脑电信号处理方法

第２６卷第１期

２００７年２月

北京生物医学工程

ＢｅｉｊｉｎｇＢｉｏｍｅｄｉｃａｌＥｎｇｉｎｅｅｒｉｎｇ

Ｖ０１．２６Ｆｅｂｒｕａｒｙ

Ｎｏ．１２００７

脑电信号处理方法

马颖颖

张泾周

吴

疆

摘要脑电信号是人体的一种基本生理信号，具有重要的临床诊断和治疗价值。由于脑电信号的自身非

平稳性随机特点，使得对它的研究成为一项具有相当难度的课题。本文总结了脑电信号的时频、神经网络等处理方法。着重论述Ｗｉｇｎｅｒ分布、小波分析、神经网络、非线性动力学，以及独立分量在脑电信号处理中的应用。

关键词脑电信号；时频分析；非线性动力学；神经网络；独立分量中图分类号

Ｒ３１８．０４

文献标识码Ａ文章编号１００２—３２０８（２００７）０１—００９９—０４

ＴｈｅｍｏｄｅｒｎｐｒｏｃｅｓｓｉｎｇｍｅｔｈｏｄｏｆＥＥＧｓｉｇｎａｌＭＡＹｉｎｇｙｉｎｇ，ＺＨＡＮＧＪｉｎｇｚｈｏｕ，形ＵＪｉａｎｇ

Ｃｏｌｌｅｇｅ

ｏｆＡｕｔｏｍａｔｉｏｎ，

ＮｏｎｈＷｅｓｔｅｒｎＰｏｌｙｔｅｃｈｎｉｃａｌＵｎｉｖｅｒｓｉｔｙ，Ｘｉ’ａｎ

７１００７２

ｉｓ

ａ

【Ａｂｓｔｒａｃｔ】Ｅｌｅｃｔｒｏｅｎｃｅｐｈａｌｏｇｒａｍ（ＥＥＧ）ｓｉｇｎａｌｋｉｎｄｏｆｂａｓｉｃｐｈｙｓｉｏｌｏｇｉｃａｌｓｉｇｎａｌｏｆｈｕｍａｎｂｏｄｙ，ａｎｄｉｔ

ｈａｓ

ｖｅｒｙｉｍｐｏｒｔａｎｔｃｌｉｎｉｃａｌｄｉａｇｎｏｓｉｓａｎｄｔｒｅａｔｍｅｎｔｖａｌｕｅ．ＢｅｃａｕｓｅｏｆｔｈｅｎｏｎｓｔａｔｉｏｎａｒｉｔｙａｎｄｒａｎｄｏｍｉｃｉｔｙｏｆＥＥＧｓｉｇｎａｌ，ｔｈｅｓｔｕｄｙ

ｏｎ

ＥＥＧｂｅｃｏｍｅｓｑｕｉｔｅｄｉｆｆｉｃｕｌｔ．Ｔｈｅｐａｐｅｒｓｕｍｍａｒｉｚｅｓｔｈｅｔｉｍｅ—ｆｒｅｑｕｅｎｃｙｍｅｔｈｏｄ，ＮｅｕｒａｌＮｅｔｗｏｒｋａｎｄ

ＳＯｏｎ

ｉｎ

ＥＥＧｐｒｏｃｅｓｓｉｎｇ．ＰａｒｔｉｃｕｌａｒｌｙｉｔｄｉｓｃｕｓｓｅｓｔｈｅＩＣＡｉｎｔｈｅＥＥＧｓｉｇｎａｌｐｒｏｃｅｓｓｉｎｇ．

ＷｉｇｎｅｒＤｉｓｔｒｉｂｕｔｉｎｇ（ＷＤ），ＷａｖｅｌｅｔＴｒａｎｓｆｏｒｍ（ＷＴ），ｎｏｎｌｉｎｅａｒｄｙｎａｍｉｃａｎｄ

【Ｋｅｙｗｏｒｄｓ】ＥＥＧＳｉｇｎａｌ；ｔｉｍｅ—ｆｒｅｑｕｅｎｃｙｐｒｏｃｅｓｓｉｎｇ；ｎｅｕｒａｌｎｅｔｗｏｒｋ；ｎｏｎｌｉｎｅａｒｄｙｎａｍｉｃ；ＩＣＡ

脑电信号是大脑组织电活动和大脑功能状态的综合反映，是一种机理相当复杂的随机信号。脑电图（ＥＥＧ）是脑电信号在大脑皮层或头皮表面的总体反映。各种形式的思维状态以及病理情况在不同的大脑皮层位置反映出不同的脑电图。在临床医学方面，脑电信号处理可以为某些脑疾病提供诊断依据和提供有效的治疗手段。同时，随着近年来计算机应用技术的发展，脑一计算机接口技术迅速发展。脑一机接口利用人们对特定感觉或者感知活动的脑电的不同，对脑电信号进行有效提取和分类达到某种控制目的。由于脑电信号自身非平稳随机信号的特点，提取脑电信号中的有用信息成为极具难度但是非常有前景的课题。

近年来，脑电信号处理除了经典处理方法以外，各种新方法有力的推动了脑电信号分析的发展。下文总结了脑电信号的时域，频域以及时频等处理方法，着重论述时频方法中的Ｗｉｇｎｅｒ分布、小波分析，非线性动力学的方法，以及独立分量在脑电信号处理中的应用。

自１９３２年Ｄｉｅｔｃｈ首先用傅里叶变换进行了脑电分析之后，相继引入了频域分析、时域分析、时频分析等方法。近年来，随着计算机技术、信号处理技术以及现代电子技术发展，神经网络、非线性动力学等新方法应运而生。

１

时频分析

直接从时域提取特征是最早发展起来的方法，因其直观

性强，物理意义比较明确，至今仍被广泛应用。同时有些重要信息在时域上反映突出，如反映癫痫信息的棘慢波，反映睡眠信息的梭形波等瞬态波形，因此时域分析在目前脑电定量化分析中占有重要位置。但时域方法使大脑各个区域的脑电活动情况不能得到直观反映。频域分析方法主要基于各频段功率、相干等。功率谱估计…是频域分析的主要手段。它的意义在于把幅度随时间变化的脑电波变换为脑电功率随频率变化的谱图。脑电信号的时域分析方法对时域的脑电信号波形特征参数进行识别，如幅值、波形的持续时间等，仅给出信号在时间上的分辨率，而没有考虑信号在频率上的分辨率。频域分析方法是建立在假设脑电信号具有平稳特性的基础上，同时也只是考虑了信号的频域信息，而忽略信号在时间上的分辨率。

脑电信号是时变、非平稳信号，不同时刻有不同的频率成分，单纯的时域表示或频域表示都不能准确表达信号。在ＥＥＧ中许多病变都是以瞬态形式表现的，只有把时间和频率结合起来进行处理，才能取得更好的结果。时频方法…在时域和频域同时具有良好的局部化分析及其它一些重要性质，所以在脑电信号分析中受到重视。最简单的时频方法是

作者单位：西北工业大学自动化学院（西安７１００７２）

作者简介：马颖颖（１９８１一），女，硕士，研究方向为生物医学信号处理

短时傅里叶变换（ｓｈｏｒｔ

ｔｉｍｅＦｏｕｒｉｅｒ

ｔｒａｎｓｆｏｒｍ，ＳＴＦＴ），

但缺点是必须在时问分辨率和频率分辨率之间权衡。

万方数据　

・１００・

北京生物医学工程第２６卷

目前广泛应用的时频方法主要有Ｗｉｇｎｅｒ分布和小波分析。

１．１

Ｗｉｇｎｅｒ分布

Ｗｉｇｎｅｒ分布（Ｗｉｇｎｅｒｄｉｓｔｒｉｂｕｔｉｏｎ，ＷＤ）由１９３２年维格纳

从量子力学角度提出的，１９４８年维利对它重新介绍。ＷＤ是一种非常有用的数学工具，也是一种时频混合的信号表示方法。与其他时频分析方法相比，最大的优势在于具有最简单的形式可以同时进行时域和频域分析。与ＳＴＦＴ相比，在时间和频率域上都有很高的分辨率，并能把两者结合起来。而且ＷＤ的各阶矩具有明确的物理意义，这种特有的性质很适合脑电信号的特征提取。

