EEG信號MATLAB分析平臺設(shè)計-模式識別部分【含畢業(yè)論文、開題報告、文獻(xiàn)綜述】,eeg,信號,matlab,分析,平臺,設(shè)計,模式識別,部分,部份,畢業(yè)論文,開題,報告,講演,呈文,文獻(xiàn),綜述 本科生畢業(yè)設(shè)計（論文）文 獻(xiàn) 綜 述姓 名學(xué) 號學(xué) 院專 業(yè)年 級一、課題國內(nèi)外現(xiàn)狀人的大腦是由數(shù)以萬計的針尖大小的神經(jīng)交錯構(gòu)成的。神經(jīng)相互作用時，腦電波模式就表現(xiàn)為思維狀態(tài)。每次神經(jīng)活動時都會產(chǎn)生輕微的放電，許多神經(jīng)共同放電產(chǎn)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(guān)研究已表明，人體在做不同動作或者想像任務(wù)時大腦皮層不同區(qū)域的刺激大小不同，相應(yīng)會產(chǎn)生不同的 EEG 信號 [1]。1929 年德國神經(jīng)精神病學(xué)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(jīng)生理學(xué)家的證實，使 EEG 學(xué)在全世界范圍得以發(fā)展，并開始為臨床和科學(xué)服務(wù)。診斷異常腦電圖，主要不是根據(jù)它缺少正常腦電圖的成分或類型，而應(yīng)根據(jù)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(jìn)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(jīng)典方法。近年來, 在腦電圖分析中應(yīng)用了小波分析、匹配跟蹤方法、神經(jīng)網(wǎng)絡(luò)分析、混沌分析等方法以及各種分析方法的有機(jī)結(jié)合, 有力地推動了腦電信號分析方法的發(fā)展 [2]。（1）AR 參數(shù)模型譜估計。在現(xiàn)代譜估計方法中，參數(shù)模型法是應(yīng)用最廣泛的一種方法，近年來在EEG 信號處理中應(yīng)用較為普遍。將 AR 模型應(yīng)用到 EEG 分析中的基本思想是假設(shè)可以用 AR 過程近似真實 EEG 信號，基于這一假設(shè)，根據(jù)實際 EEG 信號，選取合適的階次、參數(shù)使得 AR 模型所對應(yīng)的 AR 過程盡可能逼近 EEG 信號。采用 AR 參數(shù)模型進(jìn)行特征提取，是考慮到 EEG 信號是典型的非平穩(wěn)隨機(jī)信號[12]。利用 AR 模型對 EEG 信號進(jìn)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(shù)據(jù)庫必然面臨的問題。因此，EEG 信號的數(shù)據(jù)壓縮具有重大的現(xiàn)實意義。實測得到的 EEG 數(shù)據(jù)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(shù)為 1024 點，AR 的階數(shù) P =15，采用 Levison-Durbin 遞推算法，從而把 1024 點數(shù)據(jù)壓縮為 16 個系數(shù)與預(yù)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(nèi)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(shù)據(jù) 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(lián)系起來，它們的截然分開是以信號的頻率時不變特性或統(tǒng)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(xiàn)的，只有把時間和頻率結(jié)合起來進(jìn)行處理才能取得更好的結(jié)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(yīng)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(jié)合起來分析才能得到更好的結(jié)果。小波變換具有很好的時頻分析功能，因此近年來應(yīng)用小波變換分析腦電波倍受關(guān)注。例如應(yīng)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(fù)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(xiàn)的，因此小波變換的局部瞬變捕捉性質(zhì)和線性相位特性尤為重要。常見的二進(jìn)小波變換的主要缺點是隨著分解層數(shù)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(jìn)小波變換的改進(jìn)，對信號的高頻段也進(jìn)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(jìn)小波變換和二進(jìn)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(shù)據(jù)點減半，當(dāng)數(shù)據(jù)點數(shù)比較少時，信號的細(xì)節(jié)會丟失。