（信号与信息处理专业论文）脑电信号的特性分析与特征提取.pdf

大连理工大学硕士学位论文 摘要 脑电信号( e e g ) 是通过电极记录下来的脑电细胞群的自发性、节律性电活动，它 包含了大量的生理与病理信息，对其作深入的研究有助于临床医生提高对大脑神经系统 损伤病变诊断和检测的可靠性和准确性，同时对于脑疾病诊断和检测提供了有效的手 段，所以脑电图检查在临床诊断中起着越来越重要的作用。 对脑电信号进行特性分析和特征提取，国内外有关这一课题的研究日益增多。由丰 富的国内外资料可知，许多经典的或现代的信号处理分析方法已经应用于脑电信号中， 且己见成效。可以说，前人的工作已经为未来的研究提供了很好的基础，因此本论文在 此基础上，研究方向大致向以下两方面展开：一是采用经典和现代信号处理方法分析的 基本原理和方法，研究并实现脑电信号特性分析和特征提取的更加有效和快速的算法； 二是研究发展新的分析方法，并尝试将现有方法进行结合，应用于脑电信号的特性分析 和特征提取。具体的工作包括： 首先，深入研究国内外脑电信号特性分析与特征提取的理论和方法，对各种分析方 法的优缺点加以充分认识及总结。 其次，深入研究近似熵算法及其性质，并探讨近似熵算法应用于脑电信号的可行性。 采用近似熵算法对小猪脑缺氧窒息而引起的中枢神经系统损伤实验数据进行分析及对 损伤程度进行定量评估。结果表明基于近似熵的方法对于脑缺氧窒息而引起的中枢神经 系统损伤及对损伤程度进行评估，具有直观和可定量的优点。可能成为一个新的评价缺 氧脑损伤的临床参量。 第三，采用近似熵对癫痫患者的脑电信号进行分析，探索运用近似熵进行癫痫检测 的可行性。针对近似熵存在的问题，选用一种与近似熵类似但精度更好的方法一样本熵， 并同近似熵就在癫痫脑电信号中的应用进行了比较分析。结果显示癫痫发作时脑电信号 的近似熵和样本熵均明显低于发作前和发作后。样本熵的变化幅度明显大于近似熵。 最后，将经验模式分解应用于脑电信号的预处理并结合样本熵对癫痫脑电信号进行 预测。结果显示基于经验模式分解的样本熵其幅度减小更为显著，同时抑制了伪差对实 验结果的影响。基于经验模式分解与样本熵的癫痫预测方法能够很好的对癫痫进行预 测。 关键词：脑电图；癫瘸；近似熵；样本熵；经验模式分解 白冬梅：脑电信号的特性分析与特征提取 t h ee x t r a c t i o na n d a n a l y s i so fe e g f e a t u r e s a b s t r a c t a ne l e c t r o e n c e p h a l o g r a m ( e e g 、r e c o r db r a i n w a v e sp a t t e r n sf r o mt h ec o n t i n u o u sr h y t h m a n ds p o n t a n e o u se l e c t r i c a ls i g n a l sc o m i n gf r o mt h eb r a i nv i ae l e c t r o d e s ，w h i c hc o n t a i n sal o t o fi n f o r m a t i o na b o u tp h y s i o l o g ya n dp a t h o l o g y e e gh e l p st oi m p r o v et h er e l i a b i l i t ya n d a c c u r a c yi nc l i n i c a ld i a g n o s i sa n dd e t e c t i o na b o u tt h eb r a i nn e u r a lp a t h o l o g i c a lc h a n g e s a s a ne f f e c t i v em e t h o d si nb r a i nd i s e a s ed i a g n o s i sa n dd e t e c t i o ne e ge x a m i n ep l a y sam o r ea n d m o r eg r e a tp a r ti nc l i n i c a ld i a g n o s i s t h e r ea r em o r ea n dm o r er e s e a r c h e si nt h ee x t r a c t i o na n da n a l y s i so fe e gf e a t u r e s a c c o r d i n gt ot h el i t e r a t u r e s ，m a n yc l a s s i co rm o d e ms i g n a lp r o c e s s i n gm e t h o d sh a v eb e e n a p p l i e di ne e gw h i c ha l r e a d yh a v eg o o dr e s u l t s o b v i o u s l yi th a sp a v e