258-7998(2013)11-0132-04
Study on EEG signal de-noising based on HHT
Shan Huilin, Zhang Yinsheng, Tang Huiqiang
Nanjing University of Information Science and Technology, Nanjing 210044, China
Abstract: Based on analysis of time-frequency distribution method, this paper presents the improved HHT to process EEG noise. EMD is applied to obtain IMF of limited project, and Hilbert transform is adopted to gain the energy spectrum based on the local average data. The research results show that IEMMD can effectively remove the noise in EEG signal, and aliasing and boundary effect of adjacent frequency can be effectively eliminated. It has clinically instructive in diagnosis of epilepsy, ischemic brain damage and sleep monitoring with EEG.
Key words : EEG; HHT; de-noising

    腦電信號(EEG)屬于神經(jīng)生物電信號,是腦神經(jīng)細(xì)胞的電生理活動(dòng)在大腦皮層的反映,通過腦電圖儀放大記錄成曲線圖(即腦電圖EEG)[1]。腦電信號隱藏著人類生理、心理以及病理等信息,對診斷大腦疾病非常重要。結(jié)合病者的癥狀、體征以及其他檢查,能綜合分析如癲癇、腦外傷、腦腫瘤等疾病。

 腦電信號有2個(gè)特點(diǎn):(1)信號非常微弱,屬于弱生理信號,量值為微伏級, 幅值0.1~100 μV,頻帶范圍在0.5~3 000 Hz之間,能量主要分布集中在0.05~30 Hz之間,易受到非神經(jīng)源噪聲和神經(jīng)源噪聲的干擾。(2)腦電信號是非平穩(wěn)隨機(jī)信號,從信號本身難以發(fā)現(xiàn)和分析隱藏病癥??陀^的干擾還包括眼動(dòng)等生理引起的眼電干擾、肌電干擾、儀器高頻電磁噪聲干擾和環(huán)境工頻干擾等,造成腦電圖的偽跡或偽差,給臨床識別造成困難,因此準(zhǔn)確診斷必須在采集和分析EEG數(shù)據(jù)時(shí)消除偽差。
    參考文獻(xiàn)[2]引入自適應(yīng)自回歸模型并結(jié)合最小均方差(LMS)進(jìn)行腦電信號特征分析提取。參考文獻(xiàn)[3]利用雙譜分析腦電信號,利用高階譜能有效辨別疾病和睡眠監(jiān)護(hù)等。參考文獻(xiàn)[4]采用一種動(dòng)力學(xué)模型模擬EEG的參數(shù),運(yùn)用混沌分析法獲取特征。參考文獻(xiàn)[5-6]采用人工神經(jīng)網(wǎng)絡(luò)ANN對EEG的棘波和尖波進(jìn)行預(yù)處理。參考文獻(xiàn)[7-8]對EEG采用小波變換,獲取良好的局部化信息。其他還有獨(dú)立分量分析(ICA)分布、向量機(jī)和稀疏逼近等方法[9-10]。EEG信號是典型的復(fù)雜非平穩(wěn)信號,需要分析瞬時(shí)頻率和瞬時(shí)能量的值,瞬時(shí)能量可以從信號包絡(luò)的瞬時(shí)幅值得到。HHT分析非穩(wěn)態(tài)資料方法獨(dú)特,基于信號的局部時(shí)間尺度進(jìn)行信號分解,相對于其他信號處理方法的最大優(yōu)勢在于自適應(yīng)性,很適合對高噪聲背景下的非線性、非平穩(wěn)信號的分析。本文在介紹HHT原理及其方法的基礎(chǔ)上,應(yīng)用改進(jìn)型的HHT進(jìn)行EEG信號去噪處理研究。
1 算法分析
     對于任意的信號序列,其Hilbert變換Y(t)定義為:
 

    眼部生理活動(dòng)對EEG信號有一定的影響,當(dāng)眨眼或者眼球運(yùn)動(dòng)時(shí),會(huì)產(chǎn)生較大的電位變化,形成眼電圖       EOG(Electrooculography),EOG偽跡會(huì)影響頭皮各區(qū)采集的EEG信號,對大腦前通道影響最為顯著,形成眼電偽跡。圖1、圖2、圖3分別為睜眼、閉眼、睡眠所對應(yīng)的時(shí)頻分析圖。

 

 

