文献综述-EEG信号MATLAB分析平台设计

本科生毕业设计（论文）文 献 综 述姓 名学 号学 院专 业年 级一、课题国内外现状人的大脑是由数以万计的针尖大小的神经交错构成的。神经相互作用时，脑电波模式就表现为思维状态。每次神经活动时都会产生轻微的放电，许多神经共同放电产生的集体电波可以通过测量得到。从头皮记录到的 EEG 信号时域的幅值在 0.1200uV， 频率主要分布在 0.5 50 Hz 之间。相关研究已表明，人体在做不同动作或者想像任务时大脑皮层不同区域的刺激大小不同，相应会产生不同的 EEG 信号 1。1929 年德国神经精神病学家 Hans Berger 首先报告了在人类完整的头皮上安放电极，描记人类大脑的电活动。此后他的研究成果不断得到电生理及神经生理学家的证实，使 EEG 学在全世界范围得以发展，并开始为临床和科学服务。诊断异常脑电图，主要不是根据它缺少正常脑电图的成分或类型，而应根据它是否含有不正常脑电活动或类型。自 1932 年 Dietch 首先用傅立叶变换进行了 EEG 分析之后, 在脑电分析中相继引入了频域分析、时域分析等脑电图分析的经典方法。近年来, 在脑电图分析中应用了小波分析、匹配跟踪方法、神经网络分析、混沌分析等方法以及各种分析方法的有机结合, 有力地推动了脑电信号分析方法的发展 2。（1）AR 参数模型谱估计。在现代谱估计方法中，参数模型法是应用最广泛的一种方法，近年来在EEG 信号处理中应用较为普遍。将 AR 模型应用到 EEG 分析中的基本思想是假设可以用 AR 过程近似真实 EEG 信号，基于这一假设，根据实际 EEG 信号，选取合适的阶次、参数使得 AR 模型所对应的 AR 过程尽可能逼近 EEG 信号。采用 AR 参数模型进行特征提取，是考虑到 EEG 信号是典型的非平稳随机信号12。利用 AR 模型对 EEG 信号进行压缩。在一般的 EEG 实验室中，5060 分钟长的 EEG 信号是常见的事，因此，大容量的脑电信号的存储是脑电数据库必然面临的问题。因此，EEG 信号的数据压缩具有重大的现实意义。实测得到的 EEG 数据长约 160 s， 采样率为 256Hz ，4 通道。测得的 EEG 信号利用AR 模型分段拟合，每段采样点数为 1024 点，AR 的阶数 P =15，采用 Levison-Durbin 递推算法，从而把 1024 点数据压缩为 16 个系数与预测误差。（2）双谱分析。功率谱分析可以有效地反映信号的二阶信息，却丢失了包括相位信息在内的高阶信息，而这些信息对 EEG 信号分析有时显得很有意义。双谱分析要求信号至少三阶平稳，因此对短数据 EEG 信号才有意义。（3）时频分析脑电信号是一种时变的、非平稳信号，不同时刻有不同的频率成分，而单纯的时、频分析方法通过傅氏变换联系起来，它们的截然分开是以信号的频率时不变特性或统计特性平稳为前提的。但由于时域和频域分辨率的“不确定性原理” ，不可能在时域和频域同时获得较高的分辨率。而且在 EEG 中有许多病变都是以瞬态形式表现的，只有把时间和频率结合起来进行处理才能取得更好的结果。可以说信号的时-频表示法为脑电信号处理提供了非常好的前景。目前应用的较为广泛的方法有维格纳- 费利分布(Wigner -VilleDistribution，WD)和小波变换，匹配跟踪方法目前也已用于睡眠纺锤波的分析 2。（4）谐波小波包变换脑电波是典型的非平稳信号，不同时刻有不同的频率成分，把时间和频率结合起来分析才能得到更好的结果。小波变换具有很好的时频分析功能，因此近年来应用小波变换分析脑电波倍受关注。例如应用小波变换的多尺度分析来分析 EEG 中的异常波，如棘波、棘慢复合波等。在脑电图检测中，许多病变是以瞬态异常波形表现的，因此小波变换的局部瞬变捕捉性质和线性相位特性尤为重要。常见的二进小波变换的主要缺点是随着分解层数的增加，逐渐向低频聚焦，对信号的高频段的刻划比较粗糙。小波包变换是二进小波变换的改进，对信号的高频段也进行分解，但是仍不能在同一分解层得到感兴趣的频段。