（信号与信息处理专业论文）盲源分离研究及其在脑电信号分析中的应用.pdf

大连理工大学硕士学位论文 摘要 脑电是一种特殊的生物电活动，反映了大脑的功能状态，分为自发脑电( e e g ) 和 诱发电位( e p ) 两种。头皮上采集的脑电可以看作是大脑内的电活动在头皮上的电位分 布，以及人体其它器官组织产生的生物电活动( 包括心电，眼电和肌电等) 和各种外界 因素引起的干扰信号。这些脑外来源的干扰信号称之为伪差。脑电信号分析的任务之一 就是去除脑电中的伪差，分离出纯净的脑电，以便应用于临床诊断和脑认知科学研究。 诱发电位是神经系统接受内外刺激所产生的特定电活动。通过诱发电位的检测可以诊断 和分析神经系统的病变和损伤。脑电信号分析的任务之二就是如何从强背景自发e e g 中提取e p 信号。 盲源分离( b s s ) 技术是一种新兴的信号分析方法，其本质上与独立分量分析( i c a ) 是一致的。i c a 是一种多通道信号处理技术，其特点是除源信号相互统计独立外无其它 先验知识的情况下，将观察信号分解成为独立的分量。本文主要对i c a 的原理，判据， 以及优化算法做了归纳性的研究，并将其应用到脑电信号的伪差去除和e p 信号的提取 中。 本文基于峭度的快速固定点算法( f a s t i c a ) 的基础上，对带参考信号的i c a ( r i c a ) 进行了扩展，提出了种多参考信号的i c a 方法。新方法一方面克服了f a s t l c a 的计算 量过大，对分离的分量需要人工判别的缺点，另一方面也弥补了r i c a 算法仅仅能提取 一路目标信号的缺陷。文中不但详细的介绍了多参考信号的i c a 方法的原理及算法，而 且给出了具体的伪差去除算法，最后还将此方法应用到多个脑电伪差的去除中，仿真实 验进一步验证了算法了有效性。 在无加性噪声的情况下，i c a 能够较好的对多导信号做盲分离。但实际从头皮采集 的脑电信号中，加性噪声的干扰是不可避免的。i c a 对含有加性噪声的多导信号的处理 效果急剧下降。通常的处理方法是将多导信号先通过小波降噪，然后将去噪后的多导信 号作为i c a 的输入。本文提出了一种小波变换( w t ) 与i c a 相结合的方法。具体方法 是：先对多导信号进行小波分解，然后对分解得到的小波系数进行带参考信号的i c a 分 离，最后通过小波重构得到目标信号。本文将此方法应用到诱发电位的提取中，仿真结 果表明新方法具有比较稳定的抗噪性能，且与已有的方法相比，具有较快的收敛速度和 较小的运算量。 关键词：脑电信号；诱发电位；独立分量分析；伪差去除；小波变换 大连理工大学硕士学位论文 s t u d y o nb l i n ds o u r c es e p a r a t i o na n di t sa p p l i c a t i o ni nb r a i ns i g n a l a n a l y s i s a b s t r a c t b r a i ns i g n a l sw h i c hr e f l e c tt h eb r a i nf u n c t i o ns t a t u sa r es p e c i a lb i o e l e e t r i c h ya c t i v i t i e s b r a i ns i g n a l sa l ec l a s s i f i e di n t oe l e c t r o e n c e p h a l o g r a p h ( e e g ls i g n a l sa n de v o k e dp o t e n t i a l p ) s i g n a l s t h ee e gs i g n a l sf r o ms c a l pc a nb et a k e n 勰e l e c t r i cp o t e n t i a ld i s t r i b u t i o no f t h e e l e c t r i ca c t i v i t i e si n s i d et h eb r a i no ns c a l p ，b i o e l e e t r i c a la c t i v i t i e sg e n e r a t e db yo t h e r a p p a r a t u so f h u m a nb e i n g s ( i n c l u d i n ge c g , e o g ，e m ga n ds oo n ) ，a n di n t e r f e r e n c e sb r o u g h t b yo u t s i d ef a c t o r s t h e s ei n t e r f e r e n c e so u t s i d eb r a i na r ec a l l e da r t i f a c t s o n eo f t h em a i nt a s k s o f b r a i ns i g r l a la n a l y s i si st oe l i m i n a t et h ea r t i f