联合改进CEEMD与近似熵的脑电去噪方法

doi:10.3969/j.issn.1000-3428.2017.06.009

计算机工程

联合改进CEEMD与近似熵的脑电去噪方法

张欢¹,刘燕 ^2,3,佟宝同 2,赵凌霄 2,杨莹雪 4,王玉平 4,戴亚康 2

(1.南京理工大学电子工程与光电技术学院,南京 210094; 2.中国科学院苏州生物医学工程技术研究所,江苏苏州 215163;3.哈尔滨理工大学,哈尔滨 150080; 4.首都医科大学宣武医院神经内科,北京 100053)

收稿日期:2016-06-01 出版日期:2017-06-15 发布日期:2017-06-15
作者简介:张欢(1991—),男,硕士研究生,主研方向为信号处理;刘燕,讲师、博士;佟宝同,副研究员、硕士;赵凌霄,研究员、博士;杨莹雪,住院医师、博士;王玉平,教授、博士;戴亚康(通信作者),研究员、博士。
基金资助:
国家“863”计划项目(2015AA020514);国家自然科学基金(61301042);中国科学院百人计划项目;江苏省自然科学基金(BK2012189);苏州市医疗器械与新医药专项(ZXY201426);2014年度中法“蔡元培”交流合作项目(201404490123);脑功能疾病调控治疗北京市重点实验室开放课题。

Electroencephalogram Denoising Method Combining Improved CEEMD and Approximate Entropy

ZHANG Huan1,LIU Yan2,3,TONG Baotong2,ZHAO Lingxiao2,YANG Yingxue4,WANG Yuping4,DAI Yakang2

(1.School of Electronic and Optical Engineering,Nanjing University of Science and Technology,Nanjing 210094,China;2.Suzhou Institute of Biological Engineering and Technology,Chinese Academy of Sciences,Suzhou,Jiangsu 215163,China;3.Harbin University of Science and Technology,Harbin 150080,China; 4.Department of Neurology,Xuanwu Hospital Capital Medical University,Beijing 100053,China)

Received:2016-06-01 Online:2017-06-15 Published:2017-06-15

摘要/Abstract

摘要： 针对现有完备总体经验模态分解方法在脑电去噪中的模态筛选偏差问题,结合改进的完备总体经验模态分解(ICEEMD)与近似熵,提出一种新的脑电(EEG)信号去噪方法。对EEG信号进行ICEEMD分解,得到一系列本征模态函数(IMF),再对IMF分别计算近似熵,比较并选择近似熵值最大的IMF作为去噪后的信号。基于模拟信号和真实脑电信号的实验结果表明,与添加自适应噪声的完备总体经验模态分解方法相比,该方法能得到更清晰稳定的去噪结果,并且解决了IMF盲目选取导致的去噪失准及虚假模态等问题。

关键词: 脑电, 去噪, 本征模态函数, 完备总体经验模态分解, 近似熵

Abstract: Aiming at the problem of modal selection bias in Complete Ensemble Empirical Mode Decomposition(CEEMD),this paper proposes a new Electroencephalogram(EEG) signal denoising method by combining improved CEEMD(ICEEMD).First,the EEG signal is decomposed to several Intrinsic Mode Functions(IMF) by ICEEMD.Then,the approximate entropy of each IMF is calculated respectively.Finally,the IMF with the maximum approximate entropy is chosen as the denoised result.The experiments result based on analog signals and real EEG signals shows that,compared with Complete Ensemble Empirical Mode Decomposition with Adaptive Noise(ECCMDAN),the new method can give more clear and stable denoising results,and it also solves the problems such as inaccurate denoising and false mode caused by the blind selection of IMF.

Key words: Electroencephalogram(EEG), denoising, Intrinsic Mode Function(IMF), Complete Ensemble Empirical Mode Decomposition(CEEMD), approximate entropy

中图分类号:

TN911.7

张欢,刘燕,佟宝同,赵凌霄,杨莹雪,王玉平,戴亚康. 联合改进CEEMD与近似熵的脑电去噪方法[J]. 计算机工程, doi: 10.3969/j.issn.1000-3428.2017.06.009.

