【摘要】：腦電信號(hào)可以比較客觀地反映出大腦的活動(dòng),腦電圖除了應(yīng)用于腦科學(xué)的一些基礎(chǔ)領(lǐng)域的研究外,最重要的應(yīng)用當(dāng)屬臨床診斷以及腦機(jī)接口技術(shù)。對腦電信號(hào)進(jìn)行處理就是希望從信噪比很低腦電信號(hào)中提取出一些微弱的有用的腦電節(jié)律信號(hào)。為了很好地分離這些控制信號(hào)或者思維活動(dòng)的信號(hào),我們通常采用盲源分離技術(shù),而通常直接采用盲源分離技術(shù)在對多通道的腦電信號(hào)處理時(shí),效果往往會(huì)比較差,或者說誤差比較大,本文采用小波包分析理論,以及小波包與獨(dú)立分量分析理論相結(jié)合的方法對腦電信號(hào)進(jìn)行處理,得到不錯(cuò)的分離效果。時(shí)域分析以及簡單地頻域?yàn)V波是傳統(tǒng)的信號(hào)處理方法,在對腦電信號(hào)進(jìn)行分析處理時(shí),時(shí)域分析以及簡單地頻域?yàn)V波這兩種方法顯然不能得到較好的結(jié)果。這是由腦電信號(hào)一些典型的特征決定的,這些特征包括腦電信號(hào)是非線性信號(hào),以及腦電信號(hào)具有較強(qiáng)的隨機(jī)性和非平穩(wěn)性。小波變換是20世紀(jì)80年代發(fā)展起來的一種時(shí)頻分析方法,逐漸成為腦電信號(hào)分析的一種工具。小波分析方法并不能從根本上解決信號(hào)與噪聲在頻域上的混疊問題,因此也就對腦電信號(hào)處理結(jié)果地改善也是有限的。主分量分析與獨(dú)立分量分析理論都是用來對信號(hào)進(jìn)行多維統(tǒng)計(jì)分析,這兩種方法對信號(hào)地分析處理不受信號(hào)頻譜混疊的影響。主分量分析方法僅僅對信號(hào)數(shù)據(jù)的二階統(tǒng)計(jì)特性進(jìn)行分析,因此主分量分析技術(shù)處理的對象是高斯源信號(hào),而獨(dú)立分量分析則對數(shù)據(jù)進(jìn)行更高階統(tǒng)計(jì)分析,可以處理非高斯源信號(hào)。我們一般認(rèn)為腦電信號(hào)是一種非高斯信號(hào),采用獨(dú)立分量分析方法對腦電信號(hào)進(jìn)行處理是目前的研究熱點(diǎn)。本文先詳細(xì)介紹了數(shù)理統(tǒng)計(jì)與信息論的相關(guān)基礎(chǔ)知識(shí),為詳細(xì)介紹獨(dú)立分析理論打下基礎(chǔ),通過構(gòu)造參考工頻干擾信號(hào),結(jié)合Fast ICA算法對小鼠晶須桶狀皮層局部場電位信號(hào)去除工頻干擾,再采用小波濾波方法對小鼠晶須桶狀皮層局部場電位信號(hào)去除高頻噪聲。得到去除噪聲的腦電信號(hào),采用小波包分解算法,以及子頻帶信號(hào)重組的方式從該信號(hào)中提取特征節(jié)律,并分析提取到四個(gè)基本特征節(jié)律的時(shí)域以及頻域特性。接著分別以小波包提取到的特征節(jié)律信號(hào)作為Fast ICA算法的參考信號(hào),對小鼠晶須桶狀皮層局部場電位信號(hào)進(jìn)行進(jìn)一步提取,也會(huì)得到四個(gè)基本節(jié)律,并分析四個(gè)節(jié)律信號(hào)的時(shí)域以及頻域特性。通過對兩種方式得到的結(jié)果進(jìn)行對比,可以看出基于小波包和獨(dú)立分量分析相結(jié)合的算法更適合腦電信號(hào)分析。最后從得到的四個(gè)基本節(jié)律信號(hào)中任意取出三個(gè)信號(hào),結(jié)合Matlab軟件得到一幅三維圖形,這為以后的醫(yī)學(xué)診斷與腦機(jī)接口技術(shù)做出了探索。
【學(xué)位授予單位】：鄭州大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2015
【分類號(hào)】：R741.044;TN911.7
【圖文】：

