脑电波信号范文（精选7篇）
脑电波信号 第1篇
脑电波也是人们思维活动的体现。人的大脑是由数以万计的神经交错构成的。神经相互作用时, 脑电波模式就是思维状态。人的大脑平均每天产生7万个想法,而且每次神经活动时都会产生轻微的放电。单个神经产生的放电很难从头皮外测量到, 但是许多神经共同放电产生的集体电波是可以通过脑电波技术测量到的。因此,测量得到的脑电波是由许多神经共同放电产生的集体神经活动决定的。
Miguel Nicolelis[1]在2011年10月完成了一个猕猴意识控制机械臂的试验。他们将一特殊装置的电极放置到猕猴大脑的运动皮质区和躯体感受皮质区,前者是发出运动信号的区域,后者负责身体其他部分传来的信息。该试验的目标是为瘫痪病人设计可以由大脑控制义肢行为的装置。Ito等人2014年4月在“Nature Communication”上发表论文“Whisker barrel cortex delta oscillations and gamma power in the awake mouse are linked to respiration”[2],他们在对小鼠进行的研究中,发现δ波段的峰值震荡与清醒状态下的小鼠晶须桶状皮层局部场电位的活动被呼吸 锁相( delta band oscillation in spike and local field potential activity in the whisker barrel cortex of awake mice is phase locked to respiration) 。这也许表明δ波段可能与呼吸有关。( 注: 锁相是使被控振荡器的相位受标准信号或外来信号控制的一种技术。用来实现与外来信号相位同步,或跟踪外来信号的频率或相位。) 此外,大量研究都表明脑电波信号与动物的认知等功能活动有关[3]。
与脑电波对颅内病变诊断不同的是,利用脑电波分析人( 动物) 的行为与脑电波之间的关系,并反过来通过脑电波确定或引导人的行为,具有更大的挑战性。脑电波信号是无数神经放电的混合,不可能也没有必要将单个神经放电分离出来。宏观意义上,控制某个特定行为或想法的脑电波是一系列众多神经放电的叠加。而测量所得到的脑电波信号又是由许许多多构成不同想法和控制行为的脑信号合成的。研究表明这些信号的强弱差别很大。在实现 人机交互时,若只关注若干个行为或思想,对应的脑电波可能很弱。这在信号处理领域,相当于弱信号检测。在数学领域,这可能属于不适定的反问题。显然只有将脑电波信号很好地分离才能从中确定某种脑电波与某种行为相对应。这也可以理解为盲源分离或半盲信号分离问题。但通常的盲源分离技术 在这里很难奏效,或误差太大,因为脑电波这一混合信号是由尺度差异很大的信号所构成的。
脑电波来自于大脑内部,一般认为大脑在活动时,脑皮质细胞群之间就会形成电位差,从而在大脑皮质的细胞外产生电流。它是脑神经细胞的电生理活动在大脑皮层或头皮表面的总体反映[4]。而局部场电位( local field potential,LFP) 则反映来自神经元网络局部神经核团的活动状态,它也是一种神经集合的协同行为。所以LFP信号是脑内某局部大量神经元树突电位和的综合反映。
LFP可能与大脑对行为的控制有关,如呼吸及视觉刺激等。对应于不同行为或思维的脑电波,称之为脑电波成份。事实上,当一个人面对一个物品或需要拿起一个物品时,希望知道对应脑电波的反应,即该脑电波成份。该工作具有深远意义,如果能分离出与行为相关联的脑电波,将有助于对大脑疾病的诊断及脑中风病人的生活自理。
1 模型建立
由于人的大脑非常复杂,研究人的思维也相对困难。为了容易建立脑电波与行为之间的关系模型,选取的研究对象为小白鼠。
首先对局部脑电位信号构建盲信号分离( blind signal separation,BSS) 线性瞬时混合信号系统数学模型,然后求解睡眠状态的局部脑电位信号均值,最后利用独 立分量分 析法 ( independent component analysis,ICA) 、小波包分解方法从局部脑电位信号分离出与呼吸相关联的脑电波信号。
1. 1 BSS 数学描述
BSS问题的研究对象是m各个观测信号,这些观测信号是n个统计独立的未知源信号的混合( 为简单起见本文取m = n) 。BSS问题的研究目的是从这些观测信号中恢复出各个源信号。“盲”意味着对源信号和混合结构的未知性。实际应用中的源信号就包括脑电波信号[5]。
按照BSS问题的分类,可以将BSS归纳为如下数学表达式:
