(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211397744.2 (22)申请日 2022.11.09 (71)申请人 齐鲁工业大学 地址 250353 山东省济南市长清区大 学路 3501号 (72)发明人 张朝柱　刘长瑞　刘晓　 (74)专利代理 机构 济南格源知识产权代理有限 公司 373 06 专利代理师 刘晓政 (51)Int.Cl. G06F 30/20(2020.01) G06K 9/00(2022.01) G06F 17/16(2006.01) A61B 5/369(2021.01) A61B 5/00(2006.01)G06F 111/04(2020.01) (54)发明名称 基于变分模态分解和二阶盲辨识的脑电信 号伪迹去除方法 (57)摘要 本发明涉及脑电信号伪迹去除技术领域， 尤 其是公开了一种基于变分模态分解和二阶盲辨 识的脑电信号伪迹去除方法。 本发 明首先对被眼 电伪迹 （EOG） 和肌电伪迹 （EMG） 两种伪迹同时污 染的脑电信号进行VMD分解为多个固有模态函数 （IMF） ， 然后将这多个IM F作为SOBI的输入信号进 一步盲源分离， 使得脑电信号和伪迹信号分离 开， 接着计算每个 分离得出的信号分量的模糊熵 值， 根据模糊熵值识别出伪迹分量， 并将伪迹分 量置零， 最后做逆SOBI变换， 重构出纯净脑电信 号。 通过对仿真信号的实验结果表明， 本发明的 方法可以比较有效的去除脑电信号中的伪迹成 分， 并且可以最大限度的保留有用成分。 权利要求书3页 说明书7页 附图3页 CN 115510692 A 2022.12.23 CN 115510692 A 1.基于变分模态分解和二阶盲辨识的脑电信号伪迹去除方法， 其特征在于， 包括以下 步骤： S1、 采用变分模态分解VMD方法对被眼电伪迹EOG和肌电伪迹EMG同时污染的脑电混合 信号y(t)进 行分解， 得到p个固有模态分量IMF， 将固有模态分量IMF表 示为固有模态分量矩 阵u(t)， u(t)＝[u1(t)， u2(t)， ...， up(t)]； S2、 将p个IMF作为盲源分离算法二阶盲辨识SOBI的输入信号， 进行进一步分离， 得到p 维信号分量矩阵s(t)， s(t)＝[s1(t)， s2(t)， ...， sp(t)]； S3、 计算经过S1和 S2步骤后， 得到的s(t)中的每个信号分量的模糊熵值， 根据模糊熵值 识别出伪迹分量， 并将识别出伪迹分量置零， 得到不含伪迹成分的信号矩阵 S4、 对信号分量矩阵s(t)中剩余的信号分量， 即没有置零的信号分量， 进行逆SOBI变 换， 得到不含伪迹成分的固有模态分量矩阵 S5、 对固有模态分量矩阵 求和， 重构出干净脑电信号x(t)。 2.根据权利要求1所述的单通道脑电信号伪 迹去除方法， 其特征在于， 所述步骤S1具体 包括： S101、 对被眼电伪迹(EOG)和肌电伪迹(EMG)同时污染的脑电混合信号y(t)建立变分约 束模型： 其中， k为模态分解个数， K为总的模态分解个数， uk(t)为第k个模态分量， ωk为uk(t)的 中心频率， 是每个模态分量信号相应的解析信号， 是带约束的变分模型， 是模型约束， 表示分 解的各模态分量相加得到原 始信号y(t)； S102、 在约束条件下重构出{uk}和{ωk}， 在式(1)基础上引入二次惩罚因子α和拉格朗 日乘子 λ， 将上述约束模型转 化为非约束模型， 表达式为： S103、 利用交替方向乘法器算法求解上述非约束模型得到拉格朗日函数的鞍点， 从而 得到窄带IMF分量， 1)初始化 参数 2)n＝n+1， 根据下式更新uk 3)k＝k+1， 重复步骤2， 直到k ＝K， 终止上式， 根据下式更新ωk权　利　要　求　书 1/3 页 2 CN 115510692 A 24)k＝k+1， 重复步骤3， 直到k ＝K， 终止上式， 5)更新拉格朗日乘数 λ 式中， γ为噪声容忍度， 满足信号分解的保真度要求， n为迭代次数n＝{1， ...， N}。 分别对应 y(t)， λ(t)的傅里叶变换， 6)重复步骤(2) ‑(5)， 直到满足下式收敛条件， 循环迭代的收敛条件以各IMF更新前后 之差与更新前IMF的比值作为系数： 对于给定判断精度 ε＞0， 结束循环， 输出 各IMF的中心频率ωk。 3.根据权利要求2所述的单通道脑电信号伪 迹去除方法， 其特征在于， 所述步骤S2具体 包括： S201、 首先对上述VMD分解得到的p维信号u(t)进行预白化处理， 计算白化矩阵Q， 白化 后的信号记为z(t)， z(t)＝Qu(t)    (7) S202、 计算z(t)的多个时延 τ∈{ τ1， τ2， ...... τk}的采样协方差矩阵 R( τ )＝E[z(t+τ )z(t)T]＝ARz( τ )AT     (8) S203、 对上式计算的各个协方差矩阵R( τj)， 进行联合近似 对角化， 计算 正交矩阵V VTR( τj)V＝Dj    (9) 式中， {Dj}是一组对角矩阵， S204、 估计混合矩阵A和源信号s(t)： A＝Q‑1V     (10) s(t)＝A‑1u(t)＝VTQu(t)#(1 1) 。 4.根据权利要求3所述的单通道脑电信号伪 迹去除方法， 其特征在于， 所述步骤S3 中计 算信号模糊熵值的具体步骤 包括： S301、 对上述SOBI盲源分离算法分离得到的p维信号s(t)重构生成一组m维矢量 为 其中， i＝1， 2， ...， p ‑m， {g(i)， g(i+1)， ...， g(i+m ‑1)}代表从第i个点开始的连续m个g 的值， g0(i)表示均值， S302、 定义 为任意两个m维矢量 之间的最大欧式距离， 即两者对应元素中差 值最大的一个， 并用模糊函数 μ定义相似度 权　利　要　求　书 2/3 页 3 CN 115510692 A 3