小波和主分量分析方法研究思维脑电.pdf

《小波和主分量分析方法研究思维脑电.pdf》由会员分享，可在线阅读，更多相关《小波和主分量分析方法研究思维脑电.pdf（5页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、生物物理学报第十九卷第四期二o0 三年十二月A C T Am O P H Y S I C AS 矾I C AV 胡1 9N o 4D 佻2 0 小波和主分量分析方法研究思维脑电刘大路1，江朝晖1，冯焕清，王涛：(1 中国科学技术大学电子科技系，合肥2 3 0 0 2 6；2 美国u I c 大学生物医学工程系6 0 6 0 7摘要：研究自发脑电和思维活动的关系利用小波和主分量分析结合的w P c A 算法对不同思维任务记录的六导脑电进行处理，并对思维特征的烦谱能量和变化率等多指标进行综合分析和计算。结果表明w P c A 算法不仅可实现噪声的去除，而且能提高主分量的贡献率，降低输八矢量的堆敷对

2、脑电主分量的分析揭示了脯电与思雏个体、思维种类、复杂度以及注意力的联系，思雏任务的神经网络分类蛄幂验证了w P c A 方法研究脑电和思维的有效性，为进一步理解认知和思维过程，实现对恩堆的定位和分类提供了依据。关键词：思维脑电；主分量分析：小泣分析：w P c A 方法：B P 神经网络中图分类号：Q“1 引言自发脑电信号(E E G)包含了大脑皮层神经活动的信息，其中蕴含着包括思维、情感、精神以及心理等活动的丰富内容，深入研究E E o 对于了解认知和思维过程，揭示大脑工作机理具有重要意义。思维脑电是个体在进行不同心理作业时记录的E E G，思维脑电的分析吸引了国际上许多学者，主要是对不同导

3、联、不同心理作业的时间序列信号进行处理，利用频谱分析和相关模型(如A R模型、神经网络模型等)来寻找思维过程中的独立特征并对它们分类f。研究的阶段性成果可被应用于脑机接口设计、精神负荷评估等。主分量分析法(p 血c i p a lc o m p o n e ta n a l y s i s，P C A)是处理多路序列信号的常用方法，但由于E E G 信号的频谱复杂性和噪声及工频干扰，使得主分量在能量的集中性上受到限制。本文使用了一种针对E E G 信号进行小波分解去噪、并对小波重构信号进行主分量分析的方法。在此基础上对各种思维主分量进行多指标(如0、d、B 舡等)计算分析，并提取某些特征，进一

4、步对思维活动进行神经网络分类和识别，揭示了E E G 与思维个体及不同思维任务之间的联系。2 数据及其处理(v i s u a lc 0 岫t i l l g)、三维旋转(6 9 l I r er o 伽o n)。电极位置为c 3、c 4、P 3、P 4、0 I、0 2，采样频率2 5 0 I z，每组数据时间长度为l os，共7 位实验个体3 2 5 组数据。原始多导E E G 信号的能量分布较为分散，因此需要在包含信号原有信息的前提下，尽量减少待分析的序列矢量的个数，使信号能量集中分布到一个或几个分量中。本文采取了主分量分析方法，主分量分析法的原理是通过线性变换L 将原信号矩阵x 变换到一

5、正交坐标系中，使得y _ 也7 X，其协方差满足：C D v 舻n k E v 正i A(1)对上式左乘L 可得：C b vE 或d(2)c D u 为矩阵x 的协方差，因此，A=d i 8 9 队。，：，A J 为x 协方差矩阵的特征根，工=陋。厶，纠为对应的特征矢量组成的矩阵，即为所求的变换矩阵。设A。：A。O，此时矩阵X 可展开为罄也l，=。E，“称为第一主分量，如称为l；l第二主分量，以此类推。对应的特征值A(扛l)与特征值总和的比值A，艺A 称为主分量的贡献l 一1率，表征该分量代表原始信号能量的百分比。根脑电实验数据来源于美国c o l o r a d o 州立大收稿日期：2 0