式( 1) 、式( 2) 、式( 3) 分别对应线性瞬时混合,非线性瞬时混合 及卷积混 合 ( 盲解卷) 。其中X = [x1( t) ,x2( t) ,…,xn( t) ]T为n个观测信号构成的信号向量; S = [s1( t) ,s2( t) ,…,sn( t) ]T为n个统计独立 源信号构 成的信号 向量; Ω= [ω1( t) ,ω2( t) ,…,ωn( t) ]T为n个噪声信号构成的信号向量; A,A1,A2∈Rn×n为线性瞬时混合矩阵; f = [f1(·) ,f2(·) ,…,fn(·) ]T为n个非线性函数向量; aijk为延时混合函数。
这里仅研究式( 1) 、式( 2) 两式不考虑噪声的情况。
目前,BSS的在时域中算法主要可分为如下5种: 独立分量分析法( ICA) 、最小互信息法、最大似然估计法、联合对角化法、状态空间法。本文采用独立分量分析法。
首先看一个简单例子: 一个房间里有三个人同时说话,在房间的不同位置摆放了三个麦克风,通过三个麦克风得到了三个语音信号: x1( t) ,x2( t) , x3( t) ,三个人说出的话也分别用s1( t) ,s2( t) ,s3( t) 表示,显然它们之间有如下关系:
式中aij( i,j = 1,2,3) 是混合系数,根据房间内麦克风和人之间的距离确定( 这里忽略延迟和其他额外因素) 。如果能够仅根据x1( t) ,x2( t) ,x3( t) 得到实际中三个人各自所说的话,我们就说解决了一个鸡尾酒会问题。从这个例子,就得到ICA的广义模型:
式( 7) 中独立分量sj( t) ,j = 1,2,…,n,不能直接被观测到,混合系数aij也是未知的,知道的只有观测信号xi( t) ,要求仅根据xi( t) 估计出aij和sj( t) , 即就是寻找分离阵W,使得Y = WZX = ^S ,如图1所示。
图 1 ICA 模型( 虚线框内针对不同的算法可做适当取舍) Fig. 1 ICA model( Different algorithms in dotted box can make appropriate choice)
一般需要做如下假设:
( 1) 源信号各分量要求统计独立。
( 2) 观测信号和源独立分量均为随机变量,满足零均值单位方差。
( 3) 源独立分量必须是非高斯分布或至多一个高斯分布。
( 4) 要求混合阵可逆。
1. 2 小波包分析
小波包分析( wavelet packet analysis) 能够为信号提供一种更加精细的分解方法,它将频带进行多层划分,对多分辨分析没有细分的高频部分进一步分解,并能够根据被分解的信号的特征,自适应地选择相应频带,使之与信号频谱相匹配[6],从而提高了时 - 频分辨率。
小波包是对小波子空间Wj按照二进制方式进行频率的细分,以达到提高高频部分分辨率的目的。
要做正交分解,就得将尺度子空间Vj和小波子空间Wj统一到一个新的子空间Un j下,再构造出该空间的标准正交基。如果令
则分解关系可以表示为:
如果定义Un j是函数un( t) 的闭包空间,而U2j n 是函数u2n( t) 的闭包空间,并令un( t) 满足下面的方程:
式中h( k) 、g( k) 为多分辨率分析中的滤波器系数,g( k) = ( - 1)kh( 1 - k) ,即两系数也具有正交关系。当n = 0时,则有
可以看出,上两式已分别退化为多分辨率的尺度函数和小波基函数。序列 { un( t) } ( n∈Z+) 称为由基函数u0( t) 确定的正交小波包。由于( t) 由h( k) 唯一确定,所以又称 { un( t) } 为关于 { h( k) } 的正交小波包。
如果 { un( t) }n∈Z是正交尺度函数φ( t) 的正交小波包,则〈un( t - k) ,un( t - l) 〉 = δkl,即 { un( t) }n∈Z构成L2( R) 的规范正交基。
因此可以用小波包对子空间Un j进行正交分解。则有
进行迭代分解可以得到各种Wj分解式:
若n是一个倍频程细划的参数,即令n = 2l+ m,可将小波包简化记为:
式( 18) 中
与小波ψj,k( t) 比较可以看出,除了具有尺度参数j和位移参数k ,小波包还有频率参数n ,这样就克服了小波时间分辨率高时,频率分辨率低的缺陷。随着j的增大而变宽的频谱窗口被进一步分割变细,从而提高高频部分的分辨率,是一种比多分辨分析更加精细的分解方法,具有更好的时频特性。
二维情况下,对信号的小波包的2层分解将产生一个完整的四叉树如图2所示。
这种分解方式是对每一个端结点都进行分解, 在图2中,S代表源信号,A表示低频,V表示垂直高频,H表示水平高频,D表示斜线高频,末尾的序号数表示小波包分解的层数。分解具有关系: S = AA2+ VA2+ HA2+ DA2+ AV2+ VV2+ HV2+ DV2+ AH2+VH2+ HH2+ DH2+ AD2+ VD2+ HD2+ DD2。