信号ｘ（ｔ）的ＷＤ定义为：

，＊

Ⅳ，（ｔ，Ｗ）＝Ｉ

ｘ（ｔ＋ｒ／２）

Ｊ—ｏ

ｚ｝（ｔ—ｒ／２）ｅ１”ｄｒ

（１）

为了实际计算ＷＤ，不仅要对时间和频率离散化，而且要对ｘ（ｔ）加窗。设窗函数为ｈ（ｔ），得到加窗的ＷＤ为：

ｒ∞

降：＾（ｔ，Ⅲ）＝ｌ

ｘ（￡＋ｒ／２）ｘ＋（ｔ—ｒ／２）ｈ（ｒ／２）

Ｊ—ｏ

，∞

ｈ（一ｒ／２）ｅ－”ｄｒ＝Ｉ眵（ｔ，叼）％（ｔ，ｗ一叼）ｄ，７

（２）

Ｊ一∞

时域加窗等价于频域上对形。（ｔ，ｗ）做平滑，平滑的结果会降低频域的分辨率。ＷＤ是将一维时域或频域信号映射成为时间一频率平面上的二维信号，从而具有更多如对称性、时移性、可逆性、频移性等性质。通过对信号进行ＷＤ分析，不但求出信号的频率变化情况，还可以更好的对脑电信号进行分类和识别。在计算实际信号的ＷＤ时，不同的频率成分会引入交叉项干扰，正是此缺陷限制了ＷＤ分布的应用。为克服此缺陷，抑制交叉项的方法主要有时频分解法、模糊函数法、改进的伪ＷＤ分布¨ｏ和选用具有锥形基底的高斯型函数作为Ｃｏｈｅｎ类中的核函数法等。ＷＤ分主要用于尖波、癫痫棘波和棘尖波的检测。

同时有一种在维格纳分布基础上发展的高分辨率时频方法一离散Ｇａｂｏｒ谱分解（Ｄｉｓｃｒｅｔｅ

Ｇａｂｏｒ

Ｓｐｅｃｔｒｕｍ，ＤＧＳ）。

与传统ＳＴＦＴ和离散Ｗｉｇｎｅｒ分布相比，ＤＧＳ在时域平面内具有更高的时间一频率分辨率，更重要的是消除了交叉干扰项。ＤＧＳ在识别睡眠脑电梭形波中，识别准确率最低达到９３％以上，但该方法时间消耗过大有待改善。１．２小波分析

小波变换（ｗａｖｅｌｅｔｔｒａｎｓｆｏｒｍ，ｗＴ）旧１技术是近２０年来新发展起来的信号分析理论，其基本思想是用一族小波函数去表示或逼近信号，突出特点是时宽和带宽乘积很小，而且在时间和频率轴上都很集中。因此，小波变换可通过不同时频分辨率来研究信号的动力行为和机制，在信号奇异性检测、时变滤波、模式识别等信号分析和处理方面具有广泛的应用。

１．２．１小波的分解和重构算法１９８８年，Ｍａｌｌａｔ提出了多分辨分析的概念，并给出了小波分解与重构的快速算法，即

万　

方数据Ｍａｌｌａｔ算法。若＾为信号的八ｔ）离散采样数据以＝ｃ。，则信号．厂（ｔ）的正交小波变换分解公式为

Ｆ

，

ｆ

ｃｊ，＾２厶勺＾ｎ＾ｎ一２ｋ

“

Ｊ（ｋ＝０，１，２，…，Ⅳ一１）

（３）

【哆，＾２乙吩吨…ｇ

２ｋ

其中，Ｃｊ为尺度系数；ｄ。为小波系数；、为一对正交镜像

滤波器组，ｋ（

Ｎ

采样点数。小波重

构过程是分解过程的逆运算，相应的重构公式为

Ｃｌ－ｊ，ｎ∑ｃ。ｈ。。＋∑ｄｊ，．ｇ。。

（４）

利用Ｄａｕｂｅｃｈｉｅｓ（ｄｂ）小波系列中的ｄｂ４小波进行８层

分解与重构，对脑电信号中常常存在的直流成分或缓慢基线漂移进行滤除，效果明显。同样的利用ｄｂ４小波对滤波后的信号进行８层分解，可以很清楚的看到脑电的四种节律：６波，０波，Ｏｔ波，口波的主成分，从而进行信号特征的提取。１．２．２小波变换模极大值法信号的奇异点就是指信号中的突变点，Ｌｉｐ指数是表征信号局部奇异点特征的一种量度。函数在某一点的Ｌｉｐ指数表征了该点的奇异性大小。

在尺度ｓ下，若ｓ∈占；，有Ｉ形，（ｓ，ｘ）Ｊ≤Ｉ缈，（ｓ，ｚ。）ｌ，则称‰为小波变换在尺度ｓ下的局部模极大值点。信号ｆ（ｘ）的Ｌｉｐ

指数与小波变换模极大值满足ｌｏｇ：ｆ形√（￡）Ｉ≤ｌｏｇ：ｋ＋皿。由

此式可知，观察不同尺度间小波变换模极大值变化的规律，去除幅度随尺度的增加而减小的点（对应噪声的极值点），保留幅度随尺度增加而增大的点（对应于有用信号的极值点），然后再由保留的模极大值点用交替投影法进行重建，即可以达到去噪的目的。模极大值法还应用在检测癫痫病的棘波和慢波。对消除干扰后的正常人脑电信号利用ｄｂ８进行分解，求出各尺度上小波变换模极大值，根据模极大值在各尺度的衰减变化，区分出模极大值分别属于棘波或慢波。１．２．３非线性小波变换阈值法计算含噪声信号的正交小波变换，对分解得到的小波系数进行阀值处理。进行小波逆变换。将经阈值处理过的小波系数重构，得到恢复的原始信号估计值。其原理为选择一个合适的阈值，对小波系数进行阈值处理，就可以达到去除噪声而保留有用信号的目的。该方法能得到原始信号的近似最优估计，并且具有非常广泛的适应性。

人工神经网络‘４１是人类在对大脑及大脑神经网络认识理解的基础上，人工构造的能够实现某种功能的网络；是基于模仿大脑神经网络结构和功能而建立起来的一种信息处理系统。它是人脑及其活动的一个理论化的数学模型，是由大量简单处理单元相互连接而成的复杂网络，是具有高度的非线性、能够进行复杂的逻辑操作和实现非线性关系的系统。神经网络广泛应用于脑电信号的非线性预测口。和脑电信号的专家诊断系统以及利用高阶多层神经网络进行脑电信号的特

２人工神经网络

第１期脑电信号处理方法

・１０１・

征提取”。。利用自组织神经网络对经过盲信号源分离…的脑电信号进行分类，以利于后续的检测与分析。笔者认为其最大的推广之处在于自适应网络的无监督学习算法，它排除了没有理想目的输出的因素，使测试变得精确可行。２．１反向传播网络

神经网络有许多种，反向传播网络（ｂａｃｋ

ｐｒｏｐａｇａｔｉｏｎ

ｎｅｔｗｏｒｋ，简称ＢＰ网络）是应用最广泛的一种神经网络。在脑电信号的处理中，ＢＰ网络应用睡眠分期效果良好。利用ＭＡＴＬＡＢ神经网络工具箱函数设计了这样一个单隐层的ＢＰ神经网络：输入层为１０个睡眠期间检测到的生理信号的特征、隐层含有２０个神经元，输出层输出１、２、３、４中的一个数值分别代表睡眠１期、２期、３期、４期。利用不同睡眠分期的信号对网络进行训练，可得到网络的权值矩阵等参数。经过训练的网络对实际的睡眠脑电信号进行分期，结果良好。２．２小波神经网络（小波网络）

小波神经网络是基于小波分析所构造的一种新的神经网络模型。小波神经网络方法已经应用于脑电信号的压缩旧１表达上。另外，通过脑电信号时变谱结构在二维时频图上的显示，可以在一定频带上检测出癫痫样脑电棘波发生的位置和类型，有益于特征波的识别。目前利用小波变换和人工神经网络相结合的方法还可以检测ＥＥＧ信号中的棘波和尖波成分。利用小波变换（ｗＴ）对基于ＡＮＮ的ＥＥＧ棘波检测系统输入进行预处理，能够在不减少信号的信息内容和降低检测性能的前提下减少ＡＮＮ的输入规模。

神经网络处理方法的明显优点使其已经广泛应用于脑电信号的处理中。例如其无监督学习方法忽略了部分内部结构的网络设计还有其联想功能等，为此领域解决了其他方法无法避免的难题。

３非线性动力学

近年来，随着非线性动力学的发展，越来越多的证据表明大脑是一个非线性动力学系统，脑电信号可以被看作其输出。因此人们把非线性动力学‘９１的一些方法，如分维数、Ｌｏｒｅｎｚ散点图、Ｌｙａｐｕｎｏｖ指数、复杂度等用于脑电信号的分析。３．１相关维数

相关维数是传统意义上维数的推广，用于描述系统的自由度。

定义如下：考察ｎ维空间的一个子集，将这个子集所在空间用边长为占的ｎ维立方体进行划分，设Ｍ（占）为覆盖这个子集所需的ｎ维立方体的最小数目，则这个子集的相关维数为：

Ｄ—ｌ删ｉｒａ岩等

（５）

点为零维，直线为一维，平面为二维。Ｄ。＝ｌ表明是有限环；１＜Ｄ。＜２，表明极限环中夹杂一些噪声；Ｄ。＞２，表明是混沌系统。利用从脑系统输出的单一时间序列中构造出状态