a c t sa n dg e tp u r eb r a i ns i g n a l s t h ep u r es i g n a l s o a nb ea p p l i e dt oc l i n i c a ld i a g n o s i sa n db r a i ns c i e n c er e s e a r c h ，e ps i g n a l sa r ee l e c t r i cs i g n a l s g e n e r a t e db yt h es t i m u l a t e dn e u r a ls y s t e m ，b yt h ed e t e 斌i o no f e p ，an u m b e ro f p a t h o l o g i c a l c h a n g e sa n dd a m a g e s 伽b ed i a g n o s e d t h es e c o n dt a s ko f b r a i ns i g n a la n a l y s i si s 幻c x n a c t e ps i g n a l sf r o ms p o n t a n e o u se e gi ns t r o n gb a c k g r o u n d s b l i n ds o u r c es e p a r a t i o n ( b s s ) t e c h n o l o g yi san e ww a yt oa n a l y z es i g n a l s ，t h ee s s e n c e o f w h i c hi sc o n s i s t e n tw i t hi n d e p e n d e n tc o m p o n e ma n a l y s i s ( i c a ) i c ai sat e c h n o l o g yf o r m u l t i - c h a n n e ls i g n a lp r o c e s s i n g ，w h o s ec h a r a c t e r i s t i c sa l et od e c o m p o s et h et a r g e ts i g n a li n t o i n d e p e n d e n tc o m p o n e n t sw i t h o u tk n o w i n ga n yo t h e rp r i o r ik n o w l e d g eb e s i d e st h es l a l i s t i c a l i n d e p e n d e n c eb e t w e e ns o r i s i g n a l s t h i sp a p e rm a i n l yr e s e a r c h e s0 1 1 t h ep r i n c i p l e s , c r i t e r i o n sa n do p t i m i z e da l g o f i t h r a so fi c a t h er e s e a r c hr e s u l t sa r eu s e dt 0r e m o v ea r t i f a c t s a n de x t r a c te ps i g n a l s b a s e do nf a s tf i x e d - p o i n ta l g o r i t h mo fk u r t o s i s ( f a s t i c a ) ，t h i sp a p e re x t e n d si c aw i t h r e f e r e n c e ( r i c a ) a n dp r o p o s e sa l li c aa l g o r i t h mw i t hm u l t i - r e f e r e n c e ss i g n a l s ，t h en e w a l g o r i t h mr e d u c e st h ec o m p u t a t i o nq u a l i t yc o m p a r e dw i t hf a s f l c aa n dd o e s n tn e e dp e r s o n s t 0j u d g et h es e p a r a t e dc o m p o n e n t s m o r e o v e r , i tc a ne x t r a c tm o r et r a i l so fs i g n a l st h a nd c a , w h i c hc a no n l ye x t r a c ts i n g l et r a i l t h i sp a p e ri n t r o d u c e st h ep r i n c i p l e sa n da l g o r i t h m so f i c a w i t hm u m - r e f e r e n c e si nd e t a