ZHANG Huan,LIU Yan,TONG Baotong,ZHAO Lingxiao,YANG Yingxue,WANG Yuping,DAI Yakang. Electroencephalogram Denoising Method Combining Improved CEEMD and Approximate Entropy[J]. Computer Engineering, doi: 10.3969/j.issn.1000-3428.2017.06.009.

https://www.ecice06.com/CN/Y2017/V43/I6/53

参考文献

参考文献［1］Adeli H,Zhou Z N.Analysis of EEG Records in an Epileptic Patient Using Wavelet Transform［J］.Journal of Neuroscience Methods,2003,123(1):69-87. ［2］高军峰,王沛,郑崇勋.基于P300和机器学习的测谎方法研究［J］.西安交通大学学报,2010,44(10):120-124. ［3］Jungwirth S,Fischer P S,Kirchmeyr W.Subjective Memory Complaints and Objective Memory Impairment in the Vienna-transdanube Aging Community［J］.Journal of the American Geriatrics Society,2004,52(2):263-268. ［4］季忠,秦树人,彭丽玲.脑电信号的现代分析方法［J］.重庆大学学报(自然科学版),2002,25(9):108-112. ［5］Rinen A,Oja E.Independent Component Analysis:Algorithms and Applications［J］.Neural Networks,2000,13(4/5):411-430. ［6］Zhou Weidong,Gotman J.Automatic Removal of Eye Movement Artifacts from the EEG Using ICA and the Dipole Model［J］.Progress in Natural Science:Materials International,2009,19(9):1165-1170. ［7］Winkler I,Brandl S,Horn F,et al.Robust Artifactual Independent Component Classification for BCI Practi-tioners［J］.Journal of Neural Engineering,2014,11(3). ［8］Huang N E,Shen Zheng,Long S R,et al.The Empirical Mode Decomposition and the Hilbert Spectrum for Nonlinear and Non-stationary Time Series Analysis［J］.Mathematical,Physical and Engineering Sciences,1998,454(1971):973-995. ［9］李小兵,初孟,邱天爽,等.一种基于经验模态分解的时频分布及其在EEG分析中的应用［J］.生物医学工程学杂志,2007,24(5):990-995. ［10］Wu Zhaohua,Huang N E.Ensemble Empirical Mode Decomposition:A Noise-assisted Data Analysis Method［J］.Advances in Adaptive Data Analysis,2011,1(1):1-41. ［11］Zhu Xiaojun,Lü Shiqin,Fan Liujuan,et al.The EEG Signal Process Based on EEMD［C］//Proceedings of International Symposium on Intelligence Information Processing and Trusted Computing.Washington D.C.,USA:IEEE Computer Society,2011:222-225. ［12］Chen Dan,Li Duan,Xiong Muzhou,et al.GPGPU-aided Ensemble Empirical-mode Decomposition for EEG Analysis During Anesthesia［J］.IEEE Transactions on Information Technology in Biomedicine,2010,14(6):1417-1427. ［13］Torres M E,Colominas M A,Schlotthauer G,et al.A Complete Ensemble Empirical Mode Decomposition with Adaptive Noise［C］//Proceedings of IEEE International Conference on Acoustics,Speech and Signal Processing.Washington D.C.,USA:IEEE Press,2011:4144-4147. ［14］Hassan A R,Haque M A.Epilepsy and Seizure Detection Using Statistical Features in the Complete Ensemble Empirical Mode Decomposition Domain［C］//Proceedings of TENCON’15.Washington D.C.,USA:IEEE Press,2015:1-6. ［15］Colominas M A,Schlotthauer G,Torres M E.Improved Complete Ensemble EMD:A Suitable Tool for Biomedical Signal Processing［J］.Biomedical Signal Processing & Control,2014,14(14):19-29. ［16］Pincus S M.Approximate Entropy as a Measure of System Complexity［J］.Proceedings of the National Academy of Sciences,1991,88(6):2297-2301. ［17］杨琨,曹建庭,王如彬,等.疑似脑死患者脑电信号的动态近似熵分析［J］.中国生物医学工程学报,2011,30(1):27-33. ［18］Srinivasan V,Eswaran C,Sriraam N.Approximate Entropy-based Epileptic EEG Detection Using Artificial Neural Networks［J］.IEEE Transactions on Information Technology in Biomedicine,2007,11(3):288-295. ［19］Kannathal N,Min L C,Acharya U R,et al.Entropies for Detection of Epilepsy in EEG［J］.Computer Methods & Programs in Biomedicine,2005,80(3):187-194. ［20］洪波,唐庆玉,杨福生,等.近似熵、互近似熵的性质、快速算法及其在脑电与认知研究中的初步应用［J］.信号处理,1999,15(2):100-108. 编辑陆燕菲