6、0 3-1 0学吼五种思维类型分别为放松(b 镐e l i n c)、打基金项目：中国科学技术大学青年基金项目o(B 2 5 0 8)腹信(r)、两位数乘(m a t h)、数字擦除重绘通讯作誊刘大路-电话：(0 5 5 1)3 6 0 1 8 0 0 E 删1：7 8 妇m 万方数据4 1 6生物物理学报2 0 0 3 年_ _ _ _-_-_ _ _ _ _ _-_ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _-_ _ _-_ _ _ _ 一据需要可选取主分量的个数，一般要求贡献累计率不小于8 5 月。使用主分量分析法对六路思维脑电进行处理，如

7、对o b j e c t1、m a t h 思维的第一组数据处理，得到六个主分量的贡献率分别为5 6 7 5、2 0 6 4、8 8 1、7“、3 4 2 和2 7 4。前三个主分量的贡献率和仅为8 6，2，根据累积贡献率原则，还需至少选取前三个主分量进行分析，待分析的分量个数仍较多，不利于后续处理。而且对主分量进行频谱分析，存在一定的6 0f I z 工频和其他噪声干扰。分析E E G 的频率特性和思维特点，低频的8波能量较大，但是对于分析思维特征关联很小，可以忽略而高频的干扰和噪声较强，这样就使得有意义的变化和能量相对减弱，从而导致了各分量贡献率较为分散。小波分析在去噪和时频处理上有着良好

8、的性能和灵活性，因此本文采取了小波和主分量结合分析方法(w P C A)。即首先对信号正交小波分解并软阈值去噪，对去噪后的信号进行选择重构，提取感兴趣的o、a 和B 等频段“一3 2f k)，再进行P C A 分析。处理过程用图1 表示。H g 1F l o wc h a no f W P C Am e l h O d实验中，我们采用滤波器长度为8 的D a u b e c h i e s 紧支撑正交小波，对每一导联E E G 数据进行层分解，得到小波分解结构 d。c D 白，e D l ，并对高频小波分解系数根据D(m o h o 的公式【1 进行软阈值消噪处理，可用M a t l a b

9、工具箱中的d d e n c m p 和w d c m p 函数实现。对信号进行小波软阈值去噪后，利用新的小波分解系数进行信号重组。考虑到脑电信号的特征，我们选取陋D，吐U 作为选择重构的小波分解系数。这样，感兴趣的频带范围的信号得到增强，而其他不相关频段以及噪声和工频干扰则基本被消除。对重组后的信号再经过P C A 分析，此时第一主分量的贡献率已经为9 6 7 4，与重组前的结果相比，信号的能量已经基本集中到一个主分量中，需要处理的主分量个数将由3 个变为1 个，使得待分析的矢量维数大大降低。3 思维脑电特性分析按照带宽的不同，E E G 信号主要可分为8(O 5 3 比)、e 7m)、a(

10、8 一1 2 比)和B(B 一、9：，1 3 3 0H 曲几个频段，其中0、d、B 波段和思维活动关联较大，具有一定的生理及心理意义懈，本研究的目的就是寻找思维活动的改变对这几种分量的影响。经过W P C A 分析，对于每一种思维任务，我们得到了包含大部分思维能量的一个主分量的时间序列。然后采用多个指标对这些时间序列进行分析，包括O、“、B，、B：频段的能量以及B 血、B“叶0)等。实验中我们采取计算A R 谱的方法估计相应频段的功率谱密度(P s D)，对得到的主分量数据进行A R 建模，其中n。为第f 个A R 系数：口j(垆皿瓤。一i)计算p s D 的数据长度设置为1s(2 5 0 点

11、)，移动窗设置为O 1s(2 5 点)，A R 阶数取6，利用B u r g 法建立A R 模型，计算相应频段的功率谱密度。并对P s D 值作ls 时长平滑，这样对于每一种思维任务主分量的1 0s 数据共可得到1 0 组指标的数值和变化。表1 所示为实验开始记录的第1秒，脑电数据各频段的功率谱密度值在个体的分布情况。由表l 可以看到，s u b j c c tl(k m h d e d)的五组实验的基本频段中，e 波分布占据大部分的脑电能量分布，而s u b j e c t2(r i g h t _ h d e d)则主要以d分布为主，其余几组r i g h I-h a n d e d 的受

