本发明属于脑电信号预处理领域，涉及一种去除脑电信号中的伪迹信号的方法。
背景技术：
1、脑电信号(eeg)是人脑细胞群自发节律性电活动产生的生物电信号，包含丰富的大脑活动信息，是大脑研究、生理研究、临床疾病诊断的重要手段性。但脑电信号是一种非平稳非线性极其微弱的随机信号，幅值非常微弱，容易受到其他生物电信号干扰，例如眼电信号、肌电信号和工频干扰等，阻碍后续对脑电信号的分析和诊断。
2、肌电信号幅值大、频域分布广、波形特征复杂。相比其他干扰信号源，眼电信号是对eeg信号影响最严重的干扰信号。眼电伪迹能量分布与脑电信号相似，主要集中在低频段，往往以大脉冲或尖峰的形式出现在eeg信号中，严重影响eeg信号中的基本节律波α波和β波。传统的滤波器在消除工频干扰和其他高频干扰伪迹有很好的效果，但由于眼电和肌电伪迹与脑电信号频谱重叠的特性，通过滤波的方法极易损失有用信息。
3、目前常见的伪迹去除方法有很多，包括盲源分离、经验模态分解和小波变换法。盲源分离(blind sourceseparation，bss)是一种常见比较有用的eeg伪迹去除方法，将eeg信号分离为若干个源信号分量，然后去除伪迹信号相关分量重构纯净eeg信号。但单一的bss技术无法准确分离所有信号成分，直接将检测到的伪迹信号相关分量置零，难免会丢失部分有用的脑电信息；经验模态分解(empirical mode decomposition，emd)方法将时间序列分解为一组固有模态函数，不需要任何先验知识，有效去除伪迹成分。但emd方法对噪声敏感，分解过程中存在尖峰噪声，导致模态分裂效应，造成模态混叠；小波变换法将信号分解成多尺度小波获取信号在时域和频域的局部特征，但小波变换需要根据信号自身特性提前选择最优的母小波和分解层数，选取门限阈值进行滤波，实际应用于缺乏自适应性。
4、因此，开发一种自适应强，准确分离脑电伪迹信号并实现去除的方法是有必要的。
技术实现思路
1、针对现有技术存在的问题，本发明提供一种结合改进的ceemdan和箱线图技术的脑电伪迹去除方法，解决现有技术中存在的加入的高斯白噪声不恰当导致分解信号模态混叠、丢失有用信息、自适应性差的问题，提高伪迹搜寻能力，消除脑电信号中的尖峰伪迹及其他伪迹信号。
2、一种结合改进的ceemdan和箱线图技术的脑电伪迹去除方法，所述方法的具体步骤如下：
3、s1、对采集到的脑电信号进行巴特沃斯带通滤波处理，去除真实脑电数据以外的频段；
4、s2、利用pso算法优化要加入的高斯白噪声的幅值；
5、s3、利用自相关函数(acf)筛选出理想的高斯白噪声加入到脑电信号中；
6、s4、利用ceemdan算法分解加入高斯白噪声的脑电信号，得到由n个imf分量与一个res组成的脑电信号；
7、s5、对分解后的各个独立源信号进行峰态系数和低频功率占比计算识别伪迹源；
8、s6、使用基于粒子群算法的异常点因子优化的箱线图技术消除伪迹源，重构剩余的源信号，得到干净的脑电信号。
9、进一步地，所述步骤s1对脑电信号进行带通滤波处理，设定最低频率不低于0.5hz，最高频率不高于50hz，去除不必要频段信号，保留0.5hz-50hz频带有用的脑电信号。
10、进一步地，所述步骤s2对脑电信号进行pso算法处理，具体包括：设置初始化粒子种群个数、惯性权重、个体和全局学习因子，在高斯白噪声幅值为0.1～0.4范围内随机生成初始种群。每个粒子表示一种可能的高斯白噪声幅值。
11、
12、式子中：s1表示局部学习因子；s2表示全局学习因子；r1和r2表示数值范围在0至1范围内的随机数；wp表示惯性因子，反映个体历史表现对当前影响；表示粒子的历史最优位置；表示粒子的当前速度；表示粒子下一时刻的速度。
13、进一步地，对采集到的脑电信号加入经pso算法处理的白噪声，得到新信号。
14、
15、式子中：ε(t)表示经pso算法优化后的高斯白噪声；x(t)表示采集的原始脑电信号；x1(t)和x2(t)分别表示加入正、负白噪声后得到的两个新信号。
16、进一步地，步骤s2中对经pso算法优化的高斯白噪声进行acf判断，筛选出理想的高斯白噪声。具体如下：
17、
18、式子中：n表示序列x的长度；h表示自相关函数阶数；表示序列x的均值。
19、自相关函数左右对称，为降低计算量，取自相关函数右半边数据，计算自相关函数方差阈值。
20、acf＝[r(0)，r(1)，...，r(n-1)] (4)
21、噪声主导信号的自相关方差阈值与实际高斯白噪声自相关函数方差成正比。自相关函数方差阈值与信号信噪比成反比，信号信噪比越低，噪声主导的信号阈值更高，设置自相关函数方差阈值t1，得到理想的高斯白噪声，随后将高斯白噪声加入到脑电信号中。
22、
23、式子中：var(·)表示方差算子；s2为信号自相关函数；s1为经pso算法处理加入的高斯白噪声自相关函数。
24、进一步地，步骤s3中利用ceemdan算法分解加入高斯白噪声的脑电信号，具体如下：
