陳 強(qiáng) 陳 勛 余鳳瓊

?

基于獨(dú)立向量分析的腦電信號中肌電偽跡的去除方法

陳 強(qiáng)①陳 勛*①余鳳瓊②

①(合肥工業(yè)大學(xué)生物醫(yī)學(xué)工程系 合肥 230009)②(安徽醫(yī)科大學(xué)醫(yī)學(xué)心理學(xué)系 合肥 230032)

腦電數(shù)據(jù)經(jīng)常被各種電生理信號偽跡所污染。在常見偽跡中，肌電偽跡特別難以去除。文獻(xiàn)中最常用的方法包括諸如獨(dú)立分量分析(Independent Component Analysis, ICA)和典型相關(guān)分析(Canonical Correlation Analysis, CCA)等盲源分離技術(shù)。該文首次提出一種基于獨(dú)立向量分析(Independent Vector Analysis, IVA)的新方法，用以去除腦電中的肌電偽跡。IVA同時使用高階統(tǒng)計量和二階統(tǒng)計量，因此該方法能夠充分利用肌電偽跡的非高斯性和弱相關(guān)性，兼具ICA方法和CCA方法的優(yōu)勢。實驗表明，使用IVA方法可以在保留腦電成份的同時極大抑制肌電偽跡，效果顯著優(yōu)于ICA法和CCA法。

腦電；肌電偽跡；盲源分離；獨(dú)立向量分析

1 引言

眾所周知，存在于腦電數(shù)據(jù)的各種電生理偽跡干擾中，肌肉收縮(例如咬合、咀嚼、皺眉等動作)產(chǎn)生的肌電偽跡很難去除[1,2]。顯然，在腦功能分析[3]、腦-機(jī)接口[4,5]等應(yīng)用研究中，能否獲取純凈的腦電信號是關(guān)鍵的一步。如文獻(xiàn)[2]所述，去除肌電偽跡的難點(diǎn)在于其幅度高、頻帶寬、分布位置多變。由于生理過程復(fù)雜并且缺乏參考信號，腦電處理中常用盲源分離技術(shù)來去除肌電偽跡[6,7]。

作為一種著名的盲源分離技術(shù)，獨(dú)立分量分析(Independent Component Analysis, ICA)已被廣泛應(yīng)用于腦電中的肌電偽跡去除[7,8]。在ICA中，通過高階統(tǒng)計將多道EEG數(shù)據(jù)線性解混為統(tǒng)計獨(dú)立的成分，去除其中類似肌電偽跡的成分后，重建得到干凈的數(shù)據(jù)。盡管很多研究者推薦ICA[8,9]，但是也有文獻(xiàn)中對ICA去除肌電偽跡的效果提出質(zhì)疑[2,10]，認(rèn)為ICA比較適合去除空間分布較為固定的肌電偽跡，然而肌電偽跡的形狀和幅度取決于肌肉收縮的程度、肌肉的類型和數(shù)量，其空間分布經(jīng)常變化。文獻(xiàn)[11]指出，大多數(shù)獨(dú)立成分實際上同時包含腦電和肌電。

典型相關(guān)分析(Canonical Correlation Analysis, CCA)作為另一種盲源分離技術(shù)也被用于肌電偽跡的去除[6,12]。CCA的目標(biāo)是利用二階統(tǒng)計量提取出自相關(guān)系數(shù)最大的源，同時這些源彼此互不相關(guān)。相比腦電，肌電波形更接近白噪聲，因此自相關(guān)系數(shù)相對更低，CCA利用這個有區(qū)分度的特征從腦電中去除肌電偽跡。文獻(xiàn)[6,12,13]顯示，對于仿真數(shù)據(jù)，CCA比ICA表現(xiàn)更好。臨床應(yīng)用也表明CCA對去除肌電偽跡的效果有所改善[14,15]。該方法在單道EEG去除肌電干擾的研究中也表現(xiàn)出優(yōu)越性[16]。

