本發(fā)明屬于腦電信號處理，具體涉及一種基于多層分解與分形分析的眼動偽跡降噪方法和裝置。

背景技術(shù)：

1、在腦電圖（eeg）信號的采集和分析過程中，眼動偽跡的干擾是影響信號質(zhì)量的主要因素之一。眼動偽跡是由眨眼、眼球運(yùn)動等生理活動引起的高頻噪聲，通常表現(xiàn)為信號的瞬時波動。這些偽跡的存在不僅降低了腦電信號的有效性，還極大地增加了后續(xù)信號處理與分析的復(fù)雜度，從而影響對腦功能狀態(tài)的準(zhǔn)確評估。

2、長期以來，科研人員致力于開發(fā)各種去偽跡技術(shù)，以期從源頭上消除眼動偽跡的影響。傳統(tǒng)的去偽跡方法多依賴于獨(dú)立成分分析（ica）、盲源分離（bss）等技術(shù)。這些方法通過對信號進(jìn)行分解，從而識別和去除偽跡成分。然而，由于偽跡與腦電信號成分之間的相似性，這些傳統(tǒng)方法在處理復(fù)雜信號時可能面臨算法收斂性、模型假設(shè)和信號成分非線性關(guān)系等多重挑戰(zhàn)，導(dǎo)致去噪效果不盡如人意。

3、為了克服傳統(tǒng)方法的局限性，近年來，一些新興的信號處理技術(shù)逐漸被引入到眼動偽跡去除的研究中。其中，經(jīng)驗(yàn)?zāi)B(tài)分解（emd）以其獨(dú)特的信號分解能力，能夠?qū)?fù)雜的eeg信號分解為一系列具有不同頻率特性的固有模態(tài)函數(shù)（imf），為提取潛在的信號特征提供了有力工具。而小波變換則通過多分辨率分析，揭示了信號在不同尺度下的時頻特性，為偽跡的精準(zhǔn)定位提供了可能。此外，隨著大數(shù)據(jù)和機(jī)器學(xué)習(xí)技術(shù)的發(fā)展，聚類分析等方法也被引入到偽跡的檢測和評估中，為這一領(lǐng)域的研究注入了新的活力。

4、然而，現(xiàn)有方法大多仍主要基于eeg信號的時域特征進(jìn)行處理，即使通過小波變換等技術(shù)轉(zhuǎn)換到頻域進(jìn)行分析，也往往難以全面、準(zhǔn)確地捕捉到信號的所有關(guān)鍵特征。在此背景下，基于上述技術(shù)的眼動偽跡去除方法中，大多數(shù)方法在實(shí)際應(yīng)用中仍存在一定的局限性。例如，部分方法對環(huán)境噪聲的抵抗力不足，可能會受到外部干擾影響檢測準(zhǔn)確性；另一些方法則需要復(fù)雜的參數(shù)設(shè)置和較長的計(jì)算時間，限制了其在實(shí)時應(yīng)用中的可行性。

5、因此，現(xiàn)有方法的去噪效果仍有待進(jìn)一步優(yōu)化和完善，迫切需要研發(fā)一種新的眼動偽跡去除方法，能夠在保證去噪效果的同時，提高處理效率和魯棒性，以進(jìn)一步為腦電信號質(zhì)量的提升和腦功能狀態(tài)的深入理解提供有力支持。

技術(shù)實(shí)現(xiàn)思路

1、鑒于上述，本發(fā)明的目的是提供一種基于多層分解與分形分析的眼動偽跡降噪方法和裝置，通過結(jié)合經(jīng)驗(yàn)?zāi)B(tài)分解、連續(xù)小波變換、聚類分析和分形維數(shù)技術(shù)，以實(shí)現(xiàn)對腦電信號進(jìn)行去噪，提升腦電信號質(zhì)量，從而促進(jìn)對腦功能狀態(tài)的更深入理解。

2、為實(shí)現(xiàn)上述發(fā)明目的，本發(fā)明提供的技術(shù)方案如下：

3、第一方面，本發(fā)明實(shí)施例提供的一種基于多層分解與分形分析的眼動偽跡降噪方法，包括以下步驟：

4、對采集并預(yù)處理后的原始腦電信號進(jìn)行經(jīng)驗(yàn)?zāi)B(tài)分解以得到若干固有模態(tài)函數(shù)，基于固有模態(tài)函數(shù)進(jìn)行求和得到眼動偽跡模板；