英國劍橋大學(xué) 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(xiàn)，具有重要的工程應(yīng)用意義。諧波小波變換可以通過 FFT 和 IFFT 運(yùn)算實現(xiàn)，這是諧波小波變換顯著的優(yōu)點。參數(shù)決定了諧波小波變換的尺度，通過不斷變化參數(shù)的值，調(diào)節(jié)帶寬大小和中心頻率，以匹配不同頻帶的信號，就實現(xiàn)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(xiàn)，其主要缺陷在于所謂“窗效應(yīng)” ，使用固定的窗函數(shù)，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(jìn)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(shù)，則必須用它來分析全部信號，因此，小波不具有自適應(yīng)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(nèi)蘊(yùn)模態(tài)函數(shù)(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(shù)學(xué)上的意義，也有了物理上的意義。另外，EMD 分解的基函數(shù)直接來自信號本身，信號分解具有局域性和自適應(yīng)性，特別適合于分析非平穩(wěn)信號。對 IM'F 進(jìn)行希爾伯特交換可以構(gòu)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(nèi)在本質(zhì)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(nèi)容，由于腦電太弱，此時就需要把這種內(nèi)容重復(fù)呈現(xiàn) 30-50 次，把每次測量到的電位疊加起來，才能進(jìn)行觀察，這就是所說的誘發(fā)電位技術(shù)，通常叫做事件相關(guān)電位，簡稱 ERP。ERP 學(xué)在認(rèn)知神經(jīng)科學(xué)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(dāng)程度地了解那些特異性 ERP 成分 [10]。一般情況下，進(jìn)行 ERP 研究時，為得到可靠的 ERP 波形，對原始腦電數(shù)據(jù)的離線分析過程主要包括以下基本步驟 [3]：（1）合并行為數(shù)據(jù)；（2）腦電預(yù)覽；（3）偽跡剔除或矯正，包括眼電（EOG） 、心電（EKG ） 、肌電（EMG）等；（4）數(shù)字濾波（根據(jù)具體情況和經(jīng)驗進(jìn)行參數(shù)選擇） ；（5）腦電分段；（6）基線校正；（7）去除偽跡；（8）疊加平均；（9）數(shù)字濾波（根據(jù)需要選擇）和平滑化處理；（10）總平均；（11）波形識別、測量、統(tǒng)計分析、作圖。針對 EEG 信號的模式識別國外學(xué)者已進(jìn)行了大量的實驗與研究。對于BCI 技術(shù)來說，要使腦機(jī)接口技術(shù)有更大實用意義，必然要實現(xiàn)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(rèn)的效果很好的多分類方法。而支持向量機(jī)與其它傳統(tǒng)的模式識別方法相比，以其結(jié)構(gòu)風(fēng)險最小化原則而非經(jīng)驗風(fēng)險最小化原則，在 EEG 的模式識別問題中也已展現(xiàn)出較強(qiáng)的分類能力和泛化能力 [4]。支持向量機(jī) SVM 是在統(tǒng)計學(xué)習(xí)理論基礎(chǔ)上發(fā)展起來的一種新的機(jī)器學(xué)習(xí)方法，是結(jié)構(gòu)風(fēng)險最小化原理的實現(xiàn)。算法實現(xiàn)需具有深厚的數(shù)學(xué)功底和計算機(jī)編程技術(shù)，對非計算機(jī)專業(yè)的廣大研究人員來說，一種簡單高效的實現(xiàn)環(huán)境和方法是迫切的需要。支持向量機(jī)算法在 MATLAB 環(huán)境下易于實現(xiàn)和靈活應(yīng)用的特點，很好的提供這一技術(shù)平臺 [8]。對于樣本的識別，目前相關(guān)研究中采用最多的是 BP 神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)方法，但 BP 神經(jīng)網(wǎng)絡(luò)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(jī)是由 Vapnik 最初在統(tǒng)計學(xué)習(xí)理論的基礎(chǔ)上建立起來的一種非常有力的機(jī)器學(xué)習(xí)方法，是一種新穎的人工智能技術(shù)，目前在信號處理、系統(tǒng)辨識與建模、先進(jìn)控制和軟測量等領(lǐng)域都得到了廣泛的應(yīng)用 [9]。支持向量機(jī)中的參數(shù)較多，對其的選擇極大程度上決定了分類器的復(fù)雜性、泛化能力及魯棒性，所以參數(shù)尋優(yōu)的意義尤為重大。