淮南师范学院2011届本科毕业论文
5
1 前言
脑电是大脑神经元突触后电位的综合，是大脑电活动产生的电场经容积导体(由皮层、颅骨、脑膜及头皮构成)传导后在头皮上的电位分布，分为自发脑电(electro encephalon graph, EEG)和诱发电位（evoked poter，EP）两种。自发脑电是指没有特定外界刺激时大脑神经细胞自发产生的电位变化。诱发脑电是指人为地对感觉器官施加光、声、电刺激所引起的脑电位变化。多导脑电是从头皮上按照一定标准放置的多个电极处同步采集所得的。现代脑科学研究表明，多导脑电信号蕴藏多种生理现象，且能反映更多的动态信息。在EEG信号的记录过程中往往会混入非脑电活动所引起的信号，这些信号就是伪差。EEG中的伪差有很多种类型，较常见的有心电、肌电、眨眼、眼动、出汗，以及工频干扰等。伪差往往使脑电图的分析结果与参数计算产生误差，从而导致结论不准确，甚至出现错误。因此，消除伪差对于脑电信号的阅读和分析都具有重要的意义。如何从脑电中提取有用的信息是非常具有挑战性，且又很有学术价值、使用价值的研究课题。对脑电中各种源信号的分离、识别、定位是脑科学以及认知科学中的重点和难点。
2 脑电信号的研究概况和独立分量分析简介 2.1 脑电信号研究方法概述
1929年，Berger首次记录了人的脑电图.脑电图是脑神经活动的表现，因此它的信息含量很丰富。临床脑电图的分析多是脑电图专家通过目测的方法来理解和评价EEG，容易引起误差和疲劳，且使得临床上多导脑电的“数据压缩”和“特征提取”一直停留在主观处理水平上。信号的分析主要在频域和时域进行，但由于缺少关于宏观脑电活动机理的知识，脑电分析仍难以取得重大进展。目前较公认的分析方法大多建立在假设脑电图是准平稳信号的基础上，即:认为它可以分为若干段，每一段的过程基本平稳，但段上叠加着瞬态。因此对EEG的分析工作
6
基于独立分量算法的脑电信号分析
主要包括:瞬态的检测与提取、平稳段的自动划分、对每一平稳段提取特征和模式分类。
1.频域分析
频域分析方法主要是基于各频段功率谱、相干等，功率谱估计是频域分析的主要手段.对脑电信号进行功率谱估计的意义在于把幅度随时间变化的脑电信号变换为脑电功率随频率变化的谱图，从而可直观的观察到脑电节律的分布与变化情况。
谱估计法一般可分为经典方法与现代方法。典的谱估计方法就是直接按定义用有限长数据来估计。主要有两条途径：(1)先估计相关函数，再经傅里叶变换得到功率谱估计(根据维纳-辛钦定理)。(2)把功率谱和信号幅频特性的平方联系起来，即功率谱是幅频特性平方的总体均值与持续时间之比，是在持续时间趋于无限时的极限值。这两种方法存在的共同问题是估计的方差特性不好，而且估计值沿频率轴的起伏很大，数据越长越严重。
为了避免经典谱估计存在的缺点，近年来出现了各种现代谱估计技术，参数模型法是其中应用最为广泛的一种方法，在EEG信号处理中应用也较为普遍。参数模型法的优点是频率分辨率高，特别适用于短数据处理，而且谱图平滑，有利于参数的自动提取和定量分析，因此适合于对EEG作动态分析。目前在EEG分析中应用较多的是AR模型谱估计技术。由于脑电是非平稳性比较突出的信号，估计时一般要分段处理，而AR模型的谱比较适用于短数据处理，因此就更适合于对脑电作分段谱估计。但这种方法对被处理信号的线性、平稳性及信噪比要求较高，因此不适合对数据较长的EEG进行分析处理。 谱分析要求信号具有平稳的特性，所以必须要假设EEG信号是分段准平稳的。 2.时域分析
淮南师范学院2011届本科毕业论文
7
时域分析方法主要分析EEG波形的几何性质，如幅度、均值、方差、峭度等。因为其直观性强，物理意义明确，至今仍然有不少人使用。过去的EEG分析主要靠肉眼观察，可以看做是人工时域分析。
尽管大量脑电信息从频域观察比较直观，但是也有一些重要信息在时域上反映更加突出。如反癫痫信息的棘慢波，反映睡眠信息的梭型波等瞬态波形。因此时域分析在目前脑电定量化分析中同样占有重要的位置。时域分析主要是直接提取波形特征，以提供进一步的分析和诊断。如过零截点分析、直方图分析、方差分析、相关分析、峰值检测及波形参数分析、相干平均、波形识别等等，而且近年来在波形特征识别、模板识别及在自适应滤波等技术上均取得了不少进展。此外，利用AR等参数模型提取特征，也是时域分析的一种重要手段，这些特征参数可用于EEG的分类、识别和跟踪等。
3.时/频域分析方法
时、频域分析方法是通过傅里叶变换联系起来的，它们的截然分开是以信号的频域时不变特性或统计特性平稳为前提的。为了能够反映生物医学信号等非平稳信号的频域特性随时间的变化情况，工程技术上通常采用两类方法:时窗法与频窗法。但严格的说，时窗法与频窗法存在同样的问题，即时域与频域分辨率的“不确定性原理”(也称测不准原理)。越是在时域上分辨得细致，则在频域上分辨得越模糊，反之亦然。因此更合理的方法是把时/频两域结合起来表示信号。目前应用较为广泛的方法有维格纳分布(Wigner-Ville Distribution，简称WD)和小波变换理论。