5、對眼動偽跡模板進(jìn)行連續(xù)小波變換以得到時頻表示矩陣，提取時頻表示矩陣的列向量作為特征向量；

6、對特征向量基于頻率進(jìn)行聚類以劃分為多個不同的簇，每個簇中包含若干同一頻率分類下的列向量；

7、對每個簇分別計(jì)算分形維數(shù)，選取分形維數(shù)值最小的簇進(jìn)行時域信號還原得到眼動偽跡信號；

8、將還原得到的眼動偽跡信號從原始腦電信號中去除，得到降噪后的腦電信號。

9、優(yōu)選地，所述對采集并預(yù)處理后的原始腦電信號進(jìn)行經(jīng)驗(yàn)?zāi)B(tài)分解以得到若干固有模態(tài)函數(shù)，包括：

10、對采集的腦電信號進(jìn)行包括刪除開頭和結(jié)尾由于戴摘設(shè)備造成的噪聲的預(yù)處理操作，得到原始腦電信號；

11、對原始腦電信號進(jìn)行經(jīng)驗(yàn)?zāi)B(tài)分解得到若干固有模態(tài)函數(shù)，計(jì)算公式表示為：

12、，

13、其中，表示原始腦電信號，表示時間，表示余數(shù)，表示分解得到的第個固有模態(tài)函數(shù)，表示固有模態(tài)函數(shù)的最大數(shù)量。

14、優(yōu)選地，所述基于固有模態(tài)函數(shù)進(jìn)行求和得到眼動偽跡模板，包括：

15、根據(jù)分解得到的若干固有模態(tài)函數(shù)，選擇第三個及其之后的所有固有模態(tài)函數(shù)并進(jìn)行求和計(jì)算，得到眼動偽跡模板。

16、優(yōu)選地，所述對眼動偽跡模板進(jìn)行連續(xù)小波變換以得到時頻表示矩陣，包括：

17、將眼動偽跡模板與不同尺度的小波函數(shù)進(jìn)行卷積以生成時頻表示矩陣，計(jì)算公式表示為：

18、，

19、其中，表示時頻表示矩陣，表示待分析的眼動偽跡模板，表示小波函數(shù)的復(fù)共軛，表示時間，表示控制小波的壓縮或擴(kuò)展的尺度因子，表示控制小波在時間軸上的位置的平移因子。

20、優(yōu)選地，時頻表示矩陣中的每個列向量表示信號在某一特定頻率上的時間演化特性，即描述了信號在該頻率下隨時間的變化情況。

21、優(yōu)選地，采用k-means聚類算法對特征向量進(jìn)行聚類。

22、優(yōu)選地，采用盒子計(jì)數(shù)法計(jì)算每個簇的分形維數(shù)，包括：

23、對于每個簇，選擇一個盒子尺度作為起始尺度以覆蓋簇中的特征向量的信號數(shù)據(jù)，記錄每個尺度下包含信號數(shù)據(jù)非零值的盒子的數(shù)量，在迭代過程中逐漸縮小盒子的尺度，直至誤差小于設(shè)定的誤差因子，則停止迭代，計(jì)算此時的分形維數(shù)，公式表示為：

24、，

25、其中，表示分形維數(shù)，表示停止迭代后的盒子的數(shù)量，表示停止迭代后的盒子的尺度大小，表示求導(dǎo)。

26、第二方面，本發(fā)明實(shí)施例還提供了一種基于多層分解與分形分析的眼動偽跡降噪裝置，利用上述的基于多層分解與分形分析的眼動偽跡降噪方法實(shí)現(xiàn)，包括：經(jīng)驗(yàn)?zāi)B(tài)分解模塊、連續(xù)小波變換模塊、特征向量聚類模塊、分形維數(shù)計(jì)算模塊和腦電信號降噪模塊；

27、所述經(jīng)驗(yàn)?zāi)B(tài)分解模塊用于對采集并預(yù)處理后的原始腦電信號進(jìn)行經(jīng)驗(yàn)?zāi)B(tài)分解以得到若干固有模態(tài)函數(shù)，基于固有模態(tài)函數(shù)進(jìn)行求和得到眼動偽跡模板；