dap a t hf o rf u t u r e r e s e a r c hi nt h i sf i e l d s ob a s e do nt h ef o u n d a t i o nt h e r ea r et w oc o n t e n t si nt h i st h e s i s ：f i r s t t h e b a s i st h e o r ya n dm e t h o d su s i n gc l a s s i ca n dm o d e r ns i g n a lp r o c e s s i n ga n a l y s i sa r es t u d i e d ， e s p e c i a l l yt h ee f f e c t i v ea n df a s ta l g o r i t h ma b o u tt h ee x t r a c t i o na n da n a l y s i so fe e gf e a t u r e s ； s e c o n d ，t h en e wa n a l y s i sm e t h o d si sd e v e l o p e d ，a n dc o m b i n e dw i t ht h ee x i s t i n gm e t h o d s a p p l y i n gi nt h ee x t r a c t i o na n da n a l y s i so f e e gf e a t u r e s n l ed e t a i l si n c l u d e ： f i r s t t h et h e o r ya n dm e t h o da b o u tt h ee x t r a c t i o na n da n a l y s i so fe e gf e a t u r e sa r e s t u d i e d ，t h eh i s t o r ya n dt h ed e v e l o p m e n to fv a r i o u sm e t h o d sa s , w e l la st h e i ra d v a n t a g e sa n d d i s a d v a n t a g e sa r er e v i e w e d s e c o n d ，a p p r o x i m a t ee n t r o p y ( a p e n ) t h e o r ya n di t sp r o p e r t ya r es t u d i e d ，i n c l u d i n gt h e d e v e l o p m e n to fa na p p r o x i m a t ee n t r o p y ( a p e n ) b a s e da n a l y s i sm e t h o df o rt h eb r a i n 喇u r y d e t e c t i o na n dq u a n t i f i c a t i o n t h ea p e nb a s e dm e t h o di su s e dt oc a l c u l a t et h ec o m p l e x i t yo f e e g s i g n a l so b t a i n e df r o mt h eh y p o x i aa n da s p h y x i ae x p e r i m e n t n l ed e t e c t i o na n da n a l y s i s r e s u l t ss h o wt h a tt h ea p e nb a s e dm e t h o dc a nb eu s e da sam e a s u r et od e t e c tt h ei n j u r yo f t h e c e n t r a ln e r v o u ss y s t e m ( c n s ) w i t he e g a n dt h ec o r r e l a f t o nc o e f n c i e n t sb e t w e e nt h er e s u l t s a n dt 1 1 en e u r o l o g i c a ld e f i c i ts c o r e sm d s ) o b t a i n e df r o ms e v e r a lb e h a v i o r a lt e s t si sa b o u t9 0 t h ea p e nb a s e dm e t h o dh a sap o t e n t i a lt ob eac l i n i c a lm e a s u r ef o rt h ei n j u r yd e t e c t i o no f c n s t h i r d ，t h et h e s i sa n a l y z e se p