EEG信號MATLAB分析平臺設計-模式識別部分【含論文、開題報告、文獻綜述】

EEG信號MATLAB分析平臺設計-模式識別部分【含論文、開題報告、文獻綜述】,含論文、開題報告、文獻綜述,eeg,信號,matlab,分析,平臺,設計,模式識別,部分,部份,論文,開題,報告,講演,呈文,文獻,綜述 本科生畢業(yè)設計（論文） 文 獻 綜 述 姓 名 學 號 學 院 專 業(yè) 年 級 一、課題國內外現狀（黑體，三號字） 人的大腦是由數以萬計的針尖大小的神經交錯構成的。神經相互作用時，腦電波模式就表現為思維狀態(tài)。每次神經活動時都會產生輕微的放電，許多神經共同放電產生的集體電波可以通過測量得到。從頭皮記錄到的EEG信號時域的幅值在0.1~200uV， 頻率主要分布在0.5~ 50 Hz之間。相關研究已表明，人體在做不同動作或者想像任務時大腦皮層不同區(qū)域的刺激大小不同，相應會產生不同的EEG信號[1]。 1929年德國神經精神病學家Hans Berger首先報告了在人類完整的頭皮上安放電極，描記人類大腦的電活動。此后他的研究成果不斷得到電生理及神經生理學家的證實，使EEG學在全世界范圍得以發(fā)展，并開始為臨床和科學服務。診斷異常腦電圖，主要不是根據它缺少正常腦電圖的成分或類型，而應根據它是否含有不正常腦電活動或類型。 自1932 年Dietch 首先用傅立葉變換進行了EEG分析之后, 在腦電分析中相繼引入了頻域分析、時域分析等腦電圖分析的經典方法。近年來, 在腦電圖分析中應用了小波分析、匹配跟蹤方法、神經網絡分析、混沌分析等方法以及各種分析方法的有機結合, 有力地推動了腦電信號分析方法的發(fā)展[2]。 （1） AR參數模型譜估計。 在現代譜估計方法中，參數模型法是應用最廣泛的一種方法，近年來在EEG 信號處理中應用較為普遍。將AR模型應用到EEG分析中的基本思想是假設可以用AR 過程近似真實EEG 信號，基于這一假設，根據實際EEG信號，選取合適的階次、參數使得AR 模型所對應的AR 過程盡可能逼近EEG 信號。采用AR參數模型進行特征提取，是考慮到EEG 信號是典型的非平穩(wěn)隨機信號[12]。 利用AR模型對EEG信號進行壓縮。在一般的EEG 實驗室中，50~60分鐘長的EEG 信號是常見的事，因此，大容量的腦電信號的存儲是腦電數據庫必然面臨的問題。因此，EEG 信號的數據壓縮具有重大的現實意義。實測得到的EEG 數據長約160 s， 采樣率為256Hz ，4 通道。測得的EEG 信號利用AR模型分段擬合，每段采樣點數為1024點，AR的階數P =15，采用Levison-Durbin 遞推算法，從而把1024 點數據壓縮為16 個系數與預測誤差。 （2）雙譜分析。 功率譜分析可以有效地反映信號的二階信息，卻丟失了包括相位信息在內的高階信息，而這些信息對EEG 信號分析有時顯得很有意義。雙譜分析要求信號至少三階平穩(wěn)，因此對短數據EEG 信號才有意義。 （3）時頻分析 腦電信號是一種時變的、非平穩(wěn)信號，不同時刻有不同的頻率成分，而單純的時、頻分析方法通過傅氏變換聯系起來，它們的截然分開是以信號的頻率時不變特性或統計特性平穩(wěn)為前提的。但由于時域和頻域分辨率的“不確定性原理”，不可能在時域和頻域同時獲得較高的分辨率。而且在EEG 中有許多病變都是以瞬態(tài)形式表現的，只有把時間和頻率結合起來進行處理才能取得更好的結果?？