腦電圖（Electroencephalogram, EEG）是腦神經(jīng)細胞的電生理活動在大腦皮層或頭皮表面的總體反映,包含了大量的生理和病理信息。近年來,與疼痛相關腦電信號的研究是當前腦認知和臨床治療領域的研究熱點和難點問題之一。文章使用卷積神經(jīng)網(wǎng)絡（Convolutional Neural Network,CNN）和循環(huán)神經(jīng)網(wǎng)絡（Recurrent Neural Network,RNN）結合的CNN+Bi-LSTM網(wǎng)絡算法對疼痛和不痛的腦電信號進行二分類,準確率達到了97.1%,與此同時precision、recall、f1-score分別達到了97%、97%、97%。證明了兩種網(wǎng)絡結合對研究疼痛的腦電信號是可行的。 

【文章來源】：大眾科技. 2020,22(11)

【文章頁數(shù)】：5 頁

【部分圖文】：

ICA算法重構后的腦電信號

-13-1數(shù)據(jù)預處理在復雜的環(huán)境中所采集的腦電信號（EEG）是由不同的信號源（等效源）產(chǎn)生的多路信號的混合信號。腦電信號受到心電、眼動、肌電以及工頻等干擾。圖1顯示了常見腦電信號混入的偽跡成分[11]。雖然混入了多種干擾，本次的數(shù)據(jù)集采集的過程是在病人靜息狀態(tài)下，較多數(shù)的干擾來自工頻和眼電的干擾。(a)心電偽跡，(b)眨眼偽跡，(c)眼動偽跡，(d)肌電偽跡，(e)脈搏偽跡，(f)工頻干擾圖1偽跡成分在腦電信號預處理階段，采用了濾波和眼電圖（EOG）來對偽影進行去除。采用1到47Hz的帶通濾波器來去除工頻干擾，以及使用國內(nèi)外研究學者證明的有較好效果去除眼電偽跡的ICA算法[12-14]。借助EEGLAB自動識別EOG組件。EEGLAB是ArnaudDelorme和ScottMakeig[15]發(fā)明的基于Matlab的工具箱，它是用于EEG信號分析的非常有用的工具。信號預處理的流程圖如圖2所示。EEG原始數(shù)據(jù)通過EEGLABBasicFIR濾波器進行了1Hz～47Hz帶通濾波。圖3顯示了1個通道了帶通濾波前腦電圖功率譜的，圖4顯示了1個通道帶通濾波后的腦電圖功率譜，采集數(shù)據(jù)的儀器是14個通道，14個通道的信號經(jīng)過濾波后和單通道結果相似。然后，使用EEGLAB的runica函數(shù)通過ICA方法對14個通道的濾波后EEG數(shù)據(jù)進行分解，并獲得14個獨立的分量信號。圖5顯示了ICA算法重構后的腦電信號。圖2信號預處理的流程圖圖3單通道帶通濾波前腦電功率譜圖4單通道帶通濾波后腦電功率譜圖5ICA算法重構后的腦電信號2算法人工神經(jīng)網(wǎng)絡：一般來說，人工神經(jīng)網(wǎng)絡有三層：輸入層、隱藏層?

擰?(a)心電偽跡，(b)眨眼偽跡，(c)眼動偽跡，(d)肌電偽跡，(e)脈搏偽跡，(f)工頻干擾圖1偽跡成分在腦電信號預處理階段，采用了濾波和眼電圖（EOG）來對偽影進行去除。采用1到47Hz的帶通濾波器來去除工頻干擾，以及使用國內(nèi)外研究學者證明的有較好效果去除眼電偽跡的ICA算法[12-14]。借助EEGLAB自動識別EOG組件。EEGLAB是ArnaudDelorme和ScottMakeig[15]發(fā)明的基于Matlab的工具箱，它是用于EEG信號分析的非常有用的工具。信號預處理的流程圖如圖2所示。EEG原始數(shù)據(jù)通過EEGLABBasicFIR濾波器進行了1Hz～47Hz帶通濾波。圖3顯示了1個通道了帶通濾波前腦電圖功率譜的，圖4顯示了1個通道帶通濾波后的腦電圖功率譜，采集數(shù)據(jù)的儀器是14個通道，14個通道的信號經(jīng)過濾波后和單通道結果相似。然后，使用EEGLAB的runica函數(shù)通過ICA方法對14個通道的濾波后EEG數(shù)據(jù)進行分解，并獲得14個獨立的分量信號。圖5顯示了ICA算法重構后的腦電信號。圖2信號預處理的流程圖圖3單通道帶通濾波前腦電功率譜圖4單通道帶通濾波后腦電功率譜圖5ICA算法重構后的腦電信號2算法人工神經(jīng)網(wǎng)絡：一般來說，人工神經(jīng)網(wǎng)絡有三層：輸入層、隱藏層和輸出層。如圖6所示，神經(jīng)網(wǎng)絡的概念是受到人腦復雜網(wǎng)絡結構的啟發(fā)[16]，神經(jīng)網(wǎng)絡是由一組被稱為節(jié)點或神經(jīng)元的連接單元組成的。就像大腦中的生物神經(jīng)元一樣，這些神經(jīng)元整合輸入信號，并將其傳遞給其他相連的神經(jīng)元。神經(jīng)元的輸出服從前一層神經(jīng)元的加權和。然而，神經(jīng)網(wǎng)絡模型容易產(chǎn)生平移和位移失真，從而導致分

【參考文獻】：
碩士論文
[1]基于雙通道時空特征深度學習的新生兒疼痛表情識別[D]. 耿惠惠.南京郵電大學 2019
[2]基于EEG的信號處理與疼痛識別研究[D]. 李冬.浙江大學 2019
[3]基于腦電信號分析客觀評估慢性腰背痛患者的研究[D]. 趙頎.安徽醫(yī)科大學 2018
[4]運動想象腦電信號的偽跡剔除算法及在線應用研究[D]. 楊秋紅.昆明理工大學 2016
[5]腦電波信號的去偽跡研究[D]. 尹兵.南京郵電大學 2014



本文編號：3248002