另外，二进小波变换和二进小波包变换均采用二抽一采样，随着尺度的增加，采样频率减半，数据点减半，当数据点数比较少时，信号的细节会丢失。英国剑桥大学 Newland 教授提出的谐波小波包变换对信号中的奇异成分非常敏感，具有线性相位特性并且可以用快速傅立叶算法实现，具有重要的工程应用意义。谐波小波变换可以通过 FFT 和 IFFT 运算实现，这是谐波小波变换显著的优点。参数决定了谐波小波变换的尺度，通过不断变化参数的值，调节带宽大小和中心频率，以匹配不同频带的信号，就实现了谐波小波包变换 6。（5）希尔伯特一黄变换时频分析方法在脑电分析中有其优势，但主要的时频分析方法各有优缺点：短时傅立叶变换简单易实现，其主要缺陷在于所谓“窗效应” ，使用固定的窗函数，其频率分辨率受窗宽约束；小波变换采用可变窗口对信号进行分析，较好地解决了时间和频率分辨率的矛盾，是目前最好的时频分析方法之一。但小波方法也有其缺点：一旦选择了小波母函数，则必须用它来分析全部信号，因此，小波不具有自适应性。此外有时小波变换的解释也不直观。黄鄂博士等提出的希尔伯特一黄变换(Hilbert-Huang Transform HHT)是一种新的非平稳信号时频分析方法，通过 EMD(empirical mode decompositionEMD)方法得到一系列内蕴模态函数(intrinsicmodefunctionIMF)。IMF 的特点使得通过希尔伯特变换得到的瞬时频率不仅有数学上的意义，也有了物理上的意义。另外，EMD 分解的基函数直接来自信号本身，信号分解具有局域性和自适应性，特别适合于分析非平稳信号。对 IMF 进行希尔伯特交换可以构建信号的时间一频率一振幅(能量) 分布，即希尔伯特(能量) 谱。希尔伯特谱无论在频域还是时域上都有良好的分辨率，并且三维的分布能够反映出信号的内在本质特性 7。人们希望通过自发脑电，解释人的心理活动，用大脑中电压变化测量心理活动，需要剧烈的、非常的心理活动才能在自发脑电上观测到一点点变化。但用自发脑电活动来衡量人的心理活动内容，由于脑电太弱，此时就需要把这种内容重复呈现 30-50 次，把每次测量到的电位叠加起来，才能进行观察，这就是所说的诱发电位技术，通常叫做事件相关电位，简称 ERP。ERP 学在认知神经科学中具有重要作用。这是因为在研究具更广泛重要性的问题之前，你首先需要相当程度地了解那些特异性 ERP 成分 10。一般情况下，进行 ERP 研究时，为得到可靠的 ERP 波形，对原始脑电数据的离线分析过程主要包括以下基本步骤 3：（1）合并行为数据；（2）脑电预览；（3）伪迹剔除或矫正，包括眼电（EOG） 、心电（EKG ） 、肌电（EMG）等；（4）数字滤波（根据具体情况和经验进行参数选择） ；（5）脑电分段；（6）基线校正；（7）去除伪迹；（8）叠加平均；（9）数字滤波（根据需要选择）和平滑化处理；（10）总平均；（11）波形识别、测量、统计分析、作图。针对 EEG 信号的模式识别国外学者已进行了大量的实验与研究。对于BCI 技术来说，要使脑机接口技术有更大实用意义，必然要实现多类 EEG 信号模式识别，所以提高多类分类的精度是很有必要的。但由于实验方法各有差异，且各种多分类方法本身均存在不同程度的缺陷，并没有一个公认的效果很好的多分类方法。而支持向量机与其它传统的模式识别方法相比，以其结构风险最小化原则而非经验风险最小化原则，在 EEG 的模式识别问题中也已展现出较强的分类能力和泛化能力 4。支持向量机 SVM 是在统计学习理论基础上发展起来的一种新的机器学习方法，是结构风险最小化原理的实现。算法实现需具有深厚的数学功底和计算机编程技术，对非计算机专业的广大研究人员来说，一种简单高效的实现环境和方法是迫切的需要。支持向量机算法在 MATLAB 环境下易于实现和灵活应用的特点，很好的提供这一技术平台 8。对于样本的识别，目前相关研究中采用最多的是 BP 神经网络和支持向量机方法，但 BP 神经网络存在固有的收敛速度慢 ,容易陷入局部最小点的缺陷。