通过对睡眠状态、无视觉刺激的清醒状态的局部脑电位信号特征的分析,利用盲信号分离( blind signal separation,BSS ) 、独立分量分析法 ( ICA ) 、小波包分解的特性构建线性瞬时混合信号系统数学模型,假设睡眠状态、无视觉刺激的清醒状态的局部脑电位信号( LFP) 分别为x1( k) 、x2( k) 是由n个统计独立的未知源信号的线性混合,其中包含睡眠状态、无视觉刺激的清醒状态下与呼吸相关联的脑电波信号δ 波和α波,其模型如下:
式( 19) 中ain是混合系数,sn( k) 为独立源信号。
2 实验与结果分析
2. 1 实验数据采集
采集小鼠睡眠状态下的数据如下。数据格式: Matlab( . mat; int16 ) ; 采样频率: 1 000 Hz; 数据长度: 20 s; 第1 ~ 5道 ( Ch11,Ch12,Ch13,Ch14, Ch15) : 小鼠大脑视觉皮层局部电位( 睡眠状态) ; 第6道( Ch17) : 呼吸曲线( 注: 仅波峰和波谷点有生理意义,分别代表吸气和呼气末。呼吸信号是通过热敏电极在鼻子附近记录的,主要表现是呼气时温度升高( 曲线下降) 。因为是间接记录呼吸,因此只能用曲线的峰或谷的时间点标记呼吸时程( 吸气相或呼气相) ,曲线具体幅度等没什么价值。)
信号采集条件说明: 信号( LFP: 局部电位) 来自睡眠状态下小鼠大脑皮层的视觉感受区,5个电极 ( 一排) 同时记录,每个电极间距为0. 25 mm( 电极置于皮下5 mm处,这样可以减少肌电的影响) 。
2. 2 主要实验步骤
第一步: 原始信号预处理。
设5个电极信号LFP的均值为小鼠大脑皮层视觉感受区局部电位信号,求解睡眠状态下视觉感受区局部电位信号均值。
式中Ch11. values ~ Ch15. values分别为5个电极信号的LFP值,x1( k) 为预处理后的视觉感受区局部电位信号。
第二步: 视觉感受区局部电位信号小波包分解和解析重构,分离出与呼吸相关联的脑电波信号。
考虑到本文中要提取的与呼吸相关联的脑电信号特征波频率范围处于脑电信号频率范围中的某一段; 它也可以看成是脑电信号中的一个独立分量,故可利用独立分量分析( ICA) 方法或小波包分解对x1( k) 进行分离,应用两者中的任意一种方法都能把特征波提取出来。
小波包分析能够为LFP信号提供一种更加精细的分解方法,它将LFP频带进行多层划分,对多分辨分析没有细分的高频部分进一步分解,并能够根据被分解的信号的特征,自适应地选择相应频带, 使之与脑电波信号频谱相匹配。
设睡眠状态下局部脑电位信号( LFP) 分别为x1( k) 是由n个统计独立的未知源信号的线性混合,对5组LFP数据Ch11…Ch15取均值,利用小波包分解对x1( k) 分离,选取小波函数为db1,进行尺度为15层的小波变换[7],并解析重构[8]每一层信号的低频和高频系数。
主要算法如下:
2. 3 实验结果分析
δ波处于1 ~ 3 Hz的低频段,为了使频率分辨率能够达到要求,在本文中应用db1小波对脑电信号进行15层分解,然后计算它所包含的最少分解节点数( 即尽量用低层节点) 。δ波频段所包含的分解节点重构的信号,就是分离出的与小鼠呼吸相关联的脑电波信号,如下图所示。
人在昏睡状态下脑电信号主要成分为δ波,每秒1 ~ 3次,结合实验数据,小波分解高频分量系数cd13的解析重构信号与δ波频率最为吻合 ( 见图7) ,故小鼠睡眠状态下视觉感受区局部电位信号分离出的与呼吸相关联的脑电波信号为δ波。
图 4 睡眠状态电位信号小波分解( 1 ~ 5 层) Fig. 4 Mice sleep state LFP wavelet decomposition ( 1 ~ 5)
图 5 睡眠状态电位信号小波分解( 6 ~ 10 层) Fig. 5 Mice sleep state LFP wavelet decomposition ( 6 ~ 10)
神经信息学是一门新兴学科,迄今为止,该领域的研究目前处于起步阶段,特别是关于人脑的研究, 远没有达到实际应用的阶段,所以进行脑电波分析的基础研究具有重要意义。本文提出了一种新的小鼠视觉感受区LFP与呼吸相关联的线性瞬时混合信号系统脑电波分离模型,并用小波包分解和解析重构进行了实验验证,实验表明,睡眠状态下小鼠LFP分离出的与呼吸相关联的脑电波为δ波。下一步将进行小鼠清醒状态下无视觉刺激和有视觉刺激 情况下,视觉感受区电位信号( LFP) 与呼吸相关联的脑电波分离的研究。