i l e p t i ce e gs i g n a l sa p p r o x i m a t ee n t r o p y ( a p e n ) a n di t s f e a s i b i l i t yu s i n gi nt h ee p i l e p s yd e t e c t i o n b a s e do nt h el i m i t a t i o n so ft h ec o m l n o nu s e d a p p r o x i m a t ee n t r o p y ( a p e n ) i nt h ee p i l e p s yd e t e c t i o n ，t h i st h e s i sa n a l y z e se p i l e p t i ce e g s i g n a l sw i t ht h es a m p l ee n t r o p y ( s a m p e n ) a p p r o a c h ，an e wm e t h o df o rs i g n a la n a l y s i sw i t h m u c hh i g h e rp r e c i s i o nt h a nt h a to ft h ea p e n d a t aa n a l y s i sr e s u l t ss h o wt h a tt h ev a l u e sf r o m 大连理工大学硕士学位论文 b o t ha p e na n ds a m p e nd e c r e a s es i g n i f i c a n t l yw h e nt h ee p i l e p s yi sb u r s t f u r t h e r m o r e ，t h e s a m p e ni sm o r es e n s i t i v et oe e gc h a n g e sc a u s e db yt h ee p i l e p s y ，a b o u t15 - - 2 0 h i g h e r t h a nt h er e s u l t so f t h ea p e n f i n a l l y ，t h i st h e s i sp r o p o s e san e we p i l e p t i cp r e d i c t i o nm e t h o db a s e do dt h ee x p e r i e n c e m o d ed e c o m p o s i t i o n ( e m d ) a n ds a m p l ee n t r o p y t e c h n o l o g i e s t h ed a t aa n a l y s i sr e s u l t ss i l o w t h a ts u c ht e c h n i q u e ss u p p r e s st h ee f f e c t so fn o i s e sa n dd e t e c ta n de v e np r e d i c tt h eo u t b r e a ko f t h ee p i l e p t i c t h en e wm e t h o dw o r k sw e l la n do b t a i nag o o dr e s u l ti ne p i l e p t i cp r e d i c t i o n k e yw o r d s ：e e g , e p i l e p s y ：a p p r o x i m a t ee n t r o p y ；s a m p l ee n t r o p y ：e m p i r i c a lm o d e d e c o m p o s i t i o n 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。 一1 作者签名：鱼整塑日期：型! ! 兰 大连理工大学硕士学位论文 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： 自冬静 导师签名：盟查邀 型堕年生月2 l 日 大连理工大学硕士学位论文 1 绪论 1 1 课题的理论意义及应用价值 人脑具有电活动，这是h a n sb e r g e r 于1 9 2 4 年首先发现的，并命名为脑电图( e e g ) 。 脑电信号( e e g ) 是通过电极记录下来的脑电细胞群的自发性、节律性电活动，它包含 了大量的生理与病理信息，对其作深入的研究有助于临床医生提高对大脑神经系统损伤 病变诊断和检测的可靠性和准确性，同时对于脑疾病诊断和检测提供了有效的手段，所 以脑电图检查在临床诊断中起着越来越重要的作用。例如轻微头部损伤、头骨外伤和婴 儿缺氧的诊断、癫痫的确定、睡眠模式的分类、脑血管外科手术的监测以及作为麻醉深 度的一种测量等等。在认知科学、生理学、精神病学方面，脑电信号也具有广阔的学术 价值和应用前景。