搜索
大连民族学院毕业设计（论文）外文翻译学院：信息与通信工程学院专业：通信工程班级：通信093学生姓名：陆万安指导教师：李婷完成时间：2013年4月19日基于小波变换的特征提取脑诱发电位摘要诱发脑电位（BEP）直接关系到一系列的疾病和身体的健康状态，分析诱发脑电位对预防和诊断脑疾病是有帮助的。传统的平均法可以粗糙地显示诱发电位的形状，但会损失一些重要组成部分。同时，加在电位的次数要很多，这都会增加了受试者的痛苦。小波变换是信号处理的一种新兴技术，它具有多分辨率分析的特点。本文我们利用小波变换的特征提取诱发脑电位与传统的平均方法进行比较，我们可以看到，小波变换技术非常顺利的识别了脑诱发信号而且波形也十分稳定平滑，这不仅很好地保存了有用的信号，而且隔绝几乎所有的噪音。实验表明，小波变换在特征提取BEP具有很高的效率，在临床上也有的应用价值。关键词：诱发电位，小波变换，特征提取1引言脑诱发电位（BEP）在一定的刺激作用下在大脑的相关部位形成的电信号,例如光或声音作用于大脑皮层。BEP的振幅和峰面积变化直接关系到一系列的疾病和身体的状态。现在，我们可以通过分析BEP的状态从而对脑血管病，帕金森病，昏迷，脑死亡，特技，听觉和视觉障碍等疾病提供有效的预防和诊断。但BEP总是很模糊，它通常是被埋在振幅的EEG背景和其它噪音之中，因此很难检测和提取。BEP的分析主要集中在时域或频域。在时域，时间信号变化反映在实时的神经活动中。在频域，瞬时频率信号是神经活动的标记。时频分析是为了大脑的功能定位，以确保之间的映射关系以及脑功能和脑结构的正确性。在上世纪20年代末40年美国学者道森观察BEP的初始波。道森一次又一次在同一张照片筛选大脑电位的变化，当时机械和自动设备随着技术的进步出现时，他意识到解决提取的BEP这一难题的时候到了，但是这种方法有许多缺陷和不足。电位的波形不显著并伴有大量的假信号，使诱发电位的特征提取仍然是一个在生物医学信号处理领域的难题。小波变换方法可用来提取和识别淹没在噪声中的微弱电生理信号，目前己成功地提取EP信号和心室晚电位。由于其具有多分辨率分析的特点，已被广泛应用于脑电信号的滤波以及特征波形的提取上，特别对于癫痫等病的发作的特征波形有很好的提取作用。2平均法由于从脑部皮层提取的诱发电位十分微弱，因此背景噪声包括脑电、肌电等信号就显得尤其强大，一次刺激所引起的诱发电位信号就被淹没在自发脑电信号和噪声中无法辨识。对于这个问题，通常采用多次叠加的方法提取诱发电位，后来又发展到各种相干平均法、加权平均法。其原理即进行多次刺激，将各次混有自发脑电信号的诱发电位信号进行叠加平均。由于各次的自发脑电是随机信号，均值为零，各次的诱发电位信号则基本一致，因此经过叠加平均后就可以抑制自发脑电，提高诱发电位的信噪比。信噪比的提高，与叠加平均次数的平根成正比．但是，随着叠加次数的增多，不但增加了受试者的痛苦，还会造成神经系统对外部刺激产生适应性，导致较大的测量误差，丢失许多有用的瞬态信息。因此，寻找诱发电位提取的新方法，尽量减少叠加次数，一直是人们研究的目标。假设记录的信号()ixt：()()()iiixtstnt(2.1)其中，()ist是诱发电位，()int是噪声。然后，11NiiyxN(2.2)平均法法是传统的和简单的方法在BEP提取。因为时间被锁定于诱发电位及噪声之间，我们通常认为的噪声是独立的诱发电位和记录诱发电位是相似的。从而提高平均法信噪比在一定程度上诱发电位与处理。结果如图2.1所示。它是一次加法的结果，五的增加的结果，十五加法和三十的结果依次从上到下。图2.1平均法的结果从图中可以看出，诱发电位在三十的添加也有粗糙的许多虚假信号和背景噪声。它需要添加许多刺激信号（通常是100）才能获得更好的波形图。但重复长时间的刺激会使大脑适应或疲劳使振幅诱发电位出错。因此，平均的方法有严重的缺陷。3小波变换小波变换的思想源自于伸缩和平移。这是一个在时域和频域部分的分析方法它的大小和可变的窗口的形状是固定的。该信号的连续小波变换()yt的定义是：1(,)()()fRtbWabytdtaa(3.1)其中，()t的小波函数，a是参数，b是平行移动的参数。这表明我们使用扩展的波()t来观察整个()yt的时候a增加。相反，它表明我们使用压缩波()t观察偏()yt时减少。那么()yt的小波变换能够充分反映从一般的图像细节信息随着一个由大到小规模的变化。1988，Mallat提出多分辨率分析并给出了小波分解重塑算法即Mallat算法的概念。