脑电信号检测范文
脑电信号检测范文（精选7篇）
脑电信号检测 第1篇
关键词：脑电,LabVIEW,虚拟仪器
1 引言
脑电信号(electroencephalogram,EEG)是大脑神经电活动的反映,是分析大脑神经活动和健康状况的有力依据,因此,作为提取脑电信号的脑电检测设备被广泛用于临床诊断、科学研究以及教学环节中。面对不同的使用对象,相关人员应该有选择地对脑电检测设备的仪器原理、使用方法、故障判断、信号分析等方面进行系统的学习和培训。由于脑电检测设备相对造价较高,在教学和培训中不易做到一人一机,会造成示教及学习效率下降,甚至影响到受训人员对设备原理和实践技能的掌握。这种现状不利于我国当前医疗、科研及教学的高效发展,亟待改进。
随着计算机技术的发展,将计算机软件与电子仪器技术完美结合出现了一种仪器新模式,即虚拟仪器技术。虚拟仪器与传统仪器相比,其特点是立足于软件,降低对硬件的依赖,通过软件功能的开发模拟传统仪器的功能特点,具有设计灵活、更新快、价格低等优点[1,2,3,4,5]。此外,由于虚拟仪器的软件化特点,其功能软件可以在多台计算机上安装使用,且多个虚拟仪器软件也可以存在于一台计算机上。虚拟仪器的这些优点无疑也为医疗仪器的示教、学习及研究提供了一种新模式,用户不需要为硬件设备的购买、升级花费大量资金,只需要定期升级软件并改进软件程序功能即可。
本研究根据医院和大专院校对脑电检测设备示教及学习的需求,提出利用虚拟仪器实现的脑电信号检测示教系统,采用LabVIEW图形化语言的设计方法,构建具有传统脑电信号检测设备功能、并兼具故障模拟、仿真演示、信号处理、数据存储的虚拟仪器软件。
2 系统总体设计
脑电信号检测示教系统包含硬件和软件部分[6,9],其中硬件部分为课题组前期完成的脑电信号检测前置级处理模块,本研究重点涉及虚拟仪器的软件系统设计。根据一般脑电检测设备功能以及示教需求,本系统软件基于LabVIEW语言,采用模块化设计的思想编写虚拟脑电检测系统程序。初步实现的软件系统具有脑电信号的获取、脑电信号显示及分析、示教模拟以及数据存储的功能,其总体设计框图如图1所示。
3 关键技术研究
本软件系统的关键技术包括数据源模块的设计,交互式示教界面的设计以及信息数据库的设计。
3.1 数据源的设计
数据源是读取脑电信号波形的来源,本研究分别设计了基于硬件系统的DAQ数据源和基于数据信息的数据源,用户可根据需要进行选择。
3.1.1 基于DAQ的数据源
为了能逼真模拟实际脑电检测设备的检测功能,本研究设计的基于DAQ的数据源可以读入实时采集的真实脑电信号数据。该数据源需要脑电信号前级电路和DAQ卡的支持。采用NI公司的PCI-6024E作为数据采集卡,该采集卡最高采样速度为200 kHz,采样精度为12位,可以满足脑电信号采集的需求[2]。DAQ卡自带的驱动程序为硬件和软件提供可接口,用户在使用LabVIEW编程时不需要再编写设备驱动程序。
在进行采样程序设计时,采用双缓存技术,即启动采集后,DAQ板先向循环缓存区前一半写入数据,当写满后,继续向后一半写入数据,同时从前一半将数据转移到转移缓存区,此时可将缓存区中的数据进行保存或处理,之后当写满数据后,又从前一半开始用新数据覆盖旧数据,并复制后一半数据到转移缓存区,此过程将无限进行下去,为应用程序采集连续的波形数据。
3.1.2 基于数据信息的数据源
基于DAQ的数据源必须依赖硬件设备,为方便示教,我们还设计了基于数据信息的数据源,即读取存放在硬盘中的脑电信号数据文件。脑电信号数据文件根据分类存放在设计的数据库中,在进行模拟示教时可以根据软件的功能要求读取相应的数据文件。在LabVIEW编程中直接使用文件读取的控件进行数据的读取。
3.2 交互界面设计
人机交互界面如同仪器设备的操作面板,用户可以根据需要对脑电信号检测虚拟仪器进行操作。LabVIEW的强大功能之一就是虚拟面板的设计,该软件可提供大量的供用户选择的图形控件,编程人员根据需要可以方便地实现虚拟面板的外观设计。实现的脑电信号检测示教系统软件界面主要包括常规的控制及波形显示面板、示教模拟面板以及信号处理面板。
3.2.1 控制及波形显示
本系统的控制及波形显示界面如图2所示。在该界面用户可以进行通道选择、增益调节、显示速度调整等功能。
其中波形显示使用LabVIEW的CWGraph控件,该控件内置了一个显示缓冲,用来保存一部分历史数据,并接受新数据,这样可以达到实时连续显示波形的效果。
3.2.2 示教模拟界面
该界面的作用主要是根据脑电设备示教和学习的需求,设计相应的功能。其设计原理是根据控件的控制,从预存的波形数据库中读出相应的脑电信号波形,已到达模拟的效果。系统模拟演示界面如图3所示。
3.2.3 信号处理模块
脑电信号的分析和处理对科学研究和临床诊断具有重要意义。脑电信号的频域特征比较突出,因此功率谱的分析及各种频域处理技术对脑电信号的分析起着重要作用。常规脑电检测仪器由于受到硬件限制,不可能提供丰富的信号处理方法,虚拟仪器的设计可以弥补这一不足,而且可以很方便地更新或改变信号处理的方法。LabVIEW平台支持先进、灵活、强大的数字信号分析功能,自身带有波形测量、信号监测、信号提取等功能。同时LabVIEW软件中又包含了一些特殊的工具包,可以进行滤波处理、联合时频分析和小波分析等复杂的信号处理与分析。此外,LabVIEW还可以调用Matlab工具箱实现灵活的信号处理算法[8]。采用工具箱中的daubechies6小波(设置分解层数为4层)[9]滤波算法对一段脑电数据处理后得到的结果比较,可以看到滤波效果较好,如图4所示。
3.3 数据库的设计
为满足示教和学习要求,需要系统能够方便存储和调用脑电信号数据,为此设计了脑电信息数据库。LabVIEW提供了免费的、多数据库、跨平台的数据库访问工具包LabSQL。LabSQL支持Windows操作系统中任何基于ODBC的数据库包括Access、SQL Sever、Oracle、Pervasive、Sybase等[10]。本系统基于Access设计了关系型数据库。信息之间的互相关联,依靠二维数据表进行。存储的信息分为2部分:(1)基本信息,包括信号类型(实测或波形数据)、诱发类型(自发、视觉诱发、听觉诱发、体感诱发)、故障类型(设备正常、外界干扰、设备内部故障);(2)波形数据,存入数据库中的脑电信号数据以二进制的形式存放。
LabSQL通过ODBC和数据库连接,首先要在Windows操作系统中的ODBC中创建数据库的源名(Data source name,DSN),通过DSN可以和数据库进行连接。LabSQL可以便捷实现对数据库的访问,执行各种查询,以及对记录进行添加、修改、删除等各种操作。数据库的配置及操作流程,如图5所示。
4 结论
本研究基于LabVIEW图形化编程语言设计并实现了一个脑电信号检测示教系统。该系统结合脑电前置级检测电路及NI公司的PCI-6024E数据采集卡,可以实现脑电信号检测的功能。此外针对脑电检测设备示范教学的需要,设计了示教功能模块。在示教模块中系统可以仿真模拟脑电检测设备正常状态和一些故障状态时的波形输出,可使用户在虚拟状态下达到对脑电检测设备操作和维护技能掌握的目的。鉴于脑电信号频谱分析对临床基本诊断和科学研究具有重要意义,本研究还初步实现了脑电数据信息处理模块,用户可以基于该模块进行脑电信号滤波、频谱分析等操作。脑电信息数据库也是本研究的一个重点,通过建立数据库,用户可以方便地积累数据、查询和管理数据,这一功能对教学和科学研究都具有重要意义。
总之,本研究初步实现的脑电信号检测示教系统运行稳定,使用方便,达到了预定的研究目标。研究结果可使示教和学习过程形象化、低成本化,有助于提高教学、实践的效率。由于采用了虚拟仪器的设计思路,系统还具备可移植性强和可扩展性强的特点。如果将本研究的思想拓展到其他医学信号检测设备,可以建立功能更强的虚拟仪器库。随着虚拟仪器库的进一步完善和试用推广,有望解决目前在临床、科研及教学工程中遇到的对医疗仪器设备示教及学习效率低的难题。
参考文献
[1]朱志强,田心.LabVIEW及其在生物医学工程中的应用[J].国外医学:生物医学工程分册,2001,24(2):59-64.
