便携式BCI设备快速自动去眼电伪迹算法的研究

牛群峰，周季冬，王 莉，惠延波

（河南工业大学 电气工程学院，郑州450001）

脑机接口BCI 技术一直是人们研究的热点，考虑到便携式BCI 产品无法像医用设备那样进行侵入式多通道脑电EEG（Electro Encephalo Gram）信号采集，因此其极易受到肌电信号、心电信号、眼电EOG（electro oculo gram）信号的干扰，其中由低频和高振幅信号表征的眼球运动引起的眼电伪迹被发现是最显著和常见的[1]。因此，为了从EEG 信号中获取有效可靠的信息，研究将眼电伪迹从EEG 信号剔除，并保留有效的EEG 信号，具有十分重要的意义[2]。

在眼电伪迹去除领域中，盲源分离BSS（blind source separation）的方法如主成分分析和独立成分分析ICA（independent component analysis），可以估计未知源并用于眼电伪迹的去除，这些方法在多通道眼电伪迹去除领域的应用已较为成熟。 但是，主成分分析需要EOG 与EEG 之间不同的振幅来区分它们，而ICA 需要参考通道和一定程度的主观决策[3]，因而都无法直接应用到单通道眼电伪迹去除中。

近年来， 不少学者开始将单通道转换为多通道，再采用较为成熟的盲源分离方法进行去伪迹处理。 为了从单通道信号中得到虚拟多通道信号，可以使用源分解的方法， 如小波变换WT（wavelet transform）和经验模态分解EMD。 文献[3]提出基于WT-ICA 的去眼电伪迹算法；文献[4]将集合经验模态分解EEMD 与ICA 联合用于去除眼电伪迹；文献[5]则提出基于WT，EEMD 和ICA 相结合的算法。其缺点是EMD 和ICA 等算法都有较大的计算量致使计算时间过长， 不适合用于实时嵌入式BCI 产品。故在此提出一种将经验小波变换EWT，典型相关分析CCA 以及瑞利熵RE 相结合的自动去眼电伪迹算法。

1 EWT-CCA 算法

1.1 经验小波变换EWT

EWT 是Gilles[6]在结合EMD 和WT 基础上提出的一种自适应信号处理方法。 该算法理论基础完备，并且相比于EMD 具有更小的计算量。EWT 包含2 个重要方面：①分割信号的频谱；②构造经验小波并将其应用于信号的每一段处理中。

为得到理想的分割片段，EWT 借助捕获频域极大值点的形式来对傅里叶频谱进行自适应分割。 首先检测频谱的局部极大值，然后按降序排序。 保持最大的极大值以形成峰值序列，找到2 个连续极大值之间的最低局部极小值，并表示为分割频谱的边界。 傅里叶轴的分割如图1 所示，将信号的Fourier频谱规范化到［0，π］之间并分成N 个连续独立的片段，所有独立段为Λn=［ωn-1，ωn］，其中n=1，2，…，N。在每个ωn周围定义宽度为2τn的瞬态相位。

在确定独立片段Λn的条件下，Gilles 参考Meyer确定小波基函数的方法构造了经验小波，令

图1 傅里叶轴的分割Fig.1 Segmentation of Fourier axis

则相应的尺度函数Φn（ω）和经验小波函数Ψn（ω）定义为

其中

式中：ν（x）为Meyer 小波的辅助函数。

推导出尺度函数和经验小波后，就可以定义EWT。其中，近似系数为信号和尺度函数的内积，即：

细节系数为信号和经验小波的内积，即：

在此基础上，给出信号分解的经验模态：

1.2 典型相关分析CCA

CCA 是由Hotelling 提出的一种研究2 组变量间相互关系的统计分析方法，并且也是利用BSS方法分离混合信号或污染信号的一种技术[7]。 类似于ICA 方法的CCA 技术要求有更多或相等数量的记录信号作为基础源， 在分离源的方法上也与ICA不同。

ICA 与CCA 的不同之处在于前者使用高阶统计量提取源信号， 后者使用二阶统计量， 由于ICA使用高阶统计量，ICA 的计算复杂度大于CCA[8]。 通常来说，如果随机向量具有多元正态分布，那么其不相关的任何两个或更多个分量也是独立的[9]，因此CCA 通常可以返回与ICA 相同的结果。 否则，CCA 将返回不相关但不独立的分量。

1.3 基于瑞利熵RE 的眼电EOG 分量自动识别

对于信息理论领域，Shannon 引入了逻辑熵的概念，定义为存储在一般概率分布中的信息量。 虽然Shannon 熵的归一化形式很好地量化了时间序列的谱复杂度， 但是RE 更有助于EEG 信号的分析，特别是用于检测眼电伪迹。 在生物医学信号处理的不同领域中， 事实上已经采用了基于RE 的测量方法，特别是用于癫痫发作和伪影检测，或者结合BSS技术[10]或源分解方法[11]。

