（计算机软件与理论专业论文）基于事件相关电位的脑机接口研究.pdf

中文摘要 摘要。 脑机接口( b r a i n c o m p u t e ri n t e r f a c e ，b c l ) 是在人脑和计算机或其它电子设 备之间建立的一种直接信息交流和控制通道，是一种不依赖于常规大脑输出通路 ( 外周神经和肌肉组织) 的全新信息交流系统。它为那些丧失了基本肢体运动功能 但思维正常的患者，提供一种与外界进行信息交流与控制的新途径，因此正受到 越来越广泛的关注。完整的脑机接口系统由信号获取，信号预处理，特征提取和 模式识别，控制信号的转化这五部分组成。 本文首先概括地介绍了脑电的神经学基础，特别是事件相关电位的特点，然后 介绍了脑机接口的组成以及各部分的作用和常用手段。然后采用了2 0 0 3 年国际b c i 大赛提供的两个关于事件相关电位的信号处理和识别的问题，对信号预处理，特 征提取和模式识别进行了探究。 p 3 0 0 信号的主要特点是靶刺激出现3 0 0 m s 之后会有一较大的正波，在无噪声干 扰情况下，该波峰应该是刺激出现后的最大值。在对p 3 0 0 信号处理中，提取各个 字符在靶刺激和非靶刺激出现时的样本序列，通过叠加消除噪声。为了加快处理 速度，采用基于p 3 0 0 波峰提取法去除那些p 3 0 0 成分较少、对分类结果贡献不大的 电极，保留了有用电极。此后，对这些有用电极的电位进行采样，组成特征向量， 用支持向量机分类，分类率达8 7 2 4 。 想象左手和舌头运动会引起诱发电位中m u 和b e t a 节律频段范围内的分量出现 事件相关去同步( e v e n t - r e l a t e dd e s y n c h r o n i z a t i o n ，e r d ) 现象，但它们的幅度、 频率和作用较明显的电极会有所不同。因此，在对想象动作电位的信号处理中， 利用事件相关去同步化现象，选择了有用电极，然后提取这些电极不同频段的能 量，接着组合时频域信息，将来自时域和频域的信息组成特征向量进行分类，与以 往仅仅使用频域信息进行分类比较，有更高的识别率。 最后，对两个问题的处理过程进行了对比，提出了进一步研究的方向，和进一 步提高分类率的措施。 关键词： 脑机接口；事件相关电位；p 3 0 0 ；特征提取；支持向量机； 分类号： r 3 1 8 ；r 7 4 1 0 4 a b s t r a c t a b s l k a c i 。： b r a i n - c o m p u t e ri n t e r f a c e ( b c i ) i sad i r e c ti n f o r m a t i o nc o m m u n i c a t i o na n dc o n t r o l c h a n n e le s t a b l i s h e db e t w e e nh u m a na n dc o m p u t e ro ro t h e re l e c t r i c a ld e v i c e sa n di ti sa w h o l l yn e wc o m m u n i c a t i o ns y s t e mt h a td o e sn o td e p e n do nt h eb r a i n sn o r m a lo u t p u t p a t h w a y so fp e r i p h e r a ln e r v e sa n dm u s c l e s e e g b a s e db c im a yp r o v i d e t h o s e l o c k e d i n b u tw i t hi n t a c ti d e a t i o n , w i t ha ne f f e c t i v ec o m m u n i c a t i o na n dc o n t r o l c h a n n e l sw i t ho u t s i d ew o r l d t h a t sw h yb c ii sw i n n i n gm o r ea n dm o r ea t t e n t i o n s t h e w h o l eb c is y s t e mc o n s t i t u t e so fs i g n a la c q u i s i t i o na n dp r e - p r o c e s s i n g ，f e a t u r e e x t r a c t i o na n dc l a s s i f y i n ga l g o r i t h m ，o u t p u to f c o n t r o l l i n gs i g n a l a tf i r s t ，t h en e u r o l o g i c a lb a s i so fe e gi sg e n e r a l l ys u m m r i z e d ，e s p e c i a l l yf o rt h e c h a r a c t e r i s t i c so fe v e n t - r