（信号与信息处理专业论文）独立分量分析及其在脑电信号噪声分离中的应用.pdf

摘要 脑电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，分为自发脑电 ( e l e c t r o e n c e p h a l o g r a p h ，e e g ) 和诱发电位( e v o k e dp o t e n t i a l ，e p ) 两种。脑电在临床诊断、 军事医学、航天医学、生理学和生物学研究中部具有重要的意义，所以脑电信号的提 取一直是神经科学领域的重要课题。 独立分量分祈( i c a ) 方法是最近几年发展起来的一种新的统计方法。 c a 方法是 基于信号高阶统计特性的分析方法，经 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。大量的实验己表 明，i c a 方法能精确地从脑电信号中分辨出具有相对较大的瞬时独立分量的时间过程。 近年来，i c a 方法的发展十分迅速，国内外的众多研究人员都致力于研究新的算法， 应用于脑电信号的噪声分离之中。 本文提出了一种新的基于带参考信号的i c a 算法的脑电信号眨眼伪差的分离方 法，可以得到纯净的脑电信号。这个方法的主要思路是：先选取一导眨眼伪差比较明 显的数据，从中获得眨眼伪差的参考信号，再用i c a 方法把眨眼伪差第一个提取出来， 最后得到消除伪差后的e e g 信号。本文详细讨论了使用带参考信号的i c a 算法消除 眨眼伪差的方法与步骤，并给出了应用于仿真信号和真实信号的实验结果。带参考信 号的i c a 算法具有f a s t i c a 算法的特点，可以一次只分离出一个独立分量，收敛速度 快；不需要选择学习步长或其它参数；而且，不管是具有正峭度还是负峭度的分量它 都能提取出来。它分解出的眨眼伪差以一个独立分量的形式出现，并且被第个分离 出来，不需判断就可直接重构脑电信号，减少了计算量，而且纯净脑电信号的重构也 比较简单。 i c a 的两类基本算法各有所长；基于非离斯性测度的算法收敛快，但不能在线学 习；基于信息论的算法可以在线学习，但收敛较慢。本文把这两类算法的优点结合起 来，提出了种新的基于独立分量分析的诱发电位的快速估计方法。这种新方法是将 两种已有的独立分量分析算法改进的i n f o m a x 算法和f a s f l c a 算法结合起来得 到的。先用改进的i n f o m a x 算法获得权值的初值，再通过f a s t i c a 算法获得最终结果。 这不仅减少了f a s t l c a 算法所需数据的长度。也提高了f a s t l c a 算法的收敛稳定性。本文 的计算机仿真实验也证明了这个新算法的有效性，它比其他两种算法需要的数据点数 更少，收敛速度更快、更稳定。将此算法应用于e p 信号的提取，可以有效地去除噪声， 得到比较纯净的e p 信号。 关键词：e e g 信号；e p 信号；独立分量分析；带参考信号的i c a 算法：f a s t l c a 算 法；改进的i n f o m a x 算法 a b s t r a c t b r a i n s i g n a l sa r eb i o e l e e t r i c a ls i g n a l so f t h eh u m a nb r a i n ，w h i c ha r ec l a s s i f i e di n t ot w o c a t e g o r i e s ：e l e c t r o e n c e p h a l o g r a p h ( e e g ) a n de v o k e dp o t e n t i a l ( e p ) n c yh a v ean u m b e r o fc l i n i c a l a p p l i c a t i o n si n c l u d i n gt h ed i a g n o s i so fav a r i e t yo fn e u r o l o g i c a ld i s o r d e r s ， p h y s i o l o g i c a la n a l y s i sa n dc r i t i c a lc a r ea n do p e r a t i n gr o o mm o n i t o r i n g s o t h ee x t r a c t i o n o f e e ga n de pi sa n i m p o r t a n tp r o j e c t i nn e u r o s e e n c e i n d e p e n d e n tc o m p o n e n ta n a l y