因此，在此方案中它是一种自动区分含有信号或噪声的CCA 分量准则。 其准则如下：如果时间序列是随机的（如白高斯噪声），它将具有广泛而平坦的概率分布，从而给出高的RE 值；如果时间序列包含瞬变（如眼电伪迹），它将具有狭窄和峰值的概率分布，从而给出低的RE 值。给定一个随机变量y 及其归一化功率谱密度Py（f），则y 的α 阶RE 为

通过设置α＝2 来平衡超高斯分布和亚高斯分布的重视程度。

在此所采用的自动识别方法具体操作如下：

1）按照RE 值的大小，对盲源分离出来的源信号进行排序φ1＜φ2＜…＜φN， 其对应的源信号依次为s′1，s′2，…，s′N。

2）将以下源信号判为伪迹成分：s′1，s′2，…，s′k，其中k 满足：

式中：k 取整数，1＜k≤［N/2］，其中［N/2］为不大于N/2 的最大整数，若无满足上述条件的则取k=1。

1.4 基于EWT-CCA 的自动去除眼电伪迹方法

使用EWT 算法将单通道的EEG 信号S（n）分解成多个模态分量，从而构成虚拟多通道观测信号S（n）=S｛s1（n），s2（n），…，sm（n）｝；将S（n）时延1 个点得到S′（n）=S（n-1）；利用CCA 对中心化的S（n）和S′（n）进行处理，求得U（n）=［u1（n），u2（n），…，um（n）］。其中，u1（n）自相关性最强，然后依次递减，且各变量之间互不相关。 因为S′（n）和S（n）实际上是同一信号，所以求得的U（n）就是对未知源信号的估计。 得到未知源信号的估计后， 采用RE 作为判别依据识别出眼电伪迹分量，由于EOG 信号频率主要集中在8 Hz 附近，故将识别到的眼电伪迹成分通过2～15 Hz的带阻滤波器进行滤波， 再依次重构出单通道的EEG 信号。 EWT-CCA 的算法过程如图2 所示。

图2 EWT-CCA 算法流程Fig.2 EWT-CCA algorithm flow chart

2 试验

2.1 数据采集与预处理

为了验证所提出的眼电去伪迹算法，选择现有的MindBand 设备进行EEG 信号的采集。 该设备是美国NeuroSky 公司的一款发带式单通道便携EEG设备。 MindBand 将采集EEG 的干电极传感器放置在人的前额处并选用双耳电极作为参考电极，参考国际10-20 导联系统其所采集到的EEG 信号为FP1 处的信号。 采样系统选择实验室开发的便携式EEG 采集系统，该系统将从设备中得到的包数据进行解码并且能够实时显示EEG 波形并保存相应的EEG 信号，方便对所得到的信号进行算法研究和仿真。 EEG 信号的采样系统界面如图3 所示。

图3 采样系统界面Fig.3 Sampling system interface

为了便于算法的对比研究， 选择采集8 s 内单次眨眼与多次眼动的EEG 信号进行对比，其采集试验的过程如图4 所示。 以8 s 为1 个时间段，1 次试验共计21 s，总共进行50 次试验，最后将单次眨眼与多次眼动的EEG 数据分开， 得到50 次8 s 的单次眨眼EEG 信号和50 次8 s 的多次眼动的EEG 信号。 该试验所采集到的EEG 信号为512 Hz，其中含有一定的工频噪声以及高频干扰。 在处理前，先将其采样频率降到256 Hz， 并用0.5～64 Hz 的带通滤波器和50 Hz 的陷波滤波器对EEG 信号进行滤波处理。

图4 一次试验的流程Fig.4 Flow chart of a test

2.2 评价方法

眼电伪迹的去除具有十分鲜明的直观性。 为了更好地量化评价指标，在此选取相关系数R，文献[12]定义的信噪比SAR（signal-to-artifact ratio）和计算时间T 作为参考评价指标，对本文方法进行评价。 其中，R 和SAR 的定义为

式中：SEEG，m为受干扰的单通道原始EEG 信号；SEEG，c为去除眼电伪迹后的EEG 信号。 SAR 是一种量化的方法，用于测量特定信号经算法处理后的伪影去除量，该值越大表明伪迹去除效果越好[12]。

3 结果与分析

3.1 EWT-CCA 算法结果

选取其中1 次试验的单次眨眼原始EEG 信号如图5 所示。 首先使用EWT 算法，将单通道的EEG信号S（n）分解成多个模态分量，如图6 所示，从而构成虚拟多通道观测信号。 其中EWT 算法的频谱分割如图7 所示。

图5 原始EEG 信号Fig.5 Original EEG singals

图6 EMF 分量Fig.6 EMF components

图7 频谱分割Fig.7 Spectrum segmentation

然后将S（n）时延1 个点得到S′（n）=S（n-1），利用CCA 对去中心化的S（n）和S′（n）进行处理，得到的多个CCA 分量（如图8 所示）作为未知源信号的估计。

