基于盲反卷积的脑电信号盲分离研究

doi:10.12068/j.issn.1005-3026.2016.08.008

东北大学学报:自然科学版 ›› 2016, Vol. 37 ›› Issue (8): 1100-1103.DOI: 10.12068/j.issn.1005-3026.2016.08.008

基于盲反卷积的脑电信号盲分离研究

黄璐^1,2，王宏³

( 1. 东北大学中荷生物医学与信息工程学院，辽宁沈阳110167； 2. 大连海洋大学信息工程学院，辽宁大连116023； 3. 东北大学机械工程与自动化学院，辽宁沈阳110819)

收稿日期:2015-05-18 修回日期:2015-05-18 出版日期:2016-08-15 发布日期:2016-08-12
通讯作者: 黄璐
作者简介:黄璐(1979-)，女，辽宁开原人，东北大学博士研究生; 王宏(1960-)，女，辽宁沈阳人，东北大学教授，博士生导师.
基金资助:
国家自然科学基金资助项目(61071057).

Blind Separation of EEG Based on Blind Deconvolution

HUANG Lu^1,2， WANG Hong³

1. Sino-Dutch Biomedical and Information Engineering School， Northeastern University， Shenyang 110167， China; 2. College of Information Engineering， Dalian Ocean University， Dalian 116023， China; 3. School of Mechanical Engineering & Automation， Northeastern University， Shenyang 110819， China.

Received:2015-05-18 Revised:2015-05-18 Online:2016-08-15 Published:2016-08-12
Contact: WANG Hong
About author:-
Supported by:
-

摘要/Abstract

摘要： 采用卷积混合模型描述观测脑电信号(electroencephalogram，EEG)，提出一种基于盲反卷积的EEG盲分离方法.结合EEG源成分的独立性确定代价函数，并采用共轭梯度法进行迭代寻优.针对EEG仿真实验数据进行方法验证，采用分离信号与源信号之间的相关系数作为验证指标.实验结果表明，本文方法可以较好地实现EEG盲分离，为EEG信号处理和其他生理信号处理分析提供理论和方法借鉴.

关键词: 生理信号, 脑电信号, 信号处理, 盲分离, 盲反卷积

Abstract: The convolution mixture model was adopted to describe the as-observed EEG signals， and then a method for the blind separation of EEG based on blind deconvolution was put forward. The cost function was established based on the independence of EEG sources， and iteration was carried out using conjugate gradient method. The verification was implemented with simulation experiment， adopting the correlation coefficients between separated signals and source signals as the verification indexes. Experimental results show that the method proposed can achieve blind separation of EEG successfully， providing a theoretical and practical reference for the processing of EEG and other physiological signals.

Key words: physiological signal, electroencephalogram, signal processing, blind separation , blind deconvolution

中图分类号:

R318

黄璐，王宏. 基于盲反卷积的脑电信号盲分离研究[J]. 东北大学学报:自然科学版, 2016, 37(8): 1100-1103.

HUANG Lu， WANG Hong. Blind Separation of EEG Based on Blind Deconvolution[J]. Journal of Northeastern University Natural Science, 2016, 37(8): 1100-1103.

