本發(fā)明涉及腦電信號去噪技術領域，特別是涉及一種腦電信號噪聲去除方法。

背景技術：

由于大腦所特有的復雜性和功能性，人類一直渴望了解其運作機制，從而保護大腦，治療腦部疾病，甚至復制大腦，實現(xiàn)大腦眾多功能的人工替代，因此，探索大腦、揭示大腦認知機制是人類探索自我、認識自然過程中極具挑戰(zhàn)性的重要科學命題。

大腦通過大量的神經細胞控制與協(xié)調著人類日常生活中語言、思維、認知、情緒、運動等一系列作業(yè)，而神經細胞的活動則伴隨著電的活動。人們由此意識到可以通過對這種電信號的捕獲和研究，來人工重現(xiàn)人類大腦的一系列控制效果。故而，隨著近幾年來通信、計算機、生物醫(yī)學等領域技術的快速發(fā)展與相互融合，一種新型的大腦與外界進行通信的技術——腦-機接口(braincomputerinterface，bci)應運而生。腦-機接口搭建了一種直接不依賴大腦外圍肌肉與神經組織的大腦與外界環(huán)境進行信息交互的通道。

bci系統(tǒng)的飛速發(fā)展使之在輔助康復、交通控制、軍事策略、游戲娛樂等方面都得以廣泛應用。諸如腦控電動輪椅、腦電汽車制動、腦電疲勞駕駛檢測、腦電裝甲車控制、腦電虛擬世界等一系列的bci產品更是層出不窮。可以說，bci技術擴充了大腦信息與外界環(huán)境交互的渠道，增進了對大腦認知模式的理解，有助于解釋人類活動的本質，極大地促進了大腦認知科學與神經生物學領域的研究，更利于為全社會提供符合人類思維模式的眾多超便捷服務，具有廣闊的研究前景。

然而，在利用bci系統(tǒng)實現(xiàn)一些控制效果時，關于提取出來的腦電信號的預處理步驟一直是研究人員關注的重點，而噪聲去除問題就是腦電信號預處理過程中的關鍵之處。

腦電信號是利用傳感器在人腦頭皮對大腦皮層細胞群的自發(fā)性、節(jié)律性的電活動采集而得到的，但是在采集過程中由于高靈敏度的腦電放大器容易受到外界環(huán)境的影響，再加上受試者自身的各種因素以及腦電信號自身特點，所以在采集過程中極易受到神經源噪聲和非神經源噪聲的干擾，對于來自非噪聲的干擾可以在采集腦電信號的過程中，通過腦電信號采集裝置去除一些干擾，但是對于噪聲的干擾，就需要通過一定的噪聲去除方法來進行消噪處理，提高信號的信噪比。

目前所廣泛采用的eemd去噪算法，主要是通過eemd分解得到多個imf分量，前幾個分量主要包含信號中的高頻成分，后面的分量主要包含信號中的低頻成分，噪聲強度對著imf層次的增加也會越來越弱，即信號的低頻成分以有效信息為主，而高頻成分則含有大量的噪聲。目前普遍的消噪方法是直接去除eemd分解中的前幾個高頻imf分量來消噪，但是，這樣會在去掉高頻中的噪聲成分的同時去除了其中的有效信息成分，無法保障腦電信號的完整性和有效性。

技術實現(xiàn)要素：

本發(fā)明所要解決的技術問題是提供一種腦電信號噪聲去除方法，該方法基于dtcwt-eemd融合算法，其在很大程度上彌補了傳統(tǒng)去噪方法的缺陷，實現(xiàn)噪聲去除的同時有效保證了有用信息的完整性。

本發(fā)明解決其技術問題所采用的技術方案是：提供一種腦電信號噪聲去除方法，包括以下步驟：

(1)采用eemd算法對采集到的腦電信號進行集合經驗模態(tài)分解，得到包含不同頻段信息的本征分量；

(2)選取所得的本征分量中主要包含高頻隨機噪聲的若干分量，采用dtcwt算法對其進行分解，得到噪聲分量對應的一系列小波系數(shù)；

(3)針對隨機噪聲所對應的小波系數(shù)，采用軟閾值法進行小波系數(shù)處理，將隨機噪聲對應小波系數(shù)置零，進而實現(xiàn)噪聲去除的效果；

(4)將經過噪聲去除處理的小波系數(shù)進行dtcwt逆算法的重構，得到去噪后的本征分量，再與剩余的代表信號有用信息的本征分量進行相加重構，得到最終的去噪腦電信號。

所述步驟(1)具體為：往信號中加入白噪聲，構成信噪混合體；把信噪混合體進行emd分解，分解成本征分量組合；重復上述步驟，使得每次加入的白噪聲均不相同，得到多個本征分量組合，并對多個本征分量組合求平均得到分解結果。

所述步驟(2)中采用兩個平行的實離散小波變換樹來實現(xiàn)信號的分解和重構，所述兩個平行的實離散小波變換樹分別為實部樹和虛部樹，分別使用了一個互不相同實數(shù)濾波器組，通過這兩個濾波器組分別得到雙樹復小波的實部系數(shù)與虛部系數(shù)。