支持向量机是由 Vapnik 最初在统计学习理论的基础上建立起来的一种非常有力的机器学习方法，是一种新颖的人工智能技术，目前在信号处理、系统辨识与建模、先进控制和软测量等领域都得到了广泛的应用 9。支持向量机中的参数较多，对其的选择极大程度上决定了分类器的复杂性、泛化能力及鲁棒性，所以参数寻优的意义尤为重大。许多寻优算法都已应用到了支持向量机参数优化问题当中，比如网格点法、K 折交叉验证法、梯度算法、遗传算法、粒子群算法、蚁群算法和模拟退火算法等 4。二、研究主要成果 本设计主要基于 MATLAB 分析平台，实现对 EEG 信号的分析和处理，从而提取相关的信息，以供研究人员进行科学研究，对临床医学和认知科学领域具有重要的参考价值和科学意义。首先需完成 EEG 信号 CNT 文件的读取和显示，对大容量数据进行分段、压缩或者改变采样频率以减小数据量，方便处理。同时进行基线的调整，坏数据的剔除等工作。然后基于特定信号源编码与 EEG 信号作相关分析，得出主成分信号。主成分分析是一种通过降维技术把多个变量化为少数几个主成分（即综合变量）的统计分析方法。这些主成份能够反映原始变量的绝大部分信息，它们通常表示为原始变量的某种线性组合。再者尝试不同信号变换，寻出关联事件类型下的最大相关信号特征。主要有合并行为数据、脑电预览、伪迹剔除或矫正、数字滤波、脑电分段、基线校正、去除伪迹、叠加平均、数字滤波和平滑化处理、总平均、波形识别等步骤。最后利用 SVM，PLS 等分析方法，对信号特征进行关联匹配，寻找最优方法和参数。支持向量机就是首先通过用内积函数定义的非线性变换将输入空间变换到一个高维空间，在这个空间中求(广义) 最优分类面。SVM 分类函数形式上类似于一个神经网络，输出是中间节点的线性组合，每个中间节点对应一个支持向量通过把原问题转化为对偶问题，计算的复杂度不再取决于空间维数，而是取决于样本数，尤其是样本中的支持向量数。这些特点使有效地对付高维问题成为可能。在最优分类面中采用适当的内积函数就可以实现某一非线性变换后的线性分类，而计算复杂度却没有增加 5。三、发展趋势 脑电信号中包含了大量的生理与疾病信息。在临床医学方面，脑电信号处理不仅可为某些脑疾病提供诊断依据，而且还为某些脑疾病提供了有效的治疗手段。在工程应用方面，人们也尝试利用脑电信号实现脑-计算机接口(BCI)，利用人对不同的感觉、运动或认知活动的脑电的不同，通过对脑电信号的有效的提取和分类达到某种控制目的。但由于脑电信号是不具备各态历经性的非平稳随机信号，而且其背景噪声也很强，因此脑电信号的分析和处理一直是非常吸引人但又是具有相当难度的研究课题 2。脑电信号是明显的非平稳性信号，从 20 年代检测到脑电信号以来，虽然已作了大量的工作，但长期以来还没有突破性的进展。随着信号处理方法的不断发展，更多更有效的分析方法在脑电信号分析中的应用，人们对于脑电活动机理将有进一步的认识，也必将为临床医学和基础医学的发展作出新的贡献 2。由于统计学习理论和支持向量机建立了一套较好的有限样本下机器学习的理论框架和通用方法，既有严格的理论基础，又能较好地解决小样本、非线性、高维数和局部极小点等实际问题，因此成为九十年代末发展最快的研究方向之一，其核心思想就是学习机器要与有限的训练样本相适应。统计学习理论虽然已经提出多年，但从它自身趋向成熟和被广泛重视到现在毕竟才只有几年的时间，其中还有很多尚未解决或尚未充分解决的问题，在应用方面的研究更是刚刚开始。这是一个十分值得大力研究的领域 5。四、存在问题 EEGLAB 统计方法具有局限性：1、结果不易显著。2、进行多因素统计分析存在局限性（无法探讨交互作用） 。为了研究学习过程一致收敛的速度和推广性，统计学习理论定义了一系列有关函数集学习性能的指标，其中最重要的是 V C 维(Vapnik-Cherv onenkis Dimension)。模式识别方法中 V C 维的直观定义是：对一个指示函数集，如果存在 h 个样本能够被函数集中的函数按所有可能的形式分开，则称函数集能够把 h 个样本打散；函数集的 VC 维就是它能打散的最大样本数目 h。若对任意数目的样本都有函数能将它们打散，则函数集的 VC 维是无穷大，有界实函数的 VC 维可以通过用一定的阈值将它转化成指示函数来定义。 