    影響腦電圖對大腦疾病(如癲癇)診斷的因素很多,除了個(gè)體差異外,客觀存在工頻和外界噪聲干擾,噪聲直接影響腦電圖的形成,造成的偽跡可能會(huì)誤診或者延誤確診的時(shí)間,因此對腦電圖的數(shù)據(jù)有較高的精度要求。采用改進(jìn)型HHT, 信噪比SNR=-3 dB,采樣點(diǎn)數(shù)256,仿真中頻率分辨率擴(kuò)大3倍,隨機(jī)噪聲信號由于其統(tǒng)計(jì)特性,任一時(shí)間點(diǎn)上的帶寬相同,能量均勻分布。圖4所示為如果信號含有白噪聲,其瞬時(shí)頻率的分布。經(jīng)數(shù)據(jù)平滑處理后仍得到相近似的分布情況如圖5所示,由此可以識別腦電信號??梢娫诟咴肼暠尘跋旅總€(gè)IMF分量的時(shí)頻分布與原始信號的時(shí)頻分布沒有必然聯(lián)系,只有綜合每一個(gè)IMF的時(shí)頻分布特征才可以大致得到非平穩(wěn)信號在整個(gè)時(shí)頻域內(nèi)的分布情況。信號經(jīng)EMD分解后各IMF分量的時(shí)頻分布如圖6所示。
    在信噪比-10~+5之間,對腦電信號分別應(yīng)用小波變換、匹配低通濾波設(shè)計(jì)和改進(jìn)HHT進(jìn)行去噪處理,得到不同信噪比背景下的均方誤差(MSE),如圖7所示。結(jié)果表明,匹配低通濾波有時(shí)會(huì)把有用信號擾亂成噪聲,抗噪性能比較差,均方誤差較大?;?層基的小波變換濾波去噪特性較好,不同的小波基特性固定,選擇合理的小波基比較復(fù)雜,而且不能有效逼近局部信號。基于IEMMD的改進(jìn)型HHT變換,去噪效果明顯,MSE相對較小,特征更加明顯。

    腦電信號去噪是近年來的研究熱點(diǎn)。HHT變換分析處理腦電信號時(shí),能很好地交叉項(xiàng)的干擾和相鄰頻率的干擾,對生理活動(dòng)的擾動(dòng)也有很好的抑制作用。與小波分析和低通濾波等降噪方法相比,HHT有較好的靈活性,這些對于神經(jīng)系統(tǒng)的癲癇、出血性腦損等疾病的診斷起著積極的作用。HHT中核心的EMD是一種基于經(jīng)驗(yàn)的模式分解,局部均值和算法評價(jià)有待完善,而改進(jìn)后的HHT算法能有效去除腦電信號的噪聲部分,從而使腦電信號特征更加明顯。
參考文獻(xiàn)
[1] 吳曉彬,邱天爽.基于時(shí)頻分析的EEG信號分析處理方法研究進(jìn)展[J]. 國外醫(yī)學(xué).生物醫(yī)學(xué)工程分冊, 2004,27(6):321-325.
[2] 高湘萍,吳小培,沈謙.基于腦電的意識活動(dòng)特征提取與識別[J].安徽大學(xué)學(xué)報(bào)(自然科學(xué)版),2006,30(2):33-36.
[3] 艾玲梅,黃力宇,黃遠(yuǎn)桂,等.利用雙譜分析的癲癇腦電特征研究[J].西安交通大學(xué)學(xué)報(bào),2004,38(10):1097-1100.
[4] 王興元,駱超,譚貴霖.EEG動(dòng)力學(xué)模型中混沌現(xiàn)象的研究[J].生物物理學(xué)報(bào),2005,21(4):307-316.
[5] GABOR A J. Seizure detection using a self-organizing  neural network:validation and comparison with other detection strategies[J]. Electroencephalography and Clinical Neurophysiology,1998,107(1):27-32.
[6] PRADHAN N, NARAYANE D. Data compression by linear  prediction for storage and transmission of EEG signal[J].International Journal of Biomedical Conputing,1994,35(7):207-217.
[7] KALAYCI T. Wavelet Preprocessing for automated neural network detection of EEG spikes[J].IEEE Engineering in  Medicine and Biology,1995,14(2):160-166.
[8] 單秋云,李醒飛,鐘瑩.腦電神經(jīng)信號處理及傳輸系統(tǒng)的研究[J]. 電子技術(shù)應(yīng)用,2007,33(7):87-90
[9] COMON P. Independent component analysis: A new concept[J]. Signal Processing,1994(36):287-314.
[10] Wu Mian. Electroencephalogram signal analysis based on  a sparse representation model[J].Journal of Clinical Reha-bilitative Tissue Engineering Research, 2008,12(4):667-670.

此內(nèi)容為AET網(wǎng)站原創(chuàng),未經(jīng)授權(quán)禁止轉(zhuǎn)載。