眨眼眼电伪迹自动检测系统设计
脑电信号是大脑内部各种神经元活动时的电信号，主要被运用在现代医学诊断和临床治疗等研究领域。脑电信号由于其微弱性，容易受到各种伪迹以及仪器的干扰影响。眼电伪迹就是其中最常见的一种干扰，并且眼电伪迹产生的波形和癫痫脑电信号的波形极为相似，严重影响了临床疾病的诊断。针对这一问题，提出了以小波变换自动检测眼电伪迹的研究方法。课题采用小波变换进行特征提取，之后用支持向量机进行分类识别。这里以小波能量作为特征值，先将原始信号小波变换，得到各小波系数，小波能量即该尺度下各小波系数的平方和，得到小波能量作为特征值后，运用支持向量机以此特征值进行分类识别。关键词 伪迹，小波变换，支持向量机
目 录
1 绪论 1
1.1 本课题的研究背景和意义 1
1.2 国内外研究现状 2
1.3 本文主要的研究内容 4
2 脑电信号和眼电伪迹基本特点 5
2.1 脑电信号及其特点 6
2.2 眼电伪迹产生的原理及特点 9
3 眼电伪迹识别方法 10
3.1 小波变换 10
3.2 支持向量机的原理 14
3.3 粒子群优化算法 18
4 眨眼眼电检测算法的仿真 19
4.1 眨眼眼电检测的整体流程 19
4.2 信号的读取及预处理 20
4.3 小波变换的仿真 23
4.4 基于支持向量机的分类识别 24
结论 26
致谢 27
参考文献 28
1 绪论
1．1 本课题的研究背景和意义
在如今这个信息技术不断发展的时代，人类靠着先进的技术和精密的仪器，已经对外在世界有了深厚的认识，但是，对于自身的认识却不是那么深刻。众所周知，大脑是人体中最神秘的地方，作为中枢神经最高级的部分，只占了人身体总重的2%，虽然所占得总重比例很小，但是却消耗了大部分人体摄取的能量，这些能量被用到了大脑的各种处理功能上[1]。大脑控制着人体的所有活动，形成了复杂的人体生理系统。随着计算机以及信息技术的普及与发展，对大脑的研究也变得数字化、信息化，脑电图也就应运而生。脑电(Elec *好棒文|www.hbsrm.com +Q: ￥351916072￥
troencephalogram，EEG)产生原理是依据大脑神经元在发生突触后，导致了各种不同的电位变化，然后结合这些变化得到的综合产物[2]。通过现今的脑科学研究，可以得知多导脑电信号包含着多种生理现象，可以反映丰富的动态信息。通过各种研究结果可知，脑电信号测量是通过贴放在大脑皮层各个不同位置的电极，通常电极间间隔几厘米（如图1.1），这种近距离的贴放方式容易产生一些不利于研究的现象。在记录脑内神经元活动的同时，也记录了各种各样的干扰信号，如工频干扰、眼球运动、心电干扰、肌电干扰等 [3]。这些干扰信号的存在严重影响了医护人员的工作效率，所以如何快速有效地识别出那些干扰信号，成为了现代科学的主要研究方向。
图1.1 电极的位置
其中，在癫痫疾病诊断中，一般都是让病人眨眼闭眼来诱发癫痫疾病，使得脑电信号受到眨眼眼电信号污染后产生的畸波（如图b）表示与癫痫脑电信号产生的尖波 (如图a)十分相似，导致了临床疾病诊断困难。
癫痫脑电信号的尖波 a 带有眨眼伪迹的脑电信号 b
图1.2 癫痫脑电信号和眼电伪迹的波形
同时，医生在读取脑电图时，需要花费大量的时间来排除伪迹信号带来的影响，这就降低了医生的工作效率，影响了诊断速度，往往导致病人错过治疗的最佳时间。
1．2 国内外研究现状
脑电信号最初是由Hans Berger教授[4]发现，但由于当时测量技术有限，导致脑电信号难以得到发展，没有受到业内人士的重视。随着新科技的发展，各种研究手段和研究设备有了更好的发展完善，直到此时，研究者们才把目光转移到脑电信号上来，脑电信号这才开始逐步被人类研究发展。脑电信号一般用来反映真实的大脑活动，能够通过仪器使之数字化、图像化，但是眼电干扰了脑电信号的电场分布，影响脑电信号读取的准确性。一些学者对脑电信号中如何识别眼电伪迹开展了相关研究。目前，常用的眼电伪迹特征提取方法有独立分量分析(Independent Component Analysis, ICA)方法，自回归模型算法（Auto Regressive Model, AR），维格纳费利分布（WignerVille Distribution, WD），主成分分析算法（Principal Component Analysis, PCA），小波变换方法，希尔伯特黄变换（HillbertHuang, HHT）方法等[5]。