s i so c a 、i sat e c h n i q u ew h i c he x t r a c t ss t a t i s t i c a l l y i n d e p e n d e n tc o m p o n e n t s f r o mas e to f m e a s u r e d s i g n a l s i ti sa na n a l y t i c a lm e t h o db a s e d o n h i g h e r - o r d e r s t a t i s t i c a lc h a r a c t e r so fs i g n a l s ，a n di s w i d e l yu s e d i n s i g n a lp r o c e s s i n g ， r e c e n t l y , i c ad e v e l o p sv e r yq u i c k l y , a n dm o r ea n dm o r er e s e a r c h e r sa r ed e v o t e di n t o s t u d y i n gn e wa l g o r i t h m s a n d a p p l y i n gt h e m t on o i s er e d u c t i o no fe e ga n de r b a s e do ni c a a l g o r i t h mw i t hr e f e r e n c es i g n a l s am e t h o dr e m o v i n gb l i n k i n ga r t i f a e t s i sp r o p o s e di nt h i s 也e s i s t h em a i ni d e ao fi ti s ：f i r s ts e l e c to n ec h a n n e lo fe e gw i t h o b v i o u sb l i n k i n ga r t i f a c t s a n do b t a i nr e f e r e n c es i g n a l sf r o mi t t h e ne x t r a c tt h eb l i n k i n g a r t i f a c tf i r s tw i t hi c a a l g o r i t h m a n d a tl a s tg e tp u r ee e g s i g n a l s t h ei d e aa n ds t e p so f t h e i c aa l g o r i t h mw i mr e f e r e n c e s i g n a l s a r e t h o r o u g h l yd i s c u s s e d a n d t h er e s u l t so f p r o c e s s i n g r e a ls i g n a l sa r ea l s op r o p o s e di nt h et h e s i s t h ea d v a n t a g e so f t h en e w a l g o r i t h m a r e ：i th a sa l lt h ea d v a n t a g e so ff a s t l c aa l g o r i t h m a n di tc a l ls e p a r a t et h ea r t i f a c ti no n e i n d e p e n d e n tc o m p o n e n t ；i t a l s om a k e st h er e c o n s t r u c t i o no fe e ge a s i e rt h a no t h c r a l g o r i t h m s b o 也k i l a d so fi c a a l g o r i t h m sh a v ea d v a n t a g e sa n dd i s a d v a n t a g e s 。