最近的報道[8]指出，方法的性能表現(xiàn)與所處理的腦電數(shù)據(jù)高度相關(guān)。得以利用肌電信號的非高斯性，使用高階統(tǒng)計量的ICA獲得統(tǒng)計意義上的獨(dú)立源；而通過利用肌電信號的低自相關(guān)性，使用二階統(tǒng)計量的CCA得以獲取自相關(guān)特征。雖然在理論上，兩個信號源如果互相獨(dú)立則必然互不相關(guān)，但在具體的ICA算法中，只能使用某些高階統(tǒng)計量作為判據(jù)，未必能適應(yīng)復(fù)雜多變的肌電偽跡。所幸ICA和CCA二者使用的統(tǒng)計信息是可以互補(bǔ)的。本文的目標(biāo)是將CCA和ICA的優(yōu)點(diǎn)集成在一個盲源分離框架內(nèi)，即同時使用二階統(tǒng)計量和高階統(tǒng)計量來更好地求解去噪問題。

獨(dú)立向量分析(Independent Vector Analysis, IVA)[17]是最近興起的這樣一種盲源分離技術(shù)。IVA可以看作是ICA從一個數(shù)據(jù)集擴(kuò)展到多個數(shù)據(jù)集。IVA利用信息論判據(jù)將每個數(shù)據(jù)集分解為統(tǒng)計獨(dú)立的源，同時利用數(shù)據(jù)集之間的相關(guān)信息使得數(shù)據(jù)集的各對應(yīng)的源彼此相關(guān)。利用二階統(tǒng)計量表示多數(shù)據(jù)集之間的相關(guān)信息時，使對應(yīng)的源相關(guān)值最大，這正是CCA解決去噪問題的優(yōu)勢所在。因此，IVA很自然地結(jié)合了ICA和CCA二者的優(yōu)勢，理論上比單獨(dú)使用ICA和CCA使用更多的信息，預(yù)期能比只用其中一種方法取得更好的源分離效果。因此本文提出在IVA框架下結(jié)合二階統(tǒng)計量和高階統(tǒng)計量，從多道腦電數(shù)據(jù)中去除肌電偽跡的方法。本文在仿真數(shù)據(jù)上驗證IVA方法，并與常用的ICA和CCA方法進(jìn)行對比。

2 在獨(dú)立向量分析框架下去除肌電偽跡

2.1獨(dú)立向量分析

IVA是近年提出的一種新型盲源分離技術(shù)[18]，其本質(zhì)是將獨(dú)立分量分析技術(shù)擴(kuò)展到多個數(shù)據(jù)集上，充分利用多數(shù)據(jù)集之間的統(tǒng)計關(guān)聯(lián)性，同時用高階統(tǒng)計量和二階統(tǒng)計量對數(shù)據(jù)集進(jìn)行分解。IVA的目標(biāo)是使每個數(shù)據(jù)集中的各個源是相互獨(dú)立的，且一個數(shù)據(jù)集中的某個源至多只與其他數(shù)據(jù)集中的一個源相關(guān)。

設(shè)有個數(shù)據(jù)集，每個數(shù)據(jù)集由個獨(dú)立源線性混合而成。

IVA可以通過使代價函數(shù)最小化，即個SCV之間的互信息量最小化，來確定源成分向量。

對于給定的多組數(shù)據(jù)集，可以通過基于梯度下降、牛頓-拉弗森迭代算法等方法來估計各個數(shù)據(jù)集的混合矩陣和信號源。

2.2 基于IVA去除肌電偽跡的思路和算法

實際測量的腦電信號很可能包含肌電偽跡。由于電極在頭部位置不同，肌電偽跡在各導(dǎo)聯(lián)上的波形有差異；并且不同被試者、不同部位肌肉、不同收縮狀態(tài)下所產(chǎn)生的偽跡也會有差異，這種信號復(fù)雜性導(dǎo)致肌電偽跡難以去除。

