去除癲癇腦電信號(hào)運(yùn)動(dòng)偽跡的變分模態(tài)分解-自適應(yīng)熵閾值方法

張力行,張四聰,徐光華,2,李煥發(fā),吳永程

(1.西安交通大學(xué)機(jī)械工程學(xué)院,712000,西安;2.西安交通大學(xué)機(jī)械制造系統(tǒng)工程國(guó)家重點(diǎn)實(shí)驗(yàn)室,710049,西安;3.西安交通大學(xué)第一附屬醫(yī)院,710061,西安)

癲癇是大腦神經(jīng)元突發(fā)性異常放電導(dǎo)致短暫大腦功能障礙的慢性疾病。目前國(guó)內(nèi)患病人數(shù)已達(dá)900萬(wàn)左右,且每年有約40萬(wàn)的新增患者[1],癲癇已成為神經(jīng)科的第二大疾病。雖然癲癇可以使用藥物和手術(shù)進(jìn)行治療,但是仍有30%的頑固性癲癇病人無(wú)法被治愈,存在著癲癇隨時(shí)可能發(fā)作,造成患者受傷、殘疾甚至死亡的風(fēng)險(xiǎn)[2]。由此,迫切需要對(duì)癲癇進(jìn)行提前預(yù)測(cè),有效避免癲癇突然發(fā)作帶來(lái)的傷害。

癲癇作為大腦中樞功能障礙疾病,其診斷與預(yù)測(cè)主要依托腦電信號(hào)進(jìn)行。早期由于癲癇病人腦電信號(hào)采集設(shè)備體積大,主要采用病人臥床狀態(tài)下腦電信號(hào)對(duì)癲癇進(jìn)行診斷[3],由于腦電信號(hào)作為微伏級(jí)微弱信號(hào),濾除采集信號(hào)中混有的眼電、心電等偽跡成為腦電信號(hào)去噪的主要研究方向[4-6]。近年來(lái),便攜式腦電設(shè)備的出現(xiàn),設(shè)備更小巧、支持無(wú)線信號(hào)傳輸、功率較低且使用的電極數(shù)較少[7],解決了正常生活人群的腦電采集問(wèn)題。國(guó)內(nèi)外多家公司推出的便攜式腦電設(shè)備已被有效使用,例如Emotiv公司開(kāi)發(fā)的EPOC+無(wú)線腦電儀[8],采用鹽水電極、支持14個(gè)通道的腦電信號(hào)采集,并提供了手機(jī)端和電腦端的應(yīng)用軟件開(kāi)發(fā)平臺(tái),為基于腦電分析的情緒識(shí)別、娛樂(lè)游戲和醫(yī)療康復(fù)等領(lǐng)域新技術(shù)發(fā)展奠定了基礎(chǔ),也使得頑固性癲癇病人腦電預(yù)測(cè)技術(shù)發(fā)展成為可能。便攜設(shè)備采集的癲癇腦電信號(hào)中,由于患者活動(dòng)時(shí)電纜搖擺或電極與頭皮相對(duì)移動(dòng),又增加了腦電信號(hào)的運(yùn)動(dòng)偽跡,其功率譜覆蓋低頻到高頻相對(duì)較寬的范圍[9],對(duì)準(zhǔn)確進(jìn)行癲癇的腦電信號(hào)預(yù)測(cè)產(chǎn)生了較大的阻礙。因此,研究有效去除癲癇腦電信號(hào)運(yùn)動(dòng)偽跡的消噪方法十分必要。

目前,對(duì)腦電圖(EEG)中運(yùn)動(dòng)偽跡去除主要采用盲信號(hào)分離技術(shù),常用的方法有獨(dú)立成分分析(ICA)[10-11]、典型成分分析(CCA)[12]、經(jīng)驗(yàn)?zāi)Ｊ椒纸?EMD)[13]和模板匹配法[14-16]。文獻(xiàn)[11]中使用Informax ICA方法進(jìn)行盲源分離,通過(guò)觀察被試者在4種行走速度下腦電地形圖、自相關(guān)函數(shù)和譜圖來(lái)手動(dòng)識(shí)別和去除運(yùn)動(dòng)偽跡;文獻(xiàn)[12]認(rèn)為運(yùn)動(dòng)偽跡具有更低的自相關(guān)性,使用CCA方法得到多組自相關(guān)性逐漸降低的向量基,然后將識(shí)別出的運(yùn)動(dòng)偽跡分量置0,逆變換恢復(fù)去偽跡后的信號(hào)。

