关于提取结合小波包和ICA技术脑电特点提取网

摘 要： 为了判断流经人体电流达到感知电流阈值前后脑电特征是否发生变化，采用小波包和独立分量分析（ICA）技术相结合的方法，对脑电α波进行特征提取。利用小波包分解，重构相关频段信号来构造特征波参考信号，然后进行ICA分析，最终提取出脑电α信号特征波。实验证明，结合小波包和ICA技术能够有效地提取脑电信号特征波。
关键词： 小波包； 独立分量分析； 脑电信号； 特征提取
1004?373X（2013）04?0096?03
0 引 言
脑电作为一种无创的检测手段，其研究涉及神经生理学、心理学、病理生理学、认知神经科学、神经工程乃至社会心理学、信息与信号处理等诸多领域。脑电信号是一种随机性很强的非平稳信号，且具有典型的非线性特点。脑电信号节律种类多样，各种不同的情绪、心态都会影响脑电波的变化，具有很高的时变敏感性。
自从Berger于1929年发现脑电以来，人们运用了多种数字信号处理方法来对脑电信号进行研究，并取得了一定的进展[3]。其中，各种谱分析方法被广泛的应用于脑电的分析与处理中，但是，谱分析方法通常检测设信号是平稳的，单从频域角度分析并不能有效地反映脑电信号的特征。随着数字信号处理技术的不断发展，新兴的小波变换具有良好的时频局部化特性，非常适合分析非平稳信号的瞬态特性和时变特性[4?5]，但其高频段的频率分辨率较低，在小波变换基础上提出来的小波包分析对高频部分也可进行分解，能够根据信号的特征选取相应的频带进行分析，因此，小波包分析具有更高的应用价值。
独立分量分析是信

摘自：毕业论文结论范文www.udooo.com

号处理领域在20世纪90年代后期发展起来的一种全新的基于信号高阶统计量的信号处理方法。其基本含义是将多道观测信号按照统计独立的原则通过优化算法分解为若干独立成分，复现出原来的独立信源[6]。

1 小波包分解基本理论

小波分解克服了傅里叶变换的局限性，在时域和频域上都具有良好的局部化特性，它可以聚焦到对象的任意细节，可以把信号分解成多频率通道的信号，是具有多分辨率的分析方法。小波包分解是从小波分解延伸出的一种对信号更加细致的分析与重构方法[7]。小波分解是把信号分解成低频和高频两部分，在下一层分解中，又将分解出的低频部分分解成低频和高频两部分，如此类推，小波变换的频率分辨率随频率的升高而降低。小波包分解不仅对信号低频部分进行分解，对小波分解没有细分的高频部分也进行分解，并能根据被分析信号的特征，自适应地选择相应的频带，使之与信号频谱相匹配，从而提高了时频分辨率[8?10]，是比小波分解更为精细的一种分解方法。设[?（t）]为尺度函数：
根据所要提取信号的频段，选择相应的频带对应的小波分解系数，应用式（8）进行重构，就可以有目的地重构要提取的信号。

2 实验及数据分析

2.1 实验数据来源

本实验在中国人民解放军第306医院进行，受试者为6男6女，共计12人。在受试者闭目、放松的状态下开始采集脑电数据，采样频率为120 Hz。在试验中，给予受试者一定的电流刺激，当电流逐渐增大到人体感知电流阈值时，即当受试者感受到电流刺激时做下标记。为了判断当人体流过的电流达到人体感知电流阈值时，脑电特征是否发生了变化，首先就要提取出流经人体电流达到感知电流阈值前后的脑电特征。