万　

方数据空间吸引子，计算吸引子的相关维数，可以得到正常思维状态及病变状态下，人脑相应部位脑电信号状态吸引子的维数值可能存在某种升降的趋势ｏ”’“。。３．２复杂性测度

根据Ｋｏｌｍｏｇｏｒｏｖ等复杂度的定义是产生某给定“０，１”序列所需最少的计算机程序的比特数，但这种定义很难建立一般的算法。直到Ｌｅｍｐｅｌ和Ｚｉｖ（１９７６）、Ｋａｓｐｅｒ和Ｓｃｈｕｓｔｅｒ（１９８７）给出了复杂度的算法和程序‘２４’”。，有了实质性的进展。Ｌｅｍｐｅｌ—Ｚｉｖ复杂度算法的基本思想是把一个数据列所表示的信号看成是由许多基本单元组成的信息集合，集合中含有模式的多少便用作衡量其复杂程度的度量。其算法描述如下：

设符号序列为ｓ＝｛Ｓ。Ｓ，…Ｓ。｝，从空串出发开始添加Ｓ。。现考虑中间步骤，设已经生成前缀ｓ。ｓ，…ｓ。，ｒ＜ｎ，并且下一个符号ｓ，是用添加操作完成的，这样序列Ｓ０ｓ，…Ｓ。可以被记为Ｓｏｓｌ…Ｓｎ＿ｓｉｓｌ…Ｓｒ－Ｉｓｊｓ……。

这里的符号“ｅ”反映了序列的生成过程中的添加操作。记ｓ７＝ｓ。ｓ，…ｓ，，下一步，令Ｑ＝ｓ。，观察Ｑ是否可以用ｓ’Ｑ竹中的某个子序列复制得到，其中Ｓ７Ｑ为ｓ’与Ｑ的组合，叮ｒ表示将ｓ’Ｑ的最后一个符号去掉，在这里即是有Ｓ’Ｑ１Ｔ＝ｓ’。如果Ｑ不能从ｓ’Ｑ中某个子序列复制得到，那么就用添加操作加上Ｓ。，并在ｓ。后面加上一个记号“。”，这样实际上又回到式（５—３）相同的情况。如果Ｑ一。能够从ｓ７Ｑ订

中的子序列复制得到，那么令Ｑ＝ｓ。ｓ。，判断其是否能从Ｓ’

ｐ竹的某个子序列复制得到，如果能通过复制得到，则继续令Ｑ一。ｓ。ｓ¨。，重复上述的步骤，直到Ｑ不能再从ｓ’Ｑ订的任河一个子序列复制得到，这时就采用添加操作，将Ｑ添入，并在其后面加上记号“＊”。或者也有另一种可能，即口己经包含了序列ｓ中的最后一个符号码Ｓ。，则分析结束。

脑电信号序列的复杂性表现了脑电信号序列的随机程度，反映了这段脑电信号序列的信息量的大小。从试验数据和分析来看，脑电信号序列的复杂度还表示了大脑神经元处理信息活动的有序程度。前人对于不同睡眠期间的脑电信号序列复杂性的研究表明：①睡眠越深，脑电信号的复杂度愈小；快速眼动睡眠期（ＲＥＭ）脑电信号复杂度又升高¨…。这说明深度睡眠时大脑的活动在很大程度上趋于一致化。②随着睡眠期的改变，复杂度也相应地有所改变。一般来讲，觉醒时脑电的复杂度较高；当进入非快动眼睡眠期（ＮＲＥＭ）后，随着睡眠的不断加深，复杂度逐渐降低，到了ＮＲＥＭ的第４期复杂度下降到最低点。③相对其它睡眠期而言，ＲＥＭ的复杂度呈现出不确定性，但是大多高于ＮＲＥＭ期。

另外，从系统论和信息论的角度看，一些研究工作证实

脑电的信息量或熵发生变化，脑电序列复杂性也会发生变化。近似熵¨３‘是一种度量序列的复杂性和统计量化的非线性参数，成为度量序列复杂性测度的一种指标。它用边缘概率的分布来区分各种过程，衡量当维数变化时序列中产生新

・１０２・

北京生物医学工程第２６卷

模式的概率的大小以及时间序列中新信息的发生率。近似熵反映了序列复杂性高低，值越大序列越复杂。应用在脑电信号的睡眠研究中，近似熵更好的反映了深睡期的特点。４

独立分量

独立分量。１４１（ＩＣＡ）的基本思想是将多道观察信号按照

统计独立的原则通过最优化算法分解为若干独立成分，实现

信号的增强和分析。它是以原始信号之间的独立性和独立分量具有非高斯分布为前提，旨在分离相互叠加的独立信号。一般分为两步，第１步是确立一个优化判据，第２步是根据判据确立学习算法。其目标判据函数应定义为对所分离的各分量之间独立程度的度量。目前，已有大量判据被提出，例如互信息极小、信息极大、负熵最大、极大似然估计等。最常用的是互信息极小判据和信息极大判据。

１９９５年，Ａ．Ｊ．Ｂｅｌｌ和Ｔ．Ｊ．Ｓｅｊｎｏｗｓｋｉ提出了基于信息极大（Ｉｎｆｏｒｍａｔｉｏｎ—Ｍａｘｉｍｉｓａｔｉｏｎ）简称Ｉｎｆｏｍａｘ原理的盲源分离算法，引起国际信号处理界的广泛关注，也激起了众多学者从事ＩＣＡ研究的热情。该算法揉合了基于信息传输极大准则的神经网络无监督学习思想和独立分量提取的非线性不相关法则，给出了基于信息极大传输理论的盲分离算法设计的统一框架。下图为Ｉｎｆｏｍａｘ算法框图，其中菇多路观测信号矢量，它是由Ⅳ个独立源线性混合而成。网络输出为ｕ＝Ｗｘ是对真实源的统计逼近。ｇ（ｕ）为可逆单调非线性函数，非线性输出为Ｙ。通过对分离矩阵形（神经网络的连接权值矩阵）的调整，使非线性输出Ｙ和网络输入ｚ之间的互信息，（ｘ，Ｙ）极大。

图１

Ｉｎｆｏｍａｘ算法框图

Ｆｉｇ１

Ｂｌｏｃｋ

ｄｉａｇｒａｍ

ｏｆＩｎｆｏｍａｘ

ａｌｇｏｒｉｔｈｍ

独立分量可以很好的从随机混合后的信号中提取事件相关电位（ＥＲＰ）ｍ１以及在盲信源分离的效果ｍ１最为显著。还可以用于脑电信号的特征提取‘”３和睡眠分期。基于电生理信号的特点以及独立分量与众不同的特性，ＩＣＡ技术必将成为生物医学信号处理领域的一个新的有效的分析工具。