梢哉f信號的時-頻表示法為腦電信號處理提供了非常好的前景。目前應用的較為廣泛的方法有維格納- 費利分布(Wigner -VilleDistribution，WD)和小波變換，匹配跟蹤方法目前也已用于睡眠紡錘波的分析[2]。 （4）諧波小波包變換 腦電波是典型的非平穩(wěn)信號，不同時刻有不同的頻率成分，把時間和頻率結合起來分析才能得到更好的結果。小波變換具有很好的時頻分析功能，因此近年來應用小波變換分析腦電波倍受關注。例如應用小波變換的多尺度分析來分析EEG中的異常波，如棘波、棘慢復合波等。在腦電圖檢測中，許多病變是以瞬態(tài)異常波形表現的，因此小波變換的局部瞬變捕捉性質和線性相位特性尤為重要。常見的二進小波變換的主要缺點是隨著分解層數的增加，逐漸向低頻聚焦，對信號的高頻段的刻劃比較粗糙。小波包變換是二進小波變換的改進，對信號的高頻段也進行分解，但是仍不能在同一分解層得到感興趣的頻段。另外，二進小波變換和二進小波包變換均采用二抽一采樣，隨著尺度的增加，采樣頻率減半，數據點減半，當數據點數比較少時，信號的細節(jié)會丟失。英國劍橋大學Newland教授提出的諧波小波包變換對信號中的奇異成分非常敏感，具有線性相位特性并且可以用快速傅立葉算法實現，具有重要的工程應用意義。諧波小波變換可以通過FFT和IFFT運算實現，這是諧波小波變換顯著的優(yōu)點。參數決定了諧波小波變換的尺度，通過不斷變化參數的值，調節(jié)帶寬大小和中心頻率，以匹配不同頻帶的信號，就實現了諧波小波包變換[6]。 （5）希爾伯特一黃變換 時頻分析方法在腦電分析中有其優(yōu)勢，但主要的時頻分析方法各有優(yōu)缺點：短時傅立葉變換簡單易實現，其主要缺陷在于所謂“窗效應”，使用固定的窗函數，其頻率分辨率受窗寬約束；小波變換采用可變窗口對信號進行分析，較好地解決了時間和頻率分辨率的矛盾，是目前最好的時頻分析方法之一。但小波方法也有其缺點：一旦選擇了小波母函數，則必須用它來分析全部信號，因此，小波不具有自適應性。此外．有時小波變換的解釋也不直觀。 黃鄂博士等提出的希爾伯特一黃變換(Hilbert--Huang Transform HHT)是一種新的非平穩(wěn)信號時頻分析方法，通過EMD(empirical mode decompositionEMD)方法得到一系列內蘊模態(tài)函數(intrinsicmodefunctionIMF)。IMF的特點使得通過希爾伯特變換得到的瞬時頻率不僅有數學上的意義，也有了物理上的意義。另外，EMD分解的基函數直接來自信號本身，信號分解具有局域性和自適應性，特別適合于分析非平穩(wěn)信號。對IM'F進行希爾伯特交換可以構建信號的時間一頻率一振幅(能量)分布，即希爾伯特(能量)譜。希爾伯特譜無論在頻域還是時域上都有良好的分辨率，并且三維的分布能夠反映出信號的內在本質特性[7]。 人們希望通過自發(fā)腦電，解釋人的心理活動，用大腦中電壓變化測量心理活動，需要劇烈的、非常的心理活動才能在自發(fā)腦電上觀測到一點點變化。但用自發(fā)腦電活動來衡量人的心理活動內容，由于腦電太弱，此時就需要把這種內容重復呈現30-50次，把每次測量到的電位疊加起來，才能進行觀察，這就是所說的誘發(fā)電位技術，通常叫做事件相關電位，簡稱ERP。ERP學在認知神經科學中具有重要作用。這是因為在研究具更廣泛重要性的問題之前，你首先需要相當程度地了解那些特異性ERP成分[10]。 