[2]张钢,李云松,李晓洁.虚拟仪器技术在电子实验教学中的应用[J].中国科教创新导刊,2009(29):165.
[3]尤富生,董秀珍,史学涛,等.基于虚拟仪器的电阻抗数据采集软件设计[J].医疗卫生装备,2003,24(10):9-10.
[4]郭迎福,罗晓莉,毛征宇.基于LABVIEW的虚拟动态分析仪设计[J].矿石机械,2006,34(4):125-126.
[5]王建忠.虚拟电子实验在课程教学中的应用[J].无锡商业职业技术学院学报,2010,10(3):74-75.
[6]应俊,陈广飞,何史林.基于虚拟仪器技术数字化脑电采集系统的研制[J].中国医疗器械杂志,2009,33(5):332-335.
[7]郭燕强,岳林.基于LabVIEW的神经信号特征分析的虚拟仪器[J].机械工程与自动化,2009,8(4):14-16.
[8]王巧兰,季忠,秦树人.基于小波变换的脑电噪声消除方法[J].重庆大学学报:自然科学版,2005,(7):19-21,30.
[9]杨杨,方敏.基于L a b V I E W的脑电信号分析系统研究[J].自动化技术与应用,2009,28(7):82-85.
脑电信号高阶谱分析技术的研究 第2篇
脑电信号幅度微弱频率较低,通常只有0-100µv,频率在0.5-100 Hz,而其通常又处于心电、肌电、眼电及工频干扰等强大的背景噪声中,因此脑电信号的信噪比较低。同时,脑电信号的非平稳性和随机性很强,且具有非线性的特点,对其的分析和处理一直都是人们关注的焦点。
传统的脑电信号分析处理方法是以时域分析和简单的频域滤波为主,以二阶统计量作为数学分析工具。然而,由于丢失了高阶有用信息,传统的时域和频域分析方法很难得到令人满意的结果。为了克服这些缺点,就需要从更高的阶次上来反映信号特征。高阶谱分析(Higher Order Spectral Analysis)是信号处理学科的前沿性研究方向,是处理非线性、非高斯信号的有力工具。高阶谱分析从更高阶概率结构表征随机信号,弥补了二阶统计量的缺陷,在反映信号能量的同时,还保留了信号的相位信息。同时,理论上高阶谱能完全抑制高斯噪声,具有很强的消噪能力,因此用高阶谱分析脑电信号能更有效地提取有用信息。
1 高阶谱基本原理
1.1 高阶统计量
高阶统计量主要有四种:高阶矩、高阶累积量、高阶矩谱和高阶累积量谱。
令η=E{x}代表x的一阶矩即均值,则x的k阶中心矩µk可表示为:
设ø(ω)为的概率密度函数f(x)的傅里叶反变换,则对ø(ω)求k阶导数并令ω=0,容易推出x的k阶矩可以表示为:
定义x的k阶累积量为:
很容易推广到多个随机变量的情况,x1,...,xk是k个连续随机变量,令x1=x(t),x2=x(t+τ1),...,xk=x(t+τk-1),则k个随机变量的k阶矩和k阶累积量分别为:
在要求高阶累积量绝对可求和的前提下,k阶矩谱定义为k阶矩的(k-1)维离散傅立叶变换,即:
k阶累积量谱定义为k阶累积量的(k-1)维离散傅立叶变换,即:
1.2 高阶谱
在四种主要高阶统计量中,一般使用较多的是高阶累积量和高阶累积量谱,因此将高阶累积量谱简称为高阶谱。
高阶谱也叫多谱,即多个频率的谱。特别地,三阶谱S3x(ω1,ω2)称为双谱(bispectrum),表示两个频率的能量谱;而四阶谱S4x(ω1,ω2,ω3)称为三谱(trispectrum),表示三个频率的能量谱。习惯上双谱常用Bx(ω1,ω2)表示,三谱常用Tx(ω1,ω2,ω3)表示。在高阶谱分析中,双谱具有高阶谱的所有特性,并且它的阶次是最低的,计算量也是最小的。双谱能更好地反映信号的特征信息,其在医学信号处理等领域得到了广泛应用。双谱分析是脑电高阶谱研究的热点。
2 双谱分析
2.1 双谱定义
按定义,双谱,即三阶累积量谱应表示为:
式中X(ω)是{x(n)}的傅立叶变换,*表示复共轭。
2.2 双谱估计
双谱估计方法有非参数估计和参数估计两种,非参数估计又可以分为直接法和间接法。直接法是将采样数据分段,利用FFT求各段的傅立叶变换,求得各阶谱估计。为了减少估计方差,要对数据进行加窗平滑。间接法是先用有限长数据估计三阶统计量,然后用二维窗函数产生双谱。参数法是用AR、M A、AR M A或Volterra模型参数化双谱的方法。本文采用的方法为非参数估计的直接法,它的计算量比间接法要少。直接法的计算步骤如下:
设x(0),x(1),...x(N-1)为一组观测数据,并设fs是采样频率,在双谱域内,ω1和ω2轴的频率采样点数为N0,则频率抽样间隔为Δ0=fs/N0
(1)将所给数据分成K段,每段含M个观测样本,且每段数据之间允许重叠,对每段数据减去该段的均值。使得每段成为零均值序列。
(2)计算每段的DFT系数
式中λ=0,1,...,M/2;k=1,...,k。
(3)根据DFT系数,分别求出每段数据的双谱估计,即:
式中λ1的和λ2分别对应于ω1和ω2轴DFT变换后的点。以L1以表示平滑点数,且N0和L1应选择为满足M=(2L1+1)N0的值。
(4)对各段双谱估计的结果进行统计平均得到:
在计算双谱估计的过程中,为减少估计误差,对于采样截断数据形成周期函数在作傅立叶变换之前,可加窗函数对采样数据进行平滑处理,窗函数ω(n)可选布莱克曼窗函数:
3 脑电采集与双谱分析
3.1 数据来源
实验数据是由笔者及团队自发研制的一套移动式的脑电信号数据采集系统所采集的。该系统基于USB2.0和DSP技术,可以实时高速地采集并存储脑电信号。系统对脑电信号进行放大和预处理,再由主机选择通道信号后,通过A/D芯片将模拟信号转换成数字信号送往数字部分。数字部分由DSP芯片和USB芯片构成,主要由DSP控制实现对脑电数字信号的采集与处理,并完成DSP与USB芯片的通信,最后通过USB总线将数据送往上位机实时显示与储存。图1为系统架构图。图2为上位机上显示的采集到的单通道脑电波形。
3.2 双谱分析
图3所示为所采集的混有背景噪声的成年志愿者安静闭目情况下自发脑电信号及其功率谱,可见,从功率谱上得不到脑电信号的有用信息,而将脑电数据通过Matlab的HOSA工具箱的非参数估计直接法估算,可以得到图4所示的脑电双谱图,可以看出在α波波段,出现了明显的最大的双谱谱峰。
从功率谱和双谱图的比较中不难发现,当背景噪声很强,即信噪比很小时,功率谱已经无法准确识别出目标信号。而由于双谱分析不受加性高斯噪声和非高斯噪声的干扰,提高微弱信号的信噪比效果明显,在低信噪比情况下双谱仍准确的检测出目标。所以,在检测微弱信号如脑电方面,双谱分析比传统的功率谱分析方法适用范围更广、更有效。
另有一组实验数据的双谱分析如图5所示。实验研究的是一组志愿者从正常状态到瞌睡状态的过程。
1)图中,志愿者神志清醒,双谱只在坐标点(0,0)处具有峰值,说明此时志愿者的脑电波除了在频率(0,0)附近基本趋于高斯特性;2)图为志愿者刚开始要闭目午休的状态,从图中可以发现,此时脑电信号在α波段、β波段以及θ波段的若干频率分量处不同程度上发生了相位耦合现象,说明脑电波在这些频率分量处的非高斯性和非线性增强;3)图志愿者闭目瞌睡状态下,α波段和θ波段发生了相位耦合,且主要双谱谱峰出现在θ波波段处。
4 结论
脑电信号是一个复杂的非高斯非线性的过程,通常的基于二阶统计量分析的功率谱丢失了隐含于脑电信号中的大量高阶有用信息以及信号的相位信息。本文经过研究实验表明,与功率谱分析相比较,高阶谱分析技术包含了二阶统计量没有的大量的丰富信息,可以提取脑电信号频率分量间的相位信息,能更有效地抑止高斯噪声的影响,而且还能够检测和表征脑电信号内部的非线性结构特征。总之,高阶谱分析方法可以为脑电信号分析提供更多更有效的信息和途径。
摘要：该文介绍了高阶谱分析的基本原理及其中应用最广的双谱。通过对脑电信号的采集并进行双谱分析的实验表明,高阶谱在处理非线性和抑制高斯噪声等方面具有以二阶统计量为基础的功率谱所不具备的优越性。
关键词：脑电信号,高阶谱分析,双谱
参考文献
[1]张贤达.现代信号处理(第二版)[M].北京:清华大学出版社,2002:274—281.