12、试者也有同样的分布规律。这种脑电频段能量分布的不同说明脑电在个体分布存在差异，左右手习惯对脑电分布有很大的影响。对脑电频段的p s D 进一步分析，还可以得到思维任务对脑电分布特点和变化趋势的影响。图2 所示为s u b j e c t 2 的五组思维类型下的0 波的变化曲线，其他受试者的情况也较为相似。由图2 的e 波能量及其变化曲线可以看出，万方数据1 岫lP S D D i 蚵b I I t i o no f 咖响E E G b 锄d(S u b j e c t lv e r m s s u b j c c t 2)B a n dP s D V a l (州o f s 蛔c c t l0

13、 曲_ b 柚d e d)P s D 词u e m v 勺0 f s 删e c t2(d 曲t h a I l d 呻B 勰eM a l h龇rR o【a t eC n m tB a M a 山L e a c rR 0 t a t eC o 岫t!L 塑竺!：墅!竺：翌!：竺堕!：!垄!竺：!兰塑!：竺垫!兰：望塑!：塑堕!：!丝乱一产享f 队罨譬I吾。l=2 墓。l 之L L 譬L n 蛋2V 撕e 1)r o f 口曲哪油矗v e I 珊n 掘l 拄啦l(s o f s u b j t 2 B 8 s e：田)M a 出；(q k c c。R o 协t i o n；回c D H n g在五

14、种思维状态中，二位数乘法心算(m 山)下O 波能量的绝对值相对最大。开始阶段，除了放松状态哂e)呈下降趋势。其他四种思维(m a m、1 e n e r、c o 蛐n g、删撕o n)的O 波能量都有一定程度的上升，但是幅度较小。由于e 波和任务难度及工作量相关，因此可以推断出，思维任务的过程会引起0 波的增加，而在这五种思维任务中，心算二位数相乘的作业困难度和复杂性最高，记忆量和大脑工作强度较大。研究B 波变化曲线，我们发现开始阶段四种思维任务的B 波都出现迅速的增长。这和任务开始试验者警觉性提高有关。B 波的变化对于思维任务起始的定位会有较大的帮助。而在B m 的比值中r o l 撕0 n

15、 和c o 叫t i n 2 思维的幅值相对较大。比较上述指标的意义，可以初步得出，数字运算等抽象思维的复杂性和困难度较高，而三维旋转等形象思维在注意力、参与性等方面反应较强。对w P C A 的主分量的研究有助于了解思维的特性和大脑的活动。为了进步分析主分量和思维任务特性之间的联系，我们使用了三层B P 神经网络对五种思维任务进行分类，神经网络的输入为思维主分量的0、q、岛、&频段的能量以及B 舡、M+e)比值共6 个神经元，隐含层为1 0 个神经元，输出层为5 个神经元。网络的隐层和输出层的传递函数均为s i g m o i d 函数，输入样本为s u b i e c t l 的五种思维数

16、据，每种思维任务1 0 次试验，共5 0 0 组输入矢量。训练样本为输入样本总数的8 5，余下的1 5 作为测试。从神经网络分类的结果看，m a t l l 思维和c o l l n 幽g 思维分类效果较好，分别为9 3 3 和8 0。r o t 娟o n 和l e n e r 则较低，只有5 0 左右。图3 是一次c o l l n 血g 试验的测试结果，在试验的后期(8s 以后)，神经网络的分类出现了误判，而且在几组测试中，多误判为m a 血，由此可见c o u n t i n g 试验在一定条件下和m a 血试验具有相似的性质，这和两种实验都涉及到数字有一定关系，而且随着任务的进行，这种

17、抽象思维的特征更为明显，任务的复杂度增加，误判为m a m 的概率就会相应增大。由神经网络初步分类的结果看，w P c A 方法可以实现对某些思维任务的正确分类(如m a t h 思维和c o l t i n g 思维)，并且反映出思维任务之间的联系和差别，具有一定的应用价值。万方数据兰!一竺竺竺竺兰苎!竺竺1至012345，、6789l O嘲F i g 3a a s s i 丘c 嘶o nr e 汕o fB P N N 岫d 盯咄c 蜘m 右n g娥n e x m 蛐m e 岫血e j n t h c1 0sc 喊e x p c r i m e 吣N N地g u hm e 娜血ec O n

