基于短時能量譜的眼電偽跡去除算法研究*

彭雙凌，郭泉成，陸 超

（廣州鐵路職業(yè)技術(shù)學院，廣東 廣州 510430）

腦電圖信號（EEG）為通過電極記錄下來的腦細胞的自發(fā)性、節(jié)律性活動。EEG 檢測是一種非侵入式的腦部檢查手段，具有幫助診斷和分型癲癇疾病、判斷輕微腦外傷、發(fā)現(xiàn)腦部器質(zhì)性病變等作用。除在醫(yī)學診斷領(lǐng)域的應(yīng)用，EEG 也被嘗試與人工智能技術(shù)結(jié)合用于識別大腦疲勞狀態(tài)，相比于其他生理信號，其對于人體精神疲勞狀態(tài)的反映更準確，因此一直被譽為檢測人體疲勞狀態(tài)的“金標準”。盡管EEG 包含大量具有研究價值的信息，但是由于信號本身具有幅值小、隨機性和非線性強、易受干擾等特點，導(dǎo)致蘊藏其中的有效信息難以提取，從而增加了EEG 分析難度，限制了其應(yīng)用。同時，人體的生理結(jié)構(gòu)特點導(dǎo)致眼電（EOG）、肌電（EMG）、心電（ECG）等生物電信號通常會夾雜在所采集的腦電信號中，該類信號通常稱為偽跡，較難去除。實驗采集的未經(jīng)處理的腦電信號中常被眼電偽跡、肌電偽跡和心電偽跡污染。其中，眼電偽跡幅值大，其頻率較低，與腦電的Delta 節(jié)律波存在重疊頻率。由于以上原因，在去除眼電偽跡的過程中容易出現(xiàn)偽跡去除不徹底或者Delta 節(jié)律波信息丟失過多的現(xiàn)象，而Delta 節(jié)律波在識別大腦疲勞方面具有寶貴的應(yīng)用價值，是正確識別疲勞狀態(tài)的關(guān)鍵信息。EEG 檢測用于司機疲勞駕駛研究等領(lǐng)域時，通常要求在采集EEG 數(shù)據(jù)的過程中不影響被試正常作業(yè)，因此通常只采集少數(shù)幾個重要通道的腦電數(shù)據(jù)。而減少腦電采集通道數(shù)量的同時，適用于多導(dǎo)腦電信號的眼電偽跡去除方法已不再適用。因此，從單通道腦電中自動去除眼電偽跡的算法的研究成為了EEG 信號處理領(lǐng)域的一個研究重點。

沒有眼電通道參考的情況下，對于多通道腦電仍然可采用ICA 等盲源分離的方法結(jié)合閾值判別法去除眼電偽跡[1-5]。眾多學者已經(jīng)使用了ICA 結(jié)合一般降噪及重構(gòu)方法實現(xiàn)了多通道腦電信號的有效去除[6-8]。而在去除單通道腦電信號中的眼電偽跡時，通常使用構(gòu)建虛擬通道結(jié)合盲源分離算法的方法或者結(jié)合眼電檢測的方法[9-13]。有學者使用EEMD 或EMD 構(gòu)建虛擬通道的基礎(chǔ)上采用盲源分離法去除了單通道腦電中的眼電偽跡[12，14]。但以上算法在去除眼電偽跡的過程中對未受到眼電偽跡污染的腦電信號片段一并處理，導(dǎo)致腦電低頻段信息大量丟失。

為解決以上問題，本文提出了一種基于小波變換和短時能量的眼電偽跡去除算法（SE-DWT），實現(xiàn)了單通道腦電中眼電偽跡自動去除，同時，該算法也在去除信噪比較低的腦電信號中的眼電偽跡時表現(xiàn)良好。

1 基本原理

1.1 平穩(wěn)隨機小波變換

盡管連續(xù)小波變化（CWT）也可以用于處理本研究中的腦電數(shù)據(jù)，但是考慮到在線檢測應(yīng)用需求，要求小波變換在滿足要求的同時盡可能減小計算量，提高算法處理速度。連續(xù)小波變化過于冗余，增加了去除偽跡所需的時間，因此本研究采用平穩(wěn)隨機小波變換（SWT）方法對腦電信號進行分解。