图 6 睡眠状态电位信号小波分解( 11 ~ 15 层) Fig. 6 Mice sleep state LFP wavelet decomposition ( 11 ~ 15)
图 7 睡眠状态电位信号小波分解第 13 层 Fig. 7 Mice sleep state LFP wavelet decomposition( 13)
摘要：为研究人(动物)的行为与脑电波之间的关系,提出了一种新的小鼠视觉感受区电位信号(LFP)与呼吸相关联的脑电波分离模型。采用盲信号分离(BSS)、独立分量分析法(ICA)对局部场电位建立线性瞬时混合信号系统数学模型;利用小波包进行LFP的分解并重构信号,对睡眠状态下小鼠视觉感受区局部场电位信号进行了15层分解和重构。实验证明,小波包分解高频分量系数cd13的解析重构信号与δ波频率吻合,小鼠睡眠状态下分离出的与呼吸相关联的脑电波信号为δ波。
关键词：脑电波(EEG),盲信号分离(BSS),独立分量分析(ICA)方法,小波包分解
参考文献
[1] Wessberg J,Stambaugh C R,Kralik J D,et al.Real-time prediction of hand trajectory by ensembles of cortical neurons in primates.Nature,2000;16:361—365
[2] Ito J,Roy S,Liu Y,et al.Whisker barrel cortex delta oscillations and gamma power in the awake mouse are linked to respiration.Nature Communication,2014;5(3572):1—10
[3] Bear M F,Connors B W,Paradiso M A.神经科学——探索脑.王建军,译.北京:高等教育出版社,2004:575—578Bear M F,Connors B W,Paradiso M A.Neuroscience:exploring the brain.Wang Jionjun.ed.Beijing:Higher Education Press,2004:575 —578
[4] Hagan M T,Demuth H B,Beale M H.神经网络设计.戴葵,译.北京:机械工业出版社,2007:96—105Hagan M T,Demuth H B,Beale M H.Neural network design.Dai kui,Trans.Beijing:China Machine Press,2007:96—105
[5] 高丽丽.盲信号分离应用技术的研究.成都:电子科技大学,2011Gao Lili.Research for application technology of separated blind signal.Chengdu:University of Electronic Science and Technology of China,2011
[6] Chaovalit P,Gopadhyay A,Karabatis G,et al.Discrete wavelet transform-based time series analysis and mining.ACM Computing Surveys,2011:2—30
[7] Proakis J G,Manolakis D G.数字信号处理(第四版).方艳梅、刘永清,译.北京:电子工业出版社,2007:135—142Proakis J G,Manolakis D G.Degital signal processing(4th Edition).Fang Yanmei,Liu Yangqing eds.Beijing:Publishing House of Electronics Industry,2007:135—142
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.
脑电波信号 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.
脑电波信号 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。
脑电波信号 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
脑电波信号 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.
