Fast removal of ocular artifacts from electroencephalogram signals using spatial constraint independent component analysis based recursive least squares in brain-computer interface

作     者：Bang-hua YANG Liang-fei HE Lin LIN Qian WANG 

作者机构：Shanghai Key Laboratory of Power Station Automation Technology Department of AutomationSchool of Mechatronic Engineering and Automation Shanghai University Shanghai 200072 China 

出 版 物：《Frontiers of Information Technology & Electronic Engineering》 (信息与电子工程前沿（英文版）)

年 卷 期：2015年第16卷第6期

页      面：486-496页

核心收录：

学科分类：0810[工学-信息与通信工程] 0808[工学-电气工程] 0809[工学-电子科学与技术（可授工学、理学学位）] 08[工学] 081203[工学-计算机应用技术] 0839[工学-网络空间安全] 0805[工学-材料科学与工程（可授工学、理学学位）] 080502[工学-材料学] 0835[工学-软件工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：Project supported by the National Natural Science Foundation of China （Nos. 31100709 and 60975079） and the Shanghai Pujiang Program  China （No. 14PJ1431300） 

主　　题：眼电伪迹 脑电 眼电 脑机接口 约束独立分量分析和自适应滤波 

摘      要：目的:眼电是脑电的主要干扰,采用眼电信号作为参考的自适应滤波能有效消除眼电干扰。然而眼电采集不方便且繁琐。在脑机接口中为从脑电中去除眼电,提出基于约束独立分量分析和自适应滤波的快速去除方法。该方法具有无需记录眼电信号且快速的优点。创新点:所提方法避免了实验过程中直接对被试者进行眼电信号采集,减少被试者在实验过程中的不适。该方法处理后的识别正确率比单纯用传统ICA算法和不进行任何处理的源信号分别提高了3.3%和12.6%。另外,该方法的时间耗费较上述两种算法分别降低了83.5%和83.8%,更好地满足脑机接口在线要求。方法:该方法分为两个阶段:第一阶段的目的是提取纯净的EOG信号。首先用ICA算法将输入信号分离成相互独立的分量(IC)。计算每个IC的峰态系数值并依据该值自动识别EOG独立分量(图2)。然后运用经验模态分解(EMD)将所识别的EOG信号自适应分解成数个IMF。根据IMF频域特征,选择数个IMF组合成纯净的EOG信号(图3)。第二阶段的目的是结合SCICA和RLS滤波算法去除混合在EEG信号中的EOG伪迹。首先SCICA利用第一阶段分离出的纯净EOG信号作为参考模板,迅速将混合在源信号中的EOG信号识别分离出。然后将该EOG信号分量作为RLS滤波器参考信号进行自适应滤波,最终去除EOG伪迹(图7)。结论:针对脑机接口脑电信号包含的眼电伪迹,提出一种基于约束独立分量分析和自适应滤波的快速自动去除方法。该方法去除效果良好,可用于脑机接口中眼电的在线自动消除。