目前去除腦電信號中肌電偽跡的算法中，一類是利用高階統(tǒng)計量的ICA算法，基于肌電偽跡與腦電信號統(tǒng)計獨(dú)立的設(shè)定，將數(shù)據(jù)集分解為盡可能獨(dú)立的源成分，然后選擇去除其中類似肌電的成分；另一類是利用二階統(tǒng)計量的CCA算法，其依據(jù)是肌電偽跡波形相比腦電更接近白噪聲，因而自相關(guān)性也明顯小于腦電，數(shù)據(jù)集分解后將自相關(guān)系數(shù)小的成分視為肌電。由于肌電偽跡的復(fù)雜多變，兩類算法都存在一定的適應(yīng)性問題[8]。既然兩類算法所利用的信息不同，那么如果能相互結(jié)合，就有可能取得更好的去肌電偽跡的效果。

如前所述，IVA并非只用高階統(tǒng)計量分別處理各數(shù)據(jù)集成為獨(dú)立源，而是使用了信息論判據(jù)將多個數(shù)據(jù)集分解為多個SCV。如前述SCV的定義，每個SCV是由不同數(shù)據(jù)集中各取一個源成分構(gòu)成，因此IVA的分解過程還利用了數(shù)據(jù)集相互之間的關(guān)聯(lián)信息。IVA不僅可以將每個數(shù)據(jù)集分解成個盡可能獨(dú)立的信號源，還可以保證各數(shù)據(jù)集相對應(yīng)位置的源成分是相關(guān)的。IVA結(jié)合利用了高階統(tǒng)計量和二階統(tǒng)計量，兼具ICA和CCA的特點(diǎn)，因此本文提出了基于IVA的去除肌電偽跡的算法框架。

使用IVA去除腦電中肌電偽跡的算法思路如圖1所示。設(shè)有道腦電數(shù)據(jù)集，由個獨(dú)立源線性混合而成。將該數(shù)據(jù)集做時間延遲，得到數(shù)據(jù)集，即將中每個導(dǎo)聯(lián)數(shù)據(jù)序列右移一個采樣點(diǎn)。使用IVA算法，分解出個SCV，則每個SCV中的2個向量是2個源數(shù)據(jù)集和中各取一個源成分。IVA分解的結(jié)果使得2組獨(dú)立源成分?jǐn)?shù)據(jù)集中相對應(yīng)位置的信號源是相關(guān)的，即每個SCV中的2個向量在二階統(tǒng)計上彼此最接近，而與其他任何SCV中的向量在二階統(tǒng)計上差異大。而我們知道，相對于頭皮腦電，頭部體表肌電的帶寬更大，且頻譜特征更接近白噪聲。因此在相同延時的情況下，體表肌電成分的自相關(guān)系數(shù)明顯小于頭皮腦電成分的自相關(guān)系數(shù)。則按各SCV中成分的互相關(guān)系數(shù)大小排序后，與肌電偽跡成分有關(guān)的SCV必然位于與腦電相關(guān)的SCV之后。如圖1所示，設(shè)置閾值，則相關(guān)系數(shù)較小的幾個SCV中所含的源成分可視為肌電偽跡成分，將其置零，得到相應(yīng)的去除肌電偽跡成分的數(shù)據(jù)集源矩陣和。最后根據(jù)IVA求解出的混合矩陣，估計去除肌電偽跡的腦電信號。

算法框架概括如下：

3 實驗數(shù)據(jù)及分析

3.1 評測數(shù)據(jù)的獲取

3.1.1采集純凈腦電數(shù)據(jù) 腦電數(shù)據(jù)采集使用NeuroScan公司的NuAmps系統(tǒng)，采用直流耦合，70 Hz低通，采樣頻率為1000 Hz, A/D為32 bit，開啟50 Hz陷波。被試者為6名健康大學(xué)生志愿者(3男3女，年齡21~23歲)。電極放置按國際10-20系統(tǒng)，共采集19導(dǎo)聯(lián)數(shù)據(jù)：FP1, FP2, F7, F3, Fz, F4, F8, T3, C3, Cz, C4, T4, T5, P3, Pz, P4, T6, O1, O2。參考電極置于右耳垂。要求被試者安靜閉眼并保持端正坐姿，以避免眼電、頭頸部肌電等偽跡的產(chǎn)生。由有經(jīng)驗的神經(jīng)生理學(xué)專家通過波形觀察和譜分析，對每個被試記錄下的腦電信號，各選擇一段無肌電干擾的10 s數(shù)據(jù)波形段，存為19×10000的矩陣。6名被試，共獲得6段純凈的背景腦電。