由于ICA、CCA等方法只能用于多通道腦電信號(hào)的分析且要求信號(hào)非高斯分布,不適合單通道信號(hào)預(yù)處理。文獻(xiàn)[17]采用EMD結(jié)合ICA的方法,有效地將ICA方法去偽跡的范圍從多通道擴(kuò)展到單通道,但是由于EMD方法存在較嚴(yán)重的頻譜混疊的現(xiàn)象(模態(tài)混疊),會(huì)導(dǎo)致有用腦電信號(hào)較嚴(yán)重地流失。文獻(xiàn)[13]結(jié)合集成經(jīng)驗(yàn)?zāi)Ｊ椒纸?EEMD)、CCA和獨(dú)立向量分析(IVA)方法,能夠較好地分離出肌肉偽影,但是該方法基于固定閾值,無(wú)法確定是否足以在大型受試者群體中自動(dòng)去除肌肉偽影。

此外,文獻(xiàn)[14]中提出一種基于步態(tài)偽跡模板的自適應(yīng)濾波器,實(shí)現(xiàn)對(duì)步態(tài)偽跡的去除。雖然基于步態(tài)偽跡模板的方法可以較好地識(shí)別出步態(tài)偽跡成分,但是對(duì)于一些簡(jiǎn)單運(yùn)動(dòng),例如扭頭等運(yùn)動(dòng)偽跡無(wú)法有效地去除,具有一定的局限性。

本文提出一種基于變分模態(tài)分解-自適應(yīng)熵閾值法(VMD-AET)的運(yùn)動(dòng)偽跡識(shí)別方法。利用VMD分解有效克服EMD方法存在頻率混疊導(dǎo)致有用EEG信號(hào)流失的問(wèn)題,可以較好地實(shí)現(xiàn)頻譜分離;基于自適應(yīng)閾值的選擇實(shí)現(xiàn)更多類(lèi)型的運(yùn)動(dòng)偽跡去除;并使用交大一附院的癲癇數(shù)據(jù)集進(jìn)行有效性的驗(yàn)證。將本文方法與ICA-閾值法、EMD-閾值法的去偽跡效果進(jìn)行比較,驗(yàn)證了本文方法的有效性。

1 VMD-AET方法去除運(yùn)動(dòng)偽跡

1.1 VMD方法原理

VMD方法是一種自適應(yīng)、完全非遞歸的模態(tài)變分和信號(hào)處理方法,具有可以確定模態(tài)分解個(gè)數(shù)的優(yōu)點(diǎn)[18]。VMD分解在搜索和求解過(guò)程中可以自適應(yīng)地匹配每種模態(tài)的最佳中心頻率和有限帶寬,實(shí)現(xiàn)信號(hào)的頻域劃分、分量的有效分離,最終獲得變分問(wèn)題的最優(yōu)解。VMD方法不僅實(shí)現(xiàn)了提升復(fù)雜度高和非線性強(qiáng)的時(shí)間序列的平穩(wěn)性,從而獲得包含多個(gè)不同頻率尺度且相對(duì)平穩(wěn)的子序列的目的,而且克服了EMD方法存在端點(diǎn)效應(yīng)和模態(tài)分量混疊的問(wèn)題[19]。VMD方法的核心思想是構(gòu)建和求解變分問(wèn)題[20],其求解過(guò)程如下。

首先構(gòu)造變分問(wèn)題。假設(shè)原始信號(hào)f被分解為k個(gè)分量,分解序列為具有中心頻率的有限帶寬的模態(tài)分量。求各模態(tài)的估計(jì)帶寬之和,使其最小。約束條件為所有模態(tài)之和等于原始信號(hào),相應(yīng)表達(dá)式為

(1)

求解式(1),引入Lagrange乘法算子λ,將約束變分問(wèn)題轉(zhuǎn)變?yōu)榉羌s束變分問(wèn)題,得到增廣Lagrange表達(dá)式為