有益效果

由于采用了上述的技術方案，本發(fā)明與現(xiàn)有技術相比，具有以下的優(yōu)點和積極效果：本發(fā)明可以在有效去除噪聲的同時，盡可地保留了有用信號成分，保證了信號的有效性和完整性。同時，本發(fā)明穩(wěn)定有效，可以適用于任何腦電信號的噪聲去除工作，也免除了人工干預的繁瑣。

附圖說明

圖1是本發(fā)明的流程圖；

圖2是emd算法流程圖；

圖3是雙樹復小波分解示意圖；

圖4是腦電仿真信號示意圖；

圖5是含噪腦電仿真信號示意圖；

圖6是采用本發(fā)明的去噪效果示意圖；

圖7是算法比對均方根誤差性能指標示意圖；

圖8是算法比對信噪比性能指標示意圖。

具體實施方式

下面結合具體實施例，進一步闡述本發(fā)明。應理解，這些實施例僅用于說明本發(fā)明而不用于限制本發(fā)明的范圍。此外應理解，在閱讀了本發(fā)明講授的內容之后，本領域技術人員可以對本發(fā)明作各種改動或修改，這些等價形式同樣落于本申請所附權利要求書所限定的范圍。

本發(fā)明的實施方式涉及一種基于dtcwt-eemd算法的腦電信號噪聲去除方法，如圖1所示，包括以下步驟：采用eemd算法對采集到的腦電信號進行集合經驗模態(tài)分解，得到包含不同頻段信息的本征分量；選取所得的本征分量中主要包含高頻隨機噪聲的若干分量，采用dtcwt算法對其進行分解，得到噪聲分量對應的一系列小波系數(shù)；針對隨機噪聲所對應的小波系數(shù)，采用軟閾值法進行小波系數(shù)處理，將隨機噪聲對應小波系數(shù)置零，進而實現(xiàn)噪聲去除的效果；將經過噪聲去除處理的小波系數(shù)進行dtcwt逆算法的重構，得到去噪后的本征分量，再與剩余的代表信號有用信息的本征分量進行相加重構，得到最終的去噪腦電信號。

本發(fā)明主要涉及到dtcwt和eemd兩種算法，具體介紹如下：

eemd算法是由經典emd發(fā)展而來的進化算法，emd算法的目的在于將性能不好的信號分解為一組性能較好的本征模函數(shù)imf，所分解出來的各imf分量包含了原信號的不同時間尺度的局部特征信息。其中，每個imf分量具有如下特征：

(1)從全局特性上看，極值點數(shù)必須和過零點數(shù)一致或者至多相差一個。

(2)在某一個局部點，極大值包絡和極小值包絡在該點值的算術平均和是零。

emd算法的具體流程如圖2所示。當把一個非平穩(wěn)信號通過emd分解為一個個imf分量時，就可以根據(jù)這些imf分量對特定的信號成分進行分析處理，然而，當信號的極值點分布不均勻時，就可能導致一個imf分量中出現(xiàn)多個尺度信號或一個相似尺度的信號分布在不同的imf分量中，即模態(tài)混疊現(xiàn)象。

為了克服模態(tài)混疊現(xiàn)象，進一步提出了eemd算法，eemd算法的原理是在原信號中加入若干次白噪聲，把信號和噪聲的組合作為一個信號帶分解信號，利用白噪聲平鋪均勻分布的特性，當信號加載遍布這個時頻空間分布一致的白噪聲背景上時，不同時間尺度的信號會自動分布在合適的參考尺度上，此時再將加載白噪聲的信號進行emd分解，就避免了模態(tài)混疊，并且由于白噪聲零均值的特性，對emd分解得到的各imf分量求總體均值，就能消除附加白噪聲的影響，得到逼近的真實模態(tài)。具體流程如下：

(1)往信號x(t)中加入白噪聲k×σx×n(t)，其中，n(t)為歸一化的白噪聲，σx為信號標準差，k為白噪聲標準差與信號標準差的比值，構成下列信噪混合體：

x(t)＝x(t)+k×σx×n(t)(1)

(2)把信噪混合體進行emd分解，分解成imf組合：

上式中，cj表示第j項imf本征分量，共有m項；rm表示分解所得余項。

(3)重復步驟1和步驟2，每次加入不同的白噪聲：

xi(t)＝x(t)+k×ni(t)(3)

分解成imf：

(4)重復n次，對各個imf求平均：

最后的分解結果為：

由于白噪聲的零均值特性，將這些多次分解的結果求取平均值后，噪聲最終將被最大限度地抵消而達到消除的效果，總體平均的結果就可以當做真實信號。

綜上，當采用eemd對腦電信號進行分解時，會得到多個imf分量，前幾個分量主要包含信號中的高頻成分，后面的分量主要包含信號中的低頻成分，噪聲強度隨著imf層次的增加也會越來越弱，即信號的低頻成分以有效信息為主，而高頻成分則含有大量的噪聲。于此，即可選取高頻imf成分進行處理，達到消噪的目的。