[2]乐建威,莫国民,林敏.麻醉镇静深度的脑电双谱指数监护技术[J].中国医疗器械杂志,2005,(29)5:321-324.
[3]张宁,林春生.基于非高斯AR模型微弱信号双谱分析.武汉理工大学学报.2008.32(1).
[4]李正周.Matlab数字信号处理与应用[M].北京:清华大学出版社,2008.
[5]Ira J.Rampil,M.S,M.D.A primer for EEG signal processing in anesthesia[J]Anesthesiology,1998,89:980.
[6]Chua,Kuang C.and Chandran,Vinod and Acharya,Rajendra and Lim,C.M.(2007)Higher Order Spectral(HOS)Analysis Of Epileptic EEG Signals[C].In Proceedings29th Annual International Conference of the IEEE Engineering in Medicine and Biology Society,Lyon,France.2007,6495-6498
[7]Chua,Kuang C.and Chandran,Vinod and Acharya,Rajendra and Lim,C.M.(2008)Automatic Identification of Epilepsy by HOS and Power Spectrum parameters using EEG Signals:A comparative study[C].In Proceedings30th Annual International IEEE EMBS Conference,Vancouver,Canada.3824-3827.
[8]Swami,A.Higher-order spectral analysis toolbox[M],The Mathworks,Inc.,Second Printing,1995.
脑电信号检测 第3篇
自从1973年,美国加州大学洛杉矶分校的J.J.Vidal博士首次对脑机接口技术的可行性和实用性进行分析[3],人们就开始研究利用脑机接口技术进行通讯和控制,使大脑不需要依靠通常媒介的帮助而直接作用于外界。
脑电信号作为脑机接口的输入信号,是大脑神经细胞电位变化在大脑皮层和皮层下的宏观反应。脑电信号作为一种电信号除了具有普通电信号的一般特征外,还具备自身特有的一些特点。有用脑电信号部分的频率集中在0.5～30Hz之间,属于低频信号;由于人脑的复杂性,大脑不同区域相互联系、制约地完成不同的功能,还有一些人们尚未了解的影响脑电信号的因素,它们的共同作用使得脑电信号具有随机性。另外脑电信号还具有非平稳性、非线性、节律性等特点。这些脑电信号的特点对于脑电信号处理方法的选择具有重要作用。
文中主要研究了大脑在作出“是”与“非”反应时脑电信号的不同特征。目的是通过问题提问的听觉刺激方式刺激大脑作出“是”或“非”的不同反应,并对脑电信号进行区分。首先对信号进行滤波器滤波等信号预处理,然后,通过共空间模式的方法对信号进行特征提取,最终,采用支持向量机的方法进行信号分类。
1 系统原理
实验采用NT9200系列脑电图仪,可以测脑电、心电、肌电等生理信号。7位健康的、右利手志愿者参加了实验。受试主体包括3位女生和4位男生,年龄在22～27岁之间。所有主体听力正常,均没有神经系统方面的疾病。采集框图如图1所示。
计算机1的主要功能是实验提示,采用VC编程的一个软件,在计算机1的显示器上显示实验开始标志、播放声音(听觉诱发实验)和显示图片(视觉诱发实验)。计算机2的主要功能是进行信号特征提取和分类。受试者接受计算机1给予的刺激,产生脑电信号,通过放置在头皮层的电极采集之后,经过导线接入脑电图仪。脑电图仪的作用是进行信号的放大和模数转换,并把脑电信号送给计算机2处理。
2 实验
实验室是一间安静、隔热、电磁屏蔽的房间。受试者正常坐下,正视前方约1.1 m处的电脑显示器。同时,在脑电信号的记录过程中,要求受试者的肩膀和手保持放松,尽量避免眨眼。每个实验者回答10组问题,每一组问题包含6个简单的问题。要求实验者在听到问题时大脑作出“是”或“非”的反应。每一位实验者的听觉刺激持续大约3 min。每个问题提问的时间处于2～3 s之间。两个连续的问题之间会有3 s的间隔时间。受试者在间隔时间内按下与大脑反应相应的健,试验中时间序列的分布如图2所示。
3 方法介绍
数据处理过程可分为预处理、特征提取以及分类3个步骤。首先对原始数据进行带通滤波(8～30 Hz),接下来利用CSP提取数据特征,最后利用SVM进行分类。
3.1 数据预处理
对“是”与“非”问题的回答,涉及大脑的理解和思考。额叶和前额叶是与大脑思考、理解和考虑等认知过程密切相关的区域。在认知任务中,对大脑刺激后,在大脑额叶处的α震动的相位同步增强了[4]。由于额叶和前额叶参与大脑思考理解及想象的过程,对F3,F4,C3,C4的4个位置进行信号预处理。
实验数据处理时,为不损失脑电信息,取每次实验问题播放完1 s内的数据进行处理。根据采集设备1 000 Hz的采样率,可知持续1 s的脑电信号包含1 000个幅度值。由于对脑电信号研究有用信号部分的频率集中在0.5～30 Hz之间,属于低频信号;为了消除伪迹影响,计算空间滤波器之前先进行8～30 Hz带宽的滤波器滤波。研究已经证明带宽具有更好的分类准确率[5]。图3分别显示了原始信号和滤波后的信号。
3.2 特征提取
共空间模式(CSP)算法最早由Fukunage等人[6]提出,Fukunage等通过K-L变换分类。共空间模式算法就是找到一个空间上的投影,使得类内间距尽可能小,类间间距尽可能大。将该算法用于文中数据集的特征提取,由预处理得到了两类样本矩阵X1和X_1,数据存储格式为1 000×4×96。
将单次任务实验的脑电数据表示成N×T维矩阵X,其中N是脑电测量时的通道数,T是脑电采集时每个通道的采样点数,则归一化的脑电数据协方差矩阵可表示为
其中,T表示转置符号。用C1和C2表示“是”与“非”两种情况下的空间协方差矩阵,它们可以通过计算每种实验的平均协方差来获得。合成的空间协方差矩阵表示为
Cc=C1+C2 (2)
Cc可表示为Cc=UcλcU′c,其中,Uc是矩阵的特征向量;λc 是相应的特征值,并将特征值按照降序进行排列,其相应的特征向量按照特征值的顺序也重新的进行排列,白化变换为
将P分别作用于C1,C2
S1=PC1P′
S2=PC2P′ (4)
S1和S2具有共同的特征向量,如果S1=Bλ1B′,则S2=Bλ2B′,并且
λ1+λ2=I (5)
λ1和λ2分别是矩阵S1、S2的特征值矩阵,I是单位阵。由于两类矩阵的特征值相加总为1,S1最大特征值所对应的特征向量使S2有最小的特征值,反之亦然。将白化后的EEG信号投影在特征向量B的前m列和后m列特征向量上,就能得出最佳特征向量投影矩阵W=B′P,则单词任务实验的脑电数据X可变换为
Z=WX (6)
数据集X1和X_1空间模式(CSP)算法产生的空间滤波器W是2×4维,空间滤波后的数据格式是2×1 000×192(训练集)和2×1 000×192(测试集),如图4所示。
矩阵W-1的列为共空间滤波模式,可视为时不变EEG源分布向量。根据式(6)对EEG信号的分解(滤波)可以得到用于分类的特征。在每个总体中选取最利于分类的m个信号的方差用来构建分类器。在矩阵Zp中,这2m个信号是Z头m行和最后m行的信号。特征向量fp,p=1,2,…,2m用于计算分类器
3.3 特征分类
支持向量机是基于统计学习理论的一种机器学习方法,它通过适当的非线性映射将输入向量映射到一个高维特征空间,使得数据总能被一个超平面分。脑电信号具有非线性,对于非线性的分类问题,通过一个非线性函数将训练集数据x从原始模式经过非线性函数进行变换,映射到一个高维的线性特征空间,而这个线性空间的维数可能很大,并在这个线性特征空间构造一个超平面分类器,并分类间隔γ实现分类的最优化。也就是说对于样本集(xi,yi),i=1,…,n;y∈{-1,1};满足
yi(xi·w+b)-1≥0,i=1,…,n (8)
使得间隔
其中,参数v,0<v<1是指错分样本数占总样本数的上界和支持向量数占总样本数的下界。而P则指当ξi=0时,两类数据之间的分类间隔正好是