3.1.2獲取純凈肌電偽跡 數(shù)據(jù)采集系統(tǒng)及設(shè)置與采集純凈腦電數(shù)據(jù)時相同。被試者為4名健康大學(xué)生志愿者(3男1女，年齡21~22歲)。要求以上被試者閉眼狀態(tài)下分別完成以下任務(wù)：咀嚼、持續(xù)保持張嘴和頭部保持向左、向右側(cè)傾，使采集的信號中含有強(qiáng)烈的肌電偽跡。所采集的信號使用SOBI(Second Order Blind Identification)[19]進(jìn)行分解。分解出的成分通常既有肌電成分，也有腦電成分。然而某些情況下，有經(jīng)驗的神經(jīng)生理學(xué)專家可以觀察到某些成分在一段內(nèi)只有肌電而無腦電成分，從4個被試者的數(shù)據(jù)中各挑選一段10 s的純肌電成分，并按分解矩陣重構(gòu)至19導(dǎo)聯(lián)腦電形式。然后將4個重構(gòu)純肌電干擾信號求和，得到包含4個獨(dú)立肌電成分的參考信號，存為19×10000的矩陣[6]。該合成肌電偽跡信號有4個獨(dú)立肌電成分，特別是咀嚼動作產(chǎn)生的陣發(fā)性肌電偽跡，使得肌電偽跡的空間分布是變化的，更接近實際測量時的情況。

圖1 在IVA框架下去除肌電偽跡的示意圖

3.1.3生成仿真信號 將包含純肌電成分的信號疊加至純凈腦電信號上，生成仿真信號。

信號的均方根定義為

則仿真信號的信噪比為

3.2 去肌電偽跡效果的評價指標(biāo)

定義相關(guān)系數(shù)(Correlation Coefficient, CC)為與對應(yīng)各導(dǎo)聯(lián)信號相關(guān)系數(shù)的均值。

定義相對均方根誤差為

3.3對照算法

3.3.1 ICA 腦電信號中各成分與其他偽跡可以看作是由多個獨(dú)立源產(chǎn)生，因此ICA被廣泛應(yīng)用于腦電信號處理中。在低維空間中，特征矩陣聯(lián)合近似對角化(JADE)[20]與不動點(diǎn)ICA算法相比，收斂速度快，已被用于去除腦電信號中的肌電偽跡[1]。首先采用JADE分解各數(shù)據(jù)集信號，然后人工判斷肌電成分并置零后重建，以去除肌電偽跡。

3.3.2 CCA CCA是用于分析兩組隨機(jī)變量之間相關(guān)性程度的一種經(jīng)典統(tǒng)計分析方法[21]，能夠有效地揭示兩組隨機(jī)變量之間的相互線性依賴關(guān)系。其基本原理是在分解信號源時，假定潛在信號源互不相關(guān)，同時使得各個信號源最大自相關(guān)，并按照分解的信號源的自相關(guān)值排序。近年來，CCA被用于腦電分析[22]，這是由于肌電等偽跡更接近于噪聲信號，自相關(guān)值較小。因此可以將使用原始腦電作為第1個數(shù)據(jù)集，延時后的數(shù)據(jù)作為第2個數(shù)據(jù)集，使用CCA分解后，具有較小自相關(guān)值的分量視為肌電偽跡，置零后重建，即可得到去除肌電偽跡的腦電信號。

3.4 IVA, ICA, CCA對仿真數(shù)據(jù)去除肌電效果的比較

我們對各組純凈EEG信號生成了不同SNR (0.25~4.00 dB)的仿真信號，分別用IVA, ICA (JADE)和CCA 3種方法去除肌電偽跡，并估計恢復(fù)信號所對應(yīng)的CC值和RRMSE值。