根据该算法，如果()yk是样本数据()yt和0k，()ykC，那么它可以分解为：,1,2,1,2(0,1,21)jkjnnknjkjnnkncchkNddg(3.2)其中，,jkc的尺度系数和,jkd的在水平的信号离散细节系数J，H和G是低通滤波器和高通滤波器分别相应的一些小波基，J是分解层和n是样本数的有关重塑公式：1,1,21,2jnjnnkjnnknncchdg(3.3)我们编写的MATLAB程序特征提取的BEP，根据小波Mallat算法的实验数据是从脑机接口采样频率为125Hz和之前的连接数是32的第二导向EOG同时采集的信号。具体位置并对应电极的编号，如图3.1所示。图3.1电极的编号我们选择db5小波函数分解重塑EEG在八层根据Mallat算法。以信号的五增加为例，小波分解系数图如下图3.2小波分解系数可以从小波分解图看出D1，D2和D3是主要的高频率的相关噪声，诱发电位能量主要集中在D4和D5。利用小波变换这样的方法来提取诱发分解信号按Mallat算法和重塑信号的小波系数和D4D5规模。小波处理流程图见图3.3，提取结果如图3.4所示。图3.3小波处理流程图3.4提取结果在图3.4中，一个是特征提取采样信号的结果，5信号的提取结果添加后，10增加信号的提取结果和提取结果信号经过20增加从上向下。从结果中可以看出，诱发电位波形可以在一个样品的小波变换处理后变得粗糙，但它是BEP一些假信号。诱发电位波形比较明显的是5信号的小波变换处理后的添加。之后的信号在10以上得到补充，小波变换处理不显著因为主要的诱发电位是不明显的。但它可以看出，经过小波波形是光滑的改造和背景噪声几乎是可以完全消除的。因此，诱发电位在经过小波变换后可以被看到，这样可以减轻病人的痛苦。同时小波变换方法可以节省尖峰值和断裂部分的有用的信号，有效去除噪声使脑电图分析基础这种方法具有重要的意义，为临床诊断价值和科学研究提供保障。4结论与展望对于大脑神经电生理信号的分析和研究，具有重要的医学意义和工程意义。但是，大脑的复杂性使其产生的电生理信号呈现出异常复杂的形态和特征，从而导致大脑神经电生理信号的分析较为困难。本文从脑电信号的去噪、特征节律与诱发电位的提取几个方面进行了研究，提出了一些新的方法和思路。并在深入了解脑电信号的特点与非线性动力学复杂性测度理论的基础上，对睡眠脑电分期进行了研究。研究表明：小波变换以其良好的时频局部化特性在脑电信号去噪、诱发电位提取中均取得了明显的成果，在脑电信号的分析和研究中显示出独特的优势。并且研究发现，利用“四值”粗粒化和时窗复杂度算法可以有效地对睡眠脑电进行分期。脑电信号的研究对于现代人类来说越来越有实际意义，紧张忙碌的生活与工作节奏使越来越多的人患有脑疾病，因此寻求一种方法对人体脑电信号进行提前监测、研究从而预防脑患疾病并对脑疾病的医学I临床诊断起到辅助作用势在必行．本文研究的领域，现在是一个热门课题，需要不断的探索和研究．经过本人的研究工作后，尽管取得了一些成果，但笔者认为仍有以下问题需要进一步研究与完善，一些具体实现也需要进一步的优化，主要包括：(1)研究过程中发现，临床数据的缺乏是严重制约脑电信号研究分析的一个瓶颈问题。对于复杂的脑电信号的分析和研究，必须建立在对大量实验数据的分析和总结的基础上，没有大量的、系统的实验数据，无论是新方法的研究还是对已有方法的验证都是不完善的．本文虽然通过实验采集获得了一定量的脑电数据，但仍很有限。所得到的结果亦难免存在一定的片面性，有待于用更完善的数据进一步验证．(2)在脑电信号的滤波方面，对白噪声、工频干扰和基线漂移滤波的研究非常多，也比较成熟。主要问题在肌电干扰方面，由于其频带比较宽，所以处理结果还不很理想，需要继续研究和深化．(3)本文虽然利用小波分析方法对脑电信号进行了滤波以及特征节律的提取，并利用时窗复杂性测度方法对睡眠脑电进行了分期处理，并且取得了不错的结果，但却仅仅局限在脑电信号处理的几个基础问题上，下一步应考虑如何将这些方法应用到实际监测系统中。(4)睡眠脑电的进一步研究．睡眠脑电是脑电信号研究的一个重要课题，具有不可估量的实际意义．本文利用时窗复杂性测度方法对睡眠脑电进行分期处理仍有一定的局限性。新兴的小波变换技术以其良好的波形识别能力，必将在此领域有更大的应用空间。下一步应考虑利用小波变换技术对睡眠脑电的分期处理做进一步的研究，以期取得更好的效果．总之，对于脑电信号的研究，虽然经过了多年的发展，进行了大量的工作，但是由于问题的复杂性和艰巨性，目前还仅仅处于初始阶段，仍有大量的研究领域有待开拓，大量的研究方法有待发展。目前，随着计算机并行技术的发展，信号处理算法的改进和优化，脑电信号自动分析技术软件必然朝着算法越来越复杂的方向发展。高采样率、多参数综合分析、结合病人症状和医生经验，在人工干预和知识自学习基础上建立脑电信号分析专家数据库是未来脑电图以及脑电地形图自动分析仪器的发展趋势。