i l i na d d i t i o n , t h ep a p e rp r o p o s e sac o n c r e t ea l g o r i t h mt o e l i m i n a t ea r t i f a c t sa n da p p l i e st h ea l g o r i t h mt or e m o v m ga r t i f a c t sf r o mb r a i ns i g n a l s s i m u l a t i o n sp r o v et h ee f f e c t i v e n e s so f t h ea l g o r i t h m i c as e p a r a t e st h em u l t i c h a n n e ls i g n a l sb l i n d l yi nn o i s ef r e ec o n d i t i o n s h o w e v e r , t h e i n t e r f e r e n c eo fa d d i t i o n a ln o i s ei si n e v i t a b l e ，i nt h i ss i t u a t i o n , t h ep e r f o r m a n c eo fi c ag o e s d o w nr a p i d l y t h eu s u a lw a yi st or e m o v et h en o i s ef r o mm n l t i - c h a n n e ls i g n a l sb yu s i n g w a v e l e ta n dt a k et h er e s u l ts i g n a l sa st h ei n p u to fi c a t h es t e p sa r ea sf o l l o w s ：f i r s t l y d o i i 盲源分离研究及其在脑电信号分析中的应用 w a v e l e td e c o m p o s i t i o nt om u l t i - c h a n n e ls i g n a l s ；s e c o n d l y ，s e p a r a t et h ew a v e l e tc o e f f i c i e n t s o fm u l t i - c h a n n e ls i g n a l su s i n gi c aw i 也ar e f e r e n c e ；a ll a s t , g e ti n d e p e n d e n ts o u r c e sb y w a v e l e tr e c o n s t r u c t i o n t h i sp a p e ra p p l i e st h i sa l g o r i t h mt ot h ee x t r a c t i o no fe ps i g n a l s s i m u l a t i o n ss h o wt h a tt h i sm e t h o di sb e t t e r i nn o i s ee n v i r o n m e n ta n dc o n v e r g e sm o l e r a p i d l y k e yw o r d s ；e l e c t r o e n c e p h a l o g r a p h ；e v o k e dp o t e n t i a l ；i n d e p e n d e n tc o m p o n e n t a n a l y s i s ；a r t i f a c t sr e m o v i n g | w a v e l e tt r a n s f o r m i i i - 独创性说明 作者郑重声明：本硕士学位论文是我个人在导师指导下进行的研究工 作及取得研究成果。尽我所知，除了文中特别加以标注和致谢的地方外， 论文中不包含其他人已经发表或撰写的研究成果，也不包含为获得大连理 工大学或者其他单位的学位或证书所使用过的材料。与我一同工作的同志 对本研究所做的贡献均已在论文中做了明确的说明并表示了谢意。 作者签名： 茯也 查塑王登堡主些丝奎 ； 大连理工大学学位论文版权使用授权书 本学位论文作者及指导教师完全了解“大连理工大学硕士、博士学位论文版权使用 规定”，同意大连理工大学保留并向国家有关部门或机构送交学位论文的复印件和电子 版，允许论文被查阅和借阅。本人授权大连理工大学可以将本学位论文的全部或部分内 容编入有关数据库进行检索，也可采用影印、缩印或扫描等复制手段保存和汇编学位论 文。 作者签名：事擘 导师签名： 掣垒冬 2 翌年上月羔曰 大连理工大学硕士学位论文 1 绪论 1 1 脑电分析方法发展概况 脑电【i 】( e l e c t r o e n c e p h a l o g r a m , e e g ) 是大脑神经元突触后电位的综合，是大脑电活 动产生的电场经容积导体( 由皮层、颅骨、脑膜及头皮构成) 传导后在头皮上的电位分 布，作为一种特殊而复杂的生物电信号，反映了大脑的功能状态。 