i n f o m a xa l g o r i t h m c a nl e a r no nl i n e ，b u ti tc o n v e r g e ss l o w l yf a s t c aa l g o r i t h mc o n v e r g e s v e r yq u i c k l y , b u ti t c a n n o tl e a r no ul i n e i ta l s on e e d s p r e w h i t e n i n ga n dl a r g es i z eo f d a t a a n di ti ss e n s i t i v et o t h ei n i t i a lv a l u eo f t h ed e m i x i n gm a t r i x ，t h i st h e s i sp r o p o s e san e w a l g o r i t h m t h a tc o m b i n e s t w oe x i s t e n t a l g o r i t h m s t h ei m p r o v e d i n f o m a xa l g o r i t h ma n d 也ef a s t i c aa l g o r i t h m u t i l i z i n gt h ei n i t i a lw e i g h t so b t a i n e db y t h ei m p r o v e di n f o m a xa l g o r i t h m ，w ec a r ln o to n l y r e d u c et h e1 e n g t ho fd a t aw h i c hf a s t c aa l g o r i t h mn e e d s ，b u ta l s oe n h a n c et h ec o n v e r g e n c e s t a b i l i t yo f f a s t i c aa l g o r i t h m 瓢1 ee f f e e t i v e n e s so ft h ea l g o r i t h mi sv e r i f i e db yc o m p u t e r s i m u l a t i o n s t h i sn e wa l g o r i t h mi s a p p l i e di n n o i s er e d u c t i o no fe p a n dr e a l i z e sf a s t e s t i m a t i o no f e p k e yw o r d s ：e e gs i g n a l ；e ps i g n a l ；i n d e p e n d e n tc o m p o n e n ta n a l y s i s ( i c a ) ；i c a a l g o r i t h mw i t hr e f e r e n c es i g n a l s ；f a s t i c aa l g o r i t h m ；i m p r o v e di n f o m a x a l g o r i t h m 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：蕉盔日期：基堕：三 独立分量分析及其在脑电信号噪声分离中的应用 1 绪论 脑斟1 t 2 l 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，分为自发脑电 ( e l e c t r o e n c e p h a l o g r a p h ，e e g ) 和诱发电位( e v o k e dp o t e n t i a l ，e p ) 两种。自发脑电是指没有 特定外界刺激时大脑神经细胞自发产生的电位变化。诱发脑叫3 】是指人为地对感觉器 官施加光、声、电刺激所引起的脑电位变化。多导脑电是从头皮上按照一定标准放最 的多个电极处同步采集所得的。现代脑科学研究表明，多导脑电信号蕴藏多种生理现 象，且能反映更多的动态信息。在e e g 信号的记录过程中往往会混入非脑电活动所 引起的信号，这些信号就是伪差。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 读和分析都具有重要的意义。如何从脑电中提取有用的信息是非常具有挑战性，且又 很有学术价值、使用价值的研究课题。对脑电中各种源信号的分离、识别、定位是脑 科学以及认知科学中的重点和难点1 4 j 。 1 1 自发脑电信号的应用及国内外研究概况 1 1 1 自发脑电信号的应用 自发脑电信号是指没有特定外界刺激时大脑神经细胞自发产生的电位变化，是非 平稳性比较突出的随机信号，不但它的节律随着精神状态的变化而不断变化，而且在 基本节律的背景下还会不时地发生一些瞬态，如快速眼动、癫痫病人的棘波或尖波等。 在基础医学方面，由于脑电综合地反映了神经系统的活动，因而它的研究有助于对生 理和病理活动中神经机理的深入探讨。在临床医学方面，脑电信息处理不但为某些脑 疾病的诊断提供了客观依据，而且为某些脑疾病提供了有效的治疗手段。