28、所述連續(xù)小波變換模塊用于對眼動偽跡模板進(jìn)行連續(xù)小波變換以得到時頻表示矩陣，提取時頻表示矩陣的列向量作為特征向量；

29、所述特征向量聚類模塊用于對特征向量基于頻率進(jìn)行聚類以劃分為多個不同的簇，每個簇中包含若干同一頻率分類下的列向量；

30、所述分形維數(shù)計(jì)算模塊用于對每個簇分別計(jì)算分形維數(shù)，選取分形維數(shù)值最小的簇進(jìn)行時域信號還原得到眼動偽跡信號；

31、所述腦電信號降噪模塊用于將還原得到的眼動偽跡信號從原始腦電信號中去除，得到降噪后的腦電信號。

32、第三方面，本發(fā)明實(shí)施例還提供了一種電子設(shè)備，包括存儲器和一種或多種處理器，所述存儲器用于存儲計(jì)算機(jī)程序，所述處理器用于當(dāng)執(zhí)行所述計(jì)算機(jī)程序時，實(shí)現(xiàn)上述的基于多層分解與分形分析的眼動偽跡降噪方法。

33、第四方面，本發(fā)明實(shí)施例還提供了一種計(jì)算機(jī)可讀的存儲介質(zhì)，所述存儲介質(zhì)上存儲有計(jì)算機(jī)程序，當(dāng)所述計(jì)算機(jī)程序被計(jì)算機(jī)執(zhí)行時，實(shí)現(xiàn)上述的基于多層分解與分形分析的眼動偽跡降噪方法。

34、與現(xiàn)有技術(shù)相比，本發(fā)明具有的有益效果至少包括：

35、（1）本發(fā)明通過將經(jīng)驗(yàn)?zāi)B(tài)分解與連續(xù)小波變換相結(jié)合，能夠通過經(jīng)驗(yàn)?zāi)B(tài)分解有效分離原始腦電信號中的眼動偽跡模版，并通過連續(xù)小波變換將時域信號轉(zhuǎn)化為頻域信號以進(jìn)一步提取得到時頻表示，有助于實(shí)現(xiàn)高精度去噪處理，相比于傳統(tǒng)的獨(dú)立成分分析等方法，本發(fā)明在保留原始信號的有用信息方面更加精準(zhǔn)，并減少了去噪過程中對有效腦電成分的損傷，去噪精度顯著提升。

36、（2）本發(fā)明通過在經(jīng)驗(yàn)?zāi)B(tài)分解與連續(xù)小波變換的基礎(chǔ)上，進(jìn)一步引入聚類分析和分形維數(shù)的特征提取方法對特征向量這一時頻特征進(jìn)行處理，能夠更好地適應(yīng)不同場景下的信號變化，有效應(yīng)對復(fù)雜的偽跡情況，使得眼動偽跡的識別更加智能和準(zhǔn)確，增強(qiáng)了算法的魯棒性。

37、（3）本發(fā)明提供的整體方案減少了對大量參數(shù)手動調(diào)節(jié)的依賴，能夠?qū)崿F(xiàn)對不同信號自動識別和自適應(yīng)處理，這不僅能夠提升算法的應(yīng)用便捷性，同時也大幅降低了操作復(fù)雜性，通過簡化操作和參數(shù)設(shè)置使得算法能夠更快速地部署于各類應(yīng)用環(huán)境中。

38、（4）本發(fā)明提供的整體方案能夠有效應(yīng)對外界噪聲的干擾，特別是在復(fù)雜的實(shí)驗(yàn)環(huán)境中，依然能夠保持較高的眼動偽跡去除效果，相比一些傳統(tǒng)方法在環(huán)境噪聲下效果不佳的問題，本發(fā)明的抗噪性能顯著提升，保證了腦電信號處理的可靠性。

39、（5）本發(fā)明提供的整體方案能夠廣泛適用于各種腦電信號采集和分析場景，涵蓋臨床診斷、科研實(shí)驗(yàn)、認(rèn)知研究等領(lǐng)域，尤其在要求高精度去偽跡的應(yīng)用場景中表現(xiàn)出色。