通过研究人体处于不同生理状态和不同脑功能状态的脑电特征，可以 了解脑电的不同工作机制。在工程应用方面，人们也尝试利用脑电信号实现人脑一计算 机接口( b c i ) ，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。 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 此对脑电信号进行特性分析与特征提取是非常吸引人但又是具有相当难度的研究课题。 1 2 国内外的研究概况及发展趋势 对脑电信号进行特性分析和特征提取，国内外有关这一课题的研究日益增多，到目 前为止，已经有很多方法被应用于此。最初的脑电图( e e g ) 的研究方法主要是通过专 家目测完成，专家利用经验消除伪差和干扰，并根据脑电图波形的幅度、频率和瞬态分 布等给出评价和结论。这使得对脑电信号的特征提取与特性分析停留在主观水平上。自 1 9 3 2 年d i e t c h 首先用傅立叶变换迸行了脑电图分析之后，相继引入了频域分析、时域 分析等脑电图分析的经典方法，有力地推动了脑电信号研究方法的进展。 首先是现代谱分析技术的发展。功率谱分析是e e g 信号处理最常用工具，源于傅 氏变换，它的前提是平稳随机信号，对非平稳随机信号而言，不同时刻的谱分析结果是 不同的。目前常用的方法之一是以短时傅立叶变换为基础的周期法，但此法频率分辨率 差，存在边瓣泄漏、谱估计方差大等问题。参数模型谱估计方法对数据处理能得到高 分辨率的谱分析结果，从而为e e g 信号频域特征的提取提供新的有效手段，特别是在 动态特性分析中显示优越性。其中得到广泛应用的是a r 参数模型谱估计【l i ，a r 系数 的估计算法有y u l ew a l k e r 、b u r ga i g o r i t h m 、l e a s ts q u a r e s 等，各有利弊。一些研究 人员在运用a r - s p a 技术时解决关键的问题是，在谱分量的参数提取时直接从谱图通过 白冬梅：脑电信号的特性分析与特征提取 峰值检测估算频谱参数的新方法，在定阶上提出了基于奇异值分解的谱估计精确算法， 作为定阶的结果及所得参数精度的一个相对标准的方法口】。参考文献 3 基于e e g 信号 a r 谱分析的中枢神经系统损伤检测方法，根据e e g 信号a r 模型确定定量分析e e g 信号状态和变化的测度，并根据所定义的测度检测在缺氧窒息实验过程中中枢神经系 统可能存在的损伤。功率谱分析能有效地反映信号的二阶信息，却丢失包括相位信息在 内的高阶信息，而这些信息对e e g 信号分析有意义，通过定义双谱密度函数进行双谱 分析。对高斯随机而言，双谱函数作为随机信号偏离高斯分布的一个测度，经过对实际 e e g 数据检验表明，不同功能状态下的e e g 对高斯性的偏离度有较大差别。双谱分析 可以观察信号各频率分量之间的相关性，双谱分析要求信号至少三阶平稳，因此对短数 据段e e g 信号才有意义 4 - 6 1 。 时频分析在脑电信号中得到了广泛的应用。e e g 按其重复节律不同主要分为4 种： 占波，口波，口波，口波。异常脑电波如癫痫患者，其e e g 中出现棘波、尖波及棘慢综合 波等，脑电波属于时变，非平稳信号，不同时刻有不同的频率成分，单纯时频域不能 准确表征信号，e e g 许多病变以瞬态形式出现的，只有时频结合才能有效处理，w i g n e r 分布( 简记w d ) 正是具有一些重复性质的时一频分析法，很适合于脑电信号瞬态波形的 特征提取。利用w d 分布进行脑电信号处理，要先采用低通滤波，满足w d 频率需要，防 止混迭；为保证e e g 的有用特性不会被隔去，e e g 信号截止频率选取在3 0 h z 以下，未处 理的w d 分布由于交叉干扰的存在无法分辨信号特征。小波变换是8 0 年代后期发展起 来的应用数学分支。是傅立叶变换的新发展。它克服了傅立叶变换的局限性，在时域和 频域上都具有良好的局部化特性，它可以聚焦到对象的任意细节。可以把信号分解成多 频率通道的信号，是具有多分辨率的分析方法。小波变换对e e g 信号中的伪差有较好的 抑制。事实证明，分析小波处理后的e e g 数据比直接分析原始数据效果好【8 】。小波变换 法的突出特点是其时宽频宽的乘积很小。现在常用小波变换中的多尺度分析来分析脑电 图信号检测中的异常波，如脑电图中的棘波、棘慢复合波等【9 _ 1 “，以及诱发电位( e p ) 的 提取1 ，该方法的优点是即使不知道刺激发生的确切时刻的情况下，也可以检测到e p 信号。占节律、o 节律、口节律、口节律在小波的不同尺度上表现不一，多尺度不仅反 映信号的频率信息，尺度越大，对应信号频率越低，同时也反映信号的时间信息，即 此时e e g 状态。 人脑是一个巨大而又复杂的神经网络。现代科学研究结果表明，神经网络中的电活 动是大脑信息处理过程中的一种极为重要的形式，我们通过对脑电信号的研究可以了解 神经网络的信息处理过程和作用机理。目前人工神经网络的方法在脑电信号处理中也得 大连理工大学硕士学位论文 到了广泛的应用1 1 2 - 1 5 。