4 结果
7个人的原始数据经过8～30 Hz带通滤波后,将数据经CSP空间滤波、提取特征,采用SVM设计的分类器,最后分类正确率为80.2%。采用文中信号处理方法,只把其中的3位女性受试者的原始数据进行处理后的分类率为79.2%,同样的,取所有男性受试者的原始数据进行处理后的分类率为80.2%。考虑个体差异等因素,人为结果分类率和性别之间没有直接关系。表1显示了3种情况下测试集的分类率。
5 结束语
这项研究分析了与认知功能有关的脑电波的特点。分析了正常人在对听觉刺激问题做出“是”或“不是”反应时的脑电波特征。7个健康受试者,年龄范围在22 ～ 27岁,自愿参加实验。采用支持向量机算法分类精确率达到80.2%(154/192),分析结果表明分类结果与性别无关。文中根据脑电信号特点设计了相应的特征提取和分类器设计的方法,结果显示利用CSP进行特征提取能取得较好的效果。这种方法表明可以通过对神经肌肉损伤的病人提问简单的问题,测试他们的脑电波并对脑电波进行模式识别后转换成控制信号,以此实现与外界的交流,提高其生活质量。本方法为BCI系统的实际应用提供了算法和理论基础,通过进一步的研究和综合分析,使BCI系统通过适应每个使用者,获得令人满意的识别和分类准确度。
参考文献
[1]ALLISON B.P3or not P3:toward a better P300BCI[D].San Diego:University of California,2003.
[2]WOLPAW J R,BIRBAUMER N,MCFARLAND D J,et al.Brain-computer interfaces for communication and control[J].Neurophysiol,2002,11(3):767-791.
[3]HOCHBERG L R,SERRUYA M D,FRIEHS GM,et al.Neu-ronal ensemble control of prosthetic devices by a human with tetraplegia[J].Nature,2006,442(13):164-171.
[4]MCFARLAND D J,ANDERSON C W,MLLER K R,et al.BCI Meeting2005workshop on bci signal processing:feature extraction and translation[J].IEEE Transactions on Neural Systems And Rehabilitation Engineering,2006,14(2):135-138.
[5]VASIL K,JULIANA Y,MARTIN S,et al.Increased frontal phase-locking of event-related alpha oscillations during task processing[J].International Journal of Psychophysiolo-gy,2001,39(2):159-165.
[6]葛瑜,杨钢.脑机接口系统中EEG信号特征提取与分类[J].微计算机信息,2008(18):266-268.
脑电信号检测 第4篇
一、脑电分类及特点
脑电是人脑神经细胞群的自发性节律电活动在大脑皮层或头皮的总体反应的体现。近年来, 一系列先进的成像技术也能够非常直观地呈现人脑各区域状态的变化情况, 但这些并不影响基于EEG的相关研究。相比于以上成像技术, EEG具有精确到毫秒的极高时间分辨率;同时, 多通道采集技术能够进一步提高空间分辨率;此外, EEG方法简单, 设备成本低廉, 可进行普遍推广。由此可见, 脑电信号具有广阔的发展前景和深远的研究意义。
在脑电研究中, 最常用的分类方法是根据脑电波所处不同频率段进行分类, 主要包括:
δ 波:频率位于0.5~3.99Hz, 幅值约为20~200μV。大脑处于深度麻醉或无梦深睡状态下, 才会出现 δ 波, 此外, δ 波常见于婴儿大脑的脑电波形。
θ 波:频率位于4~7.99Hz, 幅值约为100~150μV。人处于困倦或全身放松状态时, 大脑会出现 θ 波。
α 波:频率位于8~12.99Hz, 幅值约为20~100μV, 波形与正弦波相似, 是成年人脑电的基本节律。在正常人处于清醒、安静、闭目状态下波形明显, 振幅由小变大, 而后变小, 如此反复, 从而形成“梭波”。在正常人处于睁眼或接受外界刺激状态下, α 波消失被阻断。
μ 波:频率分布同 α 波基本一致。μ 波与 α 波的不同之处在于, 前者同肢体活动有关, 当肢体主动或被动活动时, μ 波被阻断。
β 波:频率位于13~29.99Hz, 幅值约为5~20μV。β波在大脑皮层处于兴奋状态时最为明显。
γ 波:频率位于30~50Hz, 幅值小于2μV。当大脑皮层处于高度兴奋状态下出现 γ 波。
脑电信号作为一种典型的生物电信号, 具有如下几个特点:
(1) 脑电信号极其微弱, 容易淹没于背景噪声之中。一般来说, EEG信号振幅最大不超过200μV, 频率主要位于0.5~50Hz。采集的未经处理的EEG信号均存在噪声污染, 噪声可来自于工频干扰、被试者的眼电、心电或肌电干扰、采集电极与大地之间的共模信号干扰等。
(2) 脑电信号随机性强且是非平稳的。随机性强体现在影响因素多, 尚无普遍规律存在, 必须依靠统计技术来估计脑电信号的各项特征。非平稳性体现在各种生理因素始终在不断变化, 并且对于外界具有一定的自适应性, 其统计量是时变函数。
(3) 脑电信号具有非线性特点。生物机体具有特有的调节机能和自适应能力, 这必然影响包括脑电信号在内的各种生物电信号, 导致其出现非线性。
(4) 脑电信号成分复杂。如上所述, 脑电信号节律多样, 波形极其不规则, 根据频率不同可划分为多种节律, 每种节律的信号都具有一定的频段。
二、运动想象与ERD/ERS
运动想象是在没有实际肢体运动的情况下, 精神或意识对于运动执行的排演。在运动想象过程中, 受试者想象自己在执行某个动作, 然而并没有实际肢体运动的发生, 甚至没有肌动。在这个状态中, 一个动作是内在的并没有外在的输出。在前者过程中, 受试者看到自己完成了动作。在后者过程中, 受试者意识到自己完成了相应的实际动作, 而后具有一系列的脑功能反应。研究表明, 肌肉运动知觉的运动想象在运动学习方面要明显优于视觉运动想象。
大脑皮层处于不同生理状态, 相应的脑电波形也会有不同的变化。当大脑皮层某个区域处于激活状态, 导致某些频段信号能量降低, 这一电生理现象称之为事件相关去同步化 (ERD) 。反之, 大脑处于静息或惰性状态下, 某些频段信号能量升高, 则称之为事件相关同步化 (ERS) 。运动感觉区的固有频率就具有典型的ERD/ERS特征, 将脑电信号的节律性分量 (如 α、β 节律) 作为BCI的输入信号正是建立在ERD/ERS特征基础之上的。分析ERD/ERS需要对频带进行划分, 对于多导数据尤为困难。想象左右手的运动可以产生ERD/ERS现象, 这正是本文的研究内容。
三、α、β 节律的ERD/ERS
近年来, 脑运动功能研究者发现 α 和 β 节律具有同运动行为密切相关的ERD/ERS现象, 相关研究如下。
α 节律的ERD/ERS研究。 当受试者手在准备运动时, 10Hz ERD在头部对侧感觉运动区域最为明显。与此同时, 10Hz ERS则出现在与运动不相关的区域。由此, 推测10Hz ERD是脑激活的指标, 10Hz ERS则表明大脑皮层恢复到静息或惰性状态。
β 节律的ERD/ERS研究。Jasper等人研究表明, 手在准备运动及运动过程中, 25Hzβ 节律在大脑皮层对侧手运动区域最为明显, 表现为ERD活动, 运动结束后则表现为ERS活动。
通过研究不同节律脑电信号与手运动时大脑所处状态的关系, 可以发现, α 和 β 节律的ERD活动表明大脑处于激活或兴奋状态, ERS活动表明大脑处于失活或静息状态。
脑电信号检测 第5篇
脑电信号是一种典型的电生理信号,它是通过电极在头皮或颅内记录下来的脑细胞群的节律性电活动,包含了大量脑内神经元之间活动的信息。近几年来,对不同脑电信号进行特征提取和分类识别的方法越来越受到研究者的关注,相继引入了频域分析、时域分析、时频特征组合法、FFT、相关性分析、AR参数估计、小波变换等脑电分析的经典方法[5,6,7,8,9].