ICA方法处理的是非高斯信号，可以分解出各分量间的相互独立性。在眼电伪迹的检测中，首先对信号进行预处理，包括去均值以及白化，这些预处理简化了运算过程，提高了工作效率。在预处理完成之后，就是分离独立向量。假设脑电波源信号、工频噪声、眼电伪迹间的关系是相互独立的，ICA方法具有其独特的分离条件，因此，眼电伪迹特征提取可以换个角度来思考，通过转换，可以将其转变为独立向量的分离问题。Fast ICA算法[6]是一种典型的ICA方法，其收敛速度快，可以快速得到结果，通过这种算法，分离出了脑电信号里的眼电伪迹，从而提取眼电伪迹特征。但是在使用这种方法时，不能自动识别伪迹，需人工确认，存在主观意识，容易出现误差。
主成分分析方法可以分析多元数据，是较为常用的线性变换方法。在进行数据预 处理前，脑电信号和眼电信号混合在一起，难以识别，所以研究人员通常假设脑电和眼电信号相互正交，依据正交性产生一个特征空间，然后把信号采集到的数据输入这个空间里，就能通过这个特征空间来分离原始信号，从而达到识别眼电伪迹的目的。但是其存在一定的缺陷，当伪迹信号与脑电信号幅值较为接近时，无法准确完成伪迹识别的任务。
AR模型算法实时性较好，对于参数的辨识也很简单。在进行特征提取时 ，通常假设脑电信号的产生过程可以用线性滤波器描述，用AR过程近似脑电信号，并以AR模型系数作为特征量。但由于脑电信号是一种非平稳信号，这要求AR参数随时间改变，为了解决该问题，还要用到移动窗函数，这就使算法变得更加复杂。在此基础上，又提出了自适应AR模型算法，该算法提取脑电信号特征后，采用卡尔曼滤波估计模型系数，对不同对象的不同意识的脑电信号进行特征提取。自适应AR模型算法比之AR模型算法，计算量更小，可满足实时性要求。
目 录
1 绪论 1
1.1 本课题的研究背景和意义 1
1.2 国内外研究现状 2
1.3 本文主要的研究内容 4
2 脑电信号和眼电伪迹基本特点 5
2.1 脑电信号及其特点 6
2.2 眼电伪迹产生的原理及特点 9
3 眼电伪迹识别方法 10
3.1 小波变换 10
3.2 支持向量机的原理 14
3.3 粒子群优化算法 18
4 眨眼眼电检测算法的仿真 19
4.1 眨眼眼电检测的整体流程 19
4.2 信号的读取及预处理 20
4.3 小波变换的仿真 23
4.4 基于支持向量机的分类识别 24
结论 26
致谢 27
参考文献 28
1 绪论
1．1 本课题的研究背景和意义
在如今这个信息技术不断发展的时代，人类靠着先进的技术和精密的仪器，已经对外在世界有了深厚的认识，但是，对于自身的认识却不是那么深刻。众所周知，大脑是人体中最神秘的地方，作为中枢神经最高级的部分，只占了人身体总重的2%，虽然所占得总重比例很小，但是却消耗了大部分人体摄取的能量，这些能量被用到了大脑的各种处理功能上[1]。大脑控制着人体的所有活动，形成了复杂的人体生理系统。随着计算机以及信息技术的普及与发展，对大脑的研究也变得数字化、信息化，脑电图也就应运而生。脑电(Elec *好棒文|www.hbsrm.com +Q: ￥351916072￥
