买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：北京理工大学;中国人民解放军总医院第二医学中心

摘要：本发明涉及一种基于改进MIBSS‑CEEMDAN的眼电处理方法，属于生物医学信号处理技术领域。本方法提出了一种模糊自适应边界信息拟合方法，解决了EMD分解中存在的边界缺损现象；设计了一种融合双系数双种类的去噪方法，解决了模态混叠问题；提出了一种基于互信息下的ICA智能优化准则，对IMF分量进一步分解，分离出不同类型的眼电信号成分及噪声成分，提高了源信号分离的准确性和稳定性。本方法能够有效实现对眼电信号的分解以及噪声的去除，提高眼电信号处理的准确性和信号完整性。

主权项：1.基于改进MIBSS-CEEMDAN的眼电处理方法，其特征在于，包括以下步骤：步骤1：模糊自适应边界信息拟合；对经预处理后的眼电信号的上下边界，使用模糊决策树算法评估眼电的可能事件，进而分解生成合理的信号边界，减少分解过程中的边界缺损现象；步骤2：针对正负成对的高斯白噪声和1f噪声，设计融合双系数双种类的去噪法，对眼电信号进行改进的CEEMDAN分解；步骤2.1：将正负成对的高斯白噪声和1f噪声N次加入待分解的延拓信号y′t中，并进行分解，保证在整个时间范围内，局部极值点和过零点的数目相等或最多相差一个，任意时间点的局部极值上下包络线平均为零： 其中，E·表示EMD分解，δ、为两种噪声幅度系数，git为满足标准正态分布的高斯白噪声信号，fit为1f噪声，i＝1，2，...，N，i为添加噪声的次数，γi，1为信号分解后的余量；对产生的N个模态分量进行总体平均，得到步骤2.2：通过奇异值分解，将余量信号γi，1去除信号的线性相关性，即{γi，1}＝U∑V*，其中U、V表示特征向量张成的矩阵，Σ表示奇异值矩阵；选择V*中非零奇异值对应的列，作为Hilbert空间中的一组线性无关向量{v1，v2，…，vm}，通过计算得到标准直交系{e1，e2，…，em}，其中m＜N；步骤2.3：第k次分解，对余量rk-1t加入正负成对的高斯白噪声以及1f噪声并分解计算总体均值得到k次分解的IMF分量步骤2.4：计算残差余量rkt＝rk-1t-IMFkt，利用步骤2.2方法得到标准直交系{ei，k}构造正交逼近确保余量信号与拟合信号误差值的L2范数小于ε，否则重新选择线性无关向量组，即： 其中，Ek表示余量信号与拟合信号误差值，rk，ei，k表示Hilbert空间中的内积；ε表示误差阈值；步骤2.5：重复上述步骤；如果第K次分解后余量信号rKt正交逼近函数单调且无局部极值，无法继续分解，则迭代停止；步骤2.6：得到分解后的信号表示为： 步骤3：根据基于互信息下的ICA智能优化准则，进一步分解IMF模态分量，得到不同类型的眼电信号成分及噪声成分；步骤3.1：对于每个IMF模态分量IMFit，计算与原始信号的相关系数，相关系数计算表达式为： 其中，Ttp表示信号序列yt的总时间点数；根据相关系数绝对值大小|Ri|＜ρ2、ρ2≤|Ri|＜ρ1、|Ri|≥ρ1，分为精选、次精选和粗选三种不同的需求层次，其中ρ1、ρ2分别为两种相关系数阈值；选择IMF分量进行组合并按列排序，形成新的信号矩阵X1，X2，X3；矩阵中每一列代表一个分量，行表示时间序列，信号矩阵表示为： 步骤3.2：分析信号矩阵的独立源成分；首先对信号进行去均值、白化处理，使其均值为0，方差为1；通过线性变换去除观测信号之间的相关性，处理后选择函数近似，对比函数表示为： 其中，a1表示常数变量，其影响双曲余弦函数对数的陡度或比例；u表示自变量；步骤3.3：将负熵增加最快的方向，即负熵的梯度作为W的初始化值，W←E{xG′Wx}，其中G′表示GWx的导数；使用当前分离矩阵W来计算输出信号Si＝WXi，为每个输出信号成分Si＝{s1，s2，…，sm}估计概率密度函数pisi，m为每个信号矩阵Xi中IMF分量个数；步骤3.4：迭代优化；对于信号矩阵X1，X2，X3，选择最适合的优化准则，提高ICA分解的有效性，确保分解后的成分在特定层次上尽可能独立；步骤3.4.1：针对精选信号矩阵X1，选择对数似然最大化方法，从复杂的眼电数据中提取出具有特定生理意义的独立成分；设置对数似然函数表达式： 其中，pisi为概率密度函数，detW表示分离矩阵W的行列式，λ为正则化强度参数；使用自适应学习率方法更新W1，即： 其中，α是学习率；∈为极小常数，保证分母不为零；t为迭代次数；和分别为偏差校正后的一阶和二阶矩估计，更新表达式为： 其中，表示一阶矩估计的修正；是对数似然函数相对于W1的梯度；β1和β2为迭代参数；步骤3.4.2：针对次精选信号矩阵X2，选择最小化互信息方法；基于估计的概率密度函数，计算输出信号成分之间的互信息；互信息IS近似计算为： 其中，JS表示负熵，JS＝[E{GS}-E{Gv}]2，其中，S为输出信号，v表示一零均值和单位方差的高斯随机向量，m表示输出信号矩阵中分量个数；互信息IS相对于分离矩阵W的梯度更新分离矩阵W2，得到W2的迭代式如下： 其中，η是学习率，h为根据两个连续迭代间的性能改善比例调整学习率的函数；步骤3.4.3：针对粗选信号矩阵X3，利用牛顿法更新分离矩阵W3，得到迭代公式：W3←E{XG′W3X}-E{G″W3X}W3其中，G′表示对比函数G·的一阶导，G″表示对比函数G·的二阶导，X表示信号矩阵；步骤3.4.4：对W进行归一化：迭代计算，若ΔW小于设定的收敛阈值或达到最大迭代次数，则停止迭代；最终得到的独立信号成分为Si＝WiXi，Wi为解混矩阵，Xi为IMF分量组成的信号矩阵；步骤4：对得到的独立信号成分进行噪声分析，实现信号去噪。

全文数据：

权利要求：

百度查询： 北京理工大学 中国人民解放军总医院第二医学中心 基于改进MIBSS-CEEMDAN的眼电处理方法