L({uk},{ωk},λ)=

(2)

式中:α為二次懲罰因子,作用是降低高斯噪聲的干擾。利用交替方向乘子(ADMM)迭代算法結(jié)合帕塞瓦爾定理、傅里葉等距變換,優(yōu)化各模態(tài)分量和中心頻率,并搜尋增廣Lagrange函數(shù)的鞍點(diǎn)。交替尋優(yōu)迭代后的uk、ωk和λ的表達(dá)式如下

(3)

(4)

(5)

VMD方法在求解過(guò)程中因?yàn)樽钚』至款l帶寬度而克服了頻帶混疊的現(xiàn)象,基于單通道求解的原理優(yōu)于ICA方法,只適用于正定問(wèn)題。綜上所述,VMD方法在頻帶分離效果和使用條件上滿足去除腦電信號(hào)運(yùn)動(dòng)偽跡的需求。

1.2 VMD-AET方法

非線性動(dòng)力學(xué)方法[21]已經(jīng)被證實(shí)在反映腦電信號(hào)的復(fù)雜性特征方面具有顯著優(yōu)勢(shì)而備受關(guān)注,其中樣本熵[22]、近似熵、模糊熵[23]和能量熵[24]常作為腦電信號(hào)去偽跡特征。由于運(yùn)動(dòng)偽跡與靜態(tài)分量在能量分布上的差異性,因此本文使用能量熵進(jìn)行求解。能量熵的計(jì)算如下

對(duì)腦電信號(hào)f(t)進(jìn)行VMD分解

(6)

式中:uk(t)為第k個(gè)VMF分量;K為VMD分量的個(gè)數(shù)。

VMF分量的能量為

(7)

VMF能量譜占總能量譜的比重為

(8)

每個(gè)VMF分量的能量熵為

Hk=-PklgPk

(9)

由能量熵定義可知,各頻帶能量占總能量越多時(shí)能量熵越小。3種狀態(tài)下的時(shí)域信號(hào)如圖1所示,觀察靜坐狀態(tài)和運(yùn)動(dòng)狀態(tài)下的EEG可以發(fā)現(xiàn),運(yùn)動(dòng)偽跡分量的幅值遠(yuǎn)大于正常狀態(tài)下的腦電幅值,因此推知運(yùn)動(dòng)偽跡具有更高的能量占比和更小的能量熵,正常狀態(tài)下的腦電信號(hào)則相反。

圖1 3種狀態(tài)下的時(shí)域信號(hào)Fig.1 Time-domain signal diagram under three states

進(jìn)一步觀察圖1可以發(fā)現(xiàn),靜坐狀態(tài)的EEG信號(hào)變化速度緩慢,上下點(diǎn)頭時(shí)變化更快,跑步時(shí)變化最快。對(duì)運(yùn)動(dòng)狀態(tài)下腦電信號(hào)進(jìn)行傅里葉變換,并對(duì)扭頭頻率和步頻進(jìn)行計(jì)算,可以發(fā)現(xiàn),頻譜圖的特征頻率與計(jì)算得到的運(yùn)動(dòng)本身的頻率相近。由于實(shí)際運(yùn)動(dòng)時(shí)癲癇患者可能按照任意自發(fā)的速度進(jìn)行扭頭、走路或跑步,因此導(dǎo)致了腦電信號(hào)中運(yùn)動(dòng)偽跡分量的特征頻率分布較廣。由于VMD方法具有較好的頻帶分離功能,可以很好地將腦電信號(hào)中運(yùn)動(dòng)偽跡分量分離出來(lái),因此本文結(jié)合VMD和能量熵提出一種VMD-AET運(yùn)動(dòng)偽跡去除方法。