e l a t e dp o t e n t i a l s t h e ni ts h o w st h ep a r t so ft h eb c is y s t e ma n d t h e i ra i m s ，u s u a lm e t h o d s s e c o n d l y , a st h e2 0 0 3g l o b a lb c ic o m p e t i t i o ng a v et h e c o m p e t i t i e r st w op r o b l e ma b o u te v e n t - r e l a t e dp o t e n t i a lw h i c hr e q u e s tt h e mt os t u d y p r o c e s s i n ga n da n a l y z i n gt h es i g n a ld a t a , ih a v ed o n es o m er e s e a r c ho nt h ea s p e c t so f p r e - p r o c e s s i n g , f e a t u r ee x t r a c t i o na n dc l a s s i f y i n ga l g o r i t h m t h em a j o rc h a r a c t e r i s t i c so fp 3 0 0s i g n a li st h a tt h el a r g e rp o s i t i v ew a v ew i l lb e s e e na f t e r310m sw h e nt h et a r g e ts t i m u l u sa c c u l 晤i nu n n o i s ye v i r i o n m e n t ，t h ep o s i t i v e w a v er e a c h e st h em a x m i m u ma f t e rt h et a r g e ts t i m u l u sa c c u r s i nt h ep 3 0 0s i g n a l p r o c e s s i n g , t h es a m p l e so fe v e r yl e r e ra f t e rt a r g e ts t i m u l u so rn o nt a r g e ts t i m u l u sa c c u r s a r eg a t h e r e da n dd e n o i s e db ya d d i n gt h e s es i g n a ld a t a t os p e e du pt h ea n a l y z i n g ， d i f f e r e n tm e t h o d sa r eu s e dt oi g n o r et h o s ec h a n n e l sw h i c hh a v el i r l ep 3 0 0e l e m e n ta n d i m p o s el i r l ec o n t r i b u t i o no nt h ec l a s s i f y i n gr e s u l t s f i n n a l l y ，t h ep o t e n t i a lo fu s e f u l c h a n n e l si ss a m p l e d ，w h i c hc o n s t i t u t e so ff e a t u r ev e c t o r , t ob ec l a s s i f i e dw i t hs u p p o r t v e c t o rm a c h i n ea n dt h ec o r r e c tc l a s s i f y i n gr a t ei su pt op e r c e n t8 7 2 4 1 1 1 ee l e m e n t so fm ra n db e t ar h y t h ma m o n gt h ee v o k e dp o t e n t i a la r ec a u s e db y i m a g i n gl e f th a n dm o v i n g o rt o n g u em o v i n g , b u tt h e yh a v ed i f f e r e n tp o w e rs p e c t r u m , f r e q u e n c ya n dm o r eu s e f u l c h a n n e l s s ow ec h o o s et h e s em o r eu s e f u lc h a n n e l s a c c o r d i n g t oe v e n t - r a l a t e dd e s y n c h r o n i z a t i o np h e n o m e n o na n dt h e nc o u n tt h ep o w e r v