基于WICA的脑电特征节律提取及三维构建
发布时间：2020-08-19 13:56
【摘要】：脑电信号可以比较客观地反映出大脑的活动,脑电图除了应用于脑科学的一些基础领域的研究外,最重要的应用当属临床诊断以及脑机接口技术。对脑电信号进行处理就是希望从信噪比很低脑电信号中提取出一些微弱的有用的脑电节律信号。为了很好地分离这些控制信号或者思维活动的信号,我们通常采用盲源分离技术,而通常直接采用盲源分离技术在对多通道的脑电信号处理时,效果往往会比较差,或者说误差比较大,本文采用小波包分析理论,以及小波包与独立分量分析理论相结合的方法对脑电信号进行处理,得到不错的分离效果。时域分析以及简单地频域滤波是传统的信号处理方法,在对脑电信号进行分析处理时,时域分析以及简单地频域滤波这两种方法显然不能得到较好的结果。这是由脑电信号一些典型的特征决定的,这些特征包括脑电信号是非线性信号,以及脑电信号具有较强的随机性和非平稳性。小波变换是20世纪80年代发展起来的一种时频分析方法,逐渐成为脑电信号分析的一种工具。小波分析方法并不能从根本上解决信号与噪声在频域上的混叠问题,因此也就对脑电信号处理结果地改善也是有限的。主分量分析与独立分量分析理论都是用来对信号进行多维统计分析,这两种方法对信号地分析处理不受信号频谱混叠的影响。主分量分析方法仅仅对信号数据的二阶统计特性进行分析,因此主分量分析技术处理的对象是高斯源信号,而独立分量分析则对数据进行更高阶统计分析,可以处理非高斯源信号。我们一般认为脑电信号是一种非高斯信号,采用独立分量分析方法对脑电信号进行处理是目前的研究热点。本文先详细介绍了数理统计与信息论的相关基础知识,为详细介绍独立分析理论打下基础,通过构造参考工频干扰信号,结合Fast ICA算法对小鼠晶须桶状皮层局部场电位信号去除工频干扰,再采用小波滤波方法对小鼠晶须桶状皮层局部场电位信号去除高频噪声。得到去除噪声的脑电信号,采用小波包分解算法,以及子频带信号重组的方式从该信号中提取特征节律,并分析提取到四个基本特征节律的时域以及频域特性。接着分别以小波包提取到的特征节律信号作为Fast ICA算法的参考信号,对小鼠晶须桶状皮层局部场电位信号进行进一步提取,也会得到四个基本节律,并分析四个节律信号的时域以及频域特性。通过对两种方式得到的结果进行对比,可以看出基于小波包和独立分量分析相结合的算法更适合脑电信号分析。最后从得到的四个基本节律信号中任意取出三个信号,结合Matlab软件得到一幅三维图形,这为以后的医学诊断与脑机接口技术做出了探索。
【学位授予单位】：郑州大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：R741.044;TN911.7
【图文】：
12图 2.1 高斯分布，亚高斯分布，超高斯分布的概率密度对比2.3 信息论基础对分离结果独立性的度量是独立分量分析的基本内容之一。在设计分离算法时，往往需要建立一个目函数用来度量分离结果的独立性，这些目标函数与信息论密切相关，因此一下内容我们将简单介绍信息论基础。2.3.1 熵、联合熵与条件熵对于离散随机变量，和连续随机变量不同的是其变量取离散值。可以采用香农（Shannon）熵测度随机变量分布的不确定性。对于离散随机变量 X，其取值范围为 R，香农熵的定义公式（2.25）：
常常使用信噪比（SNR）来衡量噪声，信噪比也常常被称为方差比，即：SNR 信号功率噪声功率 （3.2）公式（3.2）中 σ 表示样本的标准差。如果信噪比(SNR)比较大，那么说明数据具有很高的准确性，如果信噪比比较低，那么说明信号中包含了大量的噪声。对于信号与噪声地区分，我们可以设定一个标准，通常信号是变化的，而噪声的稳定性较强，由此，我们可以假设，变化比较大的数据可以认为是信号数据，而将变化比较小的数据认定为噪声数据。依据数理统计理论，方差恰恰能描述数据变化大小的程度[33]。图 3.3 描述了一组采样值分布在平均值两侧，最大的方差分布方向，代表了采样数据的总体分布趋势，表示数据的主要分量或者主要信号；而比较小的方差分布方向则被认为是噪声或者次要分量。图中 PC1 具有最大的方差分布为 9.88，而 PC2 的方差为 3.03，PC1 与 PC2 之间的协方差为零。