[1]	张鲁, 田春伟, 宋焕生, 刘侍刚. 用于低剂量CT图像去噪的多级双树复小波网络[J]. 计算机工程, 2024, 50(9): 266-275.
[2]	高煜宝, 文志诚. 基于注意力机制的双路解码器图像去噪方法[J]. 计算机工程, 2024, 50(9): 324-332.
[3]	王夙喆, 张雪英, 陈晓玉, 李凤莲, 吴泽林. 基于有效注意力和GAN结合的脑卒中EEG增强算法[J]. 计算机工程, 2024, 50(8): 336-344.
[4]	冯妍舟, 刘建霞, 王海翼, 冯国昊, 白宇. 基于多级残差信息蒸馏的真实图像去噪方法[J]. 计算机工程, 2024, 50(3): 216-223.
[5]	李倩, 魏伟波, 杨光宇, 宋金涛, 孙璐, 潘振宽. 基于先验驱动深度神经网络的泊松去噪变分模型[J]. 计算机工程, 2024, 50(2): 273-280.
[6]	焦义, 徐华兴, 毛晓波, 李楠, 姚国梁, 倪金红, 徐向阳. 融合多尺度特征的脑电情感识别研究[J]. 计算机工程, 2023, 49(5): 81-89,96.
[7]	杨晶晶, 谢海燕, 薛妮妮, 张傲明. 基于双通道残差网络的水下图像去噪研究[J]. 计算机工程, 2023, 49(4): 188-198.
[8]	席荣康, 蔡满春, 芦天亮. 基于数据增强与流数据处理的Tor流量分析模型[J]. 计算机工程, 2023, 49(3): 177-184.
[9]	周博超, 韩雨男, 桂志国, 李郁峰, 张权. 基于VGG网络与深层字典的低剂量CT图像去噪算法[J]. 计算机工程, 2022, 48(4): 191-196,205.
[10]	王斌, 王忠民, 张荣. 基于多通道脑电信号的因果网络情绪识别[J]. 计算机工程, 2022, 48(1): 69-74.
[11]	连卫芳, 晁浩, 刘永利. 基于SDAE与RELM的EEG情感识别方法[J]. 计算机工程, 2021, 47(9): 75-83.
[12]	唐超, 左文涛, 李小飞. 结合修剪均值与高斯加权中值滤波的图像去噪算法[J]. 计算机工程, 2021, 47(9): 210-216.
[13]	柳素红, 孙晓, 李春彬. 基于位置信息重建与时频域信息融合的脑电信号情感识别[J]. 计算机工程, 2021, 47(12): 95-102.
[14]	张墨华, 彭建华. 面向图像先验建模的可扩展高斯混合模型[J]. 计算机工程, 2020, 46(4): 220-227.
[15]	齐永锋, 李陇强. 基于局部模式的癫痫脑电信号自动分类方法[J]. 计算机工程, 2020, 46(2): 298-303.

选择文件类型/文献管理软件名称

选择包含的内容

联合改进CEEMD与近似熵的脑电去噪方法

Electroencephalogram Denoising Method Combining Improved CEEMD and Approximate Entropy

PDF

可视化

被引次数

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

模态框（Modal）标题

选择文件类型/文献管理软件名称

选择包含的内容

联合改进CEEMD与近似熵的脑电去噪方法

Electroencephalogram Denoising Method Combining Improved CEEMD and Approximate Entropy

PDF

可视化

被引次数

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