1 9 2 9 年，b e r g e r 【2 】首次记录了人的脑电，人类迸入了研究脑电的时代。由于技术的 原因，早期的脑电研究仅仅通过目测分析，这种定性的分析很难在复杂多变的脑电波中 直接发现具有诊断意义的信息。直到二十世纪六七十年代，脑电分析才进入计算机分析 的阶段。归结起来，近几十年来脑电信号的计算机分析方法主要包括如下几种：时域分 析法、频域分析法、时频分析法、小波分析法及非线性动力学分析方法。 传统的脑电分析方法主要包括时域分析和频域分析。时域分析通过直接提取波形特 征进行分析，直观性强，物理意义比较明确。常用的方法包括方差分析，相关性分析， 以及微分、积分和直方图，峰值检测等等。而频域分析主要通过功率谱分析、频谱分析、 高阶谱分析等等。至今这些方法在临床上还有着广泛的应用。 随着数字信号处理理论的发展，越来越多的新方法被应用到脑电分析中，并在脑电 信号的伪差去除和特征提取中取得了一定的进展。特别是时频分析，小波分析j 及非线 性动力学成为研究的焦点时频分析是分析非平稳信号的重要方法。近年来， w i g n e r - v i l l e 分布( w v d ) 被广泛应用于脑电信号在内的信号检测领域。小波分析是当 前数学中的一个迅速发展的新领域，目前被广泛应用于信号分析中，如信噪分离，提取 弱信号，信号识别及多尺度边缘检测等等。动力学中的混沌，分形和非线性逐渐用来描 述脑电的动力学特性，而成为脑电分析的热门方法，其中相空间重构和计算脑电信号的 l y a p u n o v 系数是常用的方法。另外，基于非线性方法的奇异谱分析，近似熵的研究都 是从另外一个角度切入脑电分析的很好的研究方法。此外还有许多方法在脑电分析中都 取得了一定的进展，例如神经网络方法，卡尔曼滤波法以及参数模型方法等。 1 2 独立分量分析发展概况 独立分量分析( i n d e p e n d e n tc o n p o n c n ta n a l y s i s ，i c a ) 方法是近十多年来新发展起 来的一种多通道信号处理方法，可以帮助实现信号的增强和分析。在观测信号是源信号 的线性瞬时混合时，i c a 方法与盲源分离方法( b l i n ds o u r c es e p a r a t i o n , b s s ) 是一致的， 都是指在不知道源信号和传输信道参数的情况下根据输入源信号的统计特性，仅由观测 信号恢复出源信号各个独立成分的过程【7 1 。i o a 方法最初是用来解决“鸡尾酒会”问题 盲源分离研究及其在脑电信号分析中的应用 的。由于主分量分析( p c a ) 和奇异值分解( s v d ) 是基于信号二阶统计特性的分析方 法，其目的是去除信号各分量之间的相关性；而i c a 则是基于信号高阶统计特性的分析 方法，经i c a 方法分解出的各信号分量之间是相互独立的。正是因为这一特点，使i c a 在信号处理领域受到了广泛的关注。 1 9 9 1 年j u t l e n 和h e r a u l t l 8 1 提出了基于神经网络算法，采用了结构相对简单的带有反 馈结构的神经网络，但这种算法的收敛性不够理想，且没有建立信号独立性度量的目标 函数。后来c o m o n p 系统的分析了瞬时混合信号的盲源分离问题，并且引入了基于统计 独立判据的目标函数，更加明确了i c a 的概念。c o m o n 的这项工作使得对信号盲源分 离的研究变成对独立分量分析的目标函数及优化算法的研究。 1 9 9 5 年，s c j n o w s k i 和b e l l 1 0 】基于信息最大原理，推导出随机梯度算法，提出了一 种自适应盲源分离算法( i n f o m a x ) 。该算法用于盲分离以及混合源的解卷积。但是该 算法只能用于源信号峭度( k u r t o s i s ) 大于某一值的信号的盲分离，它对分离线性混合 的语音信号非常有效。后来c a r d o s o 和l a h e l d “】在此基础做了进一步的改进，为避免矩 阵求逆，提出了相对梯度算法。这种自适应方法在运用神经网络处理器方面要比c o m o n 提出的基于高阶累积量算法的对照函数更加合理。后来l e e 和g i r o l a m i 等 1 2 1 在砌o m a x 算法的基础上提出了能够同时分离具有正峭度和负峭度的源信号，即扩展的 n f o m a x 算 法。 1 9 9 7 年，a m a r i 和c i c h o c k i 0 3 1 基于信息理论利用最小互信息( m i n i m u mm u t u a l i n f o r m a t i o n , 瑚i ) 准则函数，得出了一类前馈网络的训练算法，可以有效分离具有负 峭度的源信号。 1 9 9 7 年，h y v a r i n e n 等提出了基于四阶累积量的固定点算法【1 4 】( f i x 既l - p o i n t a l g o r i t h m ) 。其后，1 9 9 9 年又提出了进一步的改进瑾于负熵的i c a 固定点算法嘲。 在后来出版的著作中【1 6 】又提出了进步的简化。