图 4.1 上面两幅图为时域图，下面两幅为频域图, 频域图中的频率分别对应的实际频率为 3Hz 和 10Hz傅里叶变换是可逆的，它可以将时域信号变换到频域，也可以将频域信号变换回来，其变换公式如下： ( ) ( ) （4.1） ( ) ( ) （4.2）从傅里叶变换公式和图 4.1 中可以看出，信号经过傅里叶变换后，时间信息将会消失，而逆变换之后的信号，也即原始时域信号中又不包含频率信息。如果有一种变换既能保留时间信息又能保留频率信息，那么这种变换应用将会比较广泛。傅里叶变换对于原始信号的分析，可以提取出来其中的不同的频率分量，但是何时会出现这种频率分量我们是不知道的。对于平稳信号，傅里叶变换处理效果非常好，但是对于非平稳信号地处理，傅里叶变换就显得比较吃力。
本文编号：2797169
【学位授予单位】：郑州大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：R741.044;TN911.7
【图文】：
12图 2.1 高斯分布，亚高斯分布，超高斯分布的概率密度对比2.3 信息论基础对分离结果独立性的度量是独立分量分析的基本内容之一。在设计分离算法时，往往需要建立一个目函数用来度量分离结果的独立性，这些目标函数与信息论密切相关，因此一下内容我们将简单介绍信息论基础。2.3.1 熵、联合熵与条件熵对于离散随机变量，和连续随机变量不同的是其变量取离散值。可以采用香农（Shannon）熵测度随机变量分布的不确定性。对于离散随机变量 X，其取值范围为 R，香农熵的定义公式（2.25）：
常常使用信噪比（SNR）来衡量噪声，信噪比也常常被称为方差比，即：SNR 信号功率噪声功率 （3.2）公式（3.2）中 σ 表示样本的标准差。如果信噪比(SNR)比较大，那么说明数据具有很高的准确性，如果信噪比比较低，那么说明信号中包含了大量的噪声。对于信号与噪声地区分，我们可以设定一个标准，通常信号是变化的，而噪声的稳定性较强，由此，我们可以假设，变化比较大的数据可以认为是信号数据，而将变化比较小的数据认定为噪声数据。依据数理统计理论，方差恰恰能描述数据变化大小的程度[33]。图 3.3 描述了一组采样值分布在平均值两侧，最大的方差分布方向，代表了采样数据的总体分布趋势，表示数据的主要分量或者主要信号；而比较小的方差分布方向则被认为是噪声或者次要分量。图中 PC1 具有最大的方差分布为 9.88，而 PC2 的方差为 3.03，PC1 与 PC2 之间的协方差为零。
图 4.1 上面两幅图为时域图，下面两幅为频域图, 频域图中的频率分别对应的实际频率为 3Hz 和 10Hz傅里叶变换是可逆的，它可以将时域信号变换到频域，也可以将频域信号变换回来，其变换公式如下： ( ) ( ) （4.1） ( ) ( ) （4.2）从傅里叶变换公式和图 4.1 中可以看出，信号经过傅里叶变换后，时间信息将会消失，而逆变换之后的信号，也即原始时域信号中又不包含频率信息。如果有一种变换既能保留时间信息又能保留频率信息，那么这种变换应用将会比较广泛。傅里叶变换对于原始信号的分析，可以提取出来其中的不同的频率分量，但是何时会出现这种频率分量我们是不知道的。对于平稳信号，傅里叶变换处理效果非常好，但是对于非平稳信号地处理，傅里叶变换就显得比较吃力。
【参考文献】
相关期刊论文 前1条
1 陈拥军,曾敏,尧德中;多道脑电信号时间序列的非线性动力学分析[J];临床神经电生理学杂志;2001年01期
本文编号：2797169
本文链接：https://www.wllwen.com/yixuelunwen/shenjingyixue/2797169.html
最近更新
教材专著