圖2所示為一組仿真信號的處理實例，在純凈EEG上疊加較強(qiáng)肌電偽跡，然后分別用ICA(JADE), CCA和IVA共3種方法處理。3種方法都能有效去除肌電干擾，但是用肉眼即可分辨，ICA和CCA處理結(jié)果中，某些導(dǎo)聯(lián)存在肌電偽跡，與原始純凈信號有明顯差異。如圖3所示為該段信號中T3導(dǎo)聯(lián)的處理結(jié)果，其中圖3左下圖和右下圖分別是兩小段信號使用ICA, CCA和IVA濾波結(jié)果。其中信號的淺色粗線條為原始純凈腦電，黑色細(xì)線條表示濾波后的結(jié)果?？梢钥吹?，在該導(dǎo)聯(lián)有較強(qiáng)肌電干擾的情況下，ICA和CCA的處理結(jié)果均與原純凈腦電信號出現(xiàn)較大差異，誤差不僅出現(xiàn)在肌電偽跡較強(qiáng)(0~2 s)的時段，也出現(xiàn)在肌電偽跡較弱(5~7 s)的時段。

對各組仿真信號處理結(jié)果的統(tǒng)計如圖4所示。圖4(a)表示各算法在不同SNR下CC值的均值和標(biāo)準(zhǔn)差。從圖4(a)中可以看到，在肌電干擾較弱時(SNR>2 dB), ICA, CCA和IVA都可以取得接近于1的CC值，說明在肌電干擾相對較弱的情況下，3種算法所恢復(fù)的EEG信號均與原信號相似程度很高，去除肌電偽跡效果良好。但是當(dāng)SNR下降，特別是SNR<1 dB時，ICA和CCA的CC值都開始隨著SNR下降而明顯下降，說明在肌電干擾相對較強(qiáng)的情況下，ICA和CCA去除肌電偽跡的效果都有所降低。我們注意到，此時IVA對應(yīng)的CC均值沒有明顯下降，且CC值的偏差也較小。從實際濾波波形中也可以看到，IVA方法所恢復(fù)的波形與原純凈EEG的重合程度很好。圖4(b)表示各算法在不同SNR下RRMSE值的均值和標(biāo)準(zhǔn)差?？梢钥吹剑赟NR較高的情況下，3種算法所得RRMSE值都較低，而SNR值較低的情況下，ICA和CCA算法的RRMSE值顯著增高，說明此時去除肌電所得波形與原波形有較大差異，而IVA的RRMSE值仍保持在較低水平，表明其仍能獲得較好的濾波效果，結(jié)論與使用CC判據(jù)的類似。

圖2 ICA, CCA和IVA對仿真信號去除肌電偽跡的效果對比

圖3 圖2信號中T3導(dǎo)聯(lián)信號分別使用ICA(JADE), CCA和IVA去除肌電偽跡效果實例(左下圖和右下圖中，淺色粗線為原始純凈腦電信號，黑色細(xì)線為運(yùn)算結(jié)果)

圖4 對于不同信噪比的仿真信號，ICA(JADE), CCA和IVA去除肌電偽跡效果的CC和RRMSE統(tǒng)計結(jié)果

3.5 IVA, ICA, CCA對真實數(shù)據(jù)去除肌電效果的比較

為驗證算法的有效性，我們對真實的EEG信號使用IVA去除肌電偽跡，并與ICA(JADE)和CCA進(jìn)行比較。數(shù)據(jù)來源是PhysioNet數(shù)據(jù)庫中癲癇病患者的腦電[23]，導(dǎo)聯(lián)數(shù)30，截取每段數(shù)據(jù)的時間長度10 s，圖5(a)是其中一組數(shù)據(jù)，在3.8~5.2 s段有明顯的肌電偽跡。圖5(a)-圖5(g)顯示時長為10 s。圖5(h)-圖5(j)顯示時長為1.2 s。圖5(e)-圖5(j)中淺色為原始信號，黑色為重構(gòu)結(jié)果。