VMD-AET方法的詳細(xì)流程如圖2所示。首先,對(duì)含有運(yùn)動(dòng)偽跡的EEG信號(hào)進(jìn)行50 Hz的遞歸濾波器陷波濾波和0～64 Hz的巴特沃斯帶通濾波(一般認(rèn)為與癲癇有關(guān)的腦電信號(hào)頻率在此范圍),去除工頻干擾、提取有用的腦電頻帶信號(hào);在綜合考慮計(jì)算復(fù)雜度和算法性能的基礎(chǔ)上,設(shè)置VMD的參數(shù)k=6以進(jìn)行6層的變分模式分解來(lái)得到VMF分量;然后,分別求VMF分量的能量熵并進(jìn)行降序排列;將最小到最大的能量熵作為閾值,將能量熵小于閾值的VMF分量作為運(yùn)動(dòng)偽跡分量進(jìn)行去除;比較不同閾值情況下的偽跡去除率和信噪比提升指標(biāo),可以發(fā)現(xiàn),當(dāng)閾值設(shè)置為最大能量熵時(shí),去運(yùn)動(dòng)偽跡效果最好;最后,將剩下的正常腦電分量進(jìn)行VMD逆變換,得到不含運(yùn)動(dòng)偽跡的EEG。

圖2 VMD-AET方法流程圖Fig.2 Flow chart of VMD-AET algorithm

1.3 信號(hào)評(píng)價(jià)指標(biāo)

為進(jìn)一步精確地評(píng)價(jià)本文方法和其他方法去除運(yùn)動(dòng)偽跡的效果,引入偽跡去除率和信噪比提升兩個(gè)評(píng)價(jià)指標(biāo)[25]對(duì)信號(hào)的去噪效果進(jìn)行評(píng)價(jià)。前者可以較好地反映去噪后的信號(hào)恢復(fù)到去噪前形態(tài)的能力,后者反映了信噪比的提升能力。下面詳細(xì)介紹這兩項(xiàng)指標(biāo)。

偽跡去除率為

(10)

式中:Cref為參考信號(hào)的自相關(guān);Crec為去偽跡后的信號(hào)與參考信號(hào)的互相關(guān);Cart為參考信號(hào)與偽跡信號(hào)的互相關(guān)。偽跡去除率反映了去噪后的信號(hào)與參考信號(hào)的相似程度,它越大說(shuō)明去噪后與去噪前信號(hào)形態(tài)越相似。

信噪比提升為

(11)

式中:Verbf和Veraf分別為去噪前后信號(hào)的方差。信噪比提升越大說(shuō)明去噪效果越好。

2 實(shí)驗(yàn)驗(yàn)證與分析

為了驗(yàn)證本文方法的有效性,首先設(shè)計(jì)在實(shí)驗(yàn)室采集5名健康被試者不同運(yùn)動(dòng)狀態(tài)下的腦電數(shù)據(jù),以驗(yàn)證該方法去除運(yùn)動(dòng)偽跡的有效性,進(jìn)而對(duì)西安交通大學(xué)第一附屬醫(yī)院的5名癲癇患者發(fā)作前活動(dòng)癲癇腦電數(shù)據(jù)進(jìn)行分析,以驗(yàn)證該方法的實(shí)際應(yīng)用能力。

2.1 實(shí)驗(yàn)室數(shù)據(jù)采集與分析

2.1.1 數(shù)據(jù)采集 實(shí)驗(yàn)采用奧地利Guger Technologies公司研發(fā)的12導(dǎo)有線腦電采集設(shè)備,以1 200 Hz的頻率進(jìn)行連續(xù)采樣,濾波范圍為0.01～100 Hz。腦電電極的排布方式依據(jù)國(guó)際標(biāo)準(zhǔn)10/20系統(tǒng),以左耳為參考電極。為了解不同運(yùn)動(dòng)方式和速度的腦電信號(hào)的特征,本文選擇5名被試者(4男1女,年齡在21～24歲之間),讓其進(jìn)行靜坐、上下點(diǎn)頭、左右扭頭、0.5 m/s行走(走路1)、1.2 m/s行走(走路2)、1.4 m/s行走(走路3)、1.6 m/s行走(走路4)、1.8 m/s行走(走路5)、2 m/s跑步,并在這9種狀態(tài)下采集每名被試者在靜坐和不同運(yùn)動(dòng)狀態(tài)下的腦電信號(hào)。為了消除不同運(yùn)動(dòng)狀態(tài)之間的影響,要求被試者在每一種運(yùn)動(dòng)狀態(tài)測(cè)試結(jié)束后進(jìn)行一定時(shí)間的休息,監(jiān)測(cè)其心率恢復(fù)到正常后再進(jìn)行下一運(yùn)動(dòng)狀態(tài)的測(cè)試。各種運(yùn)動(dòng)狀態(tài)說(shuō)明如下。