脑电波信号 第7篇
快速、准确的采集空间电波信号与空间环境的数值信息是基站优化人员开展基站优化工作的前提条件。由于空间环境的复杂性与空间电波信号强度的实时多变性, 传统的信息采集方法已经很难满足基站优化人员对于空间电波信息实时多变性的检测要求。随着, 信息技术与计算机技术的不断发展, 一种针对实时采集与界面友好型的智能应用系统, 已逐渐成为基站优化人员开展数据采集工作的必要设备。
本文针对无线通信系统中基站设备信号覆盖范围检测的问题, 提出了一款基于Android手机的电波信号强度采集分析系统, 该系统能够准确的测出当前位置的电波信号强度与采样点的空间位置信息, 同时能够结合信号传播环境, 准确而又直观的得出区域的信号强度分布情况, 为基站建设工作提供数据支持。
2 系统通用开发环境搭建
2.1 Android操作系统简介
Android是一种以Linux为基础的开放源代码操作系统, 主要用于便携移动设备。它采用软件堆的架构, Android操作系统分为4层, 自底向上依次为Linux内核层、运行库层、应用程序框架层和应用程序层[1]。
其中, 应用程序层的所有程序都采用JAVA语言编写, 应用程序框架层的设计使得开发人员可以访问核心应用程序中所使用的全部API接口。程序库则为Android系统中的组件提供了一些C/C++库文件。Linux内核, 提供了内存管理、进程管理、网络协议和驱动模型等基本功能[2]。
2.2 系统总体设计
系统基于c/s架构, 主要由客户端和服务器端组成, 客户端接收用户操作并将相应服务请求提交给服务器, 同时能够将服务器响应的信息进行处理并展示给用户。服务器用于监听并响应用户请求, 把数据库操作请求提交给后台数据库, 最终将处理后的数据返回给客户端, 软件构架如图1所示。
Android应用程序的客户端使用java作为其基础开发语言, 网络通信使用Apache HTTP协议客户端, 中间WEB服务器采用Service技术进行服务调用, 后台数据库采用JDBC数据访问形式。
2.3 客户端设计
客户端负责前台界面显示与信息采集, 主要用于获取采样点空间环境的实时动态信息、地理位置信息、空间电波强度的实时数值信息以及服务器端计算出的采样路径预判信息。通过设置, 选择适当的数据存储模式。数据的存储分为在线存储和离线存储两种模式:在线存储是一种通过3G网络在采集点实时的把数据信息上传到服务器中的存储方法[3,4,5]。离线存储是一种不通过网络, 直接把数据信息存储在手机本地数据库中的数据存储方法, 客户端功能框架图如图2所示。
(1) 电波强度信息采集设计。
系统客户端软件开发需要为应用程序申请足够的权限, 以便程序执行时能够无碍的访问系统资源。由于该应用程序需要监听信号强度, 这属于网络状态改变权限, 因此需要在Android Manifest.xml文件中为软件申请网络状态改变时的使用权限, 然后需要实现用于监听信号强度变化事件的监听器, 接着使用Telephony Manager的listen方法, 通过My Phone State Listener类继承Phone State Listener并重写on Signal Strengths Changed () 方法来实现监听器。其后, 在Activity的on Create () 方法中实例化该listener并注册到系统实现信号强度的数值显示。
(2) 地图封装设计。
对于专门用于信息采集的系统软件, 可以根据实际工程需求, 设计符合本工程的个性化地图封装数据。本文所涉及的地理环境信息和经纬度信息的采集, 需结合Android GPS传感器和地图开发原理, 通过Location Manager类来进行统一管理。首先, 通过getSystem Service () 方法获取系统的GPS服务, 然后, 注册一个位置更新的事件监听器, 通过调用位置更新方法来获取实时卫星信息, 以实现地图中心点的定位、地图局部放大以及地图的分级标注。
(3) 数据库设计。
由于系统所采集的信息数据量较大, 且需要大量的进行插入、更新、查询操作, 这样使用简单的文件方式来保存数据就显得效率低下了。这就需要使用关系型SQLite数据库来实现本文的“基于Android手机的电波信号强度采集分析系统”的数据存储[6]。