近年来神经网络分析、混沌分析等方法也开始应用于EEG的分析中，代表了脑电信号现代分析方法的新进展。
可以看到，传统的分析方法一般认为脑电信号是平稳的或者准平稳的高斯分布随机信号，然而实际上脑电信号本身具有很强的非平稳随机性，同时我们所得到的脑电信号其中还有多种干扰信号的存在，这些无疑加大了脑电分析处理的难度。这些干扰信号包含一些来自人体其它器官组织产生的生物电信号，如心电
8
基于独立分量算法的脑电信号分析
伪差((ECG)、眼电伪差(EOG)和肌电干扰((EMG)等，以及一些来自外界环境的干扰信号成分，如工频干扰、身体移动造成的基线漂移以及其它仪器设备产生的电磁干扰等。因此在脑电信号处理和分析中，脑电消噪是必须首先考虑的关键问题。 理想的消噪方法要求在消除噪声干扰时不破坏脑电信号中的有用成分。然而这仅仅是一种希望而己。在众多的脑电消噪方法中一般都只能进行折衷处理，即在消除噪声的同时尽可能地保护有用的信号成分。目前一些常用的脑电消噪方法基本上是一些较传统的频域滤波方法，以及时频滤波方法等。从滤波原理上看，一般只能在有限范围内改善信噪比。而且传统方法通常不太适合处理多导信号，因此无法有效地利用和揭示存在于不同导联脑电之间的互信息。在生物医学信号处理领域，独立分量分析一直是一项非常有意义同时也非常具有挑战性的研究课题。
2.2独立分量分析简介
独立分量分析(ICA)方法是最近几年发展起来的一种新的统计方法。在观测到的信号是源信号的线性瞬时混和时，ICA方法与盲源分离方法(Blind Source Separation, BSS)是一致的，都是指在不知道源信号和传输通道参数的情况下根据输入源信号的统计特性，仅由观测信号恢复出源信号各个独立成分的过程方法,最初是用来解决“鸡尾酒会”问题的.由于主分量分析(PCA)和奇异值分解(SVD)是基于信号二阶统计特性的分析方法，其目的是用于去除信号各分量之间的相关性，因而它们主要应用于数据的压缩，ICA则是基于信号高阶统计特性的分析方法，经ICA方法分解出的各信号分量之间是相互独立的。正是因为这一特点，使ICA在信号处理领域受到了广泛的关注。
最早提出ICA概念的是Jutten和Herault,当时他们对ICA给出了一种相当简单的描述。Comon系统地分析了瞬时混和信号的盲源分离问题，并明确了独立分量分析的概念。Sejnowski和Bell基于信息理论，通过最大化输出非线性节点的熵，得出一种最大信息传输的准则函数并由此导出一种自适应盲源分离方法
淮南师范学院2011届本科毕业论文
9
(Infomax)，当该方法中非线性函数的选取逼近源信号的概率分布时可以较好地恢复出源信号。该算法只能用于源信号的峭度(kurtosisi)大于某一值的信号的盲分离，所以它对分离线性混和的语音信号非常有效。Amari和Cichocki基于信息理论利用最小互信息(Minimum Mutual Information，MMI)准则函数，得出一类前馈网络的训练算法，可以有效分离具有负峭度的源信号。Lee和Girolami基于前人的理论，提出了能同时分离具有正峭度和负峭度信号的混和信号的算法，即扩展I算法。Hyvarinen基于源信号的非高斯性测度(或峭度)，给出一类定点训练算法(fixed-point)，即FastICA算法，该类算法可以提取单个具有正或负峭度的源信号。
该技术现己在生物医学尤其在生物医学信号处理中模式识别、雷达信号处理等众多领域引起极大的关注。鉴于脑电信号的一些特点，使得ICA技术的实用价值得到了充分的体现。可以用ICA分离的混和信号要具备以下条件:(1)各源信号相互独立。(2)各源信号的混合方式是线性的。(3)最多允许有一个源信号是高斯信号。(4)源信号的数目不大于传感器的数目。对于脑电信号消噪而言，因为脑电信号是由脑皮层神经元活动产生的，而眼活动、肌肉活动、工频干扰、心电信号等通常是不受脑活动限制的，所以满足ICA可分离条件(1)。对于脑电信号，传导被认为是线性的.因此，条件((2)也可以满足。EEG信号和伪差信号严格的说都不是高斯信号，所以条件(3)也可以满足。而条件(4)通常是难以满足的，因为产生头皮脑电活动的有效信源的个数是未知的。然而，大量的实验己表明，ICA算法能精确地从脑电信号中分辨出具有相对较大的瞬时独立分量的时间过程。所以，可以使用ICA算法来分离EEG信号，而且ICA算法有很大的潜力，可能成为脑电增强及脑电特征提取的有力工具。 3 脑电信号的分类和获取方法
脑电信号分为自发脑电(EEG)和诱发电位(EP)两种。本章将介绍与脑电信号相关的基本知识，如脑电信号的分类、特点以及采集方法和原理等等。