圖5(b)為ICA(JADE)分解出的30個源成分，圖中各源的自相關(guān)值自下而上遞增?？捎^察到自相關(guān)值最小的4個獨(dú)立源包含明顯的肌電成分，而其他獨(dú)立源的肌電成分不明顯。圖5(e)為去除自相關(guān)值最小的4個源之后的重建結(jié)果，局部放大如圖5(h)所示，可以看到較大的肌電偽跡被抑制。但同時在原本肌電偽跡很小的信號段，濾波后的信號與原始信號出現(xiàn)較大區(qū)別，其原因是ICA分解的第3和第4個源中除了肌電偽跡以外還包含明顯的腦電成分，未能有效分離。去除這兩個成分會導(dǎo)致腦電信號受損，但是如果不去除這兩個源成分則肌電偽跡不能很好消除。

圖5(c)所示為CCA分解出的30個源成分，排列次序同圖5(b)。可觀察到約半數(shù)源含有肌電成分，并且含肌電偽跡的源同時也含有大量的EEG成分，說明CCA未能有效分離信號中的腦電與肌電偽跡，導(dǎo)致消除肌電偽跡與保留腦電信號發(fā)生矛盾。圖5(f)所示為去除自相關(guān)最小的6個源之后的重建結(jié)果，局部放大如圖5(i)所示?？梢钥吹侥X電信號同樣有較大損失。

圖5(d)所示為IVA分解出的30個源成分，排列次序同圖5(b)。與ICA和CCA分解結(jié)果不同的是，只有自相關(guān)值最小的2個源包含明顯的肌電成分，并且這2個源中的腦電成分相對其他源中的腦電成分較小，說明IVA能夠較好地分離信號中的腦電和肌電偽跡。圖5(g)是去除IVA分解的最后2個源之后的重建結(jié)果，局部放大如圖5(j)所示。可以看到，在肌電偽跡強(qiáng)烈的信號段，肌電偽跡受到抑制；同時，在原本肌電偽跡很小的信號段，濾波后的信號與原始腦電信號基本重合，說明腦電信號得到很好的保留。

圖5 真實腦電數(shù)據(jù)分別使用ICA(JADE), CCA和IVA去除肌電偽跡的結(jié)果

3.6對濾波效果差異的分析

ICA的目標(biāo)是將信號分解為獨(dú)立信號源，利用高階統(tǒng)計量判斷信號源的獨(dú)立性，要求高斯分布的源不超過一個。而腦電和肌電通常為非高斯分布，因此適用ICA算法進(jìn)行分析。同時，相比具有準(zhǔn)周期性的腦電信號，肌電信號更接近噪聲，因此相同延遲下的自相關(guān)值更低，利用二階統(tǒng)計量的CCA可以有效分析。基于以上原因，ICA和CCA在腦電分析中都得到廣泛應(yīng)用。而本文在IVA框架下，結(jié)合利用高階統(tǒng)計量和二階統(tǒng)計量，在將信號分解為獨(dú)立源的同時又使得數(shù)據(jù)集內(nèi)各源按相關(guān)性排序，充分利用了肌電偽跡的非高斯性和弱自相關(guān)性，因此同時具有兩種算法的優(yōu)勢。對仿真數(shù)據(jù)的分析顯示，在肌電干擾較弱時，3種算法都可以有效去除肌電；而肌電偽跡較強(qiáng)且空間分布變化時，IVA的效果明顯優(yōu)于目前常用的ICA和CCA。

4 結(jié)束語

針對去除腦電信號中的肌電偽跡這一具有普遍性的問題，本文首次提出了基于獨(dú)立向量分析(IVA)的肌電偽跡去除方法，并在仿真數(shù)據(jù)上與ICA和CCA算法使用相關(guān)系數(shù)和相對均方誤差作為判據(jù)進(jìn)行了比較。由于IVA算法同時使用二階統(tǒng)計量和高階統(tǒng)計量，得以充分利用肌電的非高斯性和低相關(guān)性兩方面特征，更好地去除腦電中的肌電偽跡。實驗結(jié)果表明，即使在有較強(qiáng)肌電偽跡且肌電空間分布變化的情況下，IVA算法仍然能夠有效去除肌電偽跡，效果優(yōu)于ICA和CCA，所估計的腦電波形與原始波形之間的均方誤差小且關(guān)聯(lián)性強(qiáng)，說明IVA算法是一種有效去除腦電信號中肌電偽跡的算法。IVA方法的主要問題是計算量較大，目前只適合離線分析。我們將進(jìn)一步優(yōu)化IVA去除肌電偽跡的效果，并探索簡化計算的途徑。