1.2 短時能量譜

眼球運動引起電流變化從而產(chǎn)生眼電信號。由于腦電信號的幅值顯著小于眼球運動所引起的眼電信號，因此在受眼電偽跡影響的腦電信號中，被眼電偽跡所影響的信號片段整體幅值會顯著大于未被影響的信號片段。短時能量在受眼電偽跡污染的腦電信號片段數(shù)值較高，在未受影響的信號片段較低，依據(jù)短時能量即可檢測到眼電偽跡所在信號片段的端點。

2 算法設(shè)計

結(jié)合已有單通道眼電偽跡去除算法存在的問題及真實場景應(yīng)用需求，本文提出了一種基于穩(wěn)定隨機小波變換和短時能量（SE-SWT）的單通道EOG 偽跡去除算法。算法首先通過SWT 對信號進行分解，得到不同頻率范圍內(nèi)的小波分量，針對低頻及高頻小波分量分別進行偽跡去除，從而盡可能保留低頻有用腦電信號。隨后計算各個小波分量一階微分短時能量譜從而獲得眼電偽跡的起始位置，然后對各級小波中包含眼電偽跡的信號片段的小波系數(shù)進行降噪處理。由于眼電信號僅在眼球活動時對腦電采集產(chǎn)生影響，檢測眼電偽跡在信號中的位置，即眼球活動的位置，可以進一步保留原始的未受眼電偽跡影響的腦電信號段。最后，通過小波逆變換復(fù)原原始信號，得到去除眼電偽跡之后的干凈腦電信號。

3 算法實驗

本文用于算法實驗的數(shù)據(jù)來自于網(wǎng)絡(luò)公開數(shù)據(jù)庫BNCIHORIZON2020。該數(shù)據(jù)庫為開放式訪問的BCI數(shù)據(jù)集。本文用于合成混合腦電信號的純凈腦電信號及眼電信號均來自于2008年奧地利格拉茨科技大學提供的BCI 競賽數(shù)據(jù)。

該數(shù)據(jù)集包含了C3、Cz和C4記錄的3 個位置雙極腦電信號。除了EEG 通道外，使用位于腦部乳突位置的電極作為參考電極，采用3 個單極電極同步采集了被試的眼電信號。由于Cz距離雙眼位置比較遠，因此本文選擇某被試該位置電極采集到的腦電信號作為混合前的純凈腦電信號。將純凈眼電及腦電信號按照不同比例混合即可得到不同信噪比的含偽腦電信號。

本文利用MATLAB 平臺實現(xiàn)了SE-SWT 算法，并與基于構(gòu)建虛擬通道的SSA-ANC 算法[15]和基于模板匹配的ITMS 算法流程圖[16]進行了比較。

4 算法性能分析

4.1 算法性能評價指標

4.1.1 信噪比（SNR）

信噪比（SNR）的定義為目標信號平均功率除以噪聲的平均功率。信噪比可以用來反映眼電偽跡去除算法去除眼電偽跡后的干凈腦電信號中所含實腦電信號的比例，從而體現(xiàn)算法去除眼電偽跡的程度和效果。

4.1.2 相對均方根誤差（RMSE）

相對均方根誤差（RMSE）為觀測值與真實值的均方根誤差與真實值的平方根和的比值。在本文中，RMSE 用于比較利用SE-SWT 處理后的腦電與純凈腦電之間的相似程度。