e e g 信号的 分析在临床诊断、军事医学、航天医学、生理学和生物学研究中都具有重要的意义； 同时在心理学、精神病学、认知科学的研究中，也具有重要的学术价值和广阔的应用 前景。 1 1 2 自发脑电信号的国内外研究概况 1 9 2 9 年，b e r g e r 首次记录了人的脑叫5 1 。脑电图是脑神经活动的表现，因此它的 信息含最很丰富。临床脑电图的分析多是脑电图专家通过目测的方法来理解和评价 e e g ，容易引起误差和疲劳。且使得临床上多导脑电的“数据压缩”和“特征提取” 一直停留在主观处理水平上。e e g 信号的分析主要在频域和时域进行，但由于缺少关 于宏观脑电活动机理的知识，脑电分析仍难以取得重大进展。目前较公认的分析方法 大连理工大学硬士学位论文 大多建立在假设脑电图是准平稳信号的基础上，即；认为它可以分为若干段，每一段 的过程基本平稳，但段上叠加着瞬态。因此对e e g 的分析工作主要包括：瞬态的检 测与提取、平稳段的自动划分、对每一平稳段提取特征和模式分类【2 。 1 频域分析 频域分析方法主要是基于各频段功率谱、相干等，功率谱估计是频域分析的主要 手段。对脑电信号进行功率谱估计的意义在于把幅度随时间变化的脑电信号变换为脑 电功率随频率变化的谱图，从而可直观的观察到脑电节律的分布与变化情况。 谱估计法一般可分为经典方法与现代方法。经典的谱估计方法就是直接按定义用 有限长数据来估计。主要有两条途径；( 1 ) 先估计相关函数，再经傅里叶变换得到功 率谱估计( 根据维纳一辛钦定理) 。( 2 ) 把功率谱和信号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 很大，数据越长越严重吲。 为了避免经典谱估计存在的缺点，近年来出现了各种现代谱估计技术，参数模型 法是其中应用最为广泛的一种方法，在e e g 信号处理中应用也较为普遍。参数模型 法的优点是频率分辨率高，特别适用于短数据处理，且谱图平滑，有利于参数的自动 提取和定量分析，因此适合于对e e g 作动态分析。目前在e e g 分析中应用较多的是 a r 模型谱估计技术。由于脑电是非平稳性比较突出的信号，估计时一般要分段处理， 而a r 模型的谱比较适用于短数据处理，因此就更适合于对脑电作分段谱估计。但这 种方法对被处理信号的线性、平稳性及信噪比要求较高，因此不适合对数据较长的 e e g 进行分析处理。 谱分析要求信号具有平稳的特性，所以必须要假设e e g 信号是分段准平稳的。 2 时域分析 时域分析方法主要分析e e g 波形的几何性质，如幅度、均值、方差、峭度等。 因为其直观性强，物理意义明确，至今仍有不少人使用。过去的e e g 分析主要靠肉 e 艮观察，可看作是人工时域分析。 尽管大量脑电信息从频域观察比较直观，但也有些重要信息在时域上反映更为突 出。如反映癫痫信息的棘慢波，反映睡眠信息的梭形波等瞬态波形。因此时域分析在 e l 前脑电定量化分析中同样占有重要的位置。时域分析主要是直接提取波形特征，以 供进一步的分析和诊断。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，而且近年来在波形特征识别、模板 识别及在自适应滤波等技术上均取得了不少进展。此外，利用a r 等参数模型提取特 征，也是时域分析的一种重要手段，这些特征参数可用于e e g 的分类、识别和跟踪 等。 3 时，频域分析方法 时、频域分析方法是通过傅里叶变换联系起来的，它们的截然分开是以信号的频 域时不变特性或统计特性平稳为前提的。为了能够反映生物医学信号等非平稳信号的 频域特性随时间的变化情况，工程技术上通常采用两类方法：时窗法与频窗法。但严 格的说，时窗法与频窗法存在同样的问题，即时域与频域分辨率的“不确定性原理” ( 也称测不准原理) 。欲在时域上分辨得越细致，则在频域上分辨得越模糊，反之亦 独立分量分析及其在脑电信号噪声分离中的应用 然。因此更合理的方法是把时频两域结合起来表示信号。目前应用较为广泛的方法有 维格纳分布( w i g n e r - v i l l ed i s t r i b u t i o n ，简称w d ) 和小波变换理论。 近年来神经网络分析、混沌分析等方法也开始应用于e e g 的分析中，代表了脑 电信号现代分析方法的新进展。除此之外，作为一种常见的多导信号分解技术，主分 量分析( p c a ) 过去也经常被应用到脑电中的一些噪声的去除处理中( 例如眼电伪差的 去除) 。但该方法一般难以取得比较理想的效果，主要是因为p c a 是一种基于二阶统 计特性的处理方法，所以经p c a 分解后的信号之间无法达到高阶统计意义上的互不 相关。 