典型相关性分析在脑电降噪的应用

关注“心仪脑”查看更多脑科学知识的分享。

关键词：科普散文、EEG

典型相关性分析

典型相关性分析（Canonical Correlation Analysis，简称CCA）是经典的统计学习方法，目标是研究两组变量之间的联系，即研究一组变量的线性组合和另一组变量的线性组合之间的线性相关关系，也就是Pearson相关系数。Pearson相关系数用于度量两个变量（X和Y）之间的相关程度，其取值在−1到1之间。它的绝对值越接近于1，则X和Y的线性相关性越高；越接近于0，则X和Y的线性相关性越低，见下图：

从图中可以清晰地看出，数据空间分布的形状与相关系数的取值呈现对应关系。

我们先假设数据向量，之后寻找一个线性组合

或者也可以理解为一组投影矩阵 和 ,用2维矩阵来描述的话如下所示：

典型相关性分析的目标是寻找使得投影后的结果和的Pearson相关系数P最大的u和v，记作：

考虑零均值的数据矩阵,Pearson相关系数的矩阵形式表达如下:

其中， 表示协方差, 表示期望， 表示方差。

优化问题一般会使分母大小固定，也就是让

，这时改写目标函数为，

这就是典型相关性分析的模型，是一个带约束的凸优化问题。模型求解过程不赘述，可以用SVD分解或特征值分解求解。

典型相关性分析在脑电降噪中的应用

在之前的推文中曾提到过一个关键的假设，脑电信号的自相关系数应该是很大的，噪声的自相关系数是比较小的。自相关是所关注的时间序列中重复事件的信息，在脑电里面就是脑电本身。我们知道干净的脑电应该是振荡的，而噪声应该是无序的（心电也是振荡的，所以CCA无法分离规律性信号）。在脑电噪声中，肌电就属于无规律信号，因而CCA的思想适用于肌电的分离。

回顾一下ICA的基本思想，是分离出独立源，而这个独立源有哪些是人为经验式设定的呢。我们可以确定的噪声源，比如眼动的噪声（包括眨眼和眼动），也就一个源的两种信号产生模式；再比如心电，只有一个源，并且通常在一定时间内维持一个稳定的信号产生模式。这些可解释或者可预知的源是适合做盲源分离的，而肌电这种无法确定源也无法确定信号产生模式的噪声对于ICA来说难以去除。换句话来说，肌电的发生源本身就不只一个，因此难以确定ICA成分的数量。但若设定过多的ICA成分，可能会将本身来自于一个信号源的肌电分解到两个ICA成分上。

另外还有必要一提的是，由于肌电这种短时噪声会淹没在长时数据中，应用CCA降脑电中的肌电最好采取分段降噪的策略。毕竟自相关系数本身也是一种线性的工具，应用在非线性的脑电数据上本来就具有一定的局限性。

下面做一下演示。随便挑取一段带有肌电噪声、时长为10s的脑电，尝试用CCA从脑电中抽离出肌电成分。

下图是CCA解混后的结果。可以看到，第一个成分是眼电成分，倒数的几个成分明显不是脑电，而是对应原始信号中的肌电。经验上一般将自相关系数小于0.9的成分看作噪声置0。由于下面数据中只有前五个成分自相关系数大于0，其余都将被置0。

下图是CCA降噪后的干净脑电，可以看到较高频的肌电已被剔除。

全文完结，整理不易，看不完记得收藏，最后希望点赞支持一下！

了解更多，请关注“心仪脑”公众号！