人工神经网络可用作自发脑电分析，分析的目的是为了检测脑电 图尖波和癫痫发作，输入方式可以使用原始信号模型和特征参数模型。目前有利用小波 变换和人工神经网络相结合的方法来检测脑电图信号中的棘波与尖波成分。利用小波变 换( 、v t ) 对基于a n n 的e e g 棘波检测系统的输入进行预处理，从而在不减少信号的信息 内容和不降低检测性能的前提下简化a n n 的输入模式0 6 。 越来越多的研究表明，人脑是一个非线性动力学系统。非线性分析方法用来分析脑 电，描述单个神经元及神经核团的电活动，对大脑头皮测定的e e g 是1 1 - 个系统电活动 的时空叠加。进行维数分析就是从实验中得到一维e e g 时间序列中提取n 维状态空间 的信息。这种方法是进行n 维状态空间的重建 1 7 - 1 9 。分形维数及李雅浦诺夫指数 ( l y a p o n u v ) 等是利用各种非线性方法得到描述脑系统动力学特性的参数，其中维数分析 应用最广 2 0 - 2 2 。脑电信号复杂度测量是近年来发展起来的一种新方法，它可以定量评价 直观的信号曲线变化的复杂性，有效地反应大脑在生理、病理和不同药物作用下的某些 变化特征，便于各种大脑活动之间的比较和区分。 1 3 本文主要工作 对脑电信号进行特性分析和特征提取，需要了解脑电信号的特点及对信号处理的要 求。由于脑电信号微弱，背景噪声强，因此对脑电信号进行预处理，降低噪声背景对信 号的污染、消除伪差影响，是脑电信号处理的主要部分。脑电信号是一种随机性很强的 非平稳信号。随机性是因为影响它的因素太多，因此必须借助统计处理技术来检测、辨 识和估计它的特征；非平稳性是因为生理因素始终在变化，且对外界的影响有自适应能 力。所以e e g 又是统计特性随时间变化的非平稳信号。越来越多的研究表明，人脑是 一个非线性系统。目前的信号处理技术很多是建立在线性系统理论基础上，因此如何减 少非线性误差也是应该注意的问题。同时可以考虑用非线性的方法处理脑电问题。本论 文的研究方向主要是通过经典的或现代的信号处理方法、非线性动力学方法等，对脑电 信号中的各种特征波进行特征提取与识别，找出对解决脑电疾病相关的信息，从而达到 及早发现及早治疗的目的。根据上述分析，本文主要从以下四个方面展开： ( 1 ) 深入研究国内外脑电信号特性分析与特征提取的理论和方法，对各种分析方法 的优缺点加以充分认识及总结。 ( 2 ) 深入研究近似熵算法及其性质，并探讨近似熵算法应用于脑电信号的可行性。 采用近似熵算法对小猪脑缺氧窒息而引起的中枢神经系统损伤实验数据进行分析及对 损伤程度进行定量评估。结果表明基于近似熵的方法对于脑缺氧窒息而引起的中枢神经 系统损伤及对损伤程度进行评估，具有直观和可定量的优点。可能成为一个新的评价缺 白冬梅：脑电信号的特性分析与特征提取 氧脑损伤的临床参量。 f 3 1 采用近似熵对癫痫患者的脑电信号进行分析，探索运用近似熵进行癫痫检测的 可行性。针对近似熵存在的问题，选用一种与近似熵类似但精度更好的方法一样本熵， 并同近似熵就在癫痫脑电信号中的应用进行了比较分析。结果显示癫痫发作时脑电信号 的近似熵和样本熵均明显低于发作前和发作后。样本熵的变化幅度明显大于近似熵。 ( 4 ) 将经验模式分解应用于脑电信号的预处理并结合样本熵对癫痫脑电信号进行预 测。结果显示基于经验模式分解的样本熵其幅度减小更为显著，同时抑制了伪差对实验 结果的影响。基于经验模式分解与样本熵的癫痫预测方法能够很好的对癫痫进行预测。 大连理工大学硕士学位论文 2 基于脑电信号特性分析与特征提取的方法概述 2 1 脑电信号的基本知识 2 1 1 脑电信号的产生机理及种类 脑电图( e e g ) 是通过电极记录下来的脑细胞群的自发性、节律性电活动。根据电 极放置方式的不同，脑电图分为头皮脑电、皮层脑电及深部脑电图。其中头皮脑电是大 脑神经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。皮层脑电图是指在开颅手术时将电极放置在大脑皮层描记下来的脑电 图。深部脑电图是指皮层下各种结构的电活动的记录。 脑电图反映了大脑组织的电活动及大脑的功能状态，其基本特征包括周期、振幅、相位 等。关于脑电图的分类，国际上有几种不同的方法，一般说来，常用的分类变量有：频率、 电压、形态、同步性、周期性等。若按频带定义，一般可将脑电分为下面几种波： ( 1 ) 8 波，频带范围0 5 4 h z ，振幅为1 0 2 0 “v ，常在额部出现，其指数不超过 5 8 ，见于儿童和成年人的睡眠时，在正常清醒的成人脑波中很少见，过度换气、睁 眼及呼叫姓名都对8 波无影响。无论任何年龄，任何意志水平持续存在的局灶性6 波均 为异常，指示着皮质瘸变； ( 2 ) e 波，频带范围4 8 h z ，振幅2 0 4 0 “v ，在颞叶、顶叶较明显，一般困倦时 出现，是中枢神经系统抑制状态的表现。经常存在的局灶性e 节律为异常，其出现常为 深部皮层下或中线结构的病变； ( 3 ) a 波，频带范围8 1 2 h z ，8 5 的成人在9 5 1 0 5 h z 之间，振幅1 0 1 0 0 “v ， 是成人脑电中的基本节律。