一般情況下，進行ERP研究時，為得到可靠的ERP波形，對原始腦電數據的離線分析過程主要包括以下基本步驟[3]： （1）合并行為數據； （2）腦電預覽； （3）偽跡剔除或矯正，包括眼電（EOG）、心電（EKG）、肌電（EMG）等； （4）數字濾波（根據具體情況和經驗進行參數選擇）； （5）腦電分段； （6）基線校正； （7）去除偽跡； （8）疊加平均； （9）數字濾波（根據需要選擇）和平滑化處理； （10）總平均； （11）波形識別、測量、統計分析、作圖。 針對EEG 信號的模式識別國外學者已進行了大量的實驗與研究。對于BCI 技術來說，要使腦機接口技術有更大實用意義，必然要實現多類EEG 信號模式識別，所以提高多類分類的精度是很有必要的。但由于實驗方法各有差異，且各種多分類方法本身均存在不同程度的缺陷，并沒有一個公認的效果很好的多分類方法。而支持向量機與其它傳統的模式識別方法相比，以其結構風險最小化原則而非經驗風險最小化原則，在EEG 的模式識別問題中也已展現出較強的分類能力和泛化能力[4]。 支持向量機SVM是在統計學習理論基礎上發(fā)展起來的一種新的機器學習方法，是結構風險最小化原理的實現。算法實現需具有深厚的數學功底和計算機編程技術，對非計算機專業(yè)的廣大研究人員來說，一種簡單高效的實現環(huán)境和方法是迫切的需要。支持向量機算法在MATLAB環(huán)境下易于實現和靈活應用的特點，很好的提供這一技術平臺[8]。 對于樣本的識別，目前相關研究中采用最多的是BP神經網絡和支持向量機方法，但BP神經網絡存在固有的收斂速度慢,容易陷入局部最小點的缺陷。支持向量機是由Vapnik 最初在統計學習理論的基礎上建立起來的一種非常有力的機器學習方法，是一種新穎的人工智能技術，目前在信號處理、系統辨識與建模、先進控制和軟測量等領域都得到了廣泛的應用[9]。 支持向量機中的參數較多，對其的選擇極大程度上決定了分類器的復雜性、泛化能力及魯棒性，所以參數尋優(yōu)的意義尤為重大。許多尋優(yōu)算法都已應用到了支持向量機參數優(yōu)化問題當中，比如網格點法、K折交叉驗證法、梯度算法、遺傳算法、粒子群算法、蟻群算法和模擬退火算法等[4]。 二、研究主要成果 本設計主要基于MATLAB分析平臺，實現對EEG信號的分析和處理，從而提取相關的信息，以供研究人員進行科學研究，對臨床醫(yī)學和認知科學領域具有重要的參考價值和科學意義。 首先需完成EEG 信號CNT文件的讀取和顯示，對大容量數據進行分段、壓縮或者改變采樣頻率以減小數據量，方便處理。同時進行基線的調整，壞數據的剔除等工作。 然后基于特定信號源編碼與EEG信號作相關分析，得出主成分信號。主成分分析是一種通過降維技術把多個變量化為少數幾個主成分（即綜合變量）的統計分析方法。這些主成份能夠反映原始變量的絕大部分信息，它們通常表示為原始變量的某種線性組合。 再者嘗試不同信號變換，尋出關聯事件類型下的最大相關信號特征。主要有合并行為數據、腦電預覽、偽跡剔除或矯正、數字濾波、腦電分段、基線校正、去除偽跡、疊加平均、數字濾波和平滑化處理、總平均、波形識別等步驟。 最后利用SVM，PLS等分析方法，對信號特征進行關聯匹配，尋找最優(yōu)方法和參數。支持向量機就是首先通過用內積函數定義的非線性變換將輸入空間變換到一個高維空間，在這個空間中求(廣義) 最優(yōu)分類面。