５

结束语

脑电信号是非平稳随机的非线性复杂信号，其处理分析

在临床和医疗诊断中具有举足轻重的作用。由于信号本身的特点，使分析处理成为一项有难度的课题。近年来，发展

万　

方数据的小波理论、人工神经网络、非线性方法以及独立分量，相比较以前的方法具有各自的突出优势，为脑电信号的处理带来了新的冲击和方向。参考文献

［

，

］

Ｌｅｏｎ

Ｃｏｈｅｎ．Ｔｉｍｅ—ＦｒｅｑｕｅｎｃｙＡｎａｌｙｓｉｓ：Ｔｈｅｏｒｙ

ａｎｄ

Ａｐｐｌｉｃａｔｉｏｎ

［Ｍ］．ＵＳＡ：ＰｒｅｎｔｉｃｅＨａｌｌ，１９９５［

２

］

Ｈｌａｗａｔｓｃｈ．ＴｈｅＷｉｇｎｅｒ

ｄｉｓｔｒｉｂｕｔｉｏｎ—ｔｈｅ

ｏｒ

ｙａｎｄａｐｐｌｉｃａｔｉｏｎｉｎ

ｓｉｇｎａｌ

ｐｒｏｃｅｓｓｉｎｇ［Ｍ］．Ｎｅｗ

Ｙｏｒｋ：ＮｏｒｔｈＨｏｌｌ

ａｎｄ

Ｅｌｓｅｖｉｅｒ

ＳｃｉｅｎｃｅＰｕｂｌｉｓｈｅｒｓ，１９９２

［

３

］ＬｉＹｏｎｇ，ＳｈｅｎｇＸｕｎ．ＡｐｐｌｙＷａｖｅｌｅｔｔｒａｎｓｆｏｒｍｔｏ

ａｎａｌｙｓｅＥＥＧ

ｓｉｇｎａｌ．１８ｔｈ

Ａｎｎｕａｌ

ＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅ

ｏｆ

ｔｈｅ

ＩＥＥＥ

ＥｎｇｉｎｅｅｒｉｎｇｉｎＭｅｄｉｃａｌａｎｄＢｉｏｌｏｇｙＳｏｃｉｅｔｙ．Ａｍｓｔｅｒｄａｍ：１９９６．

１００７—１００８

４

周卫东，李英远．基于神经网络的ＦＩＲ滤波器设计与应用ｉ［Ｊ］．山东大学学报，２００３，３３（１）：５０—５４

５刘建成，蔡湛宇．基于神经网络的脑电信号的非线性预测［Ｊ］．电子技术应用，１９９９，７：１４—１５

６ｉ李英远，周卫东．径向基函数神经网络在脑电信号建模中的应用［Ｊ］．山东生物医学工程，２００２，２１（２）：４５—４７

７游荣义，陈忠．一种ＥＥＧ信号盲分离和分类的神经网络方法ｉ［Ｊ］．中国生物医学工程报，２００３，２２（５）：４２８—４３２

８郁阿丽，张永胜，郁可．基于小波神经网络的脑电信号数据压缩与棘波识别研究［Ｊ］．中国医疗器械杂志，１９９８，２（５）：２４９—２５３９

ｉ

孟欣，欧阳楷．脑电信号的几个非线性动力学分析方法［Ｊ］．北京生物医学工程，１９９７，１６（３）：１３５—１３９

［ｍ

Ｓｔａｍ

ＧＪ，ＪｅｌｌｓＢ，Ａｌｈｔｅｒｅｅｋｔｅ

ＨＡＭ，ｅｔ

ａ１．Ｉｎｖｅｓｔｉｇａｔｉｏｎｏｆ

ＥＥＧ

ｎｏｎ－ｌｉｎｅａｒｉｔｙ

ｉｎ

ｄｅｍｅｎｔｉａａｎｄＰａｒｋｉｎｓｏｎ’Ｓｄｉｓｅａｓｅ．Ｅｌｅｃｔｒｏ—

ｅｎｅｅｐｈａｌｏｇｒａｐｈｙａｎｄ

Ｃｌｉｎｉｃａｌ

Ｎｅｕｒｏｐｈｙｓｉｏｌｏｇｙ，１９９５，９５：３０９—３１２

¨

刘晓欲，将大宗，陶伟忠．应用相关维数法分析临床脑电信号ｉ的可行性研究［Ｊ］．北京生物医学工程，１９９７，１６（１）：１—５ｎ

孟欣，劭颉，欧阳楷．脑电信号的复杂度在睡眠分期中的应用［Ｊ］，山东生物医学工程，１９９８，１７（１）：４—８

＂

ｉ

ＰｉｎｃｕｓＳＭ．Ａｐｐｒｏｘｉｍａｔｅ

ｅｎｔｒｏｐｙ（ＡｐＥｎ）ａｓ

ａ

ｃｏｍｐｌｅｘｉｔｙｍｅａｓｕｒｅ

［Ｊ］．Ｃｈａｏｓ，１９９５，５：１１０—１１７

［Ｈ］

Ｓｔｏｎｅ

ＪＶ．Ｉｎｄｅｐｅｎｄｅｎｔｃｏｍｐｏｎｅｎｔａｎａｌｙｓｉｓ：Ａｎ

ｉｎｔｒｏｄｕｃｔｉｏｎ［Ｊ］．

Ｔｅｃｈｎｉｑｕｅｓ＆Ａｐｐｌｉｃａｔｉｏｎｓ—ＴＲＥＮＤＳｉｎ

Ｃｏｇｎｉｔｉｖｅ

Ｓｃｉｅｎｃｅｓ．

２００２，６（２）：５９—６４

［巧］伟利国，李学恩，梁淼．独立分量分析及其在ＥＲＰ提取中的应用［Ｊ］．北京理工大学学报，２００４，２４（１）：７７—８１

［插］

ＡｎｄｅｒｓｏｎＣＷ，Ｚｌａｔｋｏ

Ｓｉｊｅｒｃｉｃ．Ｃｌａｓｓｉｆｉｃａｔｉｏｎ

ｏｆＥＥＧ

Ｓｉｇｎａｌｓ

ｆｒｏｍ

ｆｏｕｒ

ＳｕｂｊｅｃｔｓＤｕｒｉｎｇＦｉｖｅ

Ｍｅｎｔａｌ

Ｔａｓｋｓ．Ｓｏｌｖｉｎｇ

Ｅｎｇｉｎｅｅｒｉｎｇ

Ｐｒｏｂｌｅｍｓｗｉｔｈ

Ｎｅｕｒａｌ

Ｎｅｔｗｏｒｋｓ：Ｐｒｏｃｅｅｄｉｎｇｓ

ｏｆｔｈｅ

Ｃｏｎｆｅｆｅｎｃｅ

ｏｎ

Ｅｎｇｉｎｅｅｒｉｎｇ．Ａｐｐｌｉｃａｔｉｏｎｓ

ｉｎ

Ｎｅｕｒａｌ

Ｎｅｔｗｏｒｋ［Ｊ］．Ｔｕｒｋｕ，

Ｆｉｎｌａｎｄ：ＳｙｓｔｅｍｓＥｎｇｉｎｅｅｒｉｎｇＡｓｓｏｃｉａｔｉｏｎ，１９９６，４０７—４１４

［＂］

郭晓静，吴小培，张道信．ＩＣＡ在思维脑电特征提取中的应用［Ｊ］．微机发展，２００２，６：３６—３９

（２００６—０２—２３收稿）

脑电信号处理方法

作者：作者单位：刊名：英文刊名：年，卷(期)：被引用次数：

马颖颖， 张泾周， 吴疆， MA Yingying， ZHANG Jingzhou， WU Jiang西北工业大学自动化学院,西安,710072北京生物医学工程

BEIJING BIOMEDICAL ENGINEERING2007,26(1)5次

参考文献(17条)

1. Leon Cohen Time-Frequency Analysis:Theory and Application 1995

2. Hlawatsch The Wigner distribution-the or yand application in signal processing 19923. Li Yong;Sheng Xun Apply Wavelet transform to analyse EEG signal 1996

4. 周卫东;李英远 基于神经网络的FIR滤波器设计与应用[期刊论文]-山东大学学报(工学版) 2003(01)5. 刘建成;蔡湛宇 基于神经网络的脑电信号的非线性预测[期刊论文]-电子技术应用 1999(07)

6. 李英远;周卫东 径向基函数神经网络在脑电信号建模中的应用[期刊论文]-山东生物医学工程 2002(02)7. 游荣义;陈忠 一种EEG信号盲分离和分类的神经网络方法[期刊论文]-中国生物医学工程学报 2003(05)8. 郁阿丽;张永胜;郁可 基于小波神经网络的脑电信号数据压缩与棘波识别研究 1998(05)9. 孟欣;欧阳楷 脑电信号的几个非线性动力学分析方法 1997(03)

10. Stam GJ;Jells B;Alhtereekte HAM Investigation of EEG non-linearity in dementia and Parkinson'sdisease 1995

11. 刘晓欲;将大宗;陶伟忠 应用相关维数法分析临床脑电信号的可行性研究 1997(01)12. 孟欣;劭颉;欧阳楷 脑电信号的复杂度在睡眠分期中的应用 1998(01)

13. Pincus SM Approximate entropy (ApEn) as a complexity measure[外文期刊] 1995(05)14. Stone JV Independent component analysis:An introduction 2002(02)

15. 伟利国;李学恩;梁淼 独立分量分析及其在ERP提取中的应用[期刊论文]-北京理工大学学报 2004(01)16. Anderson CW;Zlatko Sijercic Classification of EEG Signals from four Subjects During Five MentalTasks 1996

17. 郭晓静;吴小培;张道信 ICA在思维脑电特征提取中的应用[期刊论文]-微机发展 2002(06)

本文读者也读过(2条)

1. 吴晓彬. 邱天爽. WU Xiao-bin. QIU Tian-shuang 基于时频分析的EEG信号分析处理方法研究进展[期刊论文]-国外医学（生物医学工程分册）2004,27(6)

2. 谢松云. 张振中. 杨金孝. 张坤. XIE Song-yun. ZHANG Zhen-zhong. YANG Jin-xiao. ZHANG Kun 脑电信号的若干处理方法研究与评价[期刊论文]-计算机仿真2007,24(2)

引证文献(5条)

1. 刘芳. 乔蕾. 张臻 基于脑电信号模式识别与采集的假肢控制系统[期刊论文]-中国组织工程研究与临床康复2008(39)

2. 丁艳. 谢松云. 程西娜 一种改进的基于陷波器的脑电消噪方法研究[期刊论文]-计算机仿真 2010(2)3. 谢宏. 刘玉霞. 金曼. 夏斌 基于DSP Builder的脑电信号小波处理[期刊论文]-电子设计工程 2009(9)4. 李明爱. 张诚. 杨金福 一种基于脑电信号的疲劳驾驶状态判断方法[期刊论文]-北京生物医学工程 2011(1)

5. 吴美云. 张桂芸. 史庆霞 脑神经功能信息学的研究进展及应用分析[期刊论文]-哈尔滨师范大学自然科学学报2012(2)