a l u eo fd i f f e r e n tf r e q u e n c yo ft h e s ec h a n n e l s w ep o r t f o l i oi n f o h n a t i o nf r o mt h et i m e z o n ea n df r e q u e n c yz o n ei n t of e a s u r ev e c t o rt oc l a s s i f y i tc a no b t a i nh i g h e rc o r r e c t r a t et h a nt h ef o r m e rm e t h o d sb yc l a s s i f y i n gw i t l lf r e q u e n c yf e a s u r e a tl a s t ，w ec o m p a r et h ep r o c e s so fd e a l i n gt w op r o b l e m s ，p o i n to u tt h ed i r e c t i o no f f u r t h e rr e s e a r c ha n dt h em e a s u r eo ff u r t h e re n h a n c i n gt h ec o r r e c tr a t e k e y w o r d s ： b r a i n c o m p u t e ri n t e r f a c et e v e n t r a l a t e dp o t e n t i a l ：f e a t u r ee x t r a c t i o n ； s u p p o r tv e c t o rm a c h i n e ；p 3 0 0 ： c l a s s n o ： r 3 1 8 ；r 7 4 1 0 4 v 北京交通大学硕士学位论文 独创性声明 本人声明所呈交的学位论文是本人在导师指导下进行的研究工作和取得的研究成果，除 了文中特别加以标注和致谢之处外，论文中不包含其他人已经发表或撰写过的研究成果，也 不包含为获得北京交通大学或其他教育机构的学位或证二新而使用过的材料。与我一同工作的 同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示了谢意。 学位论文作者签名：夕p 乃昌签字日期：纵场年f 2 月f 7 日 学位论文版权使用授权书 本学位论文作者完全了解北京交通大学有关保留、使用学位论文的规定。特 授权北京交通大学可以将学位论文的全部或部分内容编入有关数据库进行检索， 并采用影印、缩印或扫描等复制手段保存、汇编以供查阅和借阅。同意学校向国 家有关部门或机构送交论文的复印件和磁盘。 ( 保密的学位论文在解密后适用本授权说明) 学位论文作者签名：卯易i 马 签字日期：刀昭年f 月仰1 7 1 导师签名：a 哪手 签字日期：瑚年j 月罗彦 致谢 本论文的工作是在我的导师王瑞平教授的悉心指导下完成的，王瑞平教授严 谨的治学态度和科学的工作方法给了我极大的帮助和影响。在此衷心感谢两年来 对我的关心和指导。 刘杰教授悉心指导我们完成了实验室的科研工作，在学习上和生活上都给予 了我很大的关心和帮助，在此向刘杰老师表示衷心的谢意。 刘渭滨教授对于我的科研工作和论文都提出了许多的宝贵意见，在此表示衷 心的感谢。 在实验室工作及撰写论文期间，赵宏吉同学对我论文中的脑机接口研究工作 给予了热情帮助，在此向他们表达我的感激之情。 另外也感谢我的父母，他们的理解和支持使我能够在学校专心完成我的学业。 引言 1 引言 脑一机接口( b r a i n c o m p u t e ri n t e r f a c e ，b c i ) 是一种不依赖于正常的由外围 神经和肌肉组成的输出通路的脑一机通讯系统【l l 。它可以把大脑发出的信息直接转 换成能够驱动外部设备的命令，并代替人的肢体或语言器官实现人与外界的交流 以及对外部环境的控制。它是一种综合神经科学、信号检测、信号处理、模式识 别等多学科的交叉技术。 凡是外加一种特定的刺激作用于神经系统，在给予刺激或撤销刺激时，在神 经系统任何部位引起变化的电位，这种电位就是事件相关电位( e v e n tr e l a t e d p o t e n t i a l s ，e r p ) 。它是一种内源性的与认知功能相关的特殊电位，是受试者在 主动参与情况下获得的电位，它的存在主要与心理因素相关【2 】。 关于b c i 应用的研究主要集中在以下几个方面： ( 1 ) 交流功能：这类研究的目的是提高丧失语言功能的患者与外界的交流能 力。 ( 2 ) 环境控制：主要是基于虚拟现实技术。虚拟现实具有相对安全和目标可移 动的特点，它能为训练和调整神经系统活动提供一个安全可靠的环境。 ( 3 ) 运动功能恢复：由b c i 系统完成脑电信号的检测和分类识别过程，然后把 命令输出给神经假体，完成已经失去功能的外围神经应有的功能，或者把命令信号 输出给轮椅上的命令接受系统，完成运动、行走等功能，使四肢完全丧失功能的患 者能够在无人照看的情况下自己进行一些简单的活动，或进行功能性的辅助训练。 