可以看到，传统的分析方法一般认为脑电信号是平稳的或者准平稳的高斯分布随 机信号，然面实际上脑电信号本身具有很强的非平稳随机性，同时我们所得到的脑电 信号其中还有多种干扰信号的存在，这些无疑加大了脑电分析处理的难度。这些干扰 信号包含一些来自人体其它器官组织产生的生物电信号，如心电伪差( e c g ) 、眼电伪 差( e o g ) 和肌电干扰( e m g ) 等，以及一些来自外界环境的干扰信号成分，如工频干扰、 身体移动造成的基线漂移以及其它仪器设备产生的电磁干扰等。因此在脑电信号处理 和分析中，脑电消噪是必须首先考虑的关键问题。 理想的消噪方法要求在消除噪声干扰时不破坏脑电信号中的有用成分。然而这仅 仅是一种希望而己。在众多的脑电消噪方法中，一般都只能进行折衷处理，即在消除 噪声的同时尽可能地保护有用的信号成分。目前些常用的脑电消噪方法基本上是一 些较传统的频域滤波方法，以及时频滤波方法等。从滤波原理上看，一般只能在有限 范围内改善信噪比。而且传统方法通常不太适合处理多导信号，因此无法有效地利用 和揭示存在于不同导联脑电之间的互信息。在生物医学信号处理领域，多导脑电信号 的分析处理直是一项非常有意义同时也非常具有挑战性的研究课题。 1 2 诱发电位信号的应用及国内外研究概况 1 2 1 诱发电位信号的应用 诱发电位( e p ) 是中枢神经系统( c e n t r a l n e r v o u ss y s t e m ，c n s ) 所产生的生物电 信号，是神经系统对外部声、光和电脉冲等刺激的有特定规律的响应。临床检测中常 见的诱发电位有听觉诱发电位( a u d i t o r ye v o k e dp o t e n t i a l s ，a e p ) 、视觉诱发电位 ( v i s u a le v o k e dp o t e n t i a l s 。v e p ) 和体感诱发电位( s o m a t o s e n s o r ye v o k e dp o t e n t i a l s ， s e p ) 等。 在正常情况下，诱发电位信号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，其诱发电位信号将产生相应的变化，通过检测诱发电位信号就可以诊断和 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，可以判断人体或其他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，其诱发电位信 大连理工大学硕士学位论文 号必将出现相应的变化。e p 波形的特点由各个子波决定，这些子波的幅度和潜伏期 可以出于诊断目的而进行分析。例如：由于低含氧量空气的吸入而引发的大脑缺氧症 会降低体感诱发电位的爵度，如果含氧量及时回到正常水平，幅度将恢复。由于潜伏 期表征沿着传递躯体刺激和反应的神经通路的实际延迟，所以潜伏期的变化可以是对 任何神经系统变化的更恰当的检铡手段。 除了神经系统的诊断之外，诱发电位还有许多其它应用，例如帮助医生确定视力 障碍、脊髓病变、眩晕症患者的病变位置，为法医鉴定提供客观指标等等。 总之，e p 信号的提取在l 临床上具有非常广泛的应用。通过对e p 信号提取的新方 法的研究，从而精确、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。 1 2 2 诱发电位信号的国内外研究概况 国际上对于e p 信号的研究及临床应用始于上世纪七十年代。近年来，越来越多 的信号处理研究者把研究的目标放在诱发电位信号的分析处理上，试图从诱发电位信 号中提取更多的信息，并建立起e p 信号变化与神经系统瘸变及损伤之间的联系。 通常e p 信号与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，有时甚至更低，所以噪声中诱发电位的检测技术一直是 神经科学领域的重要课题。 早期的提取e p 信号的方法是叠加平均法，这种方法也是目前临床上使用最为广 泛的方法。叠加平均法是从强背景噪声中提取微弱周期信号的有效方法。用叠加平均 法提取e p 信号，是基于以下假设： f 1 ) e p 信号是周期信号，即每次刺激后所获得的诱发电位波形是致或近似一致 的； ( 2 ) e e g 信号和其他背景噪声与刺激无关，且为零均值的随机过程； ( 3 ) e p 信号与噪声相互独立，且为加性关系。 采用叠加平均法的主要优点是：方法简单，易于实现。但后来的研究者们证实， 上述假设与实际情况不完全相符。实际上e p 信号是时变的、非平稳的，叠加平均的 结果往往使e p 信号的高频信息，即信号波形的细节信息被滤除掉了，而这些细节信 息则很可能是有意义的。另外。