低密度脑电自适应去噪方法

R318; 便携式和可穿戴设备的低密度脑电图更便于实际使用,但会受到多种不可预知的噪声影响,给去噪带来极大的困难.脑活动成分较为相似,在特征空间分布较为紧密,而噪声成分与脑电成分不同,差异性大,在特征空间分布较为分散.本文提出了一种低密度脑电自适应去噪方法,采用小波分解和盲源分离方法提取潜在成分,并基于脑电和噪声成分在特征空间的分布特性,采用单类支持向量机识别并去除远离成分分布中心的异常成分.仿真数据的定量分析结果表明,提出的方法在肌电、眼电和工频等噪声抑制方面均优于现有方法;通过对真实脑电数据的成分簇可视化分析,直观展示了低密度脑电噪声有效去除的原因.结合盲源分离和异常检测的思路进行低密度脑...

Full description

Saved in:
Bibliographic Details
Published in数据采集与处理 Vol. 38; no. 4; pp. 824 - 836
Main Authors 陈贺, 张昊, 柴一帆, 李小俚
Format Journal Article
LanguageChinese
Published 北京师范大学系统科学学院,北京 100875%北京师范大学认知神经科学与学习国家重点实验室,北京100875 01.07.2023
北京师范大学认知神经科学与学习国家重点实验室,北京100875
Subjects
聚类
cluster
低密度脑电
去噪
artifact removal
盲源分离
few-channel EEG
outlier detection
blind source separation
异常检测
Online AccessGet full text
ISSN1004-9037
DOI10.16337/j.1004-9037.2023.04.007

Cover

More Information
Summary:R318; 便携式和可穿戴设备的低密度脑电图更便于实际使用,但会受到多种不可预知的噪声影响,给去噪带来极大的困难.脑活动成分较为相似,在特征空间分布较为紧密,而噪声成分与脑电成分不同,差异性大,在特征空间分布较为分散.本文提出了一种低密度脑电自适应去噪方法,采用小波分解和盲源分离方法提取潜在成分,并基于脑电和噪声成分在特征空间的分布特性,采用单类支持向量机识别并去除远离成分分布中心的异常成分.仿真数据的定量分析结果表明,提出的方法在肌电、眼电和工频等噪声抑制方面均优于现有方法;通过对真实脑电数据的成分簇可视化分析,直观展示了低密度脑电噪声有效去除的原因.结合盲源分离和异常检测的思路进行低密度脑电去噪,不需要设定特定噪声相关的特征参数,能够自适应地去除多种类型噪声同时有效保留脑活动成分,具有优良的性能和实用性.
ISSN:1004-9037
DOI:10.16337/j.1004-9037.2023.04.007