本文链接：http://d.wanfangdata.com.cn/Periodical_bjswyxgc200701027.aspx

第２６卷第１期

２００７年２月

北京生物医学工程

ＢｅｉｊｉｎｇＢｉｏｍｅｄｉｃａｌＥｎｇｉｎｅｅｒｉｎｇ

Ｖ０１．２６Ｆｅｂｒｕａｒｙ

Ｎｏ．１２００７

脑电信号处理方法

马颖颖

张泾周

吴

疆

摘要脑电信号是人体的一种基本生理信号，具有重要的临床诊断和治疗价值。由于脑电信号的自身非

平稳性随机特点，使得对它的研究成为一项具有相当难度的课题。本文总结了脑电信号的时频、神经网络等处理方法。着重论述Ｗｉｇｎｅｒ分布、小波分析、神经网络、非线性动力学，以及独立分量在脑电信号处理中的应用。

关键词脑电信号；时频分析；非线性动力学；神经网络；独立分量中图分类号

Ｒ３１８．０４

文献标识码Ａ文章编号１００２—３２０８（２００７）０１—００９９—０４

ＴｈｅｍｏｄｅｒｎｐｒｏｃｅｓｓｉｎｇｍｅｔｈｏｄｏｆＥＥＧｓｉｇｎａｌＭＡＹｉｎｇｙｉｎｇ，ＺＨＡＮＧＪｉｎｇｚｈｏｕ，形ＵＪｉａｎｇ

Ｃｏｌｌｅｇｅ

ｏｆＡｕｔｏｍａｔｉｏｎ，

ＮｏｎｈＷｅｓｔｅｒｎＰｏｌｙｔｅｃｈｎｉｃａｌＵｎｉｖｅｒｓｉｔｙ，Ｘｉ’ａｎ

７１００７２

ｉｓ

ａ

【Ａｂｓｔｒａｃｔ】Ｅｌｅｃｔｒｏｅｎｃｅｐｈａｌｏｇｒａｍ（ＥＥＧ）ｓｉｇｎａｌｋｉｎｄｏｆｂａｓｉｃｐｈｙｓｉｏｌｏｇｉｃａｌｓｉｇｎａｌｏｆｈｕｍａｎｂｏｄｙ，ａｎｄｉｔ

ｈａｓ

ｖｅｒｙｉｍｐｏｒｔａｎｔｃｌｉｎｉｃａｌｄｉａｇｎｏｓｉｓａｎｄｔｒｅａｔｍｅｎｔｖａｌｕｅ．ＢｅｃａｕｓｅｏｆｔｈｅｎｏｎｓｔａｔｉｏｎａｒｉｔｙａｎｄｒａｎｄｏｍｉｃｉｔｙｏｆＥＥＧｓｉｇｎａｌ，ｔｈｅｓｔｕｄｙ

ｏｎ

ＥＥＧｂｅｃｏｍｅｓｑｕｉｔｅｄｉｆｆｉｃｕｌｔ．Ｔｈｅｐａｐｅｒｓｕｍｍａｒｉｚｅｓｔｈｅｔｉｍｅ—ｆｒｅｑｕｅｎｃｙｍｅｔｈｏｄ，ＮｅｕｒａｌＮｅｔｗｏｒｋａｎｄ

ＳＯｏｎ

ｉｎ

ＥＥＧｐｒｏｃｅｓｓｉｎｇ．ＰａｒｔｉｃｕｌａｒｌｙｉｔｄｉｓｃｕｓｓｅｓｔｈｅＩＣＡｉｎｔｈｅＥＥＧｓｉｇｎａｌｐｒｏｃｅｓｓｉｎｇ．

ＷｉｇｎｅｒＤｉｓｔｒｉｂｕｔｉｎｇ（ＷＤ），ＷａｖｅｌｅｔＴｒａｎｓｆｏｒｍ（ＷＴ），ｎｏｎｌｉｎｅａｒｄｙｎａｍｉｃａｎｄ

【Ｋｅｙｗｏｒｄｓ】ＥＥＧＳｉｇｎａｌ；ｔｉｍｅ—ｆｒｅｑｕｅｎｃｙｐｒｏｃｅｓｓｉｎｇ；ｎｅｕｒａｌｎｅｔｗｏｒｋ；ｎｏｎｌｉｎｅａｒｄｙｎａｍｉｃ；ＩＣＡ

脑电信号是大脑组织电活动和大脑功能状态的综合反映，是一种机理相当复杂的随机信号。脑电图（ＥＥＧ）是脑电信号在大脑皮层或头皮表面的总体反映。各种形式的思维状态以及病理情况在不同的大脑皮层位置反映出不同的脑电图。在临床医学方面，脑电信号处理可以为某些脑疾病提供诊断依据和提供有效的治疗手段。同时，随着近年来计算机应用技术的发展，脑一计算机接口技术迅速发展。脑一机接口利用人们对特定感觉或者感知活动的脑电的不同，对脑电信号进行有效提取和分类达到某种控制目的。由于脑电信号自身非平稳随机信号的特点，提取脑电信号中的有用信息成为极具难度但是非常有前景的课题。

近年来，脑电信号处理除了经典处理方法以外，各种新方法有力的推动了脑电信号分析的发展。下文总结了脑电信号的时域，频域以及时频等处理方法，着重论述时频方法中的Ｗｉｇｎｅｒ分布、小波分析，非线性动力学的方法，以及独立分量在脑电信号处理中的应用。

自１９３２年Ｄｉｅｔｃｈ首先用傅里叶变换进行了脑电分析之后，相继引入了频域分析、时域分析、时频分析等方法。近年来，随着计算机技术、信号处理技术以及现代电子技术发展，神经网络、非线性动力学等新方法应运而生。

１

时频分析

直接从时域提取特征是最早发展起来的方法，因其直观

性强，物理意义比较明确，至今仍被广泛应用。同时有些重要信息在时域上反映突出，如反映癫痫信息的棘慢波，反映睡眠信息的梭形波等瞬态波形，因此时域分析在目前脑电定量化分析中占有重要位置。但时域方法使大脑各个区域的脑电活动情况不能得到直观反映。频域分析方法主要基于各频段功率、相干等。功率谱估计…是频域分析的主要手段。它的意义在于把幅度随时间变化的脑电波变换为脑电功率随频率变化的谱图。脑电信号的时域分析方法对时域的脑电信号波形特征参数进行识别，如幅值、波形的持续时间等，仅给出信号在时间上的分辨率，而没有考虑信号在频率上的分辨率。频域分析方法是建立在假设脑电信号具有平稳特性的基础上，同时也只是考虑了信号的频域信息，而忽略信号在时间上的分辨率。

脑电信号是时变、非平稳信号，不同时刻有不同的频率成分，单纯的时域表示或频域表示都不能准确表达信号。在ＥＥＧ中许多病变都是以瞬态形式表现的，只有把时间和频率结合起来进行处理，才能取得更好的结果。时频方法…在时域和频域同时具有良好的局部化分析及其它一些重要性质，所以在脑电信号分析中受到重视。最简单的时频方法是

作者单位：西北工业大学自动化学院（西安７１００７２）

作者简介：马颖颖（１９８１一），女，硕士，研究方向为生物医学信号处理

短时傅里叶变换（ｓｈｏｒｔ

ｔｉｍｅＦｏｕｒｉｅｒ

ｔｒａｎｓｆｏｒｍ，ＳＴＦＴ），

但缺点是必须在时问分辨率和频率分辨率之间权衡。

万方数据　

・１００・

北京生物医学工程第２６卷

目前广泛应用的时频方法主要有Ｗｉｇｎｅｒ分布和小波分析。

１．１

Ｗｉｇｎｅｒ分布

Ｗｉｇｎｅｒ分布（Ｗｉｇｎｅｒｄｉｓｔｒｉｂｕｔｉｏｎ，ＷＤ）由１９３２年维格纳

从量子力学角度提出的，１９４８年维利对它重新介绍。ＷＤ是一种非常有用的数学工具，也是一种时频混合的信号表示方法。与其他时频分析方法相比，最大的优势在于具有最简单的形式可以同时进行时域和频域分析。与ＳＴＦＴ相比，在时间和频率域上都有很高的分辨率，并能把两者结合起来。而且ＷＤ的各阶矩具有明确的物理意义，这种特有的性质很适合脑电信号的特征提取。

