论文部分内容阅读
近年来,在探索抑郁症的发病机制和辅助抑郁病临床诊治评估方面,脑电信号为探索脑活动提供了一种重要的无创方法。由于脑电信号自身固有的特点和外界环境的影响,在采集过程中不可避免的会受到眼电、肌电、心电等其他人体电信号和工频干扰、极化噪声等的干扰。在这些干扰当中,由于眼睛离头部近,眼电信号的幅值远大于脑电信号,眼电伪迹(ocular artifacts, OA)对脑电信号的影响最大。所以在脑电信号预处理模块,消除眼电伪迹以最大程度的获取“纯净”的脑电信号是非常重要的一部分。经验模态分解(empirical mode decomposition, EMD)是一种非线性方法,它把非平稳信号自适应的分解为一系列本征模态函数(intrinsic mode function, IMF)之和。本文提出基于经验模态分解的眼电伪迹去除方法DEMD,此方法不仅能够很好的去除眼电伪迹,而且丝毫不影响非眼电区域的脑电信号和最大程度的保留眼电区域的脑电信号。根据方法产生的思路,本文研究的内容大致如下：(1)首先对原始脑电数据直接做EMD,对分解出来的本征模态函数有直观的了解。然后挑选与OA有关的IMFs成分,直接去除,发现去噪后的脑电信号和原始脑电信号具有十分优秀的跟随特性。这是EMD用于脑电去噪的一个亮点(2)提出基于经验模态分解算法的混合去噪方法DEMD。该方法结合离散小波变换(Discrete Wavelet Transform, DWT)和经验模态分解EMD,首先对原始脑电信号进行离散小波分解,把脑电信号分解为高频成分和低频成分,然后对低频成分进行EMD分解,根据区分标准决定与OA有关的IMFs成分,并探测其眼电区域,移除与OA有关IMFs的眼电区域内的数据段,最后重构信号。利用仿真数据和真实ERP数据,采用一定评估标准,把较DEMD方法和另外两个眼电伪迹去除方法SWT阂值法和自适应预测滤波器APF法作对比,验证了此方法的准确性和优越性。(3)探索离散小波变换在DEMD方法中的必要性。通过实验比较得出DEMD相对于[EMD only]在去除眼电噪声方面更有效,以证明DWT的必要性。