接下来采用RE 作为判别依据分别计算出CCA分量各个熵值，并利用1.3 节所提出的自动判别EOG方法来识别眼电伪迹，CCA 分量的RE 值见表1。

由表可计算出该试验基于RE 所判别的属于眼电伪迹的分量为CCA7 和CCA8， 最终将识别到的眼电伪迹成分通过2～13 Hz 的带阻滤波器进行滤波， 重构出的不含眼电伪迹的EEG 信号与原始EEG信号的对比如图9 所示。

图8 CCA 分量Fig.8 CCA components

表1 CCA 分量的RE 值Tab.1 RE value of CCA components

图9 EWT-CCA 算法去单次眼电伪迹的效果Fig.9 Effect of EWT-CCA algorithm on removing single EOG artifacts

3.2 对比试验结果与分析

为了验证所提出的EWT-CCA 算法的有效性和快速性，与现有的EMD-ICA 算法进行了比较。 首先利用EMD 算法将单通道原始EEG 信号分解成多个IMF 分量作为虚拟多通道，然后利用ICA 算法进行独立成分分析并剔除独立的EOG 成分， 最后依次将剔除EOG 后的信号进行重构， 得到新的不含眼电伪迹的EEG 信号。

含单次眨眼伪迹的原始EEG 信号，与经过EMDICA 算法重构后不含眼电伪迹的EEG 信号的对比如图10 所示。

EEG 信号的去眼电伪迹效果在时域上具有明显的直观性。 由图9 与图10 的对比可见，在虚线框内的眼电伪迹处，EMD-ICA 算法重构的EEG 具有明显的眼电伪迹残留， 而EWT-CCA 算法重构的EEG 其眼电伪迹成分去除得更加彻底。 在眼电伪迹部分以外，即虚线框外，EWT-CCA 算法重构的EEG与原始EEG 信号的相关系数为0.78， 而EMD-ICA算法得到的相关系数为0.62。 因此，由图9 与图10对比可见，EWT-CCA 算法重构的EEG 相较于EMD-ICA 算法更加切合原始EEG 信号。

图10 EMD-ICA 算法去单次眼电伪迹的效果Fig.10 Effect of EWD-ICA algorithm on removing single EOG artifacts

为了验证算法的稳定性，在此取多时间多次眼动的EEG 信号进行去伪迹试验， 并与EMD-ICA 算法进行比较。EMD-ICA 算法的去多次眼电伪迹的效果对比如图11 所示，EWT-CCA 算法去多次眼电伪迹的效果对比如图12 所示。

图11 EMD-ICA 算法去多次眼电伪迹的效果Fig.11 Effect of EWD-ICA algorithm on removing multiple EOG artifacts

图12 EWT-CCA 算法去多次眼电伪迹的效果Fig.12 Effect of EWT-CCA algorithm on removing multiple EOG artifacts

由图11 可见，当进行连续多次眨眼时，EMD-ICA算法近乎无法对EEG 信号进行有效的去眼电伪迹处理，无论是虚线框内所含的EOG 信号成分还是虚线框外的无EOG 成分信号，效果均十分不理想；对比图12 可见，EWT-CCA 算法的效果明显优于前者。

为了更加有效地量化对比2 种算法， 取50 次单次眨眼的EEG 信号和50 次多次眼动的EEG 信号，分别进行去伪迹处理，最终算出其非眼电伪迹区域的相关系数R，信噪比SAR 以及算法计算时间t，并求其均值列入表2，进行对比。

表2 EMD-ICA 算法与EWT-CCA 算法的量化对比Tab.2 Quantitative comparison between EMD-ICA algorithm and EWT-CCA algorithm

由表2 可知，单次眨眼的EEG 信号相对于多次眨眼的EEG 信号， 在相关系数R 以及信噪比SAR中均具有更好的指标。 因此，当在线BCI 设备采集EEG 信号时，可以通过避免短时间内多次眨眼来得到更加稳定可靠的EEG 信号，进而降低去伪迹算法对原始EEG 信号的影响。

对比EMD-ICA 算法和EWT-CCA 算法的相关系数R，信噪比SAR 可以看出，EWT-CCA 算法在去伪迹的有效性上高于EMD-ICA 算法； 对比计算时间t 可以看出，EMD-ICA 的计算时间是EWT-CCA算法的6 倍左右。 因此EWT-CCA 算法更加适合应用于在线BCI 设备中。

4 结语

针对采集通道较少、缺乏有效的EOG 参考信号以及对实时性要求较高等问题，便携式脑电采集设备的去眼电伪迹问题一直没有比较好的解决方法。在此提出了一种基于EWT-CCA 的单通道自动去眼电伪迹算法。 试验结果表明，该算法相比于现有的EMD-ICA 等单通道盲源分离算法，在去眼电伪迹的效果上以及计算时间上均具有十分明显的优势。 综上所述，EWT-CCA 算法可以适用于多种BCI 中单通道EEG 信号的去眼电伪迹。