本文是从构建复杂网络结构图这一全新的角度来分析和识别脑电信号的特征,这也是初次把复杂网络分析方法应用在脑科学这一新领域的创新研究。本文的工作将会详细地讲述如何去构建网络结构图,从该网络结构图中导出对应于大脑相应脑区电极之间信号的接受、整合、传导和输出的全过程。从而可以准确地定位出大脑的活跃区域和大脑的执行任务区域,并最终根据大脑各脑区功能和基本运作原理精确地识别出信号的特征和方向。在此基础上还会进一步给出一些发展方向和应用前景方面的思考和讨论。
1 方法
1.1 网络节点的定义
构建复杂网络结构图需要定义网络节点。根据国际10-20系统电极法(64 channel),可以把64个电极视为每一个网络节点。信号的发生都是这些电极共同作用的结果。
1.2 网络结构图的构建
利用视觉诱发状态所采集两种类型的脑电信号:实际做出该动作(real)和想象左右手运动思维(imagine)的脑电数据来构建网络结构图。该数据来源于官方的physionet.org by Gerwin Schalk and his colleagues at the BCI R&D Program[10]。第一组是视觉诱发脑电数据,即受试者根据屏幕光标的移动出现向左或向右的箭头并做出相应的动作方向;第二组是想象动作发生的脑电数据,即根据光标移动的方向大脑思维直接去想象该动作的发生。
网络结构图的构建步骤如图1,图2,图3所示。
图1中,颜色的深浅程度代表彼此间相关系数值的大小情况,红色区域代表相关系数值较大,即彼此间的关联程度就越强。
图2中,信号的发生有正延迟和负延迟相关,图中有很大一部分区域呈现绿色,表明这些信号是同时发生的,彼此间并不存在相互影响的关联程度。
图3中,从保证网络的连通性出发,该阈值取ρ=相关系数矩阵的平均值,便构成了网络。从该网络结构图可以直观地看到绝大多数电极都在向绿色电极(12)、(14)发送信号,即绿色电极(12)、(14)是信号的接受端从而执行命令。然后再把这些电极对应到脑区功能上,即可以快速地识别出方向。
网络结构图的构建步骤描述如下:
1)相关性分析[11]。利用电极有序错位法来计算相关系数,假设数据的长度为N,先取数据长度的1/3,即令k=(LEN(1)/3);示意图如图4所示。
进行错位后,横坐标是从1到m,纵坐标则是从N-m+1到N,横坐标和纵坐标交叉后彼此去计算相关系数。
计算相关系数的公式是:
其中:x i(t)和x j(t)为电极i和j在t时刻的采集脑电信号的数据值;T为时间序列总数;-xi和-xj为平均时间序列。得到的是NN对称矩阵。本文的网络节点N为64,每个矩阵元r ij代表电极i与电极j之间的相关系数值。
2)导出信号延迟相关确定网络节点的链接方向。通过延迟时间来确定电极间的因果导向关系。
3)阈值的设定。它也是网络结构图构建过程中比较灵活的一步。阈值的作用是将弱的连接(较小的相关值)认为是噪声边,并加以去除;同时又要保证网络连通性(即无孤立模块)。本文选取阈值策略范围是ρ=相关系数矩阵的平均值。
4)网络的构建。综合上述两个方面(a和b),也就是当两个电极信号之间有正延迟(D>0)并且他们的相关系数值大于所设的阈值则把这两个节点相连;反之则不建立连边。邻接矩阵中的对角元素设为0,以避免网络中出现自连接。这一环节同时也剔除了部分噪声信号,精确度较高,方法操作简单,易于实现。
3 实验结果分析
3.1 数据集描述
本文数据来源于109位受试者在视觉诱发状态之下和想象动作发生状态之下所记录的大脑电位信号,每组实验包括14个数据集,编号1,2是表示采集数据的两种状态(睁眼和闭眼),编号3,4,7,8,11,12表示向左或向右方向的数据集,编号5,6,9,10,13,14是向上或向下方向的数据集。由于实验应用的需要,暂时先识别左右方向的信号数据,其中数据集编号为奇数的是实际做出动作状态(real),即当受试者眼球受到屏幕光标闪烁的视觉刺激之后,根据光标移动的方向提示打开或合上左拳或右拳;数据编号为偶数的是想象动作发生状态(imagine),即同样也是根据屏幕光标移动的提示,想象打开或合上左拳或右拳。采集数据时间均在2～3分钟之内。
3.2 脑电信号的实验采集系统国际10-20系统电极放置法(64 channel)[12]
电极名称是根据大脑解剖部位命名,如额、颞、顶、枕等(常以各部位英文名的第一个字母大写F、T、P、O等来表示)。相关脑区各解剖部位电极应代表和体现的是各个脑皮质区的功能。对64个电极进行脑区功能划分如图5所示。
图4:大脑分左右两个半球,每个半球上按功能划分都有运动区、躯体感觉区、视觉区、听觉区和联合区等神经中枢。并且大脑半球在功能上都是对称的。在神经传导的运作上,两半球相对的神经中枢,彼此配合,发生交叉作用:两半球的运动区对身体部位的管理,是左右交叉、上下倒置的;即大体上是左半球管右半身,右半球管左半身。每一半球的纵面,在功能上也有层次之分,原则上是上层管下肢,中层管躯干,下层管头部。[13]
3.3 实验数据分析
采用时间相关分析来度量网络节点(64个电极)间的关系,通过阈值和延迟相关分别决定节点间是否连边及连边的方向。最后,构建出一系列不同密度下的网络结构图。信号特征分析与识别的结果如图5所示。
说明:图5中,如果实验生成网络结构图中有孤立节点存在表明这些电极是没有参加此次动作发生的活动。
下面可以从两个角度来分析所生成的网络结构图:
1)利用大脑各脑区功能划分和基本运作原理,并对应到国际10-20系统电极放置法(64-channel),可以观察到当受试者眼球受到屏幕光标的视觉刺激之后,大部分来自于大脑的视觉电信号不断地在向大脑的运动区发送信号,并请求左脑或右脑的运动区做出向右或向左的动作。由于两半球的运动区对身体部位的管理,是左右交叉、上下倒置的,即左脑运动区执行向右的动作,右脑运动区执行向左的动作。(图a中,绝大多数的视觉区电极(编号56～64)分别向右脑运动区电极(编号12,14)发送信号,表明执行的是向左的动作。图b中,大部分电极都分别不断地向右脑运动区电极(编号7,12,14,40)和躯体感觉区(编号17～19)发送信号,表明大脑进行想象动作发生的时候是躯体感觉区和运动区共同作用的结果,从而执行的是向左的动作。人在进行想象运动时,大脑中发出的脑电波信号影响到想象运动中的肌肉组织。当人的四肢有活动的时候,这个运动皮层区就活跃起来。结果表明和大脑的运作原理完全匹配,并且还具备很强的鲁棒性,该方法识别精确度高,识别速率快。
2)从网络的统计特性出发,如果是在视觉诱发状态下,网络关系图中网络节点的入度数目最多的大部分都是运动区电极,而且是中心性节点,说明运动区电极在网络中起着主导作用,即它是信号的执行端;网络关系图中网络节点的出度大部分是视觉区和躯体感觉区的电极,并不断地在向大脑运动区电极发送信号,即它是信号的发送端。因此,基于描述各个节点在网络中所占的地位有助于我们从整体上确定节点间关系很有意义。
图6统计了每组数据集所生成的网络关系图中节点的入度数目分布情况(节点入度数目很小的都视为0,以便更好地区分出来),(a)节点密度较高的主要集中在节点14,29,38,40,这些节点定位到国际10-20系统电极放置法(64-channel)发现均位于大脑的右半脑,由于两半球的运动区对身体部位的管理,是呈左右交叉的,因此表明执行向左方向的动作。(b)节点数目分布较多的分别是电极22,25,30,39,其它们位于大脑的左半脑,实现向右的动作。由此可以看出,在网络关系图中节点入度数目最多的大部分都是运动区电极,而且是中心性节点,说明运动区电极在网络中起着主导作用,即它们是信号的执行端。
4 应用前景