許多尋優(yōu)算法都已應(yīng)用到了支持向量機(jī)參數(shù)優(yōu)化問題當(dāng)中，比如網(wǎng)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(shè)計主要基于 MATLAB 分析平臺，實現(xiàn)對 EEG 信號的分析和處理，從而提取相關(guān)的信息，以供研究人員進(jìn)行科學(xué)研究，對臨床醫(yī)學(xué)和認(rèn)知科學(xué)領(lǐng)域具有重要的參考價值和科學(xué)意義。首先需完成 EEG 信號 CNT 文件的讀取和顯示，對大容量數(shù)據(jù)進(jìn)行分段、壓縮或者改變采樣頻率以減小數(shù)據(jù)量，方便處理。同時進(jìn)行基線的調(diào)整，壞數(shù)據(jù)的剔除等工作。然后基于特定信號源編碼與 EEG 信號作相關(guān)分析，得出主成分信號。主成分分析是一種通過降維技術(shù)把多個變量化為少數(shù)幾個主成分（即綜合變量）的統(tǒng)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(guān)聯(lián)事件類型下的最大相關(guān)信號特征。主要有合并行為數(shù)據(jù)、腦電預(yù)覽、偽跡剔除或矯正、數(shù)字濾波、腦電分段、基線校正、去除偽跡、疊加平均、數(shù)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(jìn)行關(guān)聯(lián)匹配，尋找最優(yōu)方法和參數(shù)。支持向量機(jī)就是首先通過用內(nèi)積函數(shù)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(shù)形式上類似于一個神經(jīng)網(wǎng)絡(luò)，輸出是中間節(jié)點的線性組合，每個中間節(jié)點對應(yīng)一個支持向量通過把原問題轉(zhuǎn)化為對偶問題，計算的復(fù)雜度不再取決于空間維數(shù)，而是取決于樣本數(shù)，尤其是樣本中的支持向量數(shù)。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(dāng)?shù)膬?nèi)積函數(shù)就可以實現(xiàn)某一非線性變換后的線性分類，而計算復(fù)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(xué)方面，腦電信號處理不僅可為某些腦疾病提供診斷依據(jù)，而且還為某些腦疾病提供了有效的治療手段。在工程應(yīng)用方面，人們也嘗試?yán)媚X電信號實現(xiàn)腦-計算機(jī)接口(BCI)，利用人對不同的感覺、運(yùn)動或認(rèn)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(dá)到某種控制目的。但由于腦電信號是不具備各態(tài)歷經(jīng)性的非平穩(wěn)隨機(jī)信號，而且其背景噪聲也很強(qiáng)，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(dāng)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(jìn)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(yīng)用，人們對于腦電活動機(jī)理將有進(jìn)一步的認(rèn)識，也必將為臨床醫(yī)學(xué)和基礎(chǔ)醫(yī)學(xué)的發(fā)展作出新的貢獻(xiàn) [2]。由于統(tǒng)計學(xué)習(xí)理論和支持向量機(jī)建立了一套較好的有限樣本下機(jī)器學(xué)習(xí)的理論框架和通用方法，既有嚴(yán)格的理論基礎(chǔ)，又能較好地解決小樣本、非線性、高維數(shù)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(xué)習(xí)機(jī)器要與有限的訓(xùn)練樣本相適應(yīng)。統(tǒng)計學(xué)習(xí)理論雖然已經(jīng)提出多年，但從它自身趨向成熟和被廣泛重視到現(xiàn)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(yīng)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(lǐng)域 [5]。四、存在問題 EEGLAB 統(tǒng)計方法具有局限性：1、結(jié)果不易顯著。2、進(jìn)行多因素統(tǒng)計分析存在局限性（無法探討交互作用） 。為了研究學(xué)習(xí)過程一致收斂的速度和推廣性，統(tǒng)計學(xué)習(xí)理論定義了一系列有關(guān)函數(shù)集學(xué)習(xí)性能的指標(biāo)，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(shù)集，如果存在 h 個樣本能夠被函數(shù)集中的函數(shù)按所有可能的形式分開，則稱函數(shù)集能夠把 h 個樣本打散；函數(shù)集的 VC 維就是它能打散的最大樣本數(shù)目 h。若對任意數(shù)目的樣本都有函數(shù)能將它們打散，則函數(shù)集的 VC 維是無窮大，有界實函數(shù)的 VC 維可以通過用一定的閾值將它轉(zhuǎn)化成指示函數(shù)來定義。 