如今，全世界从事有关脑一机接口的研究小组已超过1 0 0 个。w a d s w o r t h 中心致 力于研究如何利用运动感觉皮层测得的脑电( e 1 e c t r o e n c e p h a l o g r a p h ，e e g ) 信号 控制指针运动，并研制了较为通用的w a d s w o r t hb c i2 0 0 0 系统【3 】。g p f u r t s c h e l l e r 等人利用实际运动和想象运动能够在大脑皮层的相同部位产生电位变化的神经生 理学基础，进行了关于事件相关同步( e v e n tr e l a t e dd e s y n c h r o n i z a t i o n ，e r d ) 和 去同步( e v e n tr e l a t e ds y n c h r o n i z a t i o n ，e r s ) 的b c l 系统的研究，在b c l 的发展中 具有非常重要的地位【4 】。清华大学高上凯教授的项目组在脑一机接口研究中深入分 析了稳态视觉诱发电位( s t e a d ys t a t ev i s u a le v o k e dp o t e n t i a l ，s s v e p ) 的特 征提取方法，设计了一种具有高传输速率的基于稳态视觉诱发电位的脑一机接口系 统。该系统在识别正确率和信号传输速度方面取得了重大突破，信号传输的速度 达到了6 8 b i t s r a i n ，平均准确率达到了8 7 5 【5 】。 目前，b c i 的研究大多处于理论和实验室阶段，离实际应用还有一定的差距。 但从发展前景来看，b c i 系统及其技术将在人脑研究的各个领域发挥重要的作用， 尤其对于严重缺失活动能力的患者进行能力恢复和功能训练，具有重要意义。 北京交通大学硕士学位论文 本文正文共包括六章内容。 第一章概括了脑一机接口( b c i ) 的定义、原理和组成部分，然后介绍了事件相关 电位的组成和特点，最后阐述了b c i 的研究现状。 第二章详细地阐述了脑电信号的特征和主要频率成分，特别是诱发电位的主要 特点。接着介绍了脑电信号的采集及数据存在的干扰，通过信号预处理消除噪声。 最后，介绍了本文用到的特征提取的手段，如短时傅里叶变换( s h o r t t i m ef o u r i e r t r a n s f o r m ，s t f t ) 变换和小波变换等。 第三章首先概括地介绍了模式识别的定义和几种常用的分类方法，接着介绍 了线性分类方法和f i s h e r 准则，引入了线性支持向量机。而大多数分类问题都是 非线性的，构造非线性向量机的本质是增加维数特征，将问题变换成可用线性向 量机解决的问题。最后，详细介绍了支持向量机，包括它的经验风险最小化准则 和结构风险最小化准则，从算法角度描述了支持向量机采用的序列最小优化 ( s e q u e n t i a lm i n i m a lo p t i m i z a t i o n ，s m o ) 算法和常用的核函数。 第四章采用国际b c i 大赛提供的p 3 0 0 信号数据进行了数据处理和模式识别， 首先采用多种方法进行去噪并对各种方法的去噪效果进行比较，然后对去噪后的 数据进行特征提取，利用支持向量机进行分类，最后对分类结果进行评价。 第五章采用该届大赛基于想象左手和舌头运动的信号数据，通过两种运动在不 同大脑区域和不同频域引起e r d e r s 现象，采用多种方法进行特征提取，并采用 人工神经网络进行分类。最后给出性能评价，提出结论。 第六章对全文所做的研究工作进行总结和评价，并提出了进一步提高b c i 系统 性能的手段和方法。 2 脑电信号处理 2 脑电信号处理 大脑能自发产生脑电信号，指的是没有任何外界刺激下，脑电信号仍然存在。 我们一般通过在头皮安置检测电极描述大脑皮层电生理活动，然后将脑细胞电活 动的电位作为纵轴，时间作为横轴，把电位与时间的相互关系记录下来的就是脑 电图，简称为( e l e c t r o e n c e p h a l o g r a m ，e e g ) 【6 】。由于本论文用到的数据都是e e g 数据，本章就介绍e e g 的电生理基础和采集方式，e e g 数据的预处理和特征提取 方法进行简单介绍。 2 1 脑电信号的特征 2 1 1 主要特点 脑电信号的主要特点有： 1 脑电信号非常微弱，而背景噪声却很强。一般e e g 信号只有5 0l iv ，最大诱发 脑电信号只有几微伏，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。例如眼睛眨动、精神紧张和肌肉动作等带来的干扰信号等。 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 很多，其规律又未被认识，它的规律只能从大量统计中呈现出来。非平稳性是由于 构成脑电信号的生理因素始终在变化，而且对外界影响有自我调节的能力，因此又 是统计特性随时间变化的非平稳信号。 3 成分非常复杂。脑电信号中存在明确物理含义的非神经电活动的生理干扰 源，如脑电、肌电、眼电等，但一些成份目前还没有明确的物理含义。 