早期常用的相干平均、加权平均和自适应傅里叶估计 等方法也都属于叠加方法，需要重复多次刺激，而且需要对信号和噪声的关系作些 假设，这些假设与实际不完全相符，存在着明显的不合理性；而且，每次刺激所得的 诱发电位又不相同。所以，人们希望尽量减少所需累加的次数，最好由单次刺激就能 提取诱发电位响应波形，这样的任务叫“动态提取”或“单次提取”。目前几乎还不 能实现真正意义上的单次提取，因此多数研究者们都致力于诱发电位的少次提取。 为实现诱发电位的快速提取，研究者们已经提出了一系列的方法，如：匹配滤波、 自适应滤波、参数模型法、小波变换法等等。近年来的主要方法有：子空间正则化 f r e g u l a r i z a t i o nm e t h o d s ) t 3 4 】、小波变换【6 】、自适应径向基神经网络( r a d i a l b a s i sf u n c t i o n n e u r a ln e t w o r k r b f n n ) 【7 1 、高阶统计量嗍、独立分量分析t 3 s , 3 6 1 $ f l 奇异性检测刚等。 子空间正则化方法实际上还是一种随机信号估计法，它的主要目的在于把关于e p 和 e e g 的先验知识用数值的形式结合到估计过程中，因此在减少刺激实验次数的同时对 独立分量分析及其在脑电信号噪声分离中的应用 先验知识提出了较高的要求。在信号提取的各种算法中，神经网络由于它的非线性和 自学习能力，在用于信号处理时不需要特别的工作去获取信号的非线性特性，同时还 降低了对先验知识的要求，因此在跟踪信号瞬态变化和非平稳特性时有其优越性：但 神经网络滤波有一个缺点，那就是由于非线性训练而导致了较高的计算复杂度。自适 应处理结合神经网络的方法和独立分量分析( i c a ) 实际上都是利用神经网络进行信号 提取。前者因采用的r b f n n 即是非线性处理过程又有参数线性的优势，所以在计算 复杂性和非线性处理能力两个方面取得了平衡。而i c a 作为信号处理领域的一项新技 术而日益受到信号处理领域研究者们的普遍关注。不断提出的更新更快的优化算法， 在e p 的少次提取方面有着巨大的潜力。 近年来，e p 信号的少次提取甚至单次提取已经成为脑电信号处理的一项前沿课 题，大批的国内外研究者致力于此。经过少次甚至单次试验提取e p 信号，可以跟踪 e p 信号的瞬态变化，为临床诊断提供更多的依据，并可以减轻多次重复试验给病人 带来的痛苦。e p 信号的提取技术经过几十年的发展，已经取得了巨大的进步。可以 确信，e p 信号的少次提取甚至单次提取仍将是未来几年内研究者们关注的焦点。随 着现代信号处理技术的发展，e p 信号的提取将由单一方法发展为各种方法的有效结 合，发展为时域、频域技术的有效结合。 1 3 独立分量分析 独立分量分析0 c a ) 方法是最近几年发展起来的一种新的统计方法。在观测到的 信号是源信号的线性瞬时混和时，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通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州。i c a 方法最初是用来解 决“鸡尾酒会”问题的。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，其目的是用于去除信号各分量之间的相关性，因而它们主要应用 于数据的压缩：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。 最早提出i c a 概念的是j u t t e n 和h e r a u l t i i w ，当时他们对i c a 给出了一种相当简 单的描述。c o m o n 】系统地分析了瞬时混和信号的盲源分离问题，并明确了独立分量 分析的概念。s e j n o w s k i 和b e l l 1 2 】基于信息理论，通过最大化输出非线性节点的熵， 得出一种最大信息传输的准则函数并由此导出一种自适应盲源分离方法( i n f o m a x ) ，当 该方法中非线性函数的选取遇近源信号的概率分布时可以较好地恢复出源信号。该算 法只能用于源信号的峭度( k u r t o s i s ) 大于某一值的信号的盲分离，所以它对分离线性混 和的语音信号非常有效。a m a r i 和c i c h o c k i 【j 3 】基于信息理论利用最小互信息 f m i n i m u mm u t u a li n f o r m a t i o n ，m m i ) 准则函数，得出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。l e e 和g i r o l a r n i 1 4 基于前人的理论，提出了能同时分 离具有正峭度和负峭度信号的混和信号的算法。