VC 維反映了函數(shù)集的學(xué)習(xí)能力，VC 維越大則學(xué)習(xí)機(jī)器越復(fù)雜(容量越大 )。遺憾的是，目前尚沒有通用的關(guān)于任意函數(shù)集 VC 維計算的理論，只對一些特殊的函數(shù)集知道其 VC維。對于一些比較復(fù)雜的學(xué)習(xí)機(jī)器(如神經(jīng)網(wǎng)絡(luò))，其 VC 維除了與函數(shù)集(神經(jīng)網(wǎng)結(jié)構(gòu))有關(guān)外，還受學(xué)習(xí)算法等的影響，其確定更加困難。對于給定的學(xué)習(xí)函數(shù)集，如何(用理論或?qū)嶒灥姆椒?計算其 VC 維是當(dāng)前統(tǒng)計學(xué)習(xí)理論中有待研究的一個問題 [5]。關(guān)于如何選擇支持向量機(jī)的多分類方法尚沒有一個系統(tǒng)的、有指導(dǎo)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(xiàn)，具體問題應(yīng)當(dāng)選用何種方法尚未有較好的選擇標(biāo)準(zhǔn)，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(jìn)行試驗挑選。所以在支持向量機(jī)應(yīng)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(tǒng)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(tǒng) [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(yīng)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(yīng)用應(yīng)該是一個大有作為的方向。如何調(diào)整支持向量機(jī)分類器的參數(shù), 使得在限定一類錯誤率的前提下使另一類的錯誤率達(dá)到最小也是我們下一步的工作 [11]。誘發(fā)電位儀這種設(shè)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(chǎn)生了恐懼反應(yīng)，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(dāng)?shù)诙慰吹剿鼤r，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(chǎn)生厭惡感。而且，引起誘發(fā)電位的那種刺激呈現(xiàn)之后，一般是觀察 300 毫秒以內(nèi)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(dāng)于選擇反應(yīng)時的時間長度，如此短暫的時間，能夠允許復(fù)雜的心理活動在人們的意識里明明白白地產(chǎn)生并保留一會兒嗎？300 毫秒里能完成的心理活動，只是復(fù)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(fù)雜的心理現(xiàn)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(shù)與心理學(xué)研究的結(jié)合還有很長一段路要走。5、參考文獻(xiàn) [1] 劉克球，呂以喬，以氏．生物醫(yī)學(xué)電子學(xué)[M]．北京大學(xué)出版社，1988.[2] 季忠，秦樹人，彭麗玲．腦電信號的現(xiàn)代分析方法[J]．重慶大學(xué)學(xué)報，2002，25(9) ：108-112．[3] 趙侖．ERPs 實驗教程[M]．南京：東南大學(xué)出版社，2010．7．[4] 李耀楠，張小棟，王云霞．支持向量多分類機(jī)的多類復(fù)雜手操作 EEG 信號模式識別[J]．機(jī)械與電子，2009，12(7) ．[5] 張學(xué)工．關(guān)于統(tǒng)計學(xué)習(xí)理論與支持向量機(jī)[J]．自動化學(xué)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(xué)學(xué)報，2008，38(6) ：996-999 ．[7] 毛大偉．分尺度復(fù)雜性及希爾伯特—黃變換在腦電分析中的應(yīng)用．浙江大學(xué)，2005．[8] 董婷．支持向量機(jī)分類算法在 MATLAB 環(huán)境下的實現(xiàn)[J] ．榆林學(xué)院學(xué)報，2008，18(4)：94-96．[9] 周紅標(biāo)．基于小波包變換和最小二乘支持向量機(jī)的癲癰腦電信號識別．淮陰工學(xué)院電子與電氣工程學(xué)院，2011．[10] STEVEN J．LUCK．事件相關(guān)電位基礎(chǔ)[M]．上海：華東師范大學(xué)出版社，2009．[11] 李鋼，王蔚，張勝．支持向量機(jī)在腦電信號分類中的應(yīng)用[J]．計算機(jī)應(yīng)用，2006，26(6)： 1431-1436．[12] 賈花萍．基于 PNN 神經(jīng)網(wǎng)絡(luò)的 EEG 信號分類方法研究[J] ．河南科學(xué)，2011，29(7)：846-849．