由于此算法比自适应算法，具有更快的 收敛速度，因此又被称为“快速i c a 算法”( f a s t i c a ) 。 此外，i c a 还有一些从其它角度分析的方法，如非线性p c a 1 7 8 1 ，成对数据旋转法 ( j a c o b i ) 【埘，极大峰度法( m a x k l l n ) ，联合对角化法( j a d e ) 2 0 1 以及四阶盲辨识( f o b i ) 【2 1 l 等等。但是，总体上来说目前的i c a 方法都还具有一定的局限性，缺少比较通用的 算法，在实际的应用中还存在诸多的问题，需要进一步的研究。 大连理工大学硕士学位论文 1 3 本课题的研究背景和意义 近年来。盲源分离技术( b s s ) 成为信号处理领域一个引人注目的热点问题。简而 言之，盲源分离是指 在源信号和传输信道参数未知的情况下，根据源信号的统计特性，仅由观测信号恢 复出源信号的各个独立成份的过程。在源信号线性混合的情况下，这一过程又称之为独 立分量分析( i c a ) 。当源信号到传感器之间的传输信道无法建立模型或者关于传输的 先验知识无法获得时，b s s i c a 将是不错的选择。 在头皮上记录的e e g 信号往往会混入非脑电活动所引起的干扰信号，这些信号就 是伪差( 某些文献上亦称之为伪迹) 。e e g 中的伪差有很多种类型，较常见的有心电、 肌电、眨眼、眼动、出汗，以及工频干扰等。伪差往往使脑电图的分析结果与参数计算 产生误差，从而导致结论不准确，甚至出现错误。因此，消除伪差对于脑电信号的阅读 和分析具有重要的意义。 。 另外，诱发电位( e v o k c dp o t e n f i a l ，e p ) 也是目前研究的热点问题，诱发电位是指 中枢神经系统在感受外界和内在刺激过程中所产生的生物电活动。e p 信号的检测和分析 二方面是临床医学诊断神经系统损伤和病变的重要手段之一。另一方面也能够推动大脑 思维特征与认知的研究。 所以，将b s s i c a 技术应用到生物医学信号处理中，特别是脑电中的伪差去除和 e p 提取，将具有极高的理论意义和应用价值。 1 4 本文的主要研究内容 1 头皮上采集的脑电信号常常伴有多种伪差，给脑电信号的阅读和分析带来了很 大的困难。已有的固定点算法和带参考信号的独立分量分析算法尚存在各自的优缺点， 本文结合两种方法，提出了一种新的多参考信号的独立分量分析方法，弥补了已有方法 的缺陷，能够同时去除脑电信号中的多种伪差。 2 在无加性噪声的情况下，i c a 能够较好的对多导信号做盲源分离。但在实际采 集到的脑电信号中，加性噪声的干扰不可避免，i c a 对含有加性噪声的多导信号的处理 效果急剧下降。因此，本文在已有的小波变换与i c a 算法的基础上，提出了一种新的小 波变换与i c a 相结合的算法。通常的方法是将多路信号先通过小波降噪，将降噪后的信 号作为i c a 的输入新算法则利用小波分解的系数进行i c a 盲分离，最后通过小波重 构得到目标分量。将新算法应用到e p 信号的提取实验中，仿真结果表明新算法具有良 好的抗嗓性能，较侠的收敛速度和较小的运算量。 一3 一 盲源分离研究及其在脑电信号分析中的应用 2 脑电信号概述 脑电信号分为自发脑电( e e g ) 和诱发电位( e p ) 两种。本章主要介绍与脑电信号 相关的基本知识，如脑电信号的分类、特点、采集方法和原理，以及诱发电位等。 2 1 脑电信号的基本特征与采集 2 1 1 脑电图的基本特征及分类 脑电图l 是由电极记录下来的大脑细胞群的自发性生物电活动，以电位为纵轴、时 间为横轴以曲线的形式显示出来，也称为脑波。脑电图的基本特征由频率、波幅、位相、 波形、波的出现方式等构成。 一个脑波从它离开基线到返回基线所需的时间即一个波谷到下一个波谷所需要的 时间称为周期，用毫秒( m s ) 表示。同一个周期的脑波在一秒钟内重复出现的次数称频 率，用赫兹( h z ) 表示。同一频率大小形状相似的脑波三个以上重复出现者称之为节律， 数个波连续出现者称之为活动。在脑电图上，除形态类似正弦波的波形外，还可见到由 不同周期的脑波重叠在一起所构成的复合波。频率可反映大脑某区域新陈代谢的速度， 是脑发育和衰老过程的重要参数。 波幅又名电压，代表脑部电位活动的大小，是指波峰到波谷之间的垂直高度，用微 伏( “v ) 表示。按照波幅的大小，通常将波幅分为四类：小于2 5 肛v 为低波幅，2 5 5 0 肛v 为中等波幅，5 0 - 1 0 0 “v 为高波幅，大于1 0 0 p v 为极高波幅。波幅是脑发育过程的一个 重要参数，代表大脑某个区域新陈代谢的强度。波幅是随着年龄而不断变化的。此外必 须注意的是，波幅的差异有可能由脑外因素引起，如两侧相应的电极放置距离不等和电 极电阻过大。 脑波的位相又被称为脑波的极性。通常的规定是，以基线为标准，波顶朝上的脑波 称为负相( 阴性) 波，波顶朝下的脑波称为正相( 阳性) 波在同时观察和比较两个部 位的脑波在同一时间点上具有完全相同的周期和位相则称它们是同相的，当两个部位的 脑波在同一时间向基线相反的方向偏转是则称它们是反相的。脑波的同位相或非同位相 对脑机能损害的定位判断具有重要意义。 任何脑电图的判读都是从频率和波幅入手，但是部分特殊波形的判别对正确判读脑 电图也很重要。