脑电信号检测 第6篇
大脑是一个复杂解剖结构器官,区域间的功能性相互作用更为复杂,人脑约含有1010个神经元,每个神经元与大约1000个其他神经元相连接,神经元之间的信息传递和交换依赖于神经元电活动传递。神经电活动是大脑信息处理的基础,大脑功能的顺利实现依赖于各脑区之间电信息传递[1]。脑电信号预处理和分析一直是人们深入研究的问题,实质就是信号的特征提取和模式识别分类,它把从使用者记录来的脑电输入信号转换为控制外界装置的输出信号。随着信号处理技术的进一步发展,出现了经典的时频域分析方法,现今时频域中能够对脑电信号进行分析处理的方法有许多,如利用特定频带的功率谱、自回归模型系数、小波系数和双谱估计以及小波变换方法等。时域方法主要是分析波形的几何性质,例如幅度、均值、方差、峭度等,频域分析方法则主要是基于各频段功率[2]。目前有多种识别与分类算法,例如线性识别分类方法、学习矢量量化神经网络、自适应高斯表达算法、差异敏感型学习向量量化器、神经网络等。
1997年,首席EEGLAB开发人员Arnaud Delorme和Scott Makeig在网上发布了第一个EEGLAB工具箱。EEGLAB是一个互动的MATLAB工具箱,用来处理连续与事件相关的脑电图[3],在处理大脑数据时可以使用独立分量分析(Independent Component Analaysis,ICA)时间/频率特性。由德雷克塞尔大学Hualou Liang博士、佛罗里达大西洋大学博士Steven Bressler和Mingzhou Ding博士共同研发的BSMART工具包在2008年问世[4]。BSMART可以应用于各种各样的神经电磁现象,包括脑电图(Electroencephalogram,EEG)、脑磁图(Magnetoencephalography,MEG)和功能磁共振成像数据。BSMART工具包的一个独特的特征就是格兰杰因果关系,可以用来评估影响多个神经信号中的因果影响。2010年,由Bin He博士指导,明尼苏达大学生物医学功能成像和神经工程学实验室研发了用于分析大脑连接性的e Connectome[5],它是一个MATLAB软件工具包,可提供交互式图形界面实现大脑连接分析。HERMES用于分析时间序列的相互依赖性,进而揭示对应动态系统的特征分析,目前被广泛用于大脑功能分析[6]。Kruschwitz et al[7]将图论引入大脑功能分析,Göttlich et al[8]着重于事件相关功能连接性分析。
脑电信号反映了大脑的生理状态,其中包含了丰富的神经活动信息,随着脑电测量技术的发展,获得的信息也愈来愈丰富,但是同时所获取的脑电信号中夹杂的干扰信号也愈来愈复杂。这些复杂的干扰信号,如常见的心电、眼电、肌电、呼吸波等,造成了对脑电信号的预处理和分析的要求也越来越高。如何更加有效的处理脑电信号成了研究的热门。
1 材料与方法
MATLAB具有功能非常强大、运算效率很高的优点。MATLAB主要是由C语言编写成的,它采用LAPACK为底层支持软件包,它的矩阵运算精确度达到了10~15,它还有代码可读性好、移植性好、可以绘制2D和3D甚至是动态的图形的优点,被誉为“第四代”计算机语言[9]。MATLAB把数据结构、编程特性以及图形界面完美地结合到了一起,为用户提供了极大的方便。依据MATLAB的这些特点,本文着力于开发一个对脑电信号进行批处理的工具箱。其中利用小波分析工具包对脑电信号进行消噪处理[10,11],利用数字滤波器设计去除脑电信号的工频干扰并实现脑电信号分频滤波,可以将多频率组分的原始EEG信号分解为δ(0.5~4 Hz)、θ(4~8 Hz)、α(8~13 Hz)、β(13~30 Hz)、γ(30~50 Hz)等数个子频带信号,基于傅里叶变换的功率谱分析和奇异值检测将作为工具箱中的EEG信号处理功能。
2 工具箱设计与实现
本文设计的MATLAB图形用户界面(Graphical User Interface,GUI)工具包的功能主要是集脑电信号预处理和分析于一体,其中预处理有工频干扰去除、小波消噪、快速独立成分分析(Independent Component Analysis,ICA)伪迹去除及分频滤波,而分析主要有脑电信号的功率谱估计和奇异点检测。工具箱的功能设计基本包含其信号处理流程及主要功能,见图1。
2.1 菜单栏“文件”功能
本模块的功能主要是输入脑电信号,对处理的脑电信号进行保存,还可以进行打印预览和打印等功能。子菜单包括数据导入、数据保存、数据打印预览、数据打印和软件退出。
2.2 菜单栏“plot”功能
本模块的功能主要是对输入的脑电信号进行二维绘图和集体进行小波消噪并且显示出来。包括“ploteeg”、“小波消噪集体显示”。
2.3 菜单栏“预处理工具”功能
“预处理工具”模块主要是对输入的脑电信号做一些预处理,如小波消噪、去除工频干扰等。子菜单包括采样率输入、工频干扰去除、小波消噪、分频滤波和FASTICA工具利用。分频滤波可以将大脑脑电信号分为多个频率波段的节律信号,如δ(0.5~4 Hz),θ(4~7 Hz),α(8~12Hz),β(13~30 Hz),γ(30~70 Hz)。
2.4 菜单栏“分析工具”功能
本模块的功能主要是对预处理后的脑电信号进行分析,包括功率谱估计和奇异点检测。
2.5 系统功能检验
为了对系统进行功能检验,引入真实的人体植入式电极EEG信号,该信号记录的是癫痫疾病发作过程中的颅内电活动,其采样率为256 Hz,每组EEG数据包含6个通道的EEG信号。原始信号中的工频干扰利用工具箱中的工频滤波处理后干扰被顺利消除,见图2;基于极大极小阈值的去噪结果见图3,可以发现该方法较好地实现了消噪;伪迹是EEG中常见的干扰误差,基于快速ICA方法的EEG伪迹预处理结果,见图4;奇异值检测结果见图5,与癫痫发作时间基本一致。
3 讨论
脑电信号强度微弱,在采集过程中容易引入干扰信号。随着脑计划研究的开展,基于脑电信号的大脑功能监测与研究将会发挥更加重要的作用。本文以MATLAB为平台开发出一套EEG信号预处理与分析系统,在开发和实现的过程中,利用真实的人体EEG信号进行检验,结果发现本工具箱能快速高效地实现信号的预处理和基本分析,本系统的设计为后续进一步开发出多功能的EEG信号处理工具箱提供了较好的基础和应用前景。下一步的工作将集中研究大脑功能连接分析的系统开发设计与实现,为系统化、全面化分析和处理脑电信号提供可靠工具。
4 结论
在21世纪,人类对于疾病的探索将把大脑状态和人体功能实现联系起来,人类的病痛、行为、思想等都可以通过大脑活动来探知,大脑的研究已经成为当前研究的热点和难点,本文的研究将为脑功能深入分析与研究奠定基础。
本文简要介绍了EEG信号处理与分析工具箱的研究发展,脑电信的预处理和分析基本方法,以及工具箱的开发与系统设计框架。其中预处理包括工频干扰去除、小波消噪、分频滤波和快速ICA实现,信号分析方法包括功率谱估计和脑电信号奇异点检测。最后利用EEG信号进行系统功能检验,结果显示该工具箱能成功实现相关功能,并能提供良好的GUI界面系统进行人机交互。
参考文献
[1]Joundi RA,Brittain JS,Green AL,et al.High-frequency stimulation of the subthalamic nucleus selectively decreases central variance of rhythmic finger tapping in Parkinson’s disease[J].Neuropsychologia,2012,50(10):2460-2466.
