基于低秩稀疏分解的脑电信号处理方法（1）

参考文章《基于低秩稀疏分解的新型脑电信号处理方法》

一、背景介绍
目前常见的脑电信号处理方法如独立成分分析等都是从信号的“源”出发通过一系列变量的线性叠加来近似原信号。本文针对脑电信号的处理，从信号的组成部分出发，提出了一种新的假设：脑电信号是由背景信号BEEG与任务意识信号REEG组成，固有背景信号是被试在任何状态下所具有相对稳定的脑电信号，任务意识信号是由被试在特定任务下由相应皮层神经元激活所产生的，而实际采集到的脑电信号是以上两者和噪声的混合叠加。一般情况下,BEEG常适用于身份认证的脑电识别，而REEG更多用于与任务相关的脑电情绪识别中。

二、整体设计思路

1. 本文提出了基于低秩稀疏分解的脑电信号处理方法。首先对低秩稀疏分解进行详细的研究，并简单介绍了一些算法。然后基于低秩稀疏分解处理脑电信号，建立脑电信号的低秩稀疏分解模型，认为脑电信号是由低秩的固有背景信号与稀疏的任务意识信号叠加而成，进而探索新型的脑电信号处理方法。 脑电信号的低秩稀疏分解方法。本章详细介绍低秩稀疏分解的概念以及主要方法，并结合脑电信号的特征，构建脑电信号的低秩稀疏分解模型。
2. 本文提出了基于脑电信号低秩部分的身份识别方法。为了研究脑电信号的低秩部分为固有背景信号，是被试在任何状态下所具有的相对稳定的脑电信号，在身份识别中，基于低秩稀疏分解算法去除脑电的任务意识信号，分析被试的有背景脑电，进而完成身份识别。首先对原始脑电数据进行滤波，基于 GoDec算法对滤波后的数据进行分解，将得到的低秩部分基于相位和幅值信息进行一次特征提取，得到相位同步特征，随后将低秩部分与原始脑电信号相结合投影到子空间中，进行二次特征提取，最终使用稀疏表达分类器进行分类。 （BEEG）基于脑电低秩部分的身份识别研究。本章介绍基于脑电低秩部分的身份识别研究，通过低秩稀疏分解方法，对原始脑电信号进行分解，将得到的低秩部分，通过提取相位和幅值信息进行身份识别，实验结果表明，其低秩部分可用于身份识别，并且相比原信号识别正确率有所提高。
3. 本文提出了基于脑电信号稀疏部分的运动想象认知任务分类方法。为了研究脑电信号的稀疏部分为任务意识信号，是被试在特定任务下由相应皮层神经元激活所产生的脑电信号，在运动想象分类任务中，基于低秩稀疏分解算法提取任务意识信号，分离被试的固有背景信号进而进行运动想象分类。首先将原始脑电数据分别基于 GreGoDec 算法和 MBRMF 算法进行处理，分解出脑电信号的稀疏部分，尝试提取出脑电信号的任务意识部分，而后使用共同空间滤波算法进行特征提取，最终使用线性判别分类器进行分类。(REEG)基于脑电稀疏部分的运动想象认知任务分类研究。本章介绍基于稀疏部分的运动想象认知任务分类研究。通过低秩稀疏分解方法，对原始脑电信号进行分解，将得到的稀疏部分，使用共同空间滤波方法进行特征提取，并用于运动想象分类，最终证明其稀疏部分包含了脑电信号的任务意识信息。

三、低秩稀疏分解的研究现状
上述的盲源分离处理方法都是从信号的**“源”出发，通过一系列变量的线性叠加来近似原信号。随着压缩感知[7]的提出，衍生出了基于低秩稀疏矩阵分解的信号处理方法，该方法从信号的组成部分出发，认为信号由低秩部分和稀疏部分**组成，在信号处理领域提供了一种截然不同的思想。
[7] Donoho D L. Compressed sensing [J]. IEEE Transactions on information theory, 2006,52(4): 1289-306.