18、e s p d i n gc l 删丘c a d V a l u e1m e 蛐t h ec 饥r c c t 礴u no f t h i st a 8 k蚰d0 b n o I H e 他，N Nr e 础m i g t a k e s 硼t 协s k 鹕m a ma f b e r 8s4 结论本文通过采用基于小波去噪和重构的主分量分析方法，对五种思维任务的多组实验所产生的思维脑电信号进行分析，在此基础上进一步对脑电各频段的功率谱密度和变化率等进行分析和统计，并通过分析思维任务的神经网络分类结果，研究了思维E E G 和个体以及与思维的种类、复杂度、注意力和活动区等方面的联系，获得了一些有

19、意义的特征指标，对于进一步研究思维的特征和过程，并对思维进行定位和分类都有很大的帮助。由于思维活动和E E G 的复杂性，还需要进一步寻找思维过程的独立分量和特征，并进行有效的思维建模和分类。参考文献：11酬匀p m hsN 叽一l i n 唧p n D c l p dc 0 山l，o n e n t 舭m”i s 粕dc k s i 乱8 呦髓Gd u n gm t a lt a&k sM 时sD i 咖d 珑衄咖fo fc o m p u 甜蹦曲呜c o l o r a d oS 缸eu n i v 口矗吼1 9 9 6口】A n d e 啪nc。s 协kE，s h 皿g u n d e

20、rsM 山d 咖帅枷r e s s i v em o d d s 缸c 蛐c 撕仙o fs p o I 姗胂呻E E 0d u d 站m 曲l a l乜B h 腿口n 册，1 9 9 8，4 5(3)：2 7 7 2 8 6【3】P 咖_ B O，P 缸汹d h G，F l y v b j e f g H A 呲a m 枷cd i 瑚册6 出o no f 眦岫c h 锄e l 既G 酊驴m s 腰髓n 叫咖姗2 0 0 l，4 8(1)：1 1 1 1 1 6f 4】d e IR 埘如上M 衄证o F r 眦钟Mc 缸c o t c iF，V 珊组MH e i“【o 枷 B a 蛐o n iF

21、A l o c 缸岫ld a 站i 缸盯南r t l l ec o 弘m o fE E Gp a n e m s 器d a o e dt 0m e n“t a 出腰髓舳u 帆2 0 0 2，1 3(3)=6 7“B 6【5】h 却：w 吼c 8 l 舾t a t e 烈叫叫m d e n m 山馏蚓【6】c h 锄b h o d ac，J e p 0 0 nAs p 孵eP c Ae x 廿a c i n g 皿d 6 一s c a l e髓d u 蛔Id 啦P I 佻8 m E E 佃插m 蚰0 n a lo 咖矗埔n c eo n呷u t 盯v i s i o n V 鼬u v 盯，B d

22、 s hC o l 啪b 讯o m a d 丑：匝E EC】p u 竹s o c i c 廿，2 1：“I 嘲7【7 1D D D 0 h 0D L D 纠1 0 i B i n gb y 如俳咖_ e s h o l d 缸g 衄丹帆，钟I 如哪o nrr 班_ r c 帆订一、一y1 9 9 5 4 1(3)：6 1 3 缶2 7f 8 n e 蛹。吖o f 凹础印h 蜘o l o g i c a lm l m 衙i P J d 丑ga d a 州v e 怔曲n o l o 科N A s A 肿_ 2 l-2 1 1 0 1 8M E N T A I E E GA N A L Y S 要S

23、U S q GW A V E L E TT R A N s】酣)豳A N D删a 哩!A LC O M P 0 量砸p i TA N A I 汀S 强删D a 1 u 1，J I A N 0 2 西h I I i l，F E N G H 咖_ q i n 9 1，W A N G T 幻2m 巩即砌枷r。，E k 加胁f 饥c P 乃幽坩如肼啪性坩毋盯&妇n 埘积dn 妇蛔盯吼帆H I 毋f 朋。n 2 6 凸加“2 帆作咖盯砌打耐c l 咖嬲A，6 伽7)A h 白m c t：T o 唧l o r et h e 删o n s h j pk 蚋忙e n 印o n t 柚e o l l s 壬陋G