VC 维反映了函数集的学习能力，VC 维越大则学习机器越复杂(容量越大 )。遗憾的是，目前尚没有通用的关于任意函数集 VC 维计算的理论，只对一些特殊的函数集知道其 VC维。对于一些比较复杂的学习机器(如神经网络)，其 VC 维除了与函数集(神经网结构)有关外，还受学习算法等的影响，其确定更加困难。对于给定的学习函数集，如何(用理论或实验的方法)计算其 VC 维是当前统计学习理论中有待研究的一个问题 5。关于如何选择支持向量机的多分类方法尚没有一个系统的、有指导意义的简捷方法。方法原理各不相同，各有优缺点，在不同场合有不同表现，具体问题应当选用何种方法尚未有较好的选择标准，就其使用时的简便性来说，一对多法相对使用广泛。在选择最佳多分类方法时仍需对各种方法进行试验挑选。所以在支持向量机应用于 EEG 模式识别的问题上仍有很大的研究空间，需要从 BCI 系统整体出发，考虑到样本的选择方法，分类器的可靠性评判等方面建立多类模式识别的评判系统 4。虽然 SVM 方法在理论上具有很突出的优势，但与其理论研究相比，应用研究尚相对比较滞后，目前只有较有限的实验研究报道，且多属仿真和对比实验。SVM 的应用应该是一个大有作为的方向。如何调整支持向量机分类器的参数, 使得在限定一类错误率的前提下使另一类的错误率达到最小也是我们下一步的工作 11。诱发电位仪这种设备，它的优点在于它能把微弱的信号通过叠加使之从无序的自发电位中突出出来，从而人们能够识别它。但是它的优点同时也就是它的缺点，须知，人的心理是一种活动的过程，而活动过程是不能静止的，静止了就不是心理活动了，把一个静止的状态连续叠加 30-50 次，它从自发电位中确实突出出来了，但可惜的是，它不是我们所希望看到的那种连贯的心理活动了。比如说，我们令一个被试观看一张恐怖的图片，被试产生了恐惧反应，这种恐惧信号太弱，不足以被识别出来，为了是它从自发电位中突出出来，就需要叠加，可是当第二次看到它时，被试的恐惧感还是第一次那样吗？第三、第四更不是，最后会不会对连续观察恐惧图片产生厌恶感。而且，引起诱发电位的那种刺激呈现之后，一般是观察 300 毫秒以内的变化，研究者们观察最多的是 P300，须知， 300 毫秒也就是不到一秒钟的三分之一的时间，只相当于选择反应时的时间长度，如此短暂的时间，能够允许复杂的心理活动在人们的意识里明明白白地产生并保留一会儿吗？300 毫秒里能完成的心理活动，只是复杂心理活动链条中的一刹那的片段，不是通常一以上的心理活动，因此，用这种方法研究复杂的心理现象，犹如用照片来反映一个人对事物的态度一样，只能是管中窥豹，只见一斑。脑电技术与心理学研究的结合还有很长一段路要走。5、参考文献 1 刘克球，吕以乔，以氏生物医学电子学M北京大学出版社，1988.2 季忠，秦树人，彭丽玲脑电信号的现代分析方法J重庆大学学报，2002，25(9) ：108-1123 赵仑ERPs 实验教程M南京：东南大学出版社，201074 李耀楠，张小栋，王云霞支持向量多分类机的多类复杂手操作 EEG 信号模式识别J机械与电子，2009，12(7) 5 张学工关于统计学习理论与支持向量机J自动化学报， 2000，26(1) ：32-426 杨仁桓，宋爱国，徐宝国基于谐波小波包变换的脑电波基本节律分析J东南大学学报，2008，38(6) ：996-999 7 毛大伟分尺度复杂性及希尔伯特黄变换在脑电分析中的应用浙江大学，20058 董婷支持向量机分类算法在 MATLAB 环境下的实现J 榆林学院学报，2008，18(4)：94-969 周红标基于小波包变换和最小二乘支持向量机的癫痈脑电信号识别淮阴工学院电子与电气工程学院，201110 STEVEN JLUCK事件相关电位基础M上海：华东师范大学出版社，200911 李钢，王蔚，张胜支持向量机在脑电信号分类中的应用J计算机应用，2006，26(6)： 1431-143612 贾花萍基于 PNN 神经网络的 EEG 信号分类方法研究J 河南科学，2011，29(7)：846-849