SVM 分類函數形式上類似于一個神經網絡，輸出是中間節(jié)點的線性組合，每個中間節(jié)點對應一個支持向量通過把原問題轉化為對偶問題，計算的復雜度不再取決于空間維數，而是取決于樣本數，尤其是樣本中的支持向量數。這些特點使有效地對付高維問題成為可能。在最優(yōu)分類面中采用適當的內積函數就可以實現某一非線性變換后的線性分類，而計算復雜度卻沒有增加[5]。 三、發(fā)展趨勢 腦電信號中包含了大量的生理與疾病信息。在臨床醫(yī)學方面，腦電信號處理不僅可為某些腦疾病提供診斷依據，而且還為某些腦疾病提供了有效的治療手段。在工程應用方面，人們也嘗試利用腦電信號實現腦-計算機接口(BCI)，利用人對不同的感覺、運動或認知活動的腦電的不同，通過對腦電信號的有效的提取和分類達到某種控制目的。但由于腦電信號是不具備各態(tài)歷經性的非平穩(wěn)隨機信號，而且其背景噪聲也很強，因此腦電信號的分析和處理一直是非常吸引人但又是具有相當難度的研究課題[2]。 腦電信號是明顯的非平穩(wěn)性信號，從20 年代檢測到腦電信號以來，雖然已作了大量的工作，但長期以來還沒有突破性的進展。隨著信號處理方法的不斷發(fā)展，更多更有效的分析方法在腦電信號分析中的應用，人們對于腦電活動機理將有進一步的認識，也必將為臨床醫(yī)學和基礎醫(yī)學的發(fā)展作出新的貢獻[2]。 由于統計學習理論和支持向量機建立了一套較好的有限樣本下機器學習的理論框架和通用方法，既有嚴格的理論基礎，又能較好地解決小樣本、非線性、高維數和局部極小點等實際問題，因此成為九十年代末發(fā)展最快的研究方向之一，其核心思想就是學習機器要與有限的訓練樣本相適應。統計學習理論雖然已經提出多年，但從它自身趨向成熟和被廣泛重視到現在畢竟才只有幾年的時間，其中還有很多尚未解決或尚未充分解決的問題，在應用方面的研究更是剛剛開始。這是一個十分值得大力研究的領域[5]。 四、存在問題 EEGLAB統計方法具有局限性：1、結果不易顯著。2、進行多因素統計分析存在局限性（無法探討交互作用）。 為了研究學習過程一致收斂的速度和推廣性，統計學習理論定義了一系列有關函數集學習性能的指標，其中最重要的是V C維(Vapnik-Cherv onenkis Dimension)。模式識別方法中V C維的直觀定義是：對一個指示函數集，如果存在h 個樣本能夠被函數集中的函數按所有可能的形式分開，則稱函數集能夠把h 個樣本打散；函數集的VC維就是它能打散的最大樣本數目h。若對任意數目的樣本都有函數能將它們打散，則函數集的VC維是無窮大，有界實函數的VC維可以通過用一定的閾值將它轉化成指示函數來定義。VC維反映了函數集的學習能力，VC維越大則學習機器越復雜(容量越大)。遺憾的是，目前尚沒有通用的關于任意函數集VC維計算的理論，只對一些特殊的函數集知道其VC維。對于一些比較復雜的學習機器(如神經網絡)，其VC維除了與函數集(神經網結構)有關外，還受學習算法等的影響，其確定更加困難。對于給定的學習函數集，如何(用理論或實驗的方法)計算其VC維是當前統計學習理論中有待研究的一個問題[5]。 關于如何選擇支持向量機的多分類方法尚沒有一個系統的、有指導意義的簡捷方法。方法原理各不相同，各有優(yōu)缺點，在不同場合有不同表現，具體問題應當選用何種方法尚未有較好的選擇標準，就其使用時的簡便性來說，一對多法相對使用廣泛。在選擇最佳多分類方法時仍需對各種方法進行試驗挑選。