信号ｘ（ｔ）的ＷＤ定义为：

，＊

Ⅳ，（ｔ，Ｗ）＝Ｉ

ｘ（ｔ＋ｒ／２）

Ｊ—ｏ

ｚ｝（ｔ—ｒ／２）ｅ１”ｄｒ

（１）

为了实际计算ＷＤ，不仅要对时间和频率离散化，而且要对ｘ（ｔ）加窗。设窗函数为ｈ（ｔ），得到加窗的ＷＤ为：

ｒ∞

降：＾（ｔ，Ⅲ）＝ｌ

ｘ（￡＋ｒ／２）ｘ＋（ｔ—ｒ／２）ｈ（ｒ／２）

Ｊ—ｏ

，∞

ｈ（一ｒ／２）ｅ－”ｄｒ＝Ｉ眵（ｔ，叼）％（ｔ，ｗ一叼）ｄ，７

（２）

Ｊ一∞

时域加窗等价于频域上对形。（ｔ，ｗ）做平滑，平滑的结果会降低频域的分辨率。ＷＤ是将一维时域或频域信号映射成为时间一频率平面上的二维信号，从而具有更多如对称性、时移性、可逆性、频移性等性质。通过对信号进行ＷＤ分析，不但求出信号的频率变化情况，还可以更好的对脑电信号进行分类和识别。在计算实际信号的ＷＤ时，不同的频率成分会引入交叉项干扰，正是此缺陷限制了ＷＤ分布的应用。为克服此缺陷，抑制交叉项的方法主要有时频分解法、模糊函数法、改进的伪ＷＤ分布¨ｏ和选用具有锥形基底的高斯型函数作为Ｃｏｈｅｎ类中的核函数法等。ＷＤ分主要用于尖波、癫痫棘波和棘尖波的检测。

同时有一种在维格纳分布基础上发展的高分辨率时频方法一离散Ｇａｂｏｒ谱分解（Ｄｉｓｃｒｅｔｅ

Ｇａｂｏｒ

Ｓｐｅｃｔｒｕｍ，ＤＧＳ）。

与传统ＳＴＦＴ和离散Ｗｉｇｎｅｒ分布相比，ＤＧＳ在时域平面内具有更高的时间一频率分辨率，更重要的是消除了交叉干扰项。ＤＧＳ在识别睡眠脑电梭形波中，识别准确率最低达到９３％以上，但该方法时间消耗过大有待改善。１．２小波分析

小波变换（ｗａｖｅｌｅｔｔｒａｎｓｆｏｒｍ，ｗＴ）旧１技术是近２０年来新发展起来的信号分析理论，其基本思想是用一族小波函数去表示或逼近信号，突出特点是时宽和带宽乘积很小，而且在时间和频率轴上都很集中。因此，小波变换可通过不同时频分辨率来研究信号的动力行为和机制，在信号奇异性检测、时变滤波、模式识别等信号分析和处理方面具有广泛的应用。

１．２．１小波的分解和重构算法１９８８年，Ｍａｌｌａｔ提出了多分辨分析的概念，并给出了小波分解与重构的快速算法，即

万　

方数据Ｍａｌｌａｔ算法。若＾为信号的八ｔ）离散采样数据以＝ｃ。，则信号．厂（ｔ）的正交小波变换分解公式为

Ｆ

，

ｆ

ｃｊ，＾２厶勺＾ｎ＾ｎ一２ｋ

“

Ｊ（ｋ＝０，１，２，…，Ⅳ一１）

（３）

【哆，＾２乙吩吨…ｇ

２ｋ

其中，Ｃｊ为尺度系数；ｄ。为小波系数；、为一对正交镜像

滤波器组，ｋ（

Ｎ

采样点数。小波重

构过程是分解过程的逆运算，相应的重构公式为

Ｃｌ－ｊ，ｎ∑ｃ。ｈ。。＋∑ｄｊ，．ｇ。。

（４）

利用Ｄａｕｂｅｃｈｉｅｓ（ｄｂ）小波系列中的ｄｂ４小波进行８层

分解与重构，对脑电信号中常常存在的直流成分或缓慢基线漂移进行滤除，效果明显。同样的利用ｄｂ４小波对滤波后的信号进行８层分解，可以很清楚的看到脑电的四种节律：６波，０波，Ｏｔ波，口波的主成分，从而进行信号特征的提取。１．２．２小波变换模极大值法信号的奇异点就是指信号中的突变点，Ｌｉｐ指数是表征信号局部奇异点特征的一种量度。函数在某一点的Ｌｉｐ指数表征了该点的奇异性大小。

在尺度ｓ下，若ｓ∈占；，有Ｉ形，（ｓ，ｘ）Ｊ≤Ｉ缈，（ｓ，ｚ。）ｌ，则称‰为小波变换在尺度ｓ下的局部模极大值点。信号ｆ（ｘ）的Ｌｉｐ

指数与小波变换模极大值满足ｌｏｇ：ｆ形√（￡）Ｉ≤ｌｏｇ：ｋ＋皿。由

此式可知，观察不同尺度间小波变换模极大值变化的规律，去除幅度随尺度的增加而减小的点（对应噪声的极值点），保留幅度随尺度增加而增大的点（对应于有用信号的极值点），然后再由保留的模极大值点用交替投影法进行重建，即可以达到去噪的目的。模极大值法还应用在检测癫痫病的棘波和慢波。对消除干扰后的正常人脑电信号利用ｄｂ８进行分解，求出各尺度上小波变换模极大值，根据模极大值在各尺度的衰减变化，区分出模极大值分别属于棘波或慢波。１．２．３非线性小波变换阈值法计算含噪声信号的正交小波变换，对分解得到的小波系数进行阀值处理。进行小波逆变换。将经阈值处理过的小波系数重构，得到恢复的原始信号估计值。其原理为选择一个合适的阈值，对小波系数进行阈值处理，就可以达到去除噪声而保留有用信号的目的。该方法能得到原始信号的近似最优估计，并且具有非常广泛的适应性。

人工神经网络‘４１是人类在对大脑及大脑神经网络认识理解的基础上，人工构造的能够实现某种功能的网络；是基于模仿大脑神经网络结构和功能而建立起来的一种信息处理系统。它是人脑及其活动的一个理论化的数学模型，是由大量简单处理单元相互连接而成的复杂网络，是具有高度的非线性、能够进行复杂的逻辑操作和实现非线性关系的系统。神经网络广泛应用于脑电信号的非线性预测口。和脑电信号的专家诊断系统以及利用高阶多层神经网络进行脑电信号的特

２人工神经网络

第１期脑电信号处理方法

・１０１・

征提取”。。利用自组织神经网络对经过盲信号源分离…的脑电信号进行分类，以利于后续的检测与分析。笔者认为其最大的推广之处在于自适应网络的无监督学习算法，它排除了没有理想目的输出的因素，使测试变得精确可行。２．１反向传播网络

神经网络有许多种，反向传播网络（ｂａｃｋ

ｐｒｏｐａｇａｔｉｏｎ

ｎｅｔｗｏｒｋ，简称ＢＰ网络）是应用最广泛的一种神经网络。在脑电信号的处理中，ＢＰ网络应用睡眠分期效果良好。利用ＭＡＴＬＡＢ神经网络工具箱函数设计了这样一个单隐层的ＢＰ神经网络：输入层为１０个睡眠期间检测到的生理信号的特征、隐层含有２０个神经元，输出层输出１、２、３、４中的一个数值分别代表睡眠１期、２期、３期、４期。利用不同睡眠分期的信号对网络进行训练，可得到网络的权值矩阵等参数。经过训练的网络对实际的睡眠脑电信号进行分期，结果良好。２．２小波神经网络（小波网络）

小波神经网络是基于小波分析所构造的一种新的神经网络模型。小波神经网络方法已经应用于脑电信号的压缩旧１表达上。另外，通过脑电信号时变谱结构在二维时频图上的显示，可以在一定频带上检测出癫痫样脑电棘波发生的位置和类型，有益于特征波的识别。目前利用小波变换和人工神经网络相结合的方法还可以检测ＥＥＧ信号中的棘波和尖波成分。利用小波变换（ｗＴ）对基于ＡＮＮ的ＥＥＧ棘波检测系统输入进行预处理，能够在不减少信号的信息内容和降低检测性能的前提下减少ＡＮＮ的输入规模。

神经网络处理方法的明显优点使其已经广泛应用于脑电信号的处理中。例如其无监督学习方法忽略了部分内部结构的网络设计还有其联想功能等，为此领域解决了其他方法无法避免的难题。

３非线性动力学

近年来，随着非线性动力学的发展，越来越多的证据表明大脑是一个非线性动力学系统，脑电信号可以被看作其输出。因此人们把非线性动力学‘９１的一些方法，如分维数、Ｌｏｒｅｎｚ散点图、Ｌｙａｐｕｎｏｖ指数、复杂度等用于脑电信号的分析。３．１相关维数

相关维数是传统意义上维数的推广，用于描述系统的自由度。

定义如下：考察ｎ维空间的一个子集，将这个子集所在空间用边长为占的ｎ维立方体进行划分，设Ｍ（占）为覆盖这个子集所需的ｎ维立方体的最小数目，则这个子集的相关维数为：

Ｄ—ｌ删ｉｒａ岩等

（５）

点为零维，直线为一维，平面为二维。Ｄ。＝ｌ表明是有限环；１＜Ｄ。＜２，表明极限环中夹杂一些噪声；Ｄ。＞２，表明是混沌系统。利用从脑系统输出的单一时间序列中构造出状态