12圖 2.1 高斯分布，亞高斯分布，超高斯分布的概率密度對比2.3 信息論基礎(chǔ)對分離結(jié)果獨(dú)立性的度量是獨(dú)立分量分析的基本內(nèi)容之一。在設(shè)計(jì)分離算法時(shí)，往往需要建立一個(gè)目函數(shù)用來度量分離結(jié)果的獨(dú)立性，這些目標(biāo)函數(shù)與信息論密切相關(guān)，因此一下內(nèi)容我們將簡單介紹信息論基礎(chǔ)。2.3.1 熵、聯(lián)合熵與條件熵對于離散隨機(jī)變量，和連續(xù)隨機(jī)變量不同的是其變量取離散值�？梢圆捎孟戕r(nóng)（Shannon）熵測度隨機(jī)變量分布的不確定性。對于離散隨機(jī)變量 X，其取值范圍為 R，香農(nóng)熵的定義公式（2.25）：

常常使用信噪比（SNR）來衡量噪聲，信噪比也常常被稱為方差比，即：SNR 信號(hào)功率噪聲功率 （3.2）公式（3.2）中 σ 表示樣本的標(biāo)準(zhǔn)差。如果信噪比(SNR)比較大，那么說明數(shù)據(jù)具有很高的準(zhǔn)確性，如果信噪比比較低，那么說明信號(hào)中包含了大量的噪聲。對于信號(hào)與噪聲地區(qū)分，我們可以設(shè)定一個(gè)標(biāo)準(zhǔn)，通常信號(hào)是變化的，而噪聲的穩(wěn)定性較強(qiáng)，由此，我們可以假設(shè)，變化比較大的數(shù)據(jù)可以認(rèn)為是信號(hào)數(shù)據(jù)，而將變化比較小的數(shù)據(jù)認(rèn)定為噪聲數(shù)據(jù)。依據(jù)數(shù)理統(tǒng)計(jì)理論，方差恰恰能描述數(shù)據(jù)變化大小的程度[33]。圖 3.3 描述了一組采樣值分布在平均值兩側(cè)，最大的方差分布方向，代表了采樣數(shù)據(jù)的總體分布趨勢，表示數(shù)據(jù)的主要分量或者主要信號(hào)；而比較小的方差分布方向則被認(rèn)為是噪聲或者次要分量。圖中 PC1 具有最大的方差分布為 9.88，而 PC2 的方差為 3.03，PC1 與 PC2 之間的協(xié)方差為零。

圖 4.1 上面兩幅圖為時(shí)域圖，下面兩幅為頻域圖, 頻域圖中的頻率分別對應(yīng)的實(shí)際頻率為 3Hz 和 10Hz傅里葉變換是可逆的，它可以將時(shí)域信號(hào)變換到頻域，也可以將頻域信號(hào)變換回來，其變換公式如下：( ) ( ) （4.1） ( ) ( ) （4.2）從傅里葉變換公式和圖 4.1 中可以看出，信號(hào)經(jīng)過傅里葉變換后，時(shí)間信息將會(huì)消失，而逆變換之后的信號(hào)，也即原始時(shí)域信號(hào)中又不包含頻率信息。如果有一種變換既能保留時(shí)間信息又能保留頻率信息，那么這種變換應(yīng)用將會(huì)比較廣泛。傅里葉變換對于原始信號(hào)的分析，可以提取出來其中的不同的頻率分量，但是何時(shí)會(huì)出現(xiàn)這種頻率分量我們是不知道的。對于平穩(wěn)信號(hào)，傅里葉變換處理效果非常好，但是對于非平穩(wěn)信號(hào)地處理，傅里葉變換就顯得比較吃力。

【參考文獻(xiàn)】

相關(guān)期刊論文 前1條

1 陳擁軍,曾敏,堯德中;多道腦電信號(hào)時(shí)間序列的非線性動(dòng)力學(xué)分析[J];臨床神經(jīng)電生理學(xué)雜志;2001年01期

本文編號(hào)：2797169