一些特殊波形如棘波、尖波、棘慢波综合、尖慢波综合等等，对病理的 识别具有非常重要的意义。同样，波的出现方式对脑电图的正确阅读也具有很大的影响。 本文中此部分不是重点，故不加详细介绍。 大连理工大学硕士学位论文 人类的脑波频率一般在0 5 , - - 4 5 h z ，按照频率分类，常用希腊字母来命名，每一个希 腊字母代表一定频率的频带。 1 a 波：频率8 - - , 1 3h z ，波幅1 0 - - 1 0 0 p v 。在枕叶及顶叶后部记录到的伍波最为显著。 a 波在清醒安静闭日时即出现，波幅呈由小变大又由大变小的梭状。睁眼、思考问题或 接受其它刺激时，a 波消失而出现其它侠波。这一现象称为a 波阻断。每个人的a 波频 率，波幅波形等特征在肌体生理条件或轻度诱发情况下始终保持恒定，这是正常脑电图 的重要标志之一 2 p 波：频率1 4 3 0 h z ，波幅约为4 3 0 “v 。安静闭耳时主要在额叶出现。如果被测 者睁眼视物或听到突然的声响或进行思考时，皮层的其它部位也会出现b 波。所以1 3 波 的出现一般代表大脑皮层兴奋。约有6 的正常人即使在精神安定闭眼条件下所记录的 脑电图仍以1 3 节律为主，称之为快波型脑电图或p 型脑电图。 3 y 波：频率3 0 4 5 i - i z ，波幅5 3 0 u v 。额区及中央区最多。p 波和y 波属于快波， 快波增多，波幅增高是神经细胞兴奋性增高的表现。 。4 6 波：频率0 5 3 h z ，波幅1 0 - - 2 0 t t v 常在额部出现，无论任何年龄，任何意识 水平持续存在的局灶性6 波均为异常。 5 0 波：频率h z ，波幅2 0 - - 4 0 i _ t v 。经常性存在的局灶性0 节律均为异常。6 波 和0 波均属于慢波，常见于正常婴儿至儿童期，以及成年人的睡眠期。在病理状态下， 局限性慢活动常见于脑肿瘤、脑脓肿、脑外伤性血肿等颅内占位病变和伴有软化灶的脑 血管病以及局限性癫痫等。慢活动是脑抑制过程的反映。 6 o 波：频率1 2 1 4h z ，波幅2 0 5 0 t t v ，呈纺锤形，常见于浅到中睡期。 2 1 2 脑电信号的特点 脑电信号作为一种特殊的生物电信号，其还具有如下的一些特点g ( 1 ) 脑电信号非常微弱，且背景噪声很强。一般e e g 信号只有5 0 1 j , v 左右，最大 1 0 0 9 v 。背景噪声强是指非研究对象的信号在观察中有很强烈的表现，例如精神紧张、 面部肌肉动作等带来的伪差等。因此脑电信号的提取与处理对检测系统、分析系统有很 高的要求，包括有高输入阻抗、高共模抑制比、低噪声放大技术，能从强噪声中提取弱 信号的高质量滤波措施等。 ( 2 ) 脑电信号是一种随机性很强的非平稳信号。随机性强是由于影响它的因素太多， 其规律又未被认识，它的规律只能从大量统计结果中呈现出来，从而必须借助统计处理 技术来检测、辨识和估计它的特征。非平稳性是由于构成脑电信号的生理因素始终在变 盲源分离研究及其在脑电信号分析中的应用 化，而且对外界的影响有自适应能力。因此e e g 又是统计特性随时间变化的非平稳信 号。有资料报道，e e g 信号的时间长度从1 秒增加到i o 秒，其平稳性由9 0 降至l o 。 ( 3 ) 非线性。生物组织的调节及适应能力必然影响到电生理信号，使它具有非线性 的特点。 ( 4 ) 脑电信号的频域特征比较突出。因此，与其它生理信号相比，长期以来功率谱 分析及各袍顷域处理技术在e e g 信号处理中一直占有重要的位置。 2 1 3 脑电信号的采集 随着对脑电活动的进一步认识，能够记录或描述脑电活动的装置也应运面生。脑电 图仪就是专门用于测量和记录脑电图的装置。脑电图仪产生于1 9 3 4 年，是伴随着差动 放大器的发明而出现的。其工作原理是：首先由放置在头皮的电极在体表或皮下检测出 微弱的e e g 信号；然后通过电极导联耦合到差动放大器进行适当放大；最后由记录设 备记录下信号。现代的脑电图仪将传统的脑电图仪与计算机技术相结合，采用在计算机 屏幕上直接显示，由打印机及磁盘、光盘等对脑电图进行打印、记录和存储的技术。主 要由输入、放大、a d 转换、电源、计算机系统等部分组成。其基本构造如图2 1 所示。 图2 1 多导脑电图仪的组成框图 f i 晷2 it h ed i a g r a mo f e l e c t r o e n c e p h a l o g r a p h ( 1 ) 输入部分 电极及电极盒 电极数目由脑电图仪的导联数确定，常用的有8 导、1 6 导，现代脑电图仪有多达 “导或更多。一般多于1 6 导的脑电图仪均配有电极帽。电极通常有a g a g c l 电极及火 棉胶电极两种，电极通过电极盒与脑电图仪相连接。电极盒是接地的金属盒，上有电极 插孔，插孔标号与大脑电极物理位置相对应。 一6 一 大连理工大学硕士学位论文 导联选择器 用于将各电极引线成对接入各路差动放大器，并可通过导联选择开关进行单极或双 极等导联类型转换。 标准信号发生器 根据操作规范要求，在正式描记脑电图之前必须要用标准电压来校准描记笔摆动的 幅度，因此脑电图仪都配有标准信号产生装置。 ( 2 ) 放大部分 一 由于e e g 信号本身很微弱，背景干扰强，而且头皮和颅骨通常有几十千欧的电阻， 因此对脑电信号的放大一般需采用多级放大的形式，其前置放大级选用的差动运算放大 器要求必须具备高输入阻抗、高共模抑制比和低噪声的性能。在整个放大回路中一般还 需设置一些可调装置，以便在测量时根据需要调整放大器的时间常数、增益等参数。 ( 3 ) a d 转换部分 计算机系统是数字系统，它只能接收和处理数字信号，a d 转换部分就是用于将经 过适当放大的模拟形式的脑电信号转换为计算机可以识别和处理的离散数字信号形式。 目前一般采用在计算机的扩展槽中安装一块多通道a d 转换卡来完成这种转换，转换卡 的转换精度大多选择1 2 位，t i p 将处于量程范围内的某一量值的模拟量用一个1 2 位的 二进制数表示，转换速度与通道数及采样频率有关。 ( 4 ) 电源部分 用于给放大部分及导联选择等部分提供直流工作电源，它可以将工频2 2 0 v 电源转 换为各部分所需要的电源形式。一般要求它提供的电源应具有足够的精度，输出的直流 电压则希望其纹波尽可能的小，同时电源部分应具有良好的屏蔽，以避免将工频干扰引 入到脑电信号中。 ( 5 ) 计算机系统 它是现代脑电图仪的重要组成部分，在它的控制下完成脑电信号的采样、记录与存 储。由于计算机具有强大的数据处理能力，因此现代脑电图仪一般均带有对脑电信号进 行基本分析处理的应用软件。本文所作的研究正是依赖于这样的物理设备基础，通过增 加和改善软件的处理使得我们可以得到更加清晰可靠的脑电信号或降低对脑电图仪其 它部分的指标要求 2 1 4 国际电极放置方法 根据国际脑电图学会的建议，目前国内外普遍采用国际1 0 2 0 系统电极放置法【2 】。 它将鼻根和枕外粗隆的联结线分作l o 等份，其中点为头顶，然后把鼻根，外耳孔和枕 盲源分离研究及其在脑电信号分析中的应用 外粗隆的联结线也1 0 等分。根据以头顶为中心的同心圆与半径的交叉点来确定电极部 位。电极总数共2 3 个( 包括两侧耳垂电极) ，如图2 2 所示。采用这一电极放置标准的 最突出的优点是电极部位与大脑皮层的解剖学关系比较明确，便于发现相位倒转 另外，电极的放置有下列几个基本原则： 1 电极位置应根据颅骨标志的测量加以确定，测量应尽可能与头颅的大小及形状成 正比： 2 电极的标准位置应适当地分布在头颅的所有部位； 3 电极位置的名称应结合脑部分区( 如额、颞、顶、枕) ，这样可使非专业人员也 能了解； 4 应进行解剖学研究，以确定在一般人体标准电极位置下，最可能是那个皮层分区； 5 国际通用阿拉伯数字：左半球为奇数，右半球为偶数，零点代表头颅中位；a 1 和a 2 代表左右耳垂( 无关电极) 。 11f 麓鞘i 0 1 i0 2 图2 21 0 2 0 系统电极放置法 f i g 2 21 0 2 0s t a n d a r ds y s t e mo f e l e c t r o d ep o s i t i o n 2 1 5 脑电信号中常见的伪差 伪差i 捌是脑电图中的脑外来源所产生的电位记录。 伪差和脑电信号有时非常相似，常给脑电图的阅读和分析造成极大困难，因此记录 脑电时应随时注意识别、确定和标记伪差的来源，及时纠正排除，以免引起误诊当然， 发展先进的伪差识别与剔除方法也是当前脑电研究中的一个很重要的方面。伪差主要来 源于电极及导线，脑电图仪，受检者和外界干扰等。 ( 1 ) 来自电极和导线的伪差 万 r 窆科擘w 大连理工大学硕士学位论文 主要来自以下两个方面，一方面是电极伪差，是由于电极本身的原因，如质量不好， 电极断裂，接触不良等等引起的；另一方面是电极放置不对称，造成脑电图上出现两侧 波幅和式样不同的波，易造成脑电图的误诊。 ( 2 ) 来自脑电图仪的伪差 主要是来自于脑电图仪主机的故障，包括电子元件的损坏，描记器发生故障等等。 ( 3 ) 外界电干扰 主要为电磁波辐射及静电感应，常来自脑电图室伏季的超短波仪，高频震荡器，x 线机和大功率的其它电气器械的电磁波辐射，没有屏蔽的各类交流电源线和室内其它电 子仪器等等。 ( 4 ) 来自人体的伪差 人体生理现象引起的电活动，电位通常比脑电强，常被脑电图记录下来，造成脑电 分析中的伪差。有对会歪曲或遮蔽脑电位。分析脑电图时应注意并熟悉各种形式的人体 伪差。主要包括心电伪差、血管波伪差、肌电伪差、出汗伪差、眼动伪差以及受检者移 动出现的伪差等。 2 2 诱发电位信号 诱发电位( e v o k e dp r o t e n t i a l ，e p ) 或称诱发反应，是指对神经系统某一特定部位( 包 括从感受器到大脑皮层) 给予相应的刺激，经过大脑对该刺激信息加工处理后，在脑的 相应部位产生可以检出的、与刺激有相对固定时间间隔( 锁时关系) 和特定位相的生物 电反应网。通俗的讲，诱发电位是神经系统接受内外刺激所产生的特定电活动。e p 是 相对于自发脑电( e e o ) 而言的。e e g 是中枢神经系统产生的自发性电活动，是大脑皮 层产生的与外界刺激毫无关系的生物电活动。 在正常情况下，诱发电位是相对稳定的准周期信号。当神经系统出现某种生理病变 时，其诱发电位将产生相应的变化，通过检测诱发电位就可以诊断和分析神经系统的损 伤和疾病。