狀態(tài)1 靜坐。讓被試者在椅子上靜坐。

狀態(tài)2 上下點(diǎn)頭。讓被試者以正常速度上下點(diǎn)頭。

狀態(tài)3 左右點(diǎn)頭。讓被試者以正常速度左右扭頭。

狀態(tài)4 慢走(走路1)。讓被試者以0.5 m/s的速度在跑步機(jī)上慢走。

狀態(tài)5 正常走(走路2)。讓被試者以1.2 m/s的速度在跑步機(jī)上行走。

狀態(tài)6 正常走(走路3)。讓被試者以1.4 m/s的速度在跑步機(jī)上行走。

狀態(tài)7 正常走(走路4)。讓被試者以1.6 m/s的速度在跑步機(jī)上行走。

狀態(tài)8 快走(走路5)。讓被試者以1.8 m/s的速度在跑步機(jī)上快走。

狀態(tài)9 跑步。讓被試者以2 m/s的速度在跑步機(jī)上跑步。

圖3為實(shí)驗(yàn)采集到的一名健康被試者的腦電數(shù)據(jù)。由圖3可以看出,在靜坐狀態(tài)下腦電信號(hào)的幅值最小且波動(dòng)較小;在扭頭階段,幅值和波動(dòng)的變化速度增加;在走路和跑步階段,腦電信號(hào)的幅值隨著運(yùn)動(dòng)速度的增加變化越來(lái)越大,在跑步狀態(tài)下信號(hào)的幅值最大且變化速度最快。

圖3 一被試者在靜坐和8種運(yùn)動(dòng)狀態(tài)下的腦電信號(hào)Fig.3 EEG signals of a subject in sedentary and eight motion states

對(duì)EEG信號(hào)進(jìn)行傅里葉變換,圖4為左右扭頭狀態(tài)下信號(hào)的頻譜。經(jīng)過(guò)步頻和速率的計(jì)算公式可知被試者的實(shí)際扭頭頻率大約為0.5 Hz,與特征頻率基本一致,計(jì)算其他運(yùn)動(dòng)狀態(tài)下也有類(lèi)似的結(jié)論。

圖4 一名被試者在左右扭頭狀態(tài)下的信號(hào)頻譜Fig.4 Spectrum of a subject in the state of left and right head-turning

2.1.2 數(shù)據(jù)處理與分析 運(yùn)動(dòng)偽跡去除的具體步驟如下。

步驟1對(duì)信號(hào)進(jìn)行濾波。本文選擇了二階遞歸濾波器陷波濾波去除50 Hz工頻干擾,以及巴特沃斯濾波器進(jìn)行低通濾波,頻率設(shè)置范圍為0～64 Hz。

經(jīng)濾波處理可得到5名被試者的EEG信號(hào)。圖5為一名被試者濾波前后的時(shí)域,可以看出,濾波前EEG信號(hào)中存在的50 Hz工頻干擾和100 Hz的整流信號(hào)在濾波后均被有效地消除。由此說(shuō)明陷波濾波和巴特沃斯濾波器均達(dá)到了有效的濾波效果。

(a)原信號(hào)時(shí)域

(b)原信號(hào)頻域

(c)濾波后信號(hào)時(shí)域

(b)濾波后信號(hào)頻域圖5 信號(hào)濾波前后的時(shí)頻譜Fig.5 Time and frequency spectrums before and after filtering

步驟2選擇VMD參數(shù)并進(jìn)行VMD分解得到VMF分量。圖6a為原信號(hào)和VMD分解后各個(gè)分量的時(shí)域信號(hào)。圖6b為VMD分量的頻譜,圖6c為EMD分量的頻譜,經(jīng)過(guò)對(duì)比可以看出,VMD比EMD方法具有更好的頻帶分離能力。