troencephalogram，EEG)产生原理是依据大脑神经元在发生突触后，导致了各种不同的电位变化，然后结合这些变化得到的综合产物[2]。通过现今的脑科学研究，可以得知多导脑电信号包含着多种生理现象，可以反映丰富的动态信息。通过各种研究结果可知，脑电信号测量是通过贴放在大脑皮层各个不同位置的电极，通常电极间间隔几厘米（如图1.1），这种近距离的贴放方式容易产生一些不利于研究的现象。在记录脑内神经元活动的同时，也记录了各种各样的干扰信号，如工频干扰、眼球运动、心电干扰、肌电干扰等 [3]。这些干扰信号的存在严重影响了医护人员的工作效率，所以如何快速有效地识别出那些干扰信号，成为了现代科学的主要研究方向。
图1.1 电极的位置
其中，在癫痫疾病诊断中，一般都是让病人眨眼闭眼来诱发癫痫疾病，使得脑电信号受到眨眼眼电信号污染后产生的畸波（如图b）表示与癫痫脑电信号产生的尖波 (如图a)十分相似，导致了临床疾病诊断困难。
癫痫脑电信号的尖波 a 带有眨眼伪迹的脑电信号 b
图1.2 癫痫脑电信号和眼电伪迹的波形
同时，医生在读取脑电图时，需要花费大量的时间来排除伪迹信号带来的影响，这就降低了医生的工作效率，影响了诊断速度，往往导致病人错过治疗的最佳时间。
1．2 国内外研究现状
脑电信号最初是由Hans Berger教授[4]发现，但由于当时测量技术有限，导致脑电信号难以得到发展，没有受到业内人士的重视。随着新科技的发展，各种研究手段和研究设备有了更好的发展完善，直到此时，研究者们才把目光转移到脑电信号上来，脑电信号这才开始逐步被人类研究发展。脑电信号一般用来反映真实的大脑活动，能够通过仪器使之数字化、图像化，但是眼电干扰了脑电信号的电场分布，影响脑电信号读取的准确性。一些学者对脑电信号中如何识别眼电伪迹开展了相关研究。目前，常用的眼电伪迹特征提取方法有独立分量分析(Independent Component Analysis, ICA)方法，自回归模型算法（Auto Regressive Model, AR），维格纳费利分布（WignerVille Distribution, WD），主成分分析算法（Principal Component Analysis, PCA），小波变换方法，希尔伯特黄变换（HillbertHuang, HHT）方法等[5]。
ICA方法处理的是非高斯信号，可以分解出各分量间的相互独立性。在眼电伪迹的检测中，首先对信号进行预处理，包括去均值以及白化，这些预处理简化了运算过程，提高了工作效率。在预处理完成之后，就是分离独立向量。假设脑电波源信号、工频噪声、眼电伪迹间的关系是相互独立的，ICA方法具有其独特的分离条件，因此，眼电伪迹特征提取可以换个角度来思考，通过转换，可以将其转变为独立向量的分离问题。Fast ICA算法[6]是一种典型的ICA方法，其收敛速度快，可以快速得到结果，通过这种算法，分离出了脑电信号里的眼电伪迹，从而提取眼电伪迹特征。但是在使用这种方法时，不能自动识别伪迹，需人工确认，存在主观意识，容易出现误差。
主成分分析方法可以分析多元数据，是较为常用的线性变换方法。在进行数据预 处理前，脑电信号和眼电信号混合在一起，难以识别，所以研究人员通常假设脑电和眼电信号相互正交，依据正交性产生一个特征空间，然后把信号采集到的数据输入这个空间里，就能通过这个特征空间来分离原始信号，从而达到识别眼电伪迹的目的。但是其存在一定的缺陷，当伪迹信号与脑电信号幅值较为接近时，无法准确完成伪迹识别的任务。
AR模型算法实时性较好，对于参数的辨识也很简单。在进行特征提取时 ，通常假设脑电信号的产生过程可以用线性滤波器描述，用AR过程近似脑电信号，并以AR模型系数作为特征量。但由于脑电信号是一种非平稳信号，这要求AR参数随时间改变，为了解决该问题，还要用到移动窗函数，这就使算法变得更加复杂。在此基础上，又提出了自适应AR模型算法，该算法提取脑电信号特征后，采用卡尔曼滤波估计模型系数，对不同对象的不同意识的脑电信号进行特征提取。自适应AR模型算法比之AR模型算法，计算量更小，可满足实时性要求。
版权保护: 本文由 hbsrm.com编辑，转载请保留链接: www.hbsrm.com/jxgc/zdh/2536.html