[2]毕路拯,张然,高原.基于认知任务的脑机接口方法研究[J].计算机工程,2007,33(l):190-192.
[3]Delorme A,Makeig S.EEGLAB:an open source toolbox for analysis of single-trial EEG dynamics including independent component analysis[J].J Neurosci Methods,2004,134(1):9-21.
[4]Cui J,Xu L,Bressler SL,et al.H.BSMART:a Matlab/C toolbox for analysis of multichannel neural time series[J].Neural Netw,2008,21(8):1094-1104.
[5]He B,Dai Y,Astolfi L,et al.e Connectome:A MATLAB toolbox for mapping and imaging of brain functional connectivity[J].J Neurosci Methods,2011,195(2):261-269.
[6]Niso G,Bruña R,Pereda E,et al.HERMES:towards an integrated toolbox to characterize functional and effective brain connectivity[J].Neuroinformatics,2013,11(4):405-434.
[7]Kruschwitz JD,List D,Waller L,et al.Graph Var:a user-friendly toolbox for comprehensive graph analyses of functional brain connectivity[J].J Neurosci Methods,2015,245:107-115.
[8]Göttlich M,Beyer F,Krämer UM.BASCO:a toolbox for taskrelated functional connectivity[J].Front Syst Neurosci,2015,9:126.
[9]钟麟,王峰.MATLAB仿真技术与应用教程[M].北京:国防工业出版社,2004.
[10]张德丰.MATLAB小波分析[M].北京:机械工业出版社,2012.
脑电信号检测 第7篇
为更好地实现分类, 人们提出了统计学习理论。 它是针对小样本估计和预测的理论, 而支持向量机 ( support vector machine, SVM) 分类方法是在V. Vapnik［3］等人提出的统计学习理论的基础上发展起来的一种通用学习方法。最初是针对两类样本的分类问题, 目前许多研究者已将其推广到多分类问题, 并有一些较成熟的构造方案。本文应用基于聚类思想的二叉树支持向量机, 实现对4种不同运动想象脑电信号的分类, 得到了较高的分类正确率。
1脑电信号的获取及预处理
本文采用的数据来自2005年国际BCI竞赛中的Dataset IIIa数据, 包含4类运动想象任务 ( 想象左手, 右手, 脚, 舌头) , 数据由含64导的Neuroscan脑电放大器采集得到, 采样频率为250 Hz, 并用带通滤波对数据进行了1 ~50 Hz滤波, 实验中采集的脑电数据为60个电极, 各电极摆放位置如图 ( 1) 所示。实验过程如图 ( 2) 所示。前2 s受试者处于安静状态, 在第2 s时计算机发出提示音且屏幕出现 “+ ”, 第3 s时计算机屏幕随机出现向左、向右、向上或向下的箭头, 同时要求受试者按箭头方向分别进行左手、右手、舌头和脚的运动想象任务, 一直持续到第7 s, 有3名志愿者参与了试验 ( 分别标记为K3b, K6b和L1b) , 其中K3b执行360次试验, K6b和L1b各执行240次试验。先将采集到的脑电数据应用基于阈值的小波消噪方法进行预处理。
2脑电信号的特征提取
有研究表明, C3, C4电极位于大脑的初级感觉运动皮层的运动功能区, 最能反映受试者想象运动时大脑状态的变化［4］, 因此本文选取C3、Cz、C4电极记录的信号进行四类想象运动的特征提取与分类, Cz作为参考电极。
对预处理后的脑电数据采用小波包分析方法进行特征提取。小波包分析是一种非常有效的时频分析方法, 它能够为信号提供一种更加精细的分析方法, 在信号处理领域有着广泛的应用, 由于小波包分析不仅能将频带进行多层次划分, 还能对没有细分的高频部分进行进一步的分解, 因此对信号有一定的自适应性和更好的时频特性, 可提高脑电信号分析的精度［5］。
由于支持向量机分类器对输入的向量的取值具有较严格的要求, 因此为了避免分类时取值范围大的属性比取值范围小的属性更占优势, 所以对所有样本数据的各维进行了处理, 这样就将所有数据幅值线性调整到了[-1. 5, + l. 5]。
3脑电信号分类研究
3. 1支持向量机
支持向量机主要思想是通过某种事先选择的非线性映射 ( 核函数) 将线性不可分的空间映射到一个高维的线性可分的特征空间, 在这个空间利用结构风险最小化原则构造最优分类超平面, 使分类面两侧相距此平面最近的不同类样本之间间隔最大［6］, 在对最优超平面的构造问题上可通过解决一个凸二次规划问题来实现: 即在约束条件
l下, 使得函数 ( 1)
取得最小值。式中, x为支持向量机的输入向量, yi为xi所属类别, ω 为分类面的权系数向量, b为分类域值, C > 0是惩罚因子, C越大表示对错误分类的惩罚越大, ξi为松弛因子。Φ 将样本从输入空间映射到特征空间。上述优化问题可用其对偶规划进行求解
式中, 0 ≤ αi≤ C ( i = 1, …, l) , 0 ≤ αj≤ C ( j = 1, …, l) , i ≠l, K ( xi, xj) 为核函数, α= [α1, α2, …, αl]T, αi为拉格朗日乘子, 若 αi> 0, 称相应的样本xi为支持向量。应用标准的拉格朗日乘子法求解, 可得最终的分类函数如式 ( 4) 所示。
但是, SVM是普遍用于解决两类信号的分类, 要应用于多类信号问题, 需重新构造多类SVM分类器。目前, 对于多类分类问题, 一般有以下两种方法:
一种方法是在经典SVM理论的基础上, 直接在目标函数上进行优化, 重新构造多值分类模型。但是该算法目标函数十分复杂、且变量数目多［7］;
另一种构造方法是通过组合多个二类SVM分类器来实现多类问题的分类。这类方法目前较常用的有两种算法: 一对多 ( one-against-all, oaa) 算法［2］和一对一 ( one-against-one, oao) 算法［2］。
以上两种构造方法都至少需要n - 1个SVM, 因此计算复杂度非常高, 时间开销也比较大, 实现困难。针对以上算法的优缺点, 对四类运动想象脑电信号采用基于聚类思想的二叉树支持向量机进行分类。
3. 2基于聚类思想的二叉树支持向量机
针对传统的基于二叉树的支持向量机分类方法存在运算过程复杂、分类效率低等不足, 提出了一种基于聚类思想的支持向量机多类信号分类方法, 该方法在每个节点处, 按照某个分类测度选择出最易区分的类作为单独一类, 并与剩下的所有类构造分类面, 即每次分割出一类, 在分类过程中引入聚类思想, 把很有可能成为支持向量的样本选作训练样本来训练子分类器。再用得到的子分类器测试没有参与训练的其余样本, 检验是否存在违背子分类器最优化条件的样本, 如果有就将其加入到训练样本, 重新训练子分类器, 否则就进行下个子节点的子分类器的训练, 以此类推, 直到最后所有样本都能正确分类为止［8］, 基于聚类思想的二叉树分类方法如图3所示。
3. 2. 1隶属度分离测度