(a)被試者的腦電原信號(hào)和VMD分解后的時(shí)域

(b)VMD分解后各分量的頻譜

(c)EMD分解后信號(hào)的頻譜圖6 VMD分解前后時(shí)域圖與VMD、EMD頻譜Fig.6 Time domain diagram before and after VMD decomposition, and VMD and EMD spectrums

步驟3求VMF分量的能量熵。圖7為由每種運(yùn)動(dòng)狀態(tài)下各VMF分量的能量熵繪制的折線圖,閾值以下被認(rèn)為是腦電信號(hào)運(yùn)動(dòng)偽跡分量。

(a)靜坐和前4種運(yùn)動(dòng)狀態(tài)

(b)靜坐和后4種運(yùn)動(dòng)狀態(tài)圖7 9種狀態(tài)下各個(gè)VMF分量的能量熵折線圖以及閾值設(shè)置Fig.7 Energy entropy broken line diagram and threshold setting of each VMF component in nine states

步驟4對(duì)能量熵進(jìn)行降序排列。分別將最小到最大的能量熵作為閾值,并將能量熵小于閾值的VMF分量作為運(yùn)動(dòng)偽跡進(jìn)行去除。

步驟5比較不同閾值情況下所有被試者的偽跡去除率和信噪比提升。如圖8所示,為設(shè)置的5種閾值情況下得到的去偽跡信號(hào)的α、β的箱型圖?？梢钥闯?當(dāng)閾值選擇為最大的能量熵時(shí),偽跡去除率和信噪比提升指標(biāo)明顯高于其他情況,說(shuō)明此時(shí)去除腦電信號(hào)中運(yùn)動(dòng)偽跡的效果最好。

(a)不同閾值設(shè)置下α

(b)不同閾值設(shè)置下β圖8 不同閾值設(shè)置下的腦電信號(hào)去運(yùn)動(dòng)偽跡評(píng)價(jià)指標(biāo)α、β的箱型圖Fig.8 Two evaluation indicators of motion artifact removal versus threshold

步驟6將去除運(yùn)動(dòng)偽跡后的腦電分量進(jìn)行VMD逆變換,得到不含運(yùn)動(dòng)偽跡的EEG信號(hào)。

運(yùn)用VMD-AET方法對(duì)實(shí)驗(yàn)室采集到的5名健康被試者不同運(yùn)動(dòng)狀態(tài)下的腦電數(shù)據(jù)進(jìn)行運(yùn)動(dòng)偽跡去除,并使用偽跡去除性能評(píng)價(jià)指標(biāo)進(jìn)行評(píng)價(jià)。本文將靜坐時(shí)的腦電信號(hào)作為參考信號(hào),對(duì)除靜坐外的8種狀態(tài)的運(yùn)動(dòng)偽跡去除效果進(jìn)行分析。如圖9所示,實(shí)驗(yàn)室采集到的健康被試者在每種運(yùn)動(dòng)狀態(tài)下均能達(dá)到去除腦電信號(hào)中運(yùn)動(dòng)偽跡的效果,在被試者跑步時(shí)偽跡去除率和信噪比提升是最高的,達(dá)到5.345%和10.926 dB,兩項(xiàng)指標(biāo)的平均值分別為4.445%和7.556 dB,由此驗(yàn)證了本文方法對(duì)于不同運(yùn)動(dòng)狀態(tài)下的腦電信號(hào)中的運(yùn)動(dòng)偽跡去除的有效性。

圖9 健康被試者8種運(yùn)動(dòng)狀態(tài)下的去偽跡結(jié)果及平均值Fig.9 Average values of artifact removal evaluation for healthy subjects in eight motion states