2.2 小波包分解算法提取脑电α节律

α波是节律性脑电波中最明显的波，正常成人在清醒、安静、闭目时，脑电图由α波和快波构成，有少量θ波散在出现，不出现明显的θ波和δ波[11]。α波活动最为明显，为正常成人的基本节律。本次实验的受试者均为身体健康的正常成人，因此，只对α节律波形进行研究，对于其他节律波形则不做分析。
图1为1例400 Hz三角波信号流过人体时的脑电图，O1?A1和O2?A2是位于枕区位置的导联给出的脑电波形，由于α波在枕部优势出现，多数情况，α波及快波在左右大脑半球的相同部位大体左右对称。一般枕区α波有左右波幅差时，多为右侧波幅高，正常情况下两侧波幅差不超过20%。因此选取O2?A2区域脑电信号作为研究对象。

2.3 结合ICA的脑电α节律提取

把以上α节律频段所包含的分解节点的3路重构信号作为α波的参考信号，连同待分析信号组成4路ICA的输入信号，用FastICA算法对这4路信号进行分离，把待分析信号中的α波分离掉，得到一路几乎不含α波的信号，则此信号与待分析信号之间相差的部分就是所要提取的α波信号。如图4所示。
4.tif>图4 4路信号经FastICA分离后的结果 将输出的4路信号分别命名为IC1，IC2，IC3，I，通过观察可以看出分离后的第一路信号IC1即为待分析信号S去除α波的信号。将待分析信号S分别与分离后的4路输出信号相关，得到如下的相关系数表。
从表1中可以看出，IC1与待分析信号S的相关系数的绝对值远大于其他信号，因此可以判断IC1即为去除α波的脑电信号，证明了分离结果的正确。
由于ICA方法的不确定性，分离结果存在幅度和相位的不确定性，待分析信号S与IC1之间幅度的倍数关系r可表示为：
从图5中可以看出，α波特征相比于图3中最初提取的α波在总体上得到了明显的加强。对两次提取的α波信号做功率谱分析，如图6所示，可以看出，在α波频率范围内（8～13 Hz）的信号特征得到了一定的增强。对试验获得的967组数据进行α波特征提取，其中958例数据提取出的α波信号特征都得到了不同程度的增强，占全部数据的99%。

3 结 语

本文结合了小波包分解和独立分量分析的方法进行α波的提取，在利用小波包分解，然后分别重构相关频段信号来构造α波参考信号进行ICA分析，最终提取出α波。从实际应用结果可以看出，这种方法用来提取脑电信号的α波是有效的，两者的结合为脑电信号的特征提取提供的新思路，也为判断流经人体电流达到感知电流阈值前后脑电特征的变化打下了基础。
参考文献
吴坚.独立分量分析在脑电信号处理中的应用[D].西安：长安大学，2009.
李颖洁，朱贻盛，王继红.脑电波分析在精神病诊断中的应用[J].北京生物医学工程，2000，19（4）：244?248.
[3] 李勇.脑电信号现代分析方法的发展[J].国外生物医学工程分册，1996，19（4）：199?202.
[4] THOR N V， GUO X R， SUN Y C， et al. Multiresolution welet analysis of evoked potentials [J]. IEEE Transactions on Biomedical Engineering， 1993， 40（11）： 1085?1094.
[5] 罗志增，李亚飞，孟明，等.脑电信号的混沌分析和小波包变换特征提取算法[J].仪器仪表学报，2011，31（1）：33?39.
[6] 黄日辉，李霆，阜艳，等.诱发脑电提取方法的进展研究[J].现代电子技术，2008，31（22）：139?141.
[7] 王玲.基于小波包变换的表面肌电信号模式识别[J].现代电子技术，2011，34（17）：122?124.
[8] 张德丰.Matlab小波分析[M].北京：机械工业出版社，2009.
[9] 徐宝国，宋爱国.基于小波包变换和聚类分析的脑电信号识别方法[J].仪器仪表学报，2009，29（1）：25?28.
[10] 王浩，刘冲，王宏.基于小波变换的脑电特征信号自动监测方法[J].仪器仪表学报，2005，25（8）：4?5.
[11] 大熊辉雄.脑电图判读step by step 入门篇[M].北京：科学出版社，2001.