4.1.3 頻域曲線

對原始純凈腦電與經(jīng)SE-SWT 處理得到的腦電分分別計算頻域曲線，比較頻域曲線以確認算法不同頻域腦電信號的保留效果。

4.2 算法比較結(jié)果

4.2.1 SNR 及RMSE 比較

不同算法去偽結(jié)果SNR 比較和不同算法去偽結(jié)果RMSE 比較如圖1 和圖2 所示。由圖1 和圖2 可知，隨著混合信號信噪比的增加，使用SE-SWT算法、ITMS算法以及SSA-ANC 算法去除眼電偽跡之后的腦電信號均呈現(xiàn)隨著混合EEG 信號信噪比增加，處理后的腦電信號信噪比增加，相對均方根誤差逐漸減小的趨勢。但是可以觀察到，盡管SSA-ANC 算法隨著腦電受眼電偽跡影響減小，所恢復(fù)的腦電信號信噪比上升，但在圖1 中，其信噪比曲線始終處于y=x直線的下方，意味著使用該算法去除偽跡后的腦電信號信噪比相對于去除眼電偽跡前的腦電混合信號原始信噪比并沒有提升。并且在腦電受眼電偽跡影響較弱的情況下，信噪比曲線距離y=x直線距離越遠，表明SSA-ANC 去除眼電偽跡后得到的腦電信號信噪比相比于原始信噪比更低，去除效果較差。同時，SSA-ANC 算法相比于另外2 個算法，其處理后信號與真實信號之間的相對均方根誤差無論原始混合信號信噪比如何變化，其值始終大于1，一定程度上表明經(jīng)過SSA-ANC 算法處理后的腦電數(shù)據(jù)中存在著功率與真實腦電信號功率相當?shù)难垭妭污E，這在需要使用功率作為識別特征的應(yīng)用場景下將無法適用。

圖1 不同算法去偽結(jié)果SNR 比較

圖2 不同算法去偽結(jié)果RMSE 比較

當混合腦電信號的信噪比處于不同大小區(qū)間時，SE-SWT 與ITMS 算法處理后的信號信噪比存在細微差別，但是并不顯著。其中，在原始混合信號信噪比大于2 dB 以上時，SE-SWT 算法處理效果相比ITMS較好；但小于2 dB 時，反之則ITMS 表現(xiàn)效果更好。隨著原始信噪比減小，觀察ITMS 算法及SE-SWT 算法處理后信號的信噪比變化趨勢，SE-SWT 呈現(xiàn)出以較小斜率下降的趨勢，并在信噪比小于﹣5 dB 時呈現(xiàn)持平或上升趨勢。相比于SE-SWT，ITMS 算法處理后信號的信噪比趨勢隨混合信號信噪比減小呈現(xiàn)先減小，后增加，再減小的趨勢。由于實驗數(shù)據(jù)信號長度有限，一定程度上反映了ITMS 算法對于含有眼電偽跡數(shù)量較少或者時長較短的腦電信號偽跡處理效果的不穩(wěn)定性，后文通過比較頻譜也驗證了這一點。

4.2.2 頻域曲線比較

SE-SWT、ITMS、SSA-ANC 這3 種算法針對不同信噪比EEG 混合信號的處理結(jié)果頻域比較如圖3 所示，可見3 種算法所針對處理的信號頻域為0～5 Hz，即眼電偽跡所在頻域，在5 Hz 以上的腦電信號保留上，3 種算法均具有較好的表現(xiàn)。在混合信號包含4 個眼電偽跡且信噪比較低情況下，SE-SWT 相對ITMS 及SSA-ANC 的頻譜曲線，其與真實腦電信號的頻譜曲線更接近，處理效果更好。

圖3 3 種算法針對不同信噪比EEG混合信號的處理結(jié)果頻域比較

5 結(jié)論

針對傳統(tǒng)單通道眼電偽跡去除過程中導(dǎo)致低頻有用信息丟失及對信噪比較低的混合EEG 信號處理效果不佳的問題，本文提出基于穩(wěn)定隨機小波變換及短時能量譜的單通道眼電偽跡自動去除算法SE-SWT。通過公開數(shù)據(jù)集中真實腦電及眼電數(shù)據(jù)，從時域及頻域表現(xiàn)2 方面與2 種代表性傳統(tǒng)算法SSA-ANC 及ITMS進行了比較。ITMS 及SE-SWT 算法對混合腦電信號去除偽跡之后，其結(jié)果在頻域和時域相比SSA-ANC 算法均更接近實際的純凈腦電信號，一定程度上證明了僅僅通過構(gòu)建虛擬多通道對單通道混合腦電進行去除無法最大程度保留腦電信號，特別是低頻信號。隨著混合信號信噪比減小，SE-SWT 處理結(jié)果相比ITMS 處理結(jié)果在頻域更接近真實腦電信號，表明本文算法在有效去除眼電偽跡的同時能夠最大可能地保留腦電中的低頻有用信息。