万　

方数据空间吸引子，计算吸引子的相关维数，可以得到正常思维状态及病变状态下，人脑相应部位脑电信号状态吸引子的维数值可能存在某种升降的趋势ｏ”’“。。３．２复杂性测度

根据Ｋｏｌｍｏｇｏｒｏｖ等复杂度的定义是产生某给定“０，１”序列所需最少的计算机程序的比特数，但这种定义很难建立一般的算法。直到Ｌｅｍｐｅｌ和Ｚｉｖ（１９７６）、Ｋａｓｐｅｒ和Ｓｃｈｕｓｔｅｒ（１９８７）给出了复杂度的算法和程序‘２４’”。，有了实质性的进展。Ｌｅｍｐｅｌ—Ｚｉｖ复杂度算法的基本思想是把一个数据列所表示的信号看成是由许多基本单元组成的信息集合，集合中含有模式的多少便用作衡量其复杂程度的度量。其算法描述如下：

设符号序列为ｓ＝｛Ｓ。Ｓ，…Ｓ。｝，从空串出发开始添加Ｓ。。现考虑中间步骤，设已经生成前缀ｓ。ｓ，…ｓ。，ｒ＜ｎ，并且下一个符号ｓ，是用添加操作完成的，这样序列Ｓ０ｓ，…Ｓ。可以被记为Ｓｏｓｌ…Ｓｎ＿ｓｉｓｌ…Ｓｒ－Ｉｓｊｓ……。

这里的符号“ｅ”反映了序列的生成过程中的添加操作。记ｓ７＝ｓ。ｓ，…ｓ，，下一步，令Ｑ＝ｓ。，观察Ｑ是否可以用ｓ’Ｑ竹中的某个子序列复制得到，其中Ｓ７Ｑ为ｓ’与Ｑ的组合，叮ｒ表示将ｓ’Ｑ的最后一个符号去掉，在这里即是有Ｓ’Ｑ１Ｔ＝ｓ’。如果Ｑ不能从ｓ’Ｑ中某个子序列复制得到，那么就用添加操作加上Ｓ。，并在ｓ。后面加上一个记号“。”，这样实际上又回到式（５—３）相同的情况。如果Ｑ一。能够从ｓ７Ｑ订

中的子序列复制得到，那么令Ｑ＝ｓ。ｓ。，判断其是否能从Ｓ’

ｐ竹的某个子序列复制得到，如果能通过复制得到，则继续令Ｑ一。ｓ。ｓ¨。，重复上述的步骤，直到Ｑ不能再从ｓ’Ｑ订的任河一个子序列复制得到，这时就采用添加操作，将Ｑ添入，并在其后面加上记号“＊”。或者也有另一种可能，即口己经包含了序列ｓ中的最后一个符号码Ｓ。，则分析结束。

脑电信号序列的复杂性表现了脑电信号序列的随机程度，反映了这段脑电信号序列的信息量的大小。从试验数据和分析来看，脑电信号序列的复杂度还表示了大脑神经元处理信息活动的有序程度。前人对于不同睡眠期间的脑电信号序列复杂性的研究表明：①睡眠越深，脑电信号的复杂度愈小；快速眼动睡眠期（ＲＥＭ）脑电信号复杂度又升高¨…。这说明深度睡眠时大脑的活动在很大程度上趋于一致化。②随着睡眠期的改变，复杂度也相应地有所改变。一般来讲，觉醒时脑电的复杂度较高；当进入非快动眼睡眠期（ＮＲＥＭ）后，随着睡眠的不断加深，复杂度逐渐降低，到了ＮＲＥＭ的第４期复杂度下降到最低点。③相对其它睡眠期而言，ＲＥＭ的复杂度呈现出不确定性，但是大多高于ＮＲＥＭ期。

另外，从系统论和信息论的角度看，一些研究工作证实

脑电的信息量或熵发生变化，脑电序列复杂性也会发生变化。近似熵¨３‘是一种度量序列的复杂性和统计量化的非线性参数，成为度量序列复杂性测度的一种指标。它用边缘概率的分布来区分各种过程，衡量当维数变化时序列中产生新

・１０２・

北京生物医学工程第２６卷

模式的概率的大小以及时间序列中新信息的发生率。近似熵反映了序列复杂性高低，值越大序列越复杂。应用在脑电信号的睡眠研究中，近似熵更好的反映了深睡期的特点。４

独立分量

独立分量。１４１（ＩＣＡ）的基本思想是将多道观察信号按照

统计独立的原则通过最优化算法分解为若干独立成分，实现

信号的增强和分析。它是以原始信号之间的独立性和独立分量具有非高斯分布为前提，旨在分离相互叠加的独立信号。一般分为两步，第１步是确立一个优化判据，第２步是根据判据确立学习算法。其目标判据函数应定义为对所分离的各分量之间独立程度的度量。目前，已有大量判据被提出，例如互信息极小、信息极大、负熵最大、极大似然估计等。最常用的是互信息极小判据和信息极大判据。

１９９５年，Ａ．Ｊ．Ｂｅｌｌ和Ｔ．Ｊ．Ｓｅｊｎｏｗｓｋｉ提出了基于信息极大（Ｉｎｆｏｒｍａｔｉｏｎ—Ｍａｘｉｍｉｓａｔｉｏｎ）简称Ｉｎｆｏｍａｘ原理的盲源分离算法，引起国际信号处理界的广泛关注，也激起了众多学者从事ＩＣＡ研究的热情。该算法揉合了基于信息传输极大准则的神经网络无监督学习思想和独立分量提取的非线性不相关法则，给出了基于信息极大传输理论的盲分离算法设计的统一框架。下图为Ｉｎｆｏｍａｘ算法框图，其中菇多路观测信号矢量，它是由Ⅳ个独立源线性混合而成。网络输出为ｕ＝Ｗｘ是对真实源的统计逼近。ｇ（ｕ）为可逆单调非线性函数，非线性输出为Ｙ。通过对分离矩阵形（神经网络的连接权值矩阵）的调整，使非线性输出Ｙ和网络输入ｚ之间的互信息，（ｘ，Ｙ）极大。

图１

Ｉｎｆｏｍａｘ算法框图

Ｆｉｇ１

Ｂｌｏｃｋ

ｄｉａｇｒａｍ

ｏｆＩｎｆｏｍａｘ

ａｌｇｏｒｉｔｈｍ

独立分量可以很好的从随机混合后的信号中提取事件相关电位（ＥＲＰ）ｍ１以及在盲信源分离的效果ｍ１最为显著。还可以用于脑电信号的特征提取‘”３和睡眠分期。基于电生理信号的特点以及独立分量与众不同的特性，ＩＣＡ技术必将成为生物医学信号处理领域的一个新的有效的分析工具。