4 脑电信号一般都是用多电极测得的多导信号，在各导联信号之间存在着重 要的互信息。 2 1 2 主要频率成分 脑电信号种类非常丰富，但并不是所有的脑电都适合进行检测和识别。常用 来进行b c i 研究的脑电信号主要有视觉诱发电位、事件相关电位( e r p ) 、自主控制 稳态视觉诱发电位( s s v e p ) 、皮层慢电位( s c p ) 等脑电信号类型川。 脑电的主要组分依据其频率来划分。0 5 - 一3 h z 的波称6 波，4 7 h z 的波称0 波，8 1 3 h z 的波称q 波，1 4 - - 一3 0 h z 的波称b 波。 3 北京交通大学硕士学位论文 6 波只有在睡眠时出现，但在深部麻醉、缺氧、或大脑有部位发生病变时也 可出现6 波，振幅约为2 0 - 2 0 01 tv 。 0 波主要和临睡状态下的朦胧意识和梦境出现有关，常在大脑疲劳状态下出 现，振幅约为1 0 - - 5 0pv 。 a 波一般见于全部头皮导联，但以枕、顶区为著。振幅约为2 0 - - 1 0 0 u v ，它是 有节律性脑电波中最明显的波。它在安静闭目的时候出现，波幅表现为由小变大， 然后又由大n d , 作规律性变化，因而成为梭形，通常是正弦波样。睁眼、思考问 题时，或接受其它刺激时，q 波消失而出现快波，这一现象称为q 波的阻断，如 果被测者又安静闭目，则q 波又重新出现。 1 3 波在额部最明显，它是个快波，振幅约为5 - - 2 0 u v 。1 3 波往往是附加在q 波 上，如用外刺激抑制了q 波，则可显现1 3 波。如果被测者睁眼视物，或听到突然 的响声，或进行思考活动时，则在头皮其他部位也出现1 3 波，所以b 波的出现一 般代表大脑皮质兴奋的结果。 2 1 3 脑电信号的分类 从宏观上说，脑电信号可大致分为两类。 一类是特定的诱发刺激引起的e e g 波形，并通过潜伏期、幅度和位置进行鉴别， 这种类型的脑电叫做诱发脑电；另一类是自发脑电，自发脑电是在特定的皮层位 置记录到的特定频率分量，它们是内生的或自发的，是在正常大脑功能过程中发 生的，不是与特定的刺激密切关联的。 利用诱发反应方法的突出特点是需要一种固定模式、能反复施加的刺激，如 视觉刺激。利用诱发反应方法的优点是可以使观察者关注的e e g 活动出现在刺激后 确定的时间区间或在特定的频率区段中，且只需简单的测量( 例如峰值幅度) 。这 些特征简化了将e e g 转化为仪器控制的任务。虽然仍然需要对多次刺激的反应进行 平均，但信噪比相对比较高。 利用自发脑电方法的优点是不需要固定模式的诱发刺激，不需要一直承担感 觉形式的任务，例如视觉。因此，使用起来更方便，更容易与其它活动同时进行， 或者对感觉模式被削弱的个体更实用。 2 2 脑电信号的采集 从采集脑电信号的位置看，目前电极记录的方式主要是用植入式电极和头皮 电极两种。植入式电极是将电极置于颅内，直接从大脑皮层提取皮层脑电，属于 4 脑电信号处理 有创式：后者属r 无创式。现在绝大多数采用头皮式电极方式来电录 22t 电极安放位置图 宜置存头皮袁面用以检测脑电信号的导电体被称为头皮电极，简称电极。国 际腑f 乜学会制定了脑电电极安放的一系列标准，对电极的安放位置、电极名称、 相关肺区的定义、代表数码的使用都做了相应规定。 目前国内外普遍采片j6 4 电极放置法和1 02 0 电极放置法。这里仅介绍一下 l o2 0 电极放置法。将鼻根和枕外相降的连结线分作1 0 等份中点为头皮( v e r t e x ) ， 然后把异揪，外耳孔和枕外耜隆的连结线也做1 0 等份。根据以头丁贞为中一t l , 的同一t l , 圜与半径的交叉点来确定电极部位口j 。如图所示， 幽211 02 0 系统弄导联的部位、名称 f i g u r e2 - 1 p o s i t i o na n d l i a r i t i n t e n - t w e n t ye l e c t r o d es y s t e m 222 脑电导联方法 脑电导联方法町分为单极导联法和双极导联法。把头皮电极作为探查电扳，把 同侧的耳垂作为参考电极。单极导联大致可以记录到探查电极f 脑电位变化的绝 对值，即把耳垂的参考电极电位看作相对零电位。双极导联的探查电极和参考电 极都是头皮电极，取极导联适于记录局限性异常波，并能消除参考电极活动化所 造成的误差。导联选择取决于所进行的研究目的，有各自的适用条件。 2 3e e g 数据的预处理 北京交通大学硕士学位论文 2 3 1e e g 的噪声干扰 人体的脑电信号很微弱，信噪比较低。在采集脑电信号时，由于受仪器、人体 等方面的影响，所采集的信号常常存在以下几种干扰： ( 1 ) 呼吸和运动所产生的基线漂移 在人体运动的情况下，电极和皮肤接触压力有变化导致电极阻抗产生很大的变 化，在放大器输出端产生极大的干扰；呼吸的加剧导致电极松动，输入电压变化 导致的e e g 信号幅度的变化。基线漂移的频率约是从0 1 5 - - 一0 3 h z 。 ( 2 ) 工频干扰 工频干扰是由电力系统引起的一种干扰，它是由5 0 h z 的信号及其谐波构成的一 种干扰，其幅值成份在e e g 峰一峰值的0 - - - 5 0 范围内变化。工频干扰在脑电信号的 频带范围内，因此它是脑电信号检测与处理中必须考虑的一种干扰。 ( 3 ) 肌电干扰 肌肉伸缩会产生微伏级的电势，它的频率范围非常广，可以从直流到1 0 0 0 h z 。 在运动时肌电会大大的增强，而且受试者身体各部位都有不同程度的运动，信号 的形态动态地发生变化，使得记录的信号中混入了干扰噪声。 ( 4 ) 电极接触噪声 电极接触噪声是由于电极和皮肤接触不良或是被测对象和测量系统脱离引起 的瞬态干扰。该噪声信号维持时间大约1 秒，幅值可达到放大器最大输出。 2 3 2 预处理目标 干扰不仅影响脑电信号的时域分析，而且它们通过改变带宽、功率分布密度等 频谱参数来影响对噪声非常敏感的频域分析( 即谱分析) 。预处理的目的是使脑电 信号尽量减少伪迹，提高信噪比，稳定基线。它的处理方法的好坏直接影响到后 续的特征提取和模式分析过程的质量与水平。预处理主要包括两方面： ( 1 ) 消除伪迹 e e g 信号的多导联采集过程中，来源于眼部、肌肉组织的生物电信号会引发伪 迹。有学者提出了平均伪迹的逆行分析方法，已被成功应用到眼电伪迹的消除过 程中。其主体思想是对采集到的e e g 信号进行校正，用特征识别的方法从e e g 信 号中减去受到眼电信号影响的部分。 ( 2 ) 剔除假点 在各种因素作用下，数据采集过程中会随机地引入一些虚假数据，产生异常点 ( 如高幅异常点可使谱分析的整体噪声水平加大，而两个相距很近的异常点将会在 6 脑电信号处理 谱分析过程中产生虚假频率) 。这类问题常用数字低通滤波的方法予以消除。 2 3 3 低通滤波 在下面两小节中我们将重点介绍两种常用的信号预处理的方法低通滤波 和空间滤波。 ( 1 ) 低通滤波 理想滤波电路的幅频响应在通带内具有最大幅值和线性相移，而在阻带内其幅 值应为零。实际的滤波电路难以达到理想的要求，如要同时在幅频和相频响应两方 面都满足要求就更困难。因此，只有根据不同的实际需要，寻求最佳的近似理想特 性。 b u t t e r w o r t h 滤波电路的幅频响应在通带中具有最大平坦度，但从通带到阻带 衰减较慢。它的频率特性曲线，无论是在通带和阻带都是频率的单调函数。因此， 当通带边界处满足指标要求时，通带内肯定有余量。 切比雪夫滤波电路能迅速衰减，但允许通带中有一定纹波。同b u t t e r l v o r t h 滤 波相比，它能将精确度均匀地分布在整个通带内，或者均匀分布在整个阻带内， 或者是同时分布在两者之内。这样就可实现用阶数较低的系统来满足要求的目的。 下面主要介绍本文采用的也是最常用的b u t t e r w o r t h 低通滤波器的设计。 b u t t e r w o r t h 低通滤波器原理可以用低通滤波器转移函数来表达： 日( s ) ：型：地生丝笔土幽 ( 2 1 ) 、7 彳( s )s ”+ a o ) s ”1 + + 口( ，1 ) b u t t e r w o r t h 低通滤波器的幅频特性可表示为 1 l 致( 删2 2 磊丽裔( 2 - 2 ) 式中，n 为滤波器阶次，q ，为通带的截止频率。 b u t t e r w o r t h 传递函数随着阶数n 的增大，其滤波器的截止频率特性越好，但振 幅对角频率超过通带的截止值，在阻频带振幅衰减速度越快。b u t t e r w o r t h 滤波器 的衰减率为每倍频6 分贝，每十倍频2 0 分贝；而二阶b u t t e r w o r t h 滤波器的衰减 率增加为每倍频1 2 分贝。 b u t t e r w o r t h 滤波器的振幅对角频率单调下降，并且也是唯一的无论阶数，振幅 对角频率曲线都保持同样形状的滤波器。其它滤波器的阶数不同，振幅对角频率 会有不同的形状。 图2 2 给出了截止频率w c = 2 0 h z 的b u t t e r w o r t h 低通滤波频幅响应。 7 北京交通大学硕士学位论文 图2 2b u t t e r w o r t h 低通滤波频幅响应( w c = 2 0 ) f i g u r e2 - 2 b u t t c r w o r t hl o wp a s sf i l t e rf t c q u e n c yr a t er e s p o n s e ( 2 ) 空间滤波 空间滤波的概念来源于在频率域内对信号进行处理的傅立叶变换。傅立叶变换 着眼于空间频率分布，而在下文第四章中也所采用了空间滤波方法，其目的是着 重突出信号在时域的空间分布。它的原理是将滤波器待处理信号的每一点，在该点 的响应通过事先定义的关系来计算。通过滤波，将随机空间的噪声平滑掉，并保 持突出目标有用信号的空间结构特征。 脑电信号是一种非平稳且信噪比较小的随机信号，而且有些诸如脑电之类的比 较稳定的干扰信号在多导联脑电测量过程中会不同程度地出现在各导联中，因此 可以采用空间滤波方法突出空间结构特征的优势来加强有用信号，减弱噪声干扰， 以此来提高信噪比。 空间滤波方法是用某个电极的数据减去所有电极信号的平均值。由此可见，这 种算法实际上是减小了多数电极上共有信号的影响，同时排除多导联脑电测量时 引入的噪声干扰，突出了某一电极上的信号。 8 脑电信号处理 2 4 脑电信号的特征提取 2 4 1 特征提取定义及分类 脑电信号的特征提取是b c i 系统的重要环节。