基于独立成分分析和流形学习的眼电伪差去除

高军峰; 郑崇勋; 王沛

您当前的位置：

首页 >

文章列表页 >

基于独立成分分析和流形学习的眼电伪差去除

更新时间：2025-07-09

- 基于独立成分分析和流形学习的眼电伪差去除
- Real-Time Removal of Ocular Artifacts from EEG Signals Using ICA and Manifold Algorithm
- 西安交通大学学报 2010年44卷第2期页码：113-118
- 作者机构：
  
  西安交通大学生命科学与技术学院,西安,710049
- 作者简介：
- 基金信息：
  
  : 2009-03-17. 作者简介: 高军峰(1973-),男,博士生;郑崇勋(联系人),男,教授,博士生导师. 基金项目: 国家自然科学基金资助项目(30870654)
- DOI：
  中图分类号： R318
- 网络首发：2010-02-10，
  
  纸质出版：2010
- 稿件说明：
移动端阅览
高军峰, 郑崇勋, 王沛. 基于独立成分分析和流形学习的眼电伪差去除[J]. 西安交通大学学报, 2010,44(2):113-118.

Real-Time Removal of Ocular Artifacts from EEG Signals Using ICA and Manifold Algorithm[J]. 2010, 44(2): 113-118.
高军峰, 郑崇勋, 王沛. 基于独立成分分析和流形学习的眼电伪差去除[J]. 西安交通大学学报, 2010,44(2):113-118. DOI：

Real-Time Removal of Ocular Artifacts from EEG Signals Using ICA and Manifold Algorithm[J]. 2010, 44(2): 113-118. DOI：

摘要

针对眼电伪差严重干扰脑电(EEG)信号的理解和分析的问题

提出了一种新的方法用于实时地去除脑电中的眼电伪差.该方法使用独立成分分析(ICA)分解EEG信号

提取独立成分的地形图和功率谱作为特征

并采用基于模板的Isomap算法降低特征的维数.将新的特征样本送到分类器中以识别眼电伪差独立分量

几个典型分类器的分类结果显示

基于模板的Isomap 算法结合使用最近邻算法进行分类时

识别伪差的正确率最高.实验结果表明

提出的方法在有效去除眼电伪差的同时

很好地保留了大脑神经信号

也证明了新的Isomap 算法用于眼电伪差特征的降维的有效性.

Abstract

Aiming at the problem that frequent occurrences of ocular artifacts seriously interfere with the electroencephalogram(EEG)interpretation and analysis

a novel technique to eliminate ocular artifacts from EEG signals in real-time is proposed.The independent component analysis(ICA)is employed to decompose EEG signals

and these independent components features of topography and power spectral density are extracted. Specifically

a template-based isometric mapping(Isomap)algorithm is adopted to reduce the feature dimensionality.The low-dimensional feature samples are fed to a classifier to identify ocular artifacts components. The classification performances of several typical classifiers show that the template-based Isomap algorithm with the nearest neighbor classifier performs best. The experimental results demonstrate the efficiency for removing ocular artifacts with little distortion of underlying brain signals.

关键词

Keywords

references

JUNG T P, MAKEIG S, WESTERFIELD M, et al. Removal of eye activity artifacts from visual event-related potentials in normal and clinical subjects[J]. Clinical Neurophysiology, 2000,111(10):1745-1758.

LEE T W. Independent component analysis: theory and applications[M]. Hingham, MA, USA:Kluwer Academic Publishers,1998.

HALDER S, BENSCH M, MELLINGER J, et al. Online artifact removal for brain-computer interfaces using support vector machines and blind source separation[EB/OL]. http:∥downloads.hindawi.com/journals/cin/2007/082069.pdf.2009-02-22.

SCHLOGL A, KEINRATH C, ZIMMERMANN D, et al. A fully automated correction method of EOG artifacts in EEG recordings[J]. Clinical Neurophysiology, 2007,118(1): 98-104.

CAYTON L. Algorithm for manifold learning [M].San Diego,USA: University of California, 2005.

TENENBAUM J B, SILVA V D, LANGFORD J C. A global geometric framework for nonlinear dimensionality reduction[J].Science, 2000,290(5500):2319-2323.

SEUNG H S, DANIEL D L. The manifold ways of perception[J]. Science, 2000,290(5500):2268-2269.

DEIORME A, MAKEIG S. EEGLAB: an open source toolbox for analysis of single-trial EEG dynamics including independent component analysis[J].Journal of Neuroscience Methods, 2004,134(1):9-21.

COMON P. Independent component analysis, a new concept? [J]. Signal Processing,1994,36(3):287-314.

VIACHOS M, DOMENICONI C, GUNOPULOS D, et al. Non-linear dimensionality reduction techniques for classification and visualization[C]∥Proceedings of the Eighth ACM SIGKDD International Conference on Knowledge Discovery and Data Mining.New York,USA:ACM, 2002:645-651.

SHAO S Y, SHEN K Q, ONG C J, et al. Automatic

EEG artifact removal: a weighted support vector machine approach with error correction[J]. IEEE Trans Biomed Eng, 2009, 56(2):336-344.

心算任务中与自主神经有关的头皮脑电活动研究,2009,43(10): 124-128.

基于多导脑电复杂性测度的脑疲劳分析,2008,42(12): 1555-1559.

基于Fisher判据时频分析的运动相关脑电特征选择及优化,2008,42(8): 1026-1030.

基于近似熵的认知能力对事件相关电位的影响研究,2008,42(10): 1300-1303.

基于脑电功率谱-连续隐马尔科夫链的精神疲劳分级模型,2007,41(12): 1474-1478.

基于样本熵的注意力相关脑电特征信息提取与分类,2007,41(10): 1237-1241.

基于功率谱分析的头皮电位和心率变异性关系研究,2007,41(8): 991-994.

基于多通道线性描述参数的生理性精神疲劳分析,2007,41(6): 737-740.

基于多导脑电特征的生理性精神疲劳分析,2007,41(2): 250-254.

基于可生长自组织映射的意识任务分类,2006,40(10): 1152-1156.

探测深度对心脏光学标测中荧光信号的影响,2006,40(10): 1157-1160.

一种新的注意力相关脑电分类算法设计,2005,39(10): 1162-1164.

基于多通道脑电特征运动意识任务的分类,2005,39(8): 904-907.

基于非线性参数的意识任务分类,2005,39(8): 900-903.

实时脑电信号眼电伪差去除方法的研究,2004,38(12): 1306-1309.

利用双谱分析的癫痫脑电特征研究,2004,38(10): 1097-1100.

快速多变量自回归模型的意识任务的特征提取与分类,2003,37(8): 861-864.

基于多通道时频相干的诱发电位单次提取,2003,37(6):638-641.

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

全局叶型扭转角误差对轴流压气机性能影响的不确定性量化分析方法

利用程序特征识别降低网格监控负载的研究

血管性痴呆患者脑电信号的多通道线性描述符特征研究

基于功率谱分析的头皮电位和心率变异性关系研究

基于脑电功率谱-连续隐马尔科夫链的精神疲劳分级模型