口节律呈正弦形，其波幅可以出现周期性逐渐升高和降低现 象。o 【波的活动在大脑各区都有，不过以顶枕部最为显著，并且左右对称，安静及闭眼 时出现最多，波幅亦最高，睁眼、光刺激或精神活动时，c t 波会受到抑制并很快的被b 波 所取代，这是正常脑电图的重要标志之一。对同一个人而言，在不同时间或不同脑区记 录的c 【节律的周期、振幅、位相等平均值差异一般不超过1 0 ，其脑电图出现方式较恒 定，对生理条件改变或各种外界刺激可保持一定的闽值： ( 4 ) 1 3 波，频带范围1 4 3 0 h z ，电压幅度低于5 3 0p - v ，以额、颞和中央较为显 著，注意力集中或情绪紧张时出现较多； ( 5 ) ，波：额区及中央最多，它与波同属快波，快波增多，波幅增高是神经细胞兴奋 型增高的表现。 白冬梅：脑电信号的特性分析与特征提取 在病理状态下如癫痫、脑肿瘤或脑外伤等情况下，大脑活动受到抑制，脑电图出现 异常波活动。癫痫病人的脑电图常见特征波形如下： ( 1 ) 棘波：出现方式一般为孤立性或散在性，癫痫大发作时可以是连续性。棘波的 周期小于8 3 m s ，其波顶尖锐。两个以上的棘波相连接时称为多发棘波。棘波的极性向 上者称为阴性棘波，向下者称为阳性棘波。棘波是癫痫的特异波形。常见于局限性癫痫、 癫痫大发作等。 ( 2 ) 棘馒复合波：棘波和口波或万波连接起来的称为棘慢复合波或简称为棘慢波。 其频率有3 h z 、2 h z 或不规则的等。包含两个以上的棘波的棘慢波成为多棘慢波。这种 波形是癫痫小发作特有的。 ( 3 ) 尖波：又称为锐波，其波形近似于棘波，但周期较长，通常为8 3 m s 以上，形 态为快直上升而缓慢下降的三角波形，波幅可达2 0 0 9 v 以上，也是一种病理波，多见 于癫痫。 ( 4 ) 尖慢复合波：是由一个尖波和一个慢波组成的复合波，亦称为不全棘慢波或慢 棘慢波，见于局限性癫痫。 图2 1 为几种典型的脑电节律。 b 节律酬鳓_ 删糊黼r n 节律嘲搿蠛 酗蝴_ # 0 节律胡办 稳办凫 。 6 节铷豁鸬 。 棘节律喇馥 镕娜 正相棘节律唧伊眦 尖节律琴掌谶徽 棘一慢节律：影则 芷节律卅蝴蛾帕脚多棘慢节律 1 _ l 节律谢蕊舂骥蝴尖慢节律 o 节律捌镳躺妒 高度失律 图2 1 典型的脑电节律 f i g 2 1t y p i c a le e gr h y t h m 一6 一 穗尽飞础矾p勰帆 大连理工大学硕士学位论文 2 1 2 脑电信号的采集方法及应用 脑电信号通常是利用脑电图仪获得的。脑电图仪是专门用于测量和记录脑电图的装 置，大脑发出的电信号通过放在头皮上面的电极传输到信号采集器里，经过分析前的预 处理，然后才送到计算机里做有关的分析处理。 根据电极放置位置的不同，脑电图分为头皮脑电图、皮层脑电图和深部脑电图等。 皮层脑电图和深部脑电图是带创伤性的，有时需要手术来完成，技术难度较大。头皮脑 电图方法简单，但由于电极位于头皮表面，存在伪差干扰，测量到的信号幅度较弱，需 进行放大处理。 脑电图中一切不是从大脑皮质中描记出来的信号都是伪差。比较常见的有肌肉活 动：如咬牙、皱眉，出现高波幅( 1 5 0 “v ) 快波( 3 0 6 0 h z ) 手足的大动作：各导联出 现高波幅，形状不一的波形。出汗：两侧额部出现2 5 0 m s 慢波，形成基线不稳。眨眼： 出现对称的单个或节律性1 0 0 “v ，2 5 0 3 0 0 m s 的波。心电干扰：节律性与心率相同。 工频干扰等。 常规脑电图检查采用的是头皮脑电图。头皮脑电图是大脑神经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。 关于电极放置位置，现在绝大多数实验室和医院都是采用国际1 0 d 0 系统标准电极 放嚣法，一般放置在脑部1 6 或1 9 个特定的位置，如图2 2 所示。除中间的三个电极( f z ， c z ，p z ) 外，其余十六个电极的放置位置都是对称的，左右两侧的电极都以同侧耳垂( a 1 ， a 2 ) 作为参考电极。 脑电图是临床描记大脑活动的一种重要的手段，含有丰富的信息，对于生理研究和 临床诊断都有重要的意义。目前。e e g 信号的研究主要包括以下几个方面： f 1 ) 脑部疾病的辅助诊断；脑电异常波形主要具有节律性、散在性、爆发性、杂乱、 无节律性。这部分的研究主要是研究处于病理状态下( 如癫痫、脑损伤、药物作用等) 的脑电信号的特性变化，对其进行特性提取和特征分析，为临床提供分析和诊断参考。 ( 2 ) 揭示脑电的功能；主要研究人体处于不同生理状态( 如不同睡眠期) 、不同脑 功能状态下脑电的特征，以了解脑的工作机制。 ( 3 ) 在工程应用方面，人们也尝试利用脑电信号实现人脑一计算机接口( b c i ) ，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。 f 4 1 在认知科学、生理学、精神病学方面，脑电信号也具有广阔的学术价值和应用前 景。 