如何用ICA去除脑电信号中的干扰？

《本文同步发布于“脑之说”微信公众号，欢迎搜索关注~~》

独立成分分析（ICA）已经成为脑电信号预处理，特别是去除干扰信号过程中一个标准流程。ICA是一种盲源算法，其通过一定的方法把信号分解成相互独立的多个源信号。尽管ICA算法为研究者去除脑电信号中的干扰源提供了便利，但是在具体运用时带有一定的主观性，因此需要一定的经验才能够鉴别出干扰成分。当然，目前也有一些自动化鉴别干扰成分插件，但是这些插件也只能提供一个参考而已，最后还需要自己的判定。这里，笔者总结一些典型噪声成分的特点，希望对各位朋友有所帮助。
EEGlab中植入了最常用的ICA算法，建议采用EEGlab运行ICA。ICA跑完之后，可以画出每个成分的拓扑图、功率谱曲线等，我们可以依据这些信息鉴别出噪声成分，进而把这些成分去掉。

1.眨眼

眨眼引起的干扰最主要特点是：独立成分的拓扑图主要分布于前端眼部电极，如图1所示。此外，该成分的功率谱曲线没有明显的peak。

图1

2.肌电

肌电的典型表现是：独立成分拓扑图主要集中在左侧/右侧颞叶处，如图2所示。此外，从功率谱曲线上可以看到，能量主要在高频，这主要是由于肌电一般是高频信号。

图2

3.通道噪声

通道噪声主要是由于该通道在采集过程中与头皮接触不良引起的，其典型特征是在拓扑图上集中在某一个电极上，如图3所示。

图3

4.心电

心电最明显的特征是该成分的时域信息，可以从该成分的信号中看到明显的心电QRS波，如图4所示。

图4

当然，上述列举的只是ICA能够鉴别出的最常见的噪声，除此之外，ICA还可以鉴别出工频干扰等噪声。

注：原创不易，请多多转发支持，如有问题请加笔者微信交流（悦影科技赵宗亚，微信：15560177218）

如何用ICA去除脑电信号中的干扰？相关推荐

python处理脑电信号_用ICA去除脑电信号中的眼球链接
你有没有注意到你的"组件"完全是原始信号的比例和颠倒?这是因为你不能得到比信号更多的成分.在您需要执行以下步骤:将所有EEG通道输入ICA 手动移除包含眨眼或其他伪影的组件用反 ...
如何用matlab进行脑电信号处理,基于matlab的脑电信号处理
调用noise_reduce.m文件,可以实现脑电信号的小波变换默认阈值去噪处理,原始数据及去噪处理结果对比如下图7所示. 图7 原始信号与小波默认阈值去噪结果图的对比从原始脑电信号与去噪处理后的效 ...
022 利用头皮脑电信号预测癫痫发作2021
Epileptic seizure prediction using scalp electroencephalogram signals 癫痫是一种脑部疾病,患者经常癫痫发作.约30%的癫痫患者无法 ...
011小波域和机器学习在脑电信号癫痫发作检测中的应用-2022
On the Use of Wavelet Domain and Machine Learning for the Analysis of Epileptic Seizure Detection fr ...
事件相关去同步 (ERD) 和事件相关同步化 (ERS)在脑电信号研究中的应用
作者:周思捷,白红民,广州军区广州总医院神经外科人脑具有电活动是Hans Berger于1924年首先检测到的,并将这种检测方法命名为脑电图(electroencephalo-graph,EEG). ...
深度学习应用于脑电信号处理
获取了数据还要读懂数据,周期,时间,采样频率,通道等等信息,可以通过说明文档,一般数据都会有.或者用matlab打开数据集来获取. 一.脑电信号数据开源数据集,注意数据的格式,我用过.mat.gdf ...
MATLAB实现PCA去除眼电信号
MATLAB实现PCA去除眼电信号一.去除伪迹的讨论查阅文献[1]可知,所获取的低频脑电信号中,主要受心电(ECG)和眼电(EOG)的干扰较大. 但一般实验会忽略掉心电伪迹(为了简化,俺也是),若 ...
阅读笔记3：基于深度学习的运动想象脑电信号分类算法研究
1.论文信息题目:基于深度学习的运动想象脑电信号分类算法研究作者佟歌单位:哈尔滨工程大学控制科学与工程发表时间:201803 2.笔记 2.1 脑电信号采集及预处理 2.1.1脑电信号分析方法 ...
脑电采集理论基础：脑电信号采集方式、分类及特点、伪迹、导联
此博客为个人博客,不涉及商业用途,仅提供学习参考,内容均来自个人原创以及互联网转载和摘录. 此博客上带有原创标识的文章.图片.文件等,未经本人允许,不得用于商业用途以及传统媒体. 本文首发于CSDN, ...

如何用ICA去除脑电信号中的干扰？

如何用ICA去除脑电信号中的干扰？相关推荐

最新文章

热门文章