文献类型：期刊文章

作　　者：吴全玉[1] 张文强[1] 潘玲佼[1] 陶为戈[1] 刘晓杰[1]

WU Quanyu;ZHANG Wenqiang;PAN Lingjiao;TAO Weige;LIU Xiaojie(Institute of Bioinformatics and Medical Engineering,School of Electrical and Information Engineering,Jiangsu University of Technology,Changzhou,213001,China)

机构地区：[1]江苏理工学院电气信息工程学院生物信息与医药工程研究所,常州213001

出　　处：《数据采集与处理》

基　　金：江苏省产学研合作项目(BY2019264)资助项目;江苏省重点研发计划(BE2019317,BE2020648)资助项目;江苏省青蓝工程(KYQ19014)资助项目;江苏省高校面上项目(17KJB510015)资助项目。

年　　份：2020

卷　　号：35

期　　号：4

起止页码：720-729

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CSCD、CSCD_E2019_2020、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：针对微弱的脑电(Electroencephalogram,EEG)信号在采集过程中夹杂着各种生理伪迹,特别易遭到眨眼和眼动产生的眼电(Electrooculography,EOG)伪迹干扰。本文提出在自适应噪声完备经验模态分解(Complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)的基础上,构建盲反卷积(Blind deconvolution,BD)模型,实现EOG伪迹分离的方法。该方法首先运用CEEMDAN方法将含有伪迹的EEG信号分解成若干固有模态函数(Intrinsic mode function,IMF)分量,再以模态分量为观测信号送入EEG信号和EOG伪迹两个源信号构成的盲反卷积模型中,通过构建代价函数迭代实现EEG信号与EOG伪迹分离。为了验证新提出的算法,采用标准CHB⁃MIT头皮脑电数据库进行实验验证,EOG伪迹分离后的数据跟原始脑电数据作相关性分析,其相关系数是0.82。结果证实本文提出的方法保留有大多数原始EEG信号分量,同时对EOG伪迹的分离也具有良好的效果。

关 键 词：脑电信号 眼电伪迹  经验模态分解 盲反卷积

分 类 号：TP391]