所以在支持向量機應用于EEG 模式識別的問題上仍有很大的研究空間，需要從BCI 系統整體出發(fā)，考慮到樣本的選擇方法，分類器的可靠性評判等方面建立多類模式識別的評判系統[4]。雖然SVM方法在理論上具有很突出的優(yōu)勢，但與其理論研究相比，應用研究尚相對比較滯后，目前只有較有限的實驗研究報道，且多屬仿真和對比實驗。SVM的應用應該是一個大有作為的方向。如何調整支持向量機分類器的參數, 使得在限定一類錯誤率的前提下使另一類的錯誤率達到最小也是我們下一步的工作[11]。 誘發(fā)電位儀這種設備，它的優(yōu)點在于它能把微弱的信號通過疊加使之從無序的自發(fā)電位中突出出來，從而人們能夠識別它。但是它的優(yōu)點同時也就是它的缺點，須知，人的心理是一種活動的過程，而活動過程是不能靜止的，靜止了就不是心理活動了，把一個靜止的狀態(tài)連續(xù)疊加30-50次，它從自發(fā)電位中確實突出出來了，但可惜的是，它不是我們所希望看到的那種連貫的心理活動了。比如說，我們令一個被試觀看一張恐怖的圖片，被試產生了恐懼反應，這種恐懼信號太弱，不足以被識別出來，為了是它從自發(fā)電位中突出出來，就需要疊加，可是當第二次看到它時，被試的恐懼感還是第一次那樣嗎？第三、第四更不是，最后會不會對連續(xù)觀察恐懼圖片產生厭惡感。而且，引起誘發(fā)電位的那種刺激呈現之后，一般是觀察300毫秒以內的變化，研究者們觀察最多的是P300，須知，300毫秒也就是不到一秒鐘的三分之一的時間，只相當于選擇反應時的時間長度，如此短暫的時間，能夠允許復雜的心理活動在人們的意識里明明白白地產生并保留一會兒嗎？300毫秒里能完成的心理活動，只是復雜心理活動鏈條中的一剎那的片段，不是通常一以上的心理活動，因此，用這種方法研究復雜的心理現象，猶如用照片來反映一個人對事物的態(tài)度一樣，只能是管中窺豹，只見一斑。 腦電技術與心理學研究的結合還有很長一段路要走。 5、 參考文獻 [1] 劉克球，呂以喬，以氏．生物醫(yī)學電子學[M]．北京大學出版社，1988. [2] 季忠，秦樹人，彭麗玲．腦電信號的現代分析方法[J]．重慶大學學報，2002，25(9)：108-112． [3] 趙侖．ERPs實驗教程[M]．南京：東南大學出版社，2010．7． [4] 李耀楠，張小棟，王云霞．支持向量多分類機的多類復雜手操作EEG信號模式識別[J]．機械與電子，2009，12(7)． [5] 張學工．關于統計學習理論與支持向量機[J]．自動化學報，2000，26(1)：32-42． [6] 楊仁桓，宋愛國，徐寶國．基于諧波小波包變換的腦電波基本節(jié)律分析[J]．東南大學學報，2008，38(6)：996-999． [7] 毛大偉．分尺度復雜性及希爾伯特—黃變換在腦電分析中的應用．浙江大學，2005． [8] 董婷．支持向量機分類算法在MATLAB環(huán)境下的實現[J]．榆林學院學報，2008，18(4)：94-96． [9] 周紅標．基于小波包變換和最小二乘支持向量機的癲癰腦電信號識別．淮陰工學院電子與電氣工程學院，2011． [10] STEVEN J．LUCK．事件相關電位基礎[M]．上海：華東師范大學出版社，2009． [11] 李鋼，王蔚，張勝．支持向量機在腦電信號分類中的應用[J]．計算機應用，2006，26(6)：1431-1436． [12] 賈花萍．基于PNN 神經網絡的EEG 信號分類方法研究[J]．河南科學，2011，29(7)：846-849．