25、求出脑电信号x的局部均值，构建信号其中n为添加的白噪声的个数。计算一阶残差r1和imf1：
26、
27、imf1＝x-r1 (8)
28、
29、式子中，wi表示加入的高斯白噪声；std(·)表示标准差算子；∈0表示加入的高斯白噪声的幅度。
30、同样地，构建信号计算出二阶残差r2和imf2。k＞2时，构建信号计算出k阶残差rk和imfk。重复此步骤，当rk单调时停止分解，此时把rk作为余项res。最终经ceemdan算法分解出n个imf和一个res。脑电信号x表示为：
31、
32、进一步地，步骤s4中，对分解后的各个独立源信号进行峰态系数计算，具体如下：第i个imf分量的峰度表示为：计算每个imf分量的峰度值，并设定阈值st，将峰度值高于st的imf分量识别伪与伪迹相关的imf。
33、进一步地，步骤s4中，对分解后的各个独立源信号进行低频功率占比计算，具体如下：眼电伪迹能量主要集中在低频范围(f＜8hz)，根据低频功率占比公式：
34、
35、式中，p为功率，设定适合的阈值kt，将k值高于kt的imf视为眼电相关伪迹。
36、进一步地，步骤s6中，使用箱线图技术消除伪迹源，具体如下：
37、箱线图技术是一种用于显示数据分布的统计方法，利用最大值、上四分位数、中位数、下四分位数和最小值五个统计量来描述数据的分布和性质。伪迹分量通常表现为短暂的尖峰突起，伪迹信号在独立源信号中明显偏离平均值。四分位间距将数据分为三个四分位，四分位数间距(interquartile range,iqr)表示第一四分位q1和第三四分位q3之间的距离。q1-k*iqr和q3+k*iqr范围以外的区域表示数据的异常值。
38、
39、式子中k表示异常点因子，在1.5到3之间取值。在此范围内利用寻优算法对异常点因子k进行寻优。最大程度找到去伪迹效果最优的伪迹成分，将这些伪迹成分的异常值清零。将处理后的伪迹源和剩余的源信号重构，得到去除伪迹后干净的脑电信号。
1.一种结合改进的ceemdan和箱线图技术的脑电伪迹去除方法，其特点在于包括：
2.如权利要求1所述一种结合改进的ceemdan和箱线图技术的脑电伪迹去除方法，其特征在于：步骤s1中，脑电信号经过巴特沃斯带通滤波器处理，设定最低频率不低于0.5hz，最高频率不高于50hz，去除不必要频段信号，保留0.5hz-50hz频带有用的脑电信号。
3.如权利要求1所述一种结合改进的ceemdan和箱线图技术的脑电伪迹去除方法，其特征在于：步骤s2中，对要加入脑电信号中的高斯白噪声，先经过pso算法优化白噪声幅值。具体为：初始化粒子种群个数、惯性权重、个体和全局学习因子，并在高斯白噪声幅值为0.1～0.4范围内随机生成初始种群，得到公式：其中s1表示局部学习因子；s2表示全局学习因子；r1和r2表示数值范围在0至1的随机数；wp表示惯性因子，反映个体历史表现对当前影响；表示粒子的历史最优位置；表示粒子的当前速度；表示粒子下一时刻的速度。通过迭代计算找到最优的高斯白噪声幅值。
4.如权利要求1所述一种结合改进的ceemdan和箱线图技术的脑电伪迹去除方法，其特征在于：步骤s3中，对经过pso算法优化的高斯白噪声进行acf判断。实际高斯白噪声自相关函数方差为理想高斯白噪声自相关函数方差的1.5倍左右。根据公式：设置自相关函数方差阈值t1。其中，将阈值小于t1的高斯白噪声剔除，筛选出理想的高斯白噪声，然后加入到脑电信号当中。
5.如权利要求1所述一种结合改进的ceemdan和箱线图技术的脑电伪迹去除方法，其特征在于：步骤s4中，利用ceemdan算法对加入理想高斯白噪声后的脑电信号进行分解。构建信号计算一阶残差计算二阶残差重复k次，当rk单调时停止分解，将此时的rk作为余项res。此时信号由n个imf分量和一个res组成。
6.如权利要求1所述一种结合改进的ceemdan和箱线图技术的脑电伪迹去除方法，其特征在于：步骤s5中，根据伪迹信号的尖峰突起特性，及眼电伪迹能量集中低频范围特性，计算分解的各个imf分量峰态系数和低功率占比。其中第i个imf分量的峰度表示为：设定阈值st，将峰度值高于st的imf分量识别伪与伪迹相关的imf；根据定义式：其中p为功率，设置适合的阈值kt，将k值高于kt的imf视为眼电相关伪迹。
7.如权利要求1所述一种结合改进的ceemdan和箱线图技术的脑电伪迹去除方法，其特征在于：在步骤s6中，使用箱线图技术进一步识别各个imf分量中的伪迹信号。利用最大值、上四分位数、中位数、下四分位数和最小值五个统计量来描述数据的分布和性质。根据公式：max＝q3+k*(q3-q1)，min＝q1-k*(q3-q1)设置截断点，其中q3表示第三四分位；q1表示第一四分位；k表示异常点因子，在1.5到3之间取值。在此范围内使用寻优算法对异常点因子k寻优，最大程度找到去伪效果最优的伪迹成分，将这些伪迹成分异常值清零。然后将处理后的伪迹源和剩余的源信号重构，得到干净的脑电信号。