[1] URRESTARAZU E, IRIARTE J, ALEGRE M,. Independent component analysis removing artifacts in ictal recordings[J]., 2004, 45(9) 1071-1078. doi: 10.1111/ j.0013-9580.2004.12104.x.

[2] MCMENAMIN BW, SHACKMAN AJ, GREISCHAR LL,. Electromyogenic artifacts and electroencephalographic inferences revisited[J]., 2011, 54(1): 4-9. doi: 10.1016/j.neuroimage.2010.07.057.

[3] 閆錚, 高小榕, 應(yīng)俊. 基于認(rèn)知功能連接的信息流增益計算方法及應(yīng)用[J]. 電子與信息學(xué)報, 2014, 36(11): 2756-2761. doi: 10.3724/SP.J.1146.2013.02019.

YAN Z, GAO X R, and YING J. The flow gain methods and applications based on cognition functional connectivity[J].&, 2014, 36(11): 2756-2761. doi: 10.3724/SP.J.1146.2013.02019.

[4] 呂俊, 謝勝利, 章晉龍. 腦-機(jī)接口中基于ERS/ERD的自適應(yīng)空間濾波算法[J]. 電子與信息學(xué)報, 2009, 31(2): 314-318.

Lü J, XIE S L, and ZHANG J L. Adaptive spatial filter based on ERD/ERS for brain-computer interfaces[J].&, 2009, 31(2): 314-318.

[5] 吳明權(quán), 李海峰, 馬琳. 單通道腦電信號中眼電干擾的自動分離方法[J]. 電子與信息學(xué)報, 2015, 37(2): 367-372. doi: 10.11999/JEIT140602.

WU M Q, LI H F, and MA L. Automatic electrooculogram separation method for single channel electroencephalogram signals[J].&, 2015, 37(2): 367-372. doi: 10.11999/JEIT140602.

[6] DE CLERCQ W, VERGULT A, VANRUMSTE B,. Canonical analysis applied to remove muscle artifacts from the electroencephalogram[J]., 2006, 53(12): 2583-2587. doi: 10. 1109/TBME.2006.879459.

[7] ALBERA L, KACHENOURA A, COMON P,. ICA- based EEG denoising: a comparative analysis of fifteen methods[J].-, 2012, 60(3): 407-418. doi: 10.2478/ v10175-012-0052-3.

[8] URIGUEN J A and GARCIA-ZAPIRAIN B. EEG artifact removal state-of-the-art and guidelines[J]., 2015, 12(3): 031001. doi: 10.1088/1741-2560 /12/3/031001.

[9] WINKER I, BRANDL S, HORN F,. Robust artifactual independent component classification for BCI practitioners [J]., 2014, 11(3): 035013. doi: 10.1088/1741-2560/11/3/035013.

[10] SHACKMAN AJ, MCMENAMIN BW, Slagter HA,. Electromyogenic artifacts and electroencephalographic inferences[J]., 2009, 22(1): 7-12. doi: 10.1007/s10548-009-0079-4.

[11] NAM H, YIM TG, HAN SK,. Independent component analysis of ictal EEG in medial temporal lobe epilepsy[J]., 2002, 43(2): 160-164. doi: 10.1046/j.1528-1157. 2002.23501.x.

[12] GAO J F, ZHENG C X, and WANG P. Online removal of muscle artifact from electroencephalogram signals based on canonical correlation analysis[J]., 2010, 41(1): 53-59. doi: 10.1177/155005941 004100111.