参考文献

[1]Sardouie S H，Shamsollahi M B，Albera L，et al.Denoising of ictal EEG data using semi-blind source separation methods based on time-frequency priors［J］.IEEE Journal of Biomedical and Health Informatics，2015，19(3):839-847.
[2]Selvan S，George S，Balakrishnan R.Range-based ICA using a nonsmooth quasi-Newton optimizer for electroence phalographic source localization in focal epilepsy［J］.Neural Computation，2015，27(3):628-671.
[3]Hamaneh M B，Chitravas N，Kaiboriboon K，et al.Automated removal of EKG artifact from EEG data using independent component analysis and continuous wavelet transformation［J］.IEEE Transactions on Biomedical Engineering，2014，61(6):1634-1641.
[4]Abutaleb A，Fawzy A，Sayed K.Blind deconvolution of EEG signals using the stochastic calculus［C］// Proceedings of 2012 Cairo International Biomedical Engineering Conference.Giza，2012:175-178.
[5]Dyrholm M，Makeig S，Hansen L K.Model selection for convolutive ICA with an application to spatiotemporal analysis of EEG［J］.Neural Computation，2007，19(4):934-955.
[6]Bousbia-Salah H，Belouchrani A，Abed-Meraim K.Blind separation of convolutive mixtures using joint block diagonalization［C］// Proceedings of the Sixth International Symposium on Signal Processing and Its Applications.Kuala Lumpur，2001:13-16.
[7]Ghennioui H，Fadaili E M，Thirion-Moreau N，et al.A nonunitary joint block diagonalization algorithm for blind separation of convolutive mixtures of sources［J］.IEEE Signal Processing Letters，2007，14(11):860-863.
[8]Ghennioui H，Thirion-Moreau N，Moreau E，et al.Gradient-based joint block diagonalization algorithms:application to blind separation of FIR convolutive mixtures［J］.Signal Processing，2010，90(6):1836-1849.
[9]孙文瑜，徐成贤，朱德通.最优化方法［M］.2版.北京:高等教育出版社，2010:149-158.(Sun Wen-yu，Xu Cheng-xian，Zhu De-tong.The optimization method ［M］.2nd ed.Beijing:Higher Education Press，2010:149-158.)(上接第1074页)
[5]Allis L V，van den Herik H J，Huntjens M P H.Go-Moku solved by new search techniques［J］.Computational Intelligence，1996，12 (1):7-23.
[6]Wu I C，Lin H H，Sun D J，et al.Job-level proof-number search for connect6［C］// Computer Games.Berlin:Springer-Verlag，2011:11-22.
[7]Kishimoto A，Winands M，Müller M，et al.Game-tree search using proof numbers:the first twenty years［J］. ICGA Journal，2012，35(3):131-156.
[8]Xu C M，Ma Z M，Tao J，et al.Enhancements of proof number search in connect6［C］// Control and Decision Conference.New York:IEEE，2009:4525-4529.
[9]Yoshizoe K，Kishimoto A，Müller M.Lambda depth-first proof number search and its application to go［C］// 20th International Joint Conference on Artificial Intelligence.San Francisco:Morgan Kaufmann，2007:2404-2409.

[1]	赵海，陈佳伟，施瀚，王相. 一种应用于人体活动识别的迁移学习算法[J]. 东北大学学报（自然科学版）, 2022, 43(6): 776-782.
[2]	徐礼胜，崔慧颖，吴俊鼎，王仲怡. 级联自适应局部投影降噪方法[J]. 东北大学学报（自然科学版）, 2022, 43(3): 368-375.
[3]	王翘秀，王宏，胡佛，化成城. 基于脑区社团结构的恐高程度识别模型[J]. 东北大学学报（自然科学版）, 2021, 42(3): 381-388.
[4]	常文文，王宏，化成城，王翘秀. 基于有向网络的人物信息诱发脑电信号特征[J]. 东北大学学报:自然科学版, 2019, 40(1): 1-6.
[5]	王琳，化成城，姜鑫，王宏. 基于颈腰部肌电及脑电信号的疲劳驾驶检测[J]. 东北大学学报:自然科学版, 2018, 39(1): 102-107.
[6]	康雁，宁国琛. 基于声源定位的头部姿态检测系统研究与实现[J]. 东北大学学报:自然科学版, 2018, 39(1): 26-31.
[7]	张驰，卢绍文，王宏，王宏*. 磨矿过程控制中专家操作人员脑电特征分析[J]. 东北大学学报:自然科学版, 2017, 38(6): 828-833.
[8]	刘冲，于清文，陆志国，王宏. 基于最小二乘支持向量机的脑电信号分类[J]. 东北大学学报:自然科学版, 2016, 37(5): 634-637.
[9]	韩凌，王宏，李春胜. 基于多变量希尔伯特频域模型的癫痫发作预测[J]. 东北大学学报:自然科学版, 2015, 36(10): 1383-1387.
[10]	王福旺，王宏，罗旭. 基于EEG与EOG信号的疲劳驾驶状态综合分析[J]. 东北大学学报:自然科学版, 2014, 35(2): 175-178.
[11]	叶柠;孙宇舸;. 基于EEG小波包子带能量比的疲劳驾驶检测方法[J]. 东北大学学报(自然科学版), 2012, 33(8): 1088-1092.
[12]	颜世玉;王宏;刘冲;赵海滨;. 基于小波方差的运动想象脑电信号特征提取[J]. 东北大学学报(自然科学版), 2012, 33(7): 934-937.
[13]	刘冲;赵海滨;李春胜;王宏;. 基于CSP与SVM算法的运动想象脑电信号分类[J]. 东北大学学报(自然科学版), 2010, 31(8): 1098-1101.
[14]	孙宇舸;叶柠;于艳波;. 基于右腿驱动技术的脑电信号放大器的设计[J]. 东北大学学报(自然科学版), 2010, 31(6): 777-781.
[15]	叶柠;孙宇舸;王旭;. 基于共空间模式和神经元网络的脑-机接口信号的识别[J]. 东北大学学报(自然科学版), 2010, 31(1): 12-15.

基于盲反卷积的脑电信号盲分离研究

Blind Separation of EEG Based on Blind Deconvolution

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价