白冬梅：脑电信号的特性分析与特征提取 图2 21 0 2 0 系统电极放置法 f i g 2 2t h ep o s i t i o no f e l e c t r o d e si nt h e1 0 2 0s y s t e m 注1 ) f p l 、f p 2 ：前额；f 3 、f 4 ：额：c 3 、c 4 ：中央：p 3 、p 4 ：顶；0 1 、0 2 ：枕；f 7 、f 8 ：前颞 t 3 、t 4 ：中颞：t 5 、t 6 ：后颞；f z ：额中线；c z ：中央头顶；p z ：顶中线；a 1 、a 2 ：耳( 或乳突) 2 2 脑电信号的特点及其对信号处理的要求 医学信号处理的基本目的，就是从存在严重背景干扰的医学信号中，提取对疾病诊 断有用的生理、病理信息。下面就脑电信号的特点，介绍从e e g 信号中提取大脑活动 信息的技术和方法。 ( 1 ) 脑电信号非常微弱，背景噪声很强。一般e e g 信号只有5 0 p v 左右，最大1 0 0 扯v 。 噪声背景强是指非研究对象的信号在观察中有强烈的表现，例如神经紧张、面部肌肉动 作等带来的伪迹、强烈的工频干扰等。因此脑电信号的特性分析和特征提取对监测系统、 分析系统有很高的要求，包括要求有高输入阻抗、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 大连理工大学硕士学位论文 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。 由于数字信号处理技术的前提是首先要把模拟信号变换成数字序列。这就要求被处 理的信号必须是具有各态历经性的平稳随机信号。这样对于非平稳e e g 信号而言，采用 数字化处理技术势必带来较大误差。为了减少这种误差我们必须采取某种准平稳化技术 措施，目前常用的方法有两种：按临床经验或生理学要求，把信号固定分段进行处 理。这样做的根据是：假定e e g 信号在短时间段内的统计特性基本不变。根据研究资 料报导，口占优势的e e g 信号在1 0 一3 0 秒内，可近似认为平稳，而在麻醉、睡眠状态 下平稳段要短于1 0 s 。这种方法效果虽不理想，但比较简单，是常用方法。按照e e g 信号的实际统计特性进行自适应分段。由于等间隔内信号平稳性不可能一致，采用这种 方法显然对效果会有改善。但由于技术上较复杂，目前尚处在研究阶段。 ( 3 ) 非线性：生物组织的调节及适应机能必然影响到电生理信号具有非线性的特点。 而目前的信号处理技术基本上是建立在线性系统理论分析基础上的。因此如何减少非线 性误差也是应该注意的问题，同时可以考虑用非线性的方法处理脑电问题。 ( 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，功率谱分析及各种 频域处理技术在e e g 信号处理中占有更重要的位置。 2 3 脑电信号处理的主要研究方法 目前对脑电信号进行特征提取和特性分析的方法有很多，概括起来主要包括时域分 析、频域分析、时频分析、神经网络、非线性动力学等。 2 3 1 时域分析 直接从时域提取特征是最早发展起来的方法，因为它直观性强，物理意义比较明确， 因此仍有不少脑电图医生或技师使用。过去的e e g 分析主要靠肉眼观察，这可以看作是 人工时域分析。时域分析主要用来直接提取波形特征，如过零截点分析、直方图分析、 方差分析、相关分析、峰值检测及波形参数分析、相干平均、波形识别等等。 2 3 2 频域分析 ( 1 ) 功率谱估计 功率谱估计是频域分析的主要手段。它的意义在于把幅度随时间变化的脑电波变换 为脑电功率随频率变化的谱图，从而可直观地观察到脑电节律的分布与变换情况。但脑 电信号尤其是癫痫样放电的e e g 信号的非平稳性给f f t 的应用带来了一定的困难。谱 估计法一般可分为经典方法与现代方法。经典的谱估计方法是直接按定义用有限长数据 白冬梅：脑电信号的特性分析与特征提取 来估计，即以短时间段数据的傅氏变换为基础的周期法。主要有两种途径：先估计 相关函数，再经过傅氏变换得到功率谱估计( 根据维纳一辛钦定理) 。把功率谱和幅 频特性的平方联系起来，即功率谱是幅频特性平方的总体均值与持续时间之比，是在持 续时间趋于无限时的极限值。这两种方法存在的共同问题是估计的方差特性不好，而且 估计值沿频率轴的起伏比较剧烈，数据越长，这种现象越严重。周期图法用来计算短的 平稳信号段，通常不会超过2 3 秒，这就意味着频域分辨率是0 3 3 o 5 h z 。为了获 得一致功率谱估计，要求将几个功率谱平均，以降低估计结果的波动。但这种平均过程 会平滑动态变化，丢失所需的重要信息，而参数模型估计方法对数据处理能得到高分辨 率的谱分析结果，从而为e e g 信号频域特征的提取提供了新的有效手段，特别是对e e g 信号作动态特性分析中更显优越。 ( 2 ) a r 参数模型谱估计 z r o g o w s k i 等人认为，用a r 模型描述脑电信号非常合适。首先，它降低了计算量； 其次，从信号的统计特性看，参数易于估计；另外，从时间序列和估计参数中得到的模 型可能揭示脑电产生的机理【l j 。 对当前采样值x ( 一) 用前1 9 个采样值的线性组合进行预测，则 p i ( n ) = 一吼x ( n - k ) ( 2 1 ) k a l 其中，吼为预测系数，p 为模型阶数。