24、 柚dc o 础i v ct 髂k s A na l 鲥t h mc a l l e dw P c A w h i c hj sb a s c d 衄w a v e l e l 咖s 蛐a n d 埘n c i p a lc 响p o n 曲t 船a l 徊s c A)，w a sl l s e dt op r o c e 船m es i)【c h 珊e lE E G T h ei n d i c 船o fs p e c h me n e r g y 趾dv a r i 蚰o nr a t ew e r cc a l c u I a 埘，a n a l y 龃d 趾ds 眦d T h er e

25、 s I l l ts h o、st h a tt h ep r o p o s e dW P C Aa l g o 血h n In o to 1 yh 髂ag o o dc h 龃a c 钯ri nn o i s er e m d v i n 舀b u ta l i I lc 锄舡a 1 场n gt h ec 咖叩。枷t 盯g y 锄dd e c r e 嬲i n gt h ed a t ad i m e 璐i o n T h e 锄a I y s i so fE E Gc 伽叩o n e I l tr e v c a l e dl h e 佗l 撕o n s h i pb e t w 嘲j

26、 n d i“d u a l 髓Ga n dt h e 枷It a s k s l【j n d s，c 呦p k x i 妙趾da t 锄i o n T h e 托s I l l to f t h eN Nc i a 瞄i 虹c“o ns h o w st h ee 伍c i e m y0 f t h ew P c Am e m o d T h er e s e a r c hi sa p p l i c a b l et ol o c a i i 所知dc l 船s i 母t h ec o 掣曲v e t a s k s 锄d t og n l d y t h e m t a l 如n c

27、6 0 n K e yw o r 出：M 钮t a l 脚；P r j c i p a lc o m】眇n t 锄l y s i s A)；w 锺v e l e t 锄a l”i s；w P c Aa 1 9 0 r i 血m；B P n e 咐l n 曲v o r k 饵P N N)万方数据小波和主分量分析方法研究思维脑电小波和主分量分析方法研究思维脑电作者：刘大路，江朝晖，冯焕清，王涛作者单位：刘大路,江朝晖,冯焕清(中国科学技术大学电子科技系,合肥,230026)，王涛(美国UIC大学生物医学工程系,60607)刊名：生物物理学报英文刊名：ACTA BIOPHYSICA SINICA年，

28、卷(期)：2003,19(4)被引用次数：10次 参考文献(8条)参考文献(8条)1.查看详情2.del R Millan J;Mourino J;Franze M A local neural classifier for the recognition of EEG patternsassociated to mental tasks外文期刊 2002(03)3.Peters BO;Pfurtscheller G;Flyvbjerg H Automatic differentiation of multichannel EEG signals外文期刊 2001(01)4.The effic

29、acy of psychophysiological measures for implementing adaptive technology.NASA/TP-2001-211018 20015.Donoho DL De-noising by soft-thresholding外文期刊 1995(03)6.Chennubhotla C;Jepson A Sparse PCA extracting multi-scale structure from data外文会议 20017.Anderson C;Stolz E;Shamsunder S Multivariate autoregressi

30、ve models for classification ofspontaneous EEG during mental tasks外文期刊 1998(03)8.Devulapalla S Non-linear principal component analysis and classification EEG during mental tasks1996 引证文献(10条)引证文献(10条)1.张垒 基于神经网络的睡眠脑电病理波自动识别系统研究期刊论文-软件导刊 2010(6)2.黄小娜.石砚 脑电EEG信号的分析方法期刊论文-甘肃科技 2010(9)3.周百新.梁忠诚.赵阳.王蔚.赵新

31、红 EMD及其在脑电分析中的应用研究期刊论文-南京师范大学学报（工程技术版）2007(1)4.江朝晖.高翠云.冯焕清 脑电近似熵分析的思维分类识别期刊论文-应用科学学报 2006(4)5.王浩.刘冲.王宏 基于小波变换的脑电特征信号自动检测方法期刊论文-仪器仪表学报 2005(z2)6.王浩.刘冲.王宏 基于小波变换的脑电特征信号自动检测方法期刊论文-仪器仪表学报 2005(8)7.赵浩 独立分量分析在医学信号处理中的应用学位论文硕士 20058.杨金奎 基于脑电源定位的信号预处理方法研究学位论文硕士 20059.王浩 脑电特征信号自动提取与识别方法的研究学位论文硕士 200510.张贯忠 脑电伪迹去除与生物电睡眠特征提取学位论文硕士 2005 本文链接：http:/