５

结束语

脑电信号是非平稳随机的非线性复杂信号，其处理分析

在临床和医疗诊断中具有举足轻重的作用。由于信号本身的特点，使分析处理成为一项有难度的课题。近年来，发展

万　

方数据的小波理论、人工神经网络、非线性方法以及独立分量，相比较以前的方法具有各自的突出优势，为脑电信号的处理带来了新的冲击和方向。参考文献

［

，

］

Ｌｅｏｎ

Ｃｏｈｅｎ．Ｔｉｍｅ—ＦｒｅｑｕｅｎｃｙＡｎａｌｙｓｉｓ：Ｔｈｅｏｒｙ

ａｎｄ

Ａｐｐｌｉｃａｔｉｏｎ

［Ｍ］．ＵＳＡ：ＰｒｅｎｔｉｃｅＨａｌｌ，１９９５［

２

］

Ｈｌａｗａｔｓｃｈ．ＴｈｅＷｉｇｎｅｒ

ｄｉｓｔｒｉｂｕｔｉｏｎ—ｔｈｅ

ｏｒ

ｙａｎｄａｐｐｌｉｃａｔｉｏｎｉｎ

ｓｉｇｎａｌ

ｐｒｏｃｅｓｓｉｎｇ［Ｍ］．Ｎｅｗ

Ｙｏｒｋ：ＮｏｒｔｈＨｏｌｌ

ａｎｄ

Ｅｌｓｅｖｉｅｒ

ＳｃｉｅｎｃｅＰｕｂｌｉｓｈｅｒｓ，１９９２

［

３

］ＬｉＹｏｎｇ，ＳｈｅｎｇＸｕｎ．ＡｐｐｌｙＷａｖｅｌｅｔｔｒａｎｓｆｏｒｍｔｏ

ａｎａｌｙｓｅＥＥＧ

ｓｉｇｎａｌ．１８ｔｈ

Ａｎｎｕａｌ

ＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅ

ｏｆ

ｔｈｅ

ＩＥＥＥ

ＥｎｇｉｎｅｅｒｉｎｇｉｎＭｅｄｉｃａｌａｎｄＢｉｏｌｏｇｙＳｏｃｉｅｔｙ．Ａｍｓｔｅｒｄａｍ：１９９６．

１００７—１００８

４

周卫东，李英远．基于神经网络的ＦＩＲ滤波器设计与应用ｉ［Ｊ］．山东大学学报，２００３，３３（１）：５０—５４

５刘建成，蔡湛宇．基于神经网络的脑电信号的非线性预测［Ｊ］．电子技术应用，１９９９，７：１４—１５

６ｉ李英远，周卫东．径向基函数神经网络在脑电信号建模中的应用［Ｊ］．山东生物医学工程，２００２，２１（２）：４５—４７

７游荣义，陈忠．一种ＥＥＧ信号盲分离和分类的神经网络方法ｉ［Ｊ］．中国生物医学工程报，２００３，２２（５）：４２８—４３２

８郁阿丽，张永胜，郁可．基于小波神经网络的脑电信号数据压缩与棘波识别研究［Ｊ］．中国医疗器械杂志，１９９８，２（５）：２４９—２５３９

ｉ

孟欣，欧阳楷．脑电信号的几个非线性动力学分析方法［Ｊ］．北京生物医学工程，１９９７，１６（３）：１３５—１３９

［ｍ

Ｓｔａｍ

ＧＪ，ＪｅｌｌｓＢ，Ａｌｈｔｅｒｅｅｋｔｅ

ＨＡＭ，ｅｔ

ａ１．Ｉｎｖｅｓｔｉｇａｔｉｏｎｏｆ

ＥＥＧ

ｎｏｎ－ｌｉｎｅａｒｉｔｙ

ｉｎ

ｄｅｍｅｎｔｉａａｎｄＰａｒｋｉｎｓｏｎ’Ｓｄｉｓｅａｓｅ．Ｅｌｅｃｔｒｏ—

ｅｎｅｅｐｈａｌｏｇｒａｐｈｙａｎｄ

Ｃｌｉｎｉｃａｌ

Ｎｅｕｒｏｐｈｙｓｉｏｌｏｇｙ，１９９５，９５：３０９—３１２

¨

刘晓欲，将大宗，陶伟忠．应用相关维数法分析临床脑电信号ｉ的可行性研究［Ｊ］．北京生物医学工程，１９９７，１６（１）：１—５ｎ

孟欣，劭颉，欧阳楷．脑电信号的复杂度在睡眠分期中的应用［Ｊ］，山东生物医学工程，１９９８，１７（１）：４—８

＂

ｉ

ＰｉｎｃｕｓＳＭ．Ａｐｐｒｏｘｉｍａｔｅ

ｅｎｔｒｏｐｙ（ＡｐＥｎ）ａｓ

ａ

ｃｏｍｐｌｅｘｉｔｙｍｅａｓｕｒｅ

［Ｊ］．Ｃｈａｏｓ，１９９５，５：１１０—１１７

［Ｈ］

Ｓｔｏｎｅ

ＪＶ．Ｉｎｄｅｐｅｎｄｅｎｔｃｏｍｐｏｎｅｎｔａｎａｌｙｓｉｓ：Ａｎ

ｉｎｔｒｏｄｕｃｔｉｏｎ［Ｊ］．

Ｔｅｃｈｎｉｑｕｅｓ＆Ａｐｐｌｉｃａｔｉｏｎｓ—ＴＲＥＮＤＳｉｎ

Ｃｏｇｎｉｔｉｖｅ

Ｓｃｉｅｎｃｅｓ．

２００２，６（２）：５９—６４

［巧］伟利国，李学恩，梁淼．独立分量分析及其在ＥＲＰ提取中的应用［Ｊ］．北京理工大学学报，２００４，２４（１）：７７—８１

［插］

ＡｎｄｅｒｓｏｎＣＷ，Ｚｌａｔｋｏ

Ｓｉｊｅｒｃｉｃ．Ｃｌａｓｓｉｆｉｃａｔｉｏｎ

ｏｆＥＥＧ

Ｓｉｇｎａｌｓ

ｆｒｏｍ

ｆｏｕｒ

ＳｕｂｊｅｃｔｓＤｕｒｉｎｇＦｉｖｅ

Ｍｅｎｔａｌ

Ｔａｓｋｓ．Ｓｏｌｖｉｎｇ

Ｅｎｇｉｎｅｅｒｉｎｇ

Ｐｒｏｂｌｅｍｓｗｉｔｈ

Ｎｅｕｒａｌ

Ｎｅｔｗｏｒｋｓ：Ｐｒｏｃｅｅｄｉｎｇｓ

ｏｆｔｈｅ

Ｃｏｎｆｅｆｅｎｃｅ

ｏｎ

Ｅｎｇｉｎｅｅｒｉｎｇ．Ａｐｐｌｉｃａｔｉｏｎｓ

ｉｎ

Ｎｅｕｒａｌ

Ｎｅｔｗｏｒｋ［Ｊ］．Ｔｕｒｋｕ，

Ｆｉｎｌａｎｄ：ＳｙｓｔｅｍｓＥｎｇｉｎｅｅｒｉｎｇＡｓｓｏｃｉａｔｉｏｎ，１９９６，４０７—４１４

［＂］

郭晓静，吴小培，张道信．ＩＣＡ在思维脑电特征提取中的应用［Ｊ］．微机发展，２００２，６：３６—３９

（２００６—０２—２３收稿）

脑电信号处理方法

作者：作者单位：刊名：英文刊名：年，卷(期)：被引用次数：

马颖颖， 张泾周， 吴疆， MA Yingying， ZHANG Jingzhou， WU Jiang西北工业大学自动化学院,西安,710072北京生物医学工程

BEIJING BIOMEDICAL ENGINEERING2007,26(1)5次

参考文献(17条)

1. Leon Cohen Time-Frequency Analysis:Theory and Application 1995

2. Hlawatsch The Wigner distribution-the or yand application in signal processing 19923. Li Yong;Sheng Xun Apply Wavelet transform to analyse EEG signal 1996

4. 周卫东;李英远 基于神经网络的FIR滤波器设计与应用[期刊论文]-山东大学学报(工学版) 2003(01)5. 刘建成;蔡湛宇 基于神经网络的脑电信号的非线性预测[期刊论文]-电子技术应用 1999(07)

6. 李英远;周卫东 径向基函数神经网络在脑电信号建模中的应用[期刊论文]-山东生物医学工程 2002(02)7. 游荣义;陈忠 一种EEG信号盲分离和分类的神经网络方法[期刊论文]-中国生物医学工程学报 2003(05)8. 郁阿丽;张永胜;郁可 基于小波神经网络的脑电信号数据压缩与棘波识别研究 1998(05)9. 孟欣;欧阳楷 脑电信号的几个非线性动力学分析方法 1997(03)

10. Stam GJ;Jells B;Alhtereekte HAM Investigation of EEG non-linearity in dementia and Parkinson'sdisease 1995

11. 刘晓欲;将大宗;陶伟忠 应用相关维数法分析临床脑电信号的可行性研究 1997(01)12. 孟欣;劭颉;欧阳楷 脑电信号的复杂度在睡眠分期中的应用 1998(01)

13. Pincus SM Approximate entropy (ApEn) as a complexity measure[外文期刊] 1995(05)14. Stone JV Independent component analysis:An introduction 2002(02)

15. 伟利国;李学恩;梁淼 独立分量分析及其在ERP提取中的应用[期刊论文]-北京理工大学学报 2004(01)16. Anderson CW;Zlatko Sijercic Classification of EEG Signals from four Subjects During Five MentalTasks 1996

17. 郭晓静;吴小培;张道信 ICA在思维脑电特征提取中的应用[期刊论文]-微机发展 2002(06)

本文读者也读过(2条)

1. 吴晓彬. 邱天爽. WU Xiao-bin. QIU Tian-shuang 基于时频分析的EEG信号分析处理方法研究进展[期刊论文]-国外医学（生物医学工程分册）2004,27(6)

2. 谢松云. 张振中. 杨金孝. 张坤. XIE Song-yun. ZHANG Zhen-zhong. YANG Jin-xiao. ZHANG Kun 脑电信号的若干处理方法研究与评价[期刊论文]-计算机仿真2007,24(2)

引证文献(5条)

1. 刘芳. 乔蕾. 张臻 基于脑电信号模式识别与采集的假肢控制系统[期刊论文]-中国组织工程研究与临床康复2008(39)

2. 丁艳. 谢松云. 程西娜 一种改进的基于陷波器的脑电消噪方法研究[期刊论文]-计算机仿真 2010(2)3. 谢宏. 刘玉霞. 金曼. 夏斌 基于DSP Builder的脑电信号小波处理[期刊论文]-电子设计工程 2009(9)4. 李明爱. 张诚. 杨金福 一种基于脑电信号的疲劳驾驶状态判断方法[期刊论文]-北京生物医学工程 2011(1)

5. 吴美云. 张桂芸. 史庆霞 脑神经功能信息学的研究进展及应用分析[期刊论文]-哈尔滨师范大学自然科学学报2012(2)

本文链接：http://d.wanfangdata.com.cn/Periodical_bjswyxgc200701027.aspx