用。( ”) 表示预测误差，则 0 e ( n ) = x ( ”) 一i ( n ) = j ( 月) + d x ( n 一女) ( 2 2 ) k = l 若p ( n ) 为均值为o ，方差为口2 的自噪声，则z ( n ) 可看成是在二阶统计意义下强度为 0 2 的白噪声p ( h ) 激励线性系统日( z ) 的输出，因此 一面1 2 豁 1 + d t z 一 。 ( 2 3 ) 日( = ) 就是针对待分析信号所建立的a r 模型。雠型常用的定阶准则有信息论准则 ( a i c ) ，最终预测误差准则( f p e ) 等，阶次确定后按信号数据列与它的估计值之间均方 误差最小准则，求取系数值。a r 系数的估计算法有y u l e w a l k e r 、b u r g a l g o r i t h m 、l e a s t s q u a r e s 等，各有利弊。由于得到的模型参数代表t e e g 的统计学特征，有效压缩了数 据，给二次处理带来方便。但模型参数缺乏明显物理意义，神经生理学家难以接受，实 大连理工大学硕士学位论文 际应用受到了限制。1 9 6 9 年，z e t t e r b e r g t 2 l 提出将e e g 的功率谱估计分解成一组峰分量， 每个分量分别以峰频、峰宽、峰功率等参数加以表征的方法称为谱参量分析方法( s p a ) ， 适应了生理学的应用及研究需要。一些研究人员在运用a r - s p a 技术时解决关键的问题 是：在谱分量的参数提取时，直接从谱图通过峰值检测估算频谱参数，在定阶上提出了 基于奇异值分解的谱估计精确算法，作为定阶的结果及所得参数精度的一个相对标准 的方法。此外，实际的e e g 信号其谱函数往往包含了很尖锐的谱峰( 女i ：i e e g 的口峰) ，理 论与实验证明，这种情况谱估计的精度受影响，特别是谱幅估计误差较大。参考文献 3 基于e e g 信号a r 谱分析的中枢神经系统损伤检测方法，根据e e g 信号a r 模型确定定量 分析e e g 信号状态和变化的测度，并根据所定义的测度检测在缺氧窒息实验过程中中枢 神经系统可能存在的损伤。 ( 3 ) 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e e g 信号分析有时显得很有意义。双谱密度函数定义为： 设x ( ”) 是一零均值的平稳随机信号，其三阶累积量q ( m 。，l n ：) 定义为 q ( m l ，m 2 ) = e x ( n ) x ( n + m o x ( n + m 2 ) ( 2 4 ) 双谱定义为 驰鸬) 2 赤主。塾如- m 矿肋m ( 2 5 ) 其中i ( 。1 喀兀，j 2 喀冗，l 1 + 0 ) 2 峰兀。 所建立的a r 模型系数和z ( ”) 的三阶累积量满足方程 c a m ，”) + 妻吼c ；一i ，”) = c 7 8 ( m ，”) ( 2 6 ) k - i a 3 为系统激励白噪声的强度。 双谱和系统的关系为： 6 ，( o ) i ，0 ) 2 ) = a 3 h ( j 0 3 1 ) 日( 问2 ) h - j ( m l + 0 3 2 ) ( 2 7 ) 双谱函数只包含了信号的相位信息，但未给出相位信息。对于高斯随机分布而言， 双谱作为随机信号偏离高斯分布的一个测度。经过对实际e e g 数据检验表明，不同功能 状态下的e e g 对高斯分布的偏离度有较大差别。如利用a r 模型进行双谱分析。应用三 阶递归( t o r ) 方法估计双谱，分析局灶性缺血脑损伤e e g 的特征，可以看到损伤区域的 白冬梅：脑电信号的特性分析与特征提取 e e g 双谱的分布发生变化，在损伤的不同阶段，损伤区域与非损伤区域的双谱最大值以 及加权双谱中心( w c o b ) 有明显不同的变化【4 】。胡广书等【5 】利用高阶统计量能保留信 号的相位信息，可识别非最小相位系统等一系列优点，对所选的5 6 秒e e g 信号用三阶 累积量建立a r 模型，并进行了双谱分析。研究中对所选的脑电信号建立1 3 i ) “f a r 模型， 利用求得的模型系数a 。和a 3 进行双谱分析，结果表明，脑电由正常状态向发作状态过 渡时，双谱主峰位置有向原点( 低频段) 移动，且幅值增大的趋势。这一结果与癫痫发 作时脑电信号在时域呈现较大幅度，在频域呈现较低频率且谱峰幅度增大的特点相吻 合。利用双谱分析正常人与精神病患者的脑电信号，可以看到正常人的脑电信号具有如 下特点：无论脑功能处于何种状态，e e g 都表现出明显的非高斯特性，存在着不同程 度的2 次相位耦合现象。不同生理状态下的脑电信号，有些功率谱很相似，但双谱结 构却出现明显差异。在安神闭目状态，脑电中a 波段，部分口波与0 波存在2 次相位耦 合，口波段的高阶自相关性几乎不存在。大脑处于积极思维状态，双谱能量分布几乎集 中在a 波段的9 5 h z 分量，而且远远大于其他状态下在该频率处的峰值。在睁闭眼的脑 电信号的分析中，双谱结构出现明显的a 波高阶