即扩展i n f o m a x 算法。h y v a r i n e n ”纠 基于源信号的非高斯性测度( 或峭度) ，给出一类定点训练算法x e d - p o i n t ) ，即f a s t l c a 算法，该类算法可以提取单个具有正或负峭度的源信号。 该技术现己在生物医学、模式识别、雷达信号处理等众多领域引起极大的关注。 尤其在生物医学信号处理中，鉴于脑电信号的一些特点，使得i c a 技术的实用价值得 大连理工大学硕士学位论文 到了充分的体现。可以用i c a 分离的混和信号要具备以下条件；( 1 ) 各源信号相互独 立。( 2 ) 各源信号的混合方式是线性的。( 3 ) 最多允许有个源信号是高斯信号。( 4 ) 源 信号的数目不大于传感器的数目。对于脑电信号消噪而言，因为脑电信号是由脑皮层 神经元活动产生的，而眼活动、肌肉活动、工频于扰、心电信号等通常是不受脑活动 限制的，所以满足i c a 可分离条件( 1 ) 。对于脑电信号，传导被认为是线性的。因此， 条件( 2 ) 也可以满足。e e g 信号和伪差信号严格的说都不是高斯信号，所以条件( 3 ) 也 可以满足。而条件( 4 ) 通常是难以满足的，因为产生头皮脑电活动的有效信源的个数是 未知的。然而，大量的实验己表明，i c a 算法能精确地从脑电信号中分辨出具有相对 较大的瞬时独立分量的时间过程。所以，可以使用i c a 算法来分离e e g 信号，而且 i c a 算法有很大的潜力，可能成为脑电增强及脑电特征提取的有力工具。 1 4 本文的主要工作 本文的主要工作有以下三点： 1 使用带参考信号的i c a 算法消除e e g 信号中的眨眼伪差，提出了一种新的构 造参考信号的方法。用此方法处理真实的e e g 信号，取得了比较好的分离效果： 2 把改进的i n f o m a x 算法和f a s t l c a 算法的优点结合起来，提出了种新的算法。 先用改进的i n f o m a x 算法确定初值，再用f a s t i c a 算法分离。把此算法用于e p 信号和 e e g 信号的分离，效果比较理想，具有所需数据点少，收敛速度快的特点； 3 在新型视频脑电图仪的研发过程中，利用i c a 方法对e e g 信号进行噪声消除。 对i c a 的各种典型算法进行了筛选和分析，应用这些算法处理相同的真实脑电信号， 对分离的结果进行比较。 1 5 本文的章节安排 第一章绪论，简单介绍了脑电信号的应用和国内外的研究概况，并概述了独立分 量分析的发展历史和应用范围。 第二章重点介绍e e g 信号和e p 信号的常见分类和采集方法，包括与脑电信号相 关的基本知识，以及采集和记录脑电信号的物理设备。 第三章介绍独立分量分析的基本原理和模型，以及高阶累积量、信息论等相关知 识。在这一章的最后还介绍了几种i c a 的典型算法。 第四章介绍了一种新的带参考信号的i c a 算法来消除e e g 信号中的眨眼伪差。 本文给出了一种新的构造参考信号的方法。将此方法应用于仿真信号和真实e e g 信 号的处理中，并给出了实验结果和性能分析。 第五章提出了一种新的算法，把改进的i n f o m a x 算法和f a s t i c a 算法的优点结合 起来，用于e p 信号和e e g 信号的分离，效果比较理想。本文给出了实验结果和性能 分析。 第六章对i c a 的各种典型算法进行了实验研究，对各算法进行了比较。应用这些 算法处理相同的真实e e g 信号，对分离的结果进行分析。 第七章为总结和展望。 独立分量分析及其在脑电信号噪声分离中的应用 2 脑电信号的分类和获取方法 脑电信号分为自发脑电( e e g ) 和诱发电位( e p ) 两种。本章将介绍与脑电信号 相关的基本知识，如脑电信号的分类、特点以及采集方法和原理等等。 2 1 自发脑电信号的分类和获取方式 2 1 1 自发脑电信号的分类及特点 自发脑电信号是指在没有特定的外界刺激时，神经系统本身自发产生的电位变 化。脑电信号是非平稳性比较突出的随机信号，不但它的节律随着精神状态的变化而 不断改变，而且在基本节律的背景下还会不时地发生一些瞬态，如快速眼动、癫痫病 人的棘波或尖波等。用肉眼观察时，它们是一些有别于背景节律、持续时间较短而幅 度较大的脉 中。它的时域波形很不规则，因此传统上是从频域上加以分段的。根据频 率把脑电分为几个基本节律： 1 6 波：频率范围是l 一4 h z ，振幅约为2 o o “v 。成人在清醒状态下没有a 波， 只在睡眠时出现，但在深度麻醉、缺氧或大脑有器质性病变时也会出现。 2 0 波：频率范围是4 s h z ，振幅约为1 0 0 一1 5 0 小7 。在困倦时一般即可见到，它 的出现是中枢神经系统抑制状态的表现。 3 瑾波：频率范围是8 - 1 3 h z ，振幅约为2 0 一1 0 0 肛v 。