e p 信号的潜伏期( l a t e n c y ) 定义为由外部刺激时刻开始到某个选定的e p 峰值之间的时间间隔。e p 信号中包含了丰富的有关神经系统传导通路上各个部位的信 息，特别是潜伏期及其变化表示了神经系统的传导及其延迟，从而反映了神经系统的状 态和变化。例如比较常用的脑干听觉诱发电位经由分析e p 信号各潜伏期及峰之间的峰 值和波形，可以判断人体或其它生命体听觉神经传导通路各部位的功能是否正常。如果 听觉神经通路中任一部位出现损伤或病变，其e p 信号必将出现相应的变化。 一9 - - 盲源分离研究及其在脑电信号分析中的应用 总之，e p 信号的提取在临床上具有非常广泛的应用。通过对e p 信号提取新方法的 研究，从而准确、有效地提取e p 信号，不仅可以为医生的临床诊断提供客观的依据， 也可以使其在病理学、生理学乃至认知科学领域发挥更大的作用。 2 2 1e p 信号的分类 人的内外刺激是十分复杂的，记录的e p 信号也是千变万化的。为了能够发展成临 床上使用的检测方法，就需要采用一定规则的人工刺激，如脉冲电流、一定频率的声音， 某种光亮或者特殊磁场来诱发相应的神经系统的响应。简单的讲，就是要制定一套刺激 的标准。另外，刺激标准化后，还必须使得记录标准化，这样才可以相互交流并达到临 床研究和应用的目的。 经过多年的诱发电位理论的深入研究和电子技术的发展，目前临床上应用的e p 根 据刺激通道的不同，主要包括脑干听觉诱发电位( b r a i ns t e ma u d i t o r ye v o k e dp o t e n t i a l s ， b a e p ) 、短潜伏期体感诱发电位( s h o r t - l a t e n c ys o m a t o s c n s o r y e v o k e d p o t e n t i a l s ，s l s e p ) 和模式翻转视觉诱发电位( p a t t e r nr e v e r s a l d s u a l e v o k e d p o t e n t i a l s , p r v e p ) 等。本文中， 这三种诱发电位的具体获取方法不是重点，所以不作详细介绍，感兴趣的可以参考文献 【2 2 】和文献 2 3 】。 诱发电位根据潜伏期的长短，可以分为早潜伏期诱发电位、中潜伏期诱发电位、晚 ( 长) 潜伏期诱发电位和慢波。 另外，临床上为实用起见，将e p 信号分为两大类：与感觉或运动功能有关的外源 性刺激相关电位和与认知功能有关的内源性事件相关电位。 2 2 2e p 信号的基本特点 e p 信号是神经系统在刺激过程所产生的生物电活动，它除了具备一般生物电信号 的特点外，还具有如下的一些特点： ( 1 ) e p 信号必须要有明确的内或外刺激条件。这是产生e p 信号的必要条件，也是 其区别于e e g 信号的最本质的原因。 ( 2 ) e p 信号与刺激有着确定的和严格的时相关系。e p 信号会在给予刺激时几乎立即 或在一定时间内瞬时出现，其有着稳定的潜伏期，但其潜伏期的长短会因为刺激的强弱 变化和中枢功能状态的改变而改变。 ( 3 ) e p 信号在脑内特定的部位产生，所以在头皮上特定的部位才能检测出来。 ( 4 ) e p 信号强度较微弱，成份比较复杂。少数e p 的波幅较高，也仅约1 0 - 2 0 t t v ， 可以在e e g 中发现其轨迹，比如慢节律的频闪光，在顶枕部e e g 中可见节律性p r v e p 的痕迹。但是，b a e p 和s l s e p 的波幅就非常低，大约o 2 - 1 0 p v ，因此不可能在常规 大连理工大学硕士学位论文 脑电中观察到，它们被背景噪声( 比如e e g 中的n 波) 和各种伪差混合在一起的高强 度噪声所淹没。而且提取到的e p 波型也比较复杂，包含比较广泛的频谱，时域波形上 有形态各异的主波和变化的后发放成份。 2 2 3 影响e p 信号的基本因素 上文提到e p 信号千变万化，具有较大的不确定性。概括起来，影响e p 信号的基 本因素主要包括三个方面。 ( 1 ) 物理因素。主要来自于刺激的强度，刺激的时间间隔以及刺激的环境等等，这 些都会导致e p 信号的潜伏期和波幅的变化。 c 2 ) 心理因素。e p 的测试过程中一般要求被测者主动参与，因而被测者的觉醒状态、 注意力是否集中皆可影响结果。 ( 3 ) 生理因素。被测者的年龄，生理状态也会影响e p 的测试结果。比如，不同年 龄的p r v e p 波的p 3 的潜伏期和波幅也不同。p 3 的潜伏期与年龄成正相关，随着年龄 的增长而延长。而p 3 的波幅却与年龄呈负相关，在青少年时期，波幅较高。 2 2 4e p 信号的提取 通常e p 信号与自发脑电( e e g ) 信号是同时记录到的，在e p 信号的处理中，我们 关心的是e p 信号，而把e e g 信号看作噪声。由于e p 信号淹没在很强的背景噪声中， 信噪比( s n r ) 通常在一1 0 d b 左右，甚至更低。目前临床上。大都采用叠加平均法来检 测e p 信号，其基于如下的三个假设： 1 e p 信号是准周期信号，即每次刺激后所获得的e p 波形是一致或近似一致的； 2 e e g 信号及其它背景噪声与刺激无关，且为零均值的