类间的分离测度度量的是类与类之间的可分程度的大小, 表示类与类之间的远离程度。对n类问题, 一般定义为: smij= dij/ ( σi+ σj) , 其中dij ( i, j = 1, 2, …, n) 为类i与类j中心间距离, σi为类i的方
差。那么类i的分离测度为而分离测度最大的类是最易分的类, 表示为
但是当随机的测试样本x对所有类别的隶属度不同时, 也要考虑随机测试样本x对每个类别的隶属度［9］。设 ρi为随机测试样本x属于类i的概率, 那么类i的隶属度分离测度为
3. 2. 2本文分类算法过程
( 1) 对n类样本x = { x1, x2, …, xn} , 选择一类样本xi ( i = 1, 2, …, n) , 计算该类样本与其他每个类xj ( j, 1, 2, …, n, j ≠ i) 的类间分离测度smij及对每个类别的隶属度 ρi。
( 2) 计算类xi ( i = 1, 2, …, n) 的隶属度分离测度, 并从大到小进行排序, 选择其中最易分的类别。
( 3) 将最先分出的类xi分割出来, 记为正类, 其余n - 1类记为负类, 对整个样本集采取无监督学习, 聚出几个子类xk ( k = 1, 2, …, n) 。
( 4) 选择子类xk ( k = 1, 2, …, n) 中既包含正类也包含负类的子类作为训练样本, 对其训练得到初始分类器SVM。
( 5) 检查 ( 4) 中剩余的子类是否能够被正确分类, 能则转到 ( 6) , 否则就将其添加到训练样本中, 继续训练SVM, 直到所有样本能被正确分类。
( 6) 把类xi从样本集中删除, 在第二个节点处, 选择xj为正样本集, 其他样本为负样本集, 利用SVM算法构造最优分类超平面, 再把属于类xj的样本从样本集中剔除, 顺次进行下去, 得到基于聚类思想的二叉树SVM分类模型。
( 7) 算法结束。
4仿真结果及分析
仿真实验以受试者K3b的数据处理结果为例, 仿真环境为CPU T4400 2. 2 GHz, RAM 1. 99 GB, Windows XP SP3, MATLAB R2009a。
4. 1脑电信号的预处理结果
原始脑电信号是一种非平稳性比较突出且微弱的随机信号, 其在采集过程中很容易受到外界的干扰, 如心电、眼电、以及工频干扰等噪声信号, 使得信号的波形呈现无节律性, 由于使用基于小波变换的消噪, 其可以把待分析的脑电信号按频率分为多个频段, 灵活的处理噪声所处的频段, 最后重构去噪后的小波系数, 实现消噪。
图4为C3、C4导原始EEG信号的波形图, 图5为C3、C4导经小波消噪后的信号波形图。从图4可以看出C3、C4导原始信号振荡比较明显, 存在明显的工频干扰。由小波消噪后的图5可以看出此时的信号波形振荡明显减小, 变得比较平滑, 即小波变换能有效的检测并消除工频干扰, 提高了信噪比。
4. 2脑电信号特征提取的结果
利用小波包分析方法提取EEG特征时, 由于分析的脑电数据的采样频率为250 Hz, 其奈奎斯特 ( Nyquist) 频率为125 Hz, 又考虑到与运动极为相关脑电信号的频段范围和最大限度的提取出有用信息, 利用相应的小波包函数将C3、C4通道预处理后的信号分解为6层, 共把信号划分为32个频段。但是所得到的频带并不是按照频率的大小连续排列的, 表1给出了6级小波包分解系数和频带的对应关系。
因为脑电ERD/ERS ( event related desynchroni- zation, ERD / event related synchronization, ERS) 模式主要体现在 α 节律和 β 节律的频段, 即8 ~30 Hz之间, 所以根据小波包系数和频带之间的对应关系将需要的系数提取后再根据小波包算法进行相应的重构。为了进一步减少特征数据的维数, 本文提取了所需频段重构后信号的能量特征构造表征信号的特征向量。其提取的四类运动想象脑电信号的特征波形图如图6所示。
从图6中可以发现, 最容易分的类是由想象右手和脚运动产生的脑电信号, 那么在SVM分类器中就可以先分离出来, 而想象左手和舌运动的脑电特征波形幅值之间相差比较微弱, 使得这两类运动产生的脑电信号在SVM分类器中分类不太明显, 因此其分类准确率会相对较低。
4. 3分类结果
通过预处理阶段随机选取3个受试者K3b, K6b和L1b的200次试验。选取140个作为训练集, 剩下的作为测试集。经小波包重构后获得的能量特征信号送入基于聚类思想的二叉树SVM分类器进行训练、分类, 并以分类准确率作为评价分类效果的有效依据。
将本文方法与文献[10, 11]和BCI竞赛以及传统的“一对一”方法的分类结果进行比较, 得到表2所示结果。
由表2可见, 与其他分类方法相比, 本文提出的算法分类正确率有了一定的提高, 最高能达91. 12% 。一方面是由于二叉树SVM克服了拒分问题, 另一方面是由于二叉树SVM每个SVM的核参数可单独调整, 更有利于分类准确率的提高。此外, 由于不同被试对象的分类结果有一定的差异性, 这可能是跟实验过程中实验者的心理状况以及实验环境有一定的关联。
5结语
将基于聚类思想的二叉树与SVM结合在一起解决多类任务分类问题, 在分类正确率方面取得了较好的结果, 而且克服了拒分区域, 降低了“误差累积”效应的影响, 从而提高了分类推广能力, 可以将这些特征转化为某种控制信号控制外部辅助运动设备, 就可以帮助生活不能自理的患者通过计算机与外界环境进行交流和沟通, 因此在脑机接口的应用中具有一定的使用价值。
参考文献
[1] Millan del R J.On the need for on-line learning in brain-computer interfaces.Proceedings of the International Joint Conference on Neural Networks, Switzerland, 2004:2877—2882
[2] Wilson J A, Mellinger J, Schalk G, et al.A procedu-re for measuring latencies in brain-computer interfaces.IEEE Transactions on Biomedical Engineering, 2010;57 (7) :1785—1797
[3] Vapnik V N.统计学习理论的本质.张学工, 译.北京:清华大学出版社, 2000
[4] Foster M D, Synovec R E.Liquid chromatographic sensing in water on a thin-clad optical fiber by mode filtered light detection.Anal Chim, 1996;68 (8) :1456—1463
[6] 蔡新波.基于脑电信号的电动轮椅控制方法研究.杭州:杭州电子科技大学, 2012
[7] 黄玲, 张爱华.改进的决策树SVM在脑电识别中的应用.计算机工程与设计, 2010;31 (2) :382—384
[8]万柏坤, 刘延刚, 明东, 等.基于脑电特征的多模式想象动作识别.天津大学学报, 2010;43 (10) :895—900
[9] 薛欣, 贺国平.基于隶属度分离测度SVM决策树层次结构设计方法.计算机应用研究, 2007;24 (9) :162—167
[10] Wan Bai-kun, Liu Yangang, Ming Dong, et al.Frature reco-gnition of multi-class imaginary movements in brain-compu-ter interface.Hongkong:IEEE, 2009:250—254
脑电信号检测范文
声明：除非特别标注，否则均为本站原创文章，转载时请以链接形式注明文章出处。如若本站内容侵犯了原著者的合法权益，可联系本站删除。