(4) 数据的实时汇总。
对于系统所采集到的实时动态数据, 可以通过无线网络, 选取适当的数据上传方式, 实现数据的在线存储。其具体的实现是基于一种“请求-应答”的网络访问模式。首先利用Default Http Client获得Android默认的HTTP客户端httpclient, 同时由Http Post生成一个HTTP POST的对象, 然后利用Array List放入POST内容的键入值, 最后通过httpclient的execute () 方法发出实际的HTTP POST请求, 以实现数据的远程提交[7]。
信号采集路径的最佳匹配
(5) 信号采集路径的最佳匹配方案。
采集路径的最佳匹配是根据监测点道路环境和最优化目标采取合适的算法, 在一个仿真步长里完成最佳路径的寻找问题。在城市道路环境中, 采取Floyd算法实现最佳路径的搜索, 在野外通过改进Floyd算法, 以高程变化值作为可达性判断依据, 实现野外最短可达路径判断[8,9]。
2.4 服务器端设置
服务器端负责数据的接受、分析以及存储, 以实现对空间多地实时动态数据的分析提取。
对于客户端上传的文本和图像数据, 采用HTTP服务器实现数据信息的接受, 其实现过程是建立一个.ASPX动态服务器页面, 获得来自客户端的POST请求, 并将POST的数据通过ADO接口保存至SQL数据库。最后基站优化人员在计算机终端上, 下载系统实时数据, 结合GIS的空间数据管理、数字地形分析技术以及适当的信号衰减与信号传播模型, 通过仿真建立基站信号覆盖范围分布图, 以实现数据的分析提取, 为最终的基站优化工作提供实时数据支持[10]。
信号的传播与衰减模型, 是由信号在自由空间中, 强度与距离转换关系决定的, 在移动通信网中, 电波信号强度会随传播距离的增加而变化, 这种变化在自由空间中的传播模型如式1所示。
式中k为路径衰减因子, 在2~5之间;d为距离信源的距离, 单位为km;f为频率, 单位为MHz。根据式1, 模拟计算采集点信号衰减值与实测值对应记录, 为后续衰减修正提供数据支持。
3 系统实现与应用
为实现基站的最优化布局, 基站优化人员必须根据基站信号的实际衰减参数, 利用简单、友好的信号采集装置, 指引用户挖掘出理想的数据信息, 最终结合GIS的空间地形分析技术, 实现基站的最优化布局分析。
根据实际需求, 分析系统的客户端软件主要实现三个功能, 它们分别实现对用户当前位置经纬度的查询、对用户当前位置的空间环境的显示以及对当前位置信号强度的检测。系统在实际需求中得到了应用, 部分数据采集结果如图3所示
为实现数据的实时汇总, 用户可以通过3G网络, 实时的把系统采集到的数据信息上传到网络终端的服务器上。同时根据信息采集人员上传的实时多点数据, 基站优化人员可以在任何一台具有网络的计算机终端上, 下载系统实时数据, 利用适当的信号传播模型, 通过仿真建立基站信号覆盖范围分布图。根据项目需求, 分析系统在“基于GIS技术的无线电信号覆盖优化系统”项目中得到了初步的应用。利用手机终端, 数据采集人员分别对小区中的环城北路二路基站、环城北路二路2号基站、六合路基站以及东二环路基站的信号覆盖范围内的信号强度信息与空间环境信息进行了多点实时采集与汇总。同时, 位于服务器终端的基站优化人员根据数据采集人员所上传的实时数据信息, 利用GIS的数据分析技术, 建立基站信号覆盖范围分布图, 信号覆盖范围如图4所示。
由实测结果可以看出, 受地形因素的影响, 小区中的环城北二环路基站, 未能实现区域范围内电波信号的完全覆盖, 影响区域内移动通信的质量。为实现区域范围内电波信号的覆盖, 可以根据实际需求, 抬高基站的坐地位置, 实现高空电波信号的传输;同时可以在信号无覆盖区域, 建立分布式小功率基站, 实现小范围的信号传播覆盖。
初步应用结果表明:该系统设计合理, 模块结构独立、易于维护、能够实现代码的二次开发具, 有一定的创新性和实用性。
4 结论与展望
本文所述的基于Android手机的电波信号强度采集分析系统, 能够实时的对室外空间中的地理环境信息、经纬度信息以及电波信号强度信息进行精确的采集与分析。同时, 能够通过无线通信网, 实现数据的实时汇总。以便基站优化人员结合适当的电波衰减传播模型, 对基站电波信号的覆盖范围进行实时的仿真。