在枕叶及顶叶后部记录到的 a 波最为显著。a 波在清醒安静闭目时即出现，波幅呈由小变大又由大变小的梭状。 睁眼、思考问题或接受其他刺激时，a 波消失而出现其他快波。这一现象称为n 波阻 断。 4 p 波：频率范围是1 4 3 0 h z ( 其中1 4 1 9 h z 为b l 波，2 0 3 0 h z 为波) ，振幅 约为5 2 0 9 t v 。安静闭目时主要在额叶出现。如果被测者睁眼视物或听到突然的声响 或进行思考时，皮层的其他部位也会出现p 波。所以d 波的出现一般代表大脑皮层兴 奋。 脑电信号有如下特点： 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 u 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 取弱信号的商质量滤波措旄等。 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1 0 秒，其平稳性由 大连理工大学硕士学位论文 9 0 降至1 0 。 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 分析及各种频域处理技术在e e g 信号处理中一直占有重要的位置。 2 1 2 自发脑电信号的获取设备 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而生。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。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 g 21 t h e d 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 ( 1 ) 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 6 4 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。 ( 2 1 导联选择器 用于将各电极引线成对揍入各路差动放大器，并可通过导联选择开关进行单极或 双极等导联类型转换。 ( 3 1 标准信号发生器 独立分量分析及其在脑电信号噪声分离中的应用 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 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 f 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，即：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，以避免或减小 将工频干扰引入到脑电信号中。 s 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 电图仪其他部分的指标要求。 2 1 3 国际脑电图学会标准电极放置法 放置于头皮的电极的位置不是随意的，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 5 1 。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( 包括硬侧耳垂电 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； 大连理工大学硕士学位论文 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) 。 o l i 0 2 a 2 图2 2 0 2 0 系统电极放置法 f i g 2 2 1 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 a 2 1 4 脑电图仪的导联法 脑电信号是在两个电极问记录下来的电位差，这两个电极中的一个电极的电位称 为参考电位或零电位。对于人体，如果在身体上有一个零电位点，那么放在这个点上 的电极与头皮上其他部位的电极之间的电位差就等于后者的电位的绝对值。这种零电 位点在理论上指的是肌体位于电解质溶液中时距离肌体无限远处的点。而实际应用 中，我们不能利用到这样的点，我们能够利用到的点只能是距离脑尽可能远的身体上 的某一点，如躯干或四肢。可是如果选择躯干或四肢作为零电位点，则脑电信号中就 会混进波幅比脑电信号大1 0 0 0 倍的心电信号，所以实际上一般只使用耳垂、鼻尖或 乳突部位作为零电位点。放在这些相对零电位点的电极称为无关