在對高頻imf分量進一步處理的時候，需要采取雙樹復小波變換(dtcwt)進行深層次信號成分分解，這里的雙樹復小波變換這里是由離散小波變換發(fā)展而來。

離散小波變換通過小波基函數(shù)的伸縮和平移構成一系列分辨率不同的正交投影空間機器對應的基，用這組基表示或逼近某一信號，因而在低頻有良好的頻域分辨率，在高頻有良好的時間分辨率，也憑借著良好的時頻局部化特性、多分辨率特性、去相關性等特點，在信號消噪領域有著不錯的表現(xiàn)。小波的多分辨分析特性可將信號在不同尺度下進行多分辨率的分解，并將交織在一起的各種不同頻率組成的混合信號分解成不同頻段的子信號，因而對信號具有按頻帶處理的能力，所以，消噪的基本步驟就是根據(jù)需要，將含有噪聲的信號在某一尺度下分解到不同的頻帶內，然后再將噪聲所處的頻帶置零，然后進行小波重構，從而達到消噪的目的。

但是，離散小波變換在實際信號分析處理中，可能會產生嚴重的頻率混疊現(xiàn)象。當原始信號包含了幾種不同頻率的周期信號時，離散小波變換所分解出的不同層次信號的頻率就可能會包含其他的頻率成分。而雙樹復小波在分解信號過程中比離散小波變換表現(xiàn)得更為徹底，能更有效地避免頻率混疊現(xiàn)象的發(fā)生，很好地表現(xiàn)細節(jié)部分的頻率信息。所以，在對腦電信號進行去噪處理時，應采用雙樹復小波變換對信號進行不同頻帶分解。

雙樹復小波變換的分解示意如圖3所示。

在圖3中，采用兩個平行的實離散小波變換樹來實現(xiàn)信號的分解和重構，分別稱之為實部樹和虛部樹，兩個離散小波變換樹分別使用了一個互不相同實數(shù)濾波器組，通過這兩個濾波器組可分別得到雙樹復小波的實部系數(shù)與虛部系數(shù)。

實部樹的小波系數(shù)以及尺度系數(shù)分別如下：

其中，j為比例因子切，j＝1,2,…,j，ψh(·)表示實數(shù)部高通濾波器對應的小波基函數(shù)、φh(·)表示實數(shù)部低通濾波器對應的小波基函數(shù)、t表示時間系數(shù)、n表示小波分解層數(shù)。

同理，虛部樹的小波系數(shù)以及尺度系數(shù)分別如下：

其中，ψg(·)表示虛數(shù)部高通濾波器對應的小波基函數(shù)、φg(·)表示虛數(shù)部低通濾波器對應的小波基函數(shù)。

雙樹復小波變換分解后各層的小波系數(shù)和尺度系數(shù)即為實部、虛部兩部分系數(shù)之和：

含噪的原始信號經過雙樹復小波變換后，有用信號的能量主要集中在有限的系數(shù)中，而噪聲的能量分布在整個小波域上，所以，信號經過分解后，信號的小波系數(shù)大于噪聲系數(shù)，選取適當?shù)拈撝?，就可以消除噪聲而保留信號小波系?shù)。

至此，利用dtcwt對選取的高頻imf分量進行軟閾值處理后，即可實現(xiàn)噪聲的有效去除，同時盡可能地保留了有用信號成分。

此后，可以通過以下兩式重構各子帶的小波系數(shù)，恢復出去噪之后的高頻imf分量：

最后，利用eemd逆向過程，將去噪之后的高頻imf分量結合剩余的低頻imf分量進行相加重構，得到最終的腦電信號。

為了驗證本發(fā)明的有效性和準確性，也為了使去噪效果清晰可見，這里取用腦電信號的仿真函數(shù)作為信號源，信號示意如圖4所示，加載隨機高斯得到含噪信號如圖5所示，將所得含噪信號經過dtcwt-eemd去噪算法處理，得到去噪結果如圖6所示。

為了凸顯本發(fā)明的有效性和先進性，這里采用小波變換(cwt)、集合經驗模態(tài)分解(eemd)、雙樹復小波變換(dtcwt)、基于小波變換的集合經驗模態(tài)分解(cwt-eemd)和本發(fā)明提出的dtcwt-eemd算法，分別對含噪信號進行處理，并以均方差誤差和信噪比作為性能衡量指標。

改變含噪信號的信噪比，并實驗100次取平均值，得到最終的性能效果比對如圖7和圖8所示。

從圖7和圖8可以看出，對于均方根誤差，dtcwt-eemd始終最小，而對于信噪比，dtcwt-eemd始終最大，故而說明本發(fā)明提出的算法在噪聲去除效果和有用信號完整性的保證方面，均優(yōu)于目前已有的處理算法，dtcwt-eemd更具高效性和準確性，可穩(wěn)定可靠地應用于bci腦控系統(tǒng)的腦電信號去噪處理過程中。