2.2 臨床數(shù)據(jù)驗(yàn)證與分析

2.2.1 臨床數(shù)據(jù) 為測(cè)試本文方法的臨床應(yīng)用效果,對(duì)采集到的西安交通大學(xué)第一附屬醫(yī)院5名癲癇患者的6次發(fā)作前活動(dòng)癲癇腦電信號(hào)數(shù)據(jù)進(jìn)行去運(yùn)動(dòng)偽跡效果測(cè)試和驗(yàn)證。臨床頭皮腦電數(shù)據(jù)的詳細(xì)信息見(jiàn)表1。電極安放采用國(guó)際10/20系統(tǒng)連接方式,以雙耳為參考電極,以每秒200 Hz的采樣頻率記錄12導(dǎo)聯(lián)腦電數(shù)據(jù)。以移動(dòng)腦電設(shè)備(導(dǎo)線長(zhǎng)度為1.5 m左右)進(jìn)行數(shù)據(jù)采集,病人可以在該導(dǎo)線范圍內(nèi)進(jìn)行小范圍的活動(dòng),腦電信號(hào)中包含了扭頭、慢走在內(nèi)的運(yùn)動(dòng)偽跡信號(hào)。選取病人在臥床時(shí)的腦電信號(hào)作為參考信號(hào)。視頻信息和腦電數(shù)據(jù)同步記錄,以便由神經(jīng)外科專(zhuān)家對(duì)發(fā)作開(kāi)始和結(jié)束的時(shí)間進(jìn)行標(biāo)注,作為腦電信號(hào)分段的依據(jù)。

表1 臨床頭皮腦電數(shù)據(jù)的詳細(xì)信息Table 1 Detailed information of clinical scalp EEG

2.2.2 臨床驗(yàn)證與分析 將本文方法應(yīng)用于臨床采集的5名癲癇患者6次發(fā)作前的腦電數(shù)據(jù)上,得到偽跡去除率為5.54%,信噪比提升約為10.35 dB,說(shuō)明本文方法適用于臨床癲癇病人腦電信號(hào)的運(yùn)動(dòng)偽跡去除。

將本文方法與文獻(xiàn)[10]的ICA-閾值法、文獻(xiàn)[13]的EMD-閾值法效果進(jìn)行對(duì)比的結(jié)果如圖10所示。EMD-閾值法的偽跡去除率和信噪比提升最小,可以解釋為EMD方法頻帶混疊較為嚴(yán)重導(dǎo)致有用EEG信號(hào)被去除較多、有效信息保留較少。ICA-閾值法的效果接近本文方法,說(shuō)明ICA-閾值法去除腦電信號(hào)中運(yùn)動(dòng)偽跡效果與本文方法相近,但是因?yàn)镮CA方法去偽跡時(shí)間較長(zhǎng),整體效果不如本文方法。

圖10 本文方法與ICA-閾值法、EMD-閾值法去除癲癇病人腦電信號(hào)的運(yùn)動(dòng)偽跡的效果對(duì)比Fig.10 Comparison of the proposed method with ICA-threshold and EMD-threshold methods in motion artifacts removal from EEG signals of epileptic patients

綜上所述,在臨床癲癇病人發(fā)作前期腦電數(shù)據(jù)上,VMD-AET方法相比于其他方法具有更好的腦電信號(hào)中運(yùn)動(dòng)偽跡去除效果。

3 結(jié) 論

針對(duì)盲源分離法約束條件為正定問(wèn)題和EMD方法頻帶劃分能力差、步態(tài)模板提取法的適用范圍小的問(wèn)題,本文提出了一種基于VMD-AET的單通道運(yùn)動(dòng)偽跡去除方法,采用VMD方法對(duì)原始腦電信號(hào)進(jìn)行分解,得到EEG的VMF分量信號(hào);分別求取每個(gè)VMF的能量熵并將其設(shè)為閾值;通過(guò)對(duì)比不同閾值下的偽跡去除效果,自適應(yīng)確定閾值大小取代以往的固定閾值方法。實(shí)驗(yàn)結(jié)果表明,當(dāng)閾值取最大的情況下偽跡去除效果最好。將本文方法與常用的ICA-閾值法、EMD-閾值法對(duì)癲癇病人的腦電數(shù)據(jù)進(jìn)行腦電信號(hào)運(yùn)動(dòng)偽跡去除效果進(jìn)行比較,由信噪比提升指標(biāo)最高可以得到本文方法的去偽跡能力較強(qiáng),由偽跡去除率指標(biāo)最高可以得出去除運(yùn)動(dòng)偽跡后的信號(hào)與靜坐狀態(tài)下的信號(hào)具有更高的相似性,由此說(shuō)明信號(hào)具有較高的還原能力。