[13] MOWLA M R, NG S C, ZILANY M S A,. Artifacts-matched blind source separation and wavelet transform for multichannel EEG denoising[J]., 2015, 22: 111-118. doi: 10.1016/j.bspc.2015.06.009.

[14] VERGULT A, DE CLERCQ W, PALMINI A,. Improving the interpretation of ictal scalp EEG: BSSCCA algorithm for muscle artifact removal[J]., 2007, 48(5): 950-958. doi: 10.1111/j.1528-1167.2007.01031.x.

[15] VOS D M, RIES S, VANDEPERREN K,. Removal of muscle artifacts from EEG recordings of spoken language production[J]., 2010, 8(2): 135-150. doi: 10.1007/s12021-010-9071-0.

[16] CHEN X, LIU AP, PENG H,. A preliminary study of muscular artifacts cancellation in single-channel EEG[J]., 14(10): 18370-18389. doi: 10.3390/s141018370.

[17] ANDERSON M, ADALI T, and LI X L. Joint blind source separation with multivariate Gaussian model: Algorithms and performance analysis[J]., 2012, 60(4): 1672-1683. doi: 10.1109/TSP.2011. 2181836.

[18] ANDERSON M, FU GS, PHLYPO R,. Independent vector analysis: Identification conditions and performance bounds[J]., 2014, 62(17): 4399-4410. doi: 10.1109/TSP.2014.2333554.

[19] BELOUCHRANI A, ABED-MERAIM K, CARDOSO J F,. A blind source separation technique using second order statistics[J]., 1997, 45(2): 434-444. doi: 10.1109/78.554307.

[20] CARDOSO J F. High-order contrasts for independent component analysis[J]., 1999, 11(1): 157-192. doi: 10.1162/089976699300016863.

[21] HOTELLING H. Relations between two sets of variates[J]., 1936, 28: 321-377. doi: 10.2307/2333955.

[22] LIN Z L, ZHANG C S, WU W,. Frequency recognition based on canonical correlation analysis for SSVEP-based BCIs[J]., 2006, 53(12): 2610-2614. doi: 10.1109/TBME.2006.886577.

[23] GOLDBERGER A L, AMARAL L A N, GLASS L,. PhysioBank, PhysioToolkit, and PhysioNet: Components of a new research resource for complex physiologic signals[J]., 2000, 101(23): e215-e220. doi: 10.1161/01.CIR. 101.23.e215.

Removal of Muscle Artifact from EEG Data Based on Independent Vector Analysis

CHEN Qiang①CHEN Xun①YU Fengqiong②

①(,,230009,)②(,,230032,)

ElectroEncephaloGram (EEG) data are often contaminated by various electrophysiological artifacts. Among all these artifacts, removing the ones related to muscle activity is particularly challenging. In past studies, Independent Component Analysis (ICA) and Canonical Correlation Analysis (CCA), as Blind Source Separation (BSS) methods, are widely used. In this work, a new method for muscle artifact removal in EEG data using Independent Vector Analysis (IVA) is proposed. IVA utilizes both the higher-order and second-order statistics, so that it makes full use of non-Gaussianity and weak autocorrelation of the muscle artifact and has the advantages of both ICA and CCA. The proposed method is examined on a number of simulated data sets and is shown to have better performance than ICA and CCA. The proposed IVA method is able to largely suppress muscle activity and meanwhile well preserve the underlying EEG activity.

ElectroEncephaloGram (EEG); Muscle artifact; Blind Source Separation (BSS); Independent Vector Analysis (IVA)

TP391; R741.044

A

1009-5896(2016)11-2840-08

10.11999/JEIT160209

2016-03-07；改回日期：2016-07-18；

2016-09-30

陳勛 xunchen@ece.ubc.ca

國家自然科學(xué)基金(61501164, 81571760)

The National Natural Science Foundation of China (61501164, 81571760)

陳 強(qiáng)： 男，1972年生，講師，研究方向為生物醫(yī)學(xué)信號處理.

陳 勛： 男，1987年生，教授，研究方向為生物醫(yī)學(xué)信號處理.

余鳳瓊： 女，1983年生，講師，研究方向為神經(jīng)心理學(xué).