所谓特征提取，就是把包含有使用 者消息和指令编码的特征信号提取出来，或者通过某种计算关系得到新的特征值， 这些特征信号或特征值将被用于下一步的分类中。简言之，特征提取是指从e e g 中 提取出少量有用的特征值或特征点。 目前，脑电信号的特征提取可归结为以下几类： ( 1 ) 单一信息法 指的是从信号的时域或频域提取特征信息。时频分析旨在构造一种时间和频率 的密度函数，以揭示信号中所包含的频率分量及其演化特性。其中，时域方法主 要分析e e g 波形的几何性质，如幅度、均值、方差、偏歪度等；频域分析方法则主 要分析各频段功率、相干等。例如，提取e r p 或皮层慢电位( s c p ) 的幅度；在频域 内提取q 节律和u 节律某一频段的能量。此方法简单，但缺点是识别率不是很高。 ( 2 ) 特征组合法 特征组合法是指用不同方法提取的特征值被组合为特征向量的方法。此类方法 将信号作不同变换处理后得到的特征信息融合在一起，利用了更多的有用信息，可 以取得较好的识别结果，但特征的识别性能有待进一步挖掘。 从上可以看出，提高识别率的基础仍然是要找到更有效的单一特征信息，在此 基础上将这些特征通过某种方式有效的组合在一起，构成一个可以达到更高识别 结果的特征向量。 2 4 2 时域分析和频域分析 时域特征是脑电信号的基本特征。主要是直接提取波形特征，较好地反映了波 的瞬间形态，在目前脑电定量化分析中占有重要位置。它有明确的物理含义，按时 间点抽样不存在信息失真。缺点是受到工频干扰太多，识别率不是很高。时域分 析方法很多，如直方图分析、方差分析、峰值检测及波形参数分析、叠加平均等 等。 频域分析方法主要是基于e e g 各频段功率、相干等，最常用的方法是利用功率 谱分析和相干分析等手段，如频谱估计、参数模型的谱估计和谱参量分析等。其 中，功率谱估计应用较多，典型的g r a z 实验【9 】就选择了利用功率谱估计提取信号 特征。 9 北京交通大学硕士学位论文 2 5 主要的特征提取算法 常用的特征提取算法多数采用基于频域和时频结合的方法【l o l 。如：短时傅立叶 变换、相关性分析、自回归参数估计、共同空间特征法、小波变换、空间滤波方 法、遗传算法、w e l c h 周期图。算法的选择与利用的信号特征类型和特征提取方式 有关。 2 5 1 陕速傅立叶变换( f a s tf o u r i e rt r a n s f o r m ，f f t ) 快速傅立叶变换( f f t ) 运算的原理是将长度为n 的序列的傅立叶变换逐次分解 为计算长度较短的序列变换，从而转换为两个长度为n 2 的变换的计算。f f ，r 首先 是将输入序列按倒位序的次序存储，然后计算变换输出。为了便于利用计算机进 行傅立叶级数与傅立叶交换的运算，需要对连续信号进行采样，从而得到一系列 离散数据。这种对离散量的傅立叶变换，称为离散傅立叶变换，记作d f t i 】。 快速傅立叶变换并不是一种新的变换，而是离散傅立叶变换( d f t ) 的一种快速 算法。设信号x ( n ) 为n 点有限长序列，它的离散傅立叶变换( d f t ) 的定义如下： n 一- i 石( 后) = ：x ( ，z ) 讳秽， k = 0 ，1 ，n l ( 2 3 ) 磊 其中w f f = e x p ( - j 2n k n ) 。 假设n = 2 工，根据孵的周期性、对称性和可约性可以把式子分解如下： 石( 七) = j ，l ( 七) + 降z j ，2 ( 七)k = l ，2 ，, n 2 - 1 ( 2 4 ) x ( k + 2 n ) = x i ( 七) 一陟鸳j ，2 ( 七) k = l ，2 ，n 2 1( 2 5 ) 可以看出，一个n 点的d f t 可以分解为两个n 2 点的d f t 。不断进行该过程，按照 奇偶分解的方法继续分解下去，直到最后得到两点的d f t 。由于2 个点的d f t 的运算 量比n 点的d f t 要少一个n 的数量级，所以f f t 能节约大量的运算资源。 2 5 2 短时傅立叶变换( s h o r tt i m ef o u r i e rt r a n s f o r m ，s t f t ) 2 5 2 1 基本思想 短时傅立叶变换( s t f t ) 的基本思想来源于快速傅立叶变换。它的基本思想是把 信号划分成许多小的时间间隔，用傅里叶变换分析每个时间间隔，以便确定该时 间间隔存在的频率，其实质是信号的局部傅立叶变换。优点是算法简单，容易实 现，信号的频谱与数据中的正弦成分的幅度成线性比例【l 2 1 。 短时傅里叶变换使用一个有限宽度的观察窗w ( f ) 对信号工( f ) 进行加窗处理，然 1 0 脑电信号处理 后进行傅里叶变换即得到信号的短时傅里叶变换表达式： 册w ，f ) = lx ( t ) w ( t - t ) e - 加d t ( 2 - 6 ) 这里w 是角频率，w ( f l - f ) 表示w ( t 一t ) 的复共扼函数，可见当把观察窗沿时间轴 平移时即可得到信号的时频信息表示。短时傅里叶变换的主要优点是容易实现、 计算简单；主要缺点是时间和频率分辨率在整个时频平面上固定不变。 短时傅里叶变换的窗口函数可以通过时间轴的平移与频率限制得到，由此得到 的时频分析窗口具有固定的大小。对于非平稳信号而言，需要时频窗口具有可调 的性质，即要求在高频部分具有较好的时间分辨率特性，而在低频部分具有较好 的频率分辨率特性。在实际应用尤其是信号处理的应用中，变换只是一种简化问 题、处理问题的有效手段，最终目的需要回到原问题的求解，因此，还要保证短 时傅里叶变换存在逆变换。 一旦窗函数确定，时间和频率分辨率在整个时频平面上就固定不变。如果对于 特殊的信号，就需要有合适的窗与之相对应，因此这种变换的适应性不强。 2 5 2 2 窗函数性能 各种窗函数的比较如表2 1 所示， 表2 - 1窗函数性能比较 t a b l e2 - 1t h ee o m p a r a s i o no f w i n d o wf u n c t i o n sp e r f o r m a n c e 窗函数峰值旁瓣比过滤带宽度阻带最小衰减 矩形窗 1 3 4 万n 一2 1 三角窗 2 5 8 万n - 2 5 汉宁窗 3 18 刀n- 4 4 海明窗 4 58 刀n- 5 3 凯泽窗 5 71 0 万n- 8 0 在各种窗函数中，虽然矩形窗拥有最小的主瓣宽度，但是其峰值旁瓣比过小， 阻带衰减也不够，并不是很好的窗形。三角窗，汉宁窗和海明窗中，三者的主瓣 宽度是一样的，但显然海明窗性能最优越。不拉克曼窗以及凯则窗主瓣展宽过多， 其结果是方位向分辨率下降太多，也不是很好的选择。因此在下文中，我们都选用 海明窗设计数字低通滤波器。 2 5 3 小波变换 2 5 3 1 小波的性质 传统的基于傅里叶变换的信号处理方法，只能用于信号和噪声频带重叠部分非 北京交通大学硕士学位论文 常小或者两者完全分开的情况下，然后通过滤波的方法将噪声去掉。而实际信号 的信号谱和噪声谱是任意重叠的，显然用传统的滤波方法是不能达到有效的去除 噪声提取有用信号的目的。 鉴于传统方法这一局限性，小波是现在信号处理领域的一种强有力的工具。小 波是定义在有限间隔而且其平均值为零的一种函数【l 引。如图2 - 3 所示，上部两条曲 线是频率不同的余弦波，持续宽度相同。底下的两条是最古老又最简单的h a a r j 、 波，特点是他们都是沿着轴向频率和位置都不相同的小波。它们的基向量都是由 一个函数通过平移和伸缩来产生的。 图2 3余弦波与小波的对比图 f i g u r e2 - 3 t h ec o m p a r a s i o no fc o s i n ew a v ea n dw a v e l e t 小波具有有限的持续时间和突变的频率和振幅，波形可以是不规则的，也可以 是不对称的，在整个时间范围里的幅度平均值为零。而正弦波和余弦波具有无限 的持续时间，它可从负无穷扩展到正无穷，波形是平滑的，它的振幅和频率也是 恒定的。仔细观察图所示的余弦波和小波可以发现，用不规则的小波分析变化激 烈的信号也许比用平滑的余弦波更有效，或者说对信号的基本特性描述得更好。 2 5 3 2 小波分析方法 小波分析通过平移母小波( m o t h e rw a v e l e t ) 可获得信号的时间信息，而通过缩 放小波的宽度( 或者叫做尺度) 可获得信号的频率特性。对母小波的缩放和平移操 作是为了计算小波的系数，这些系数代表小波和局部信号之间的相互关系。 小波变换是把一个信号分解成将原始小波经过移位和缩放之后的一系列小波， 因此小波同样可以用作表示一些函数的基函数。可以说，凡是能够用傅立叶分析 的函数都可以用小波分析，因此小波变换可以理解为用经过缩放和平移的一系列 函数代替傅立叶变换的余弦波。 几种主要的小波分析方法有：连续小波变换、离散小波变换和小波重构。 在实际应用中，小波变换是用离散的数据进行计算的。离散小波变换通常采用 缩放因子和平移参数都选择2 的j 次幂( 0 ) 的倍数。这样的缩放因子和平移参数 1 2 脑电信号处理 的小波变换叫做双尺度小波变换，它是离散小波变换( d i s c r e t ew a v e l e t t r a n s f o f m ，d w t ) 的一种形式。 短时傅里叶变换和离散小波变换的对比如图2 4 所示， i 心m ，bz 、八、厂、z 一 ，一z 吖v 岛 、v 屯 。 蕞；韭l 泌 北京交通火学硕士学位论文 图2 5三阶小波分解树 f i g u r e2 - 5 t h et h i r do r d e rd e s p o s i t i o nt r e e 2 5 3 3 小波重构 离散小波变换可以用来分析或者叫做分解信号，这个过程叫做分解或者叫做分 析。把分解的系数还原成原始信号的过程叫做小波重构，它的原理图如2 6 所示， h 。 l 图2 6小波重构方法 f i g u r e2 - 6 t h em e t h o do f w a v e l e tr e c o n s t r u c t i o n 在使用滤波器做小波变换时包含滤波和降采样两个过程，在小波重构时要包含 升采样( u p s a m p l i n g ) 和滤波过程。升采样是指在两个样本数据之间插入“0 ，目 的是把信号的分量加长。 重构过程中滤波器的选择也是一个重要的研究问题，这是关系到能否重构出满 意的原始信号的问题。在信号的分解期间，降采样会引进畸变，这种