当前位置:文档之家› 视觉诱发电位提取

视觉诱发电位提取

目录

摘要 (4)

abstract (5)

第一章前言 (6)

1.1课题研究的背景和意义 (6)

1.2课题研究概况 (6)

1.3小波分析的优势 (7)

1.4本文研究内容与结构安排 (8)

1.5总体实验流程及软件 (9)

第二章数据采集 (11)

2.1大脑各个分区功能 (11)

2.2电极帽 (11)

2.3测试环境及对象 (13)

2.4 采集设备 (14)

第三章小波分析去噪 (17)

3.1视觉诱发的电位的主要提取方法 (17)

3.2累加平均法 (17)

3.3小波分析法 (18)

3.4实验思路 (19)

3.5实验结果 (20)

3.6实验分析 (23)

第四章视觉诱发电位的识别 (25)

4.1 SVM分类器 (25)

4.2 SVM的分类器的基本原理 (25)

4.3 RBF核函数 (27)

4.4 libsvm工具箱 (27)

4.5实验过程及结果分析 (27)

第五章总结与展望 (29)

参考文献 (30)

致谢 (31)

摘要

基于瞬态视觉诱发电位在脑-机接口研究的中,通过视觉诱发电位信号的提取与识别产生脑-机接口控制信号。在强噪声环境下利用累加平均法和小波滤波提取微弱的视觉诱发电位。在小波变换域中计算特征向量,特征向量输入SVM 分类识别,判断是否为视觉诱发电位。实验结果表明,小波分析法和累加平均法相结合可以有效的去除噪声得到视觉诱发电位信号;SVM分类器识别算法可以有效识别视觉诱发电位。

关键词:视觉诱发电位;脑-机接口;小波变换;SVM分类器

abstract

Based on the transient visual evoked potential in the study of brain computer interface, the control signal of brain computer interface was produced by the extraction and recognition of visual evoked potential signal. This experiment used averaging method and wavelet filter to extract weak visual evoked potential in the strong noise environment. Feature vectors are calculated in wavelet transform domain and they are input to SVM classification, to determine whether the signals are the visual evoked potential or not. The experimental results show that the combination of wavelet analysis and the cumulative average method can effectively remove the noise and get the visual evoked potential signal;.SVM classifier recognition algorithm can effectively identify the visual evoked potential.

Key words: visual evoked potential; brain computer interface; wavelet transform; SVM classifier

第一章前言

1.1课题研究的背景和意义

诱发电位(Evoked Potentials):人体的神经中枢在受到外界的刺激后会在大脑皮层所对应的区域发生的特定和刺激有关的生物电位变化,这种生物电变化就是诱发电位[1]。自发脑电信号是人体在无刺激时头皮上能够采集到的所有电位的变化—自发脑电信号[2]。由于医学近年来的突飞猛进,关于诱发电位的各种研究也越来越多,给神经系统的病变检测提供了可靠,高效的检测方法。诱发电位是临床神经生理学在近现代取得的重大进展,可以用于帮助医生确定患者的神经系统功能是否正常,同时也可以用于检测一些神经网络的状态[3]。

视觉诱发电位(Visual Evoked Potentials,简称VEP):大脑皮层诱发电位中的一种,对脑部枕叶区上的视觉诱发电位的检测,可以准确反应视觉灵敏度,准确显示是否有病变存在于视觉通路。在临床上可以已经在应用于帕金森症火视神经压迫性病变和代谢性疾病的检测判断,VEP也能够对不能合作检查的婴幼儿进行简单高效的检测。在手术中视觉诱发电位也用于前视通路的检护,防止手术中病人出现视神经的损伤。

数据显示,自发脑电电压50μV左右,而视觉诱发电位一般较弱,电压小于25μV,所以再采集过程中很容易混入自发脑电(EEG),,影响检测数据的分析,所以传统一般采用叠加平均的方法,通过增加叠加次数取平均值,提高信号的信噪比。一般情况下想得到理想的实验结果,可能需进行几百次,乃至上千次的累加,然而过多的实验次数会导致人脑神经的疲劳和视觉诱发电位改变[4]。因此,何在少量刺激次数提高获取波形质量是近期的研究重点。

随着科技的进步与发展,计算机更加广泛的用于脑电信号的分析识别,但多数针对于研究脑电与脑机接口,对于VEP研究分类较少。在医疗中,对VEP的是否正常的判断多半通过有经验的医生进行经验判别,判别效率低准确率得不到保证。为了帮助医生预测,诊断疾病,对VEP的提取方法的研究是非常有意义的。

1.2课题研究概况

从七十年代起国外将各式滤波方式用于VEP的提取,早期是主成分分析法,AR模型,子空间法,到后来的独立分量分析法,自适应滤波,累加平均法,混

沌分析法,小波分析等[5]。为了扬长避短,提高提取的效率,已经有众多学者将多种方式相结合,能够改变单一方法的局限性。刘洋团队在使用遗传算法的同时结合独立分量分析实现了快速准确的提取诱发电位;袁建萍团队结合小波变换对信号进行分解重构去除噪声尺度实现了动态中可采集听觉诱发电位;陈亚光团队先使用子空间法去噪,再使用小波滤噪后提取诱发电位信号,提取效率是传统方式的五倍。随着信号处理技术的提高和成熟,多种提取方法的结合也在进一步改善和提高中。

1992年S.L.Swihart团队使用相互交替闪烁的三种不相同的颜色图像作为视觉刺激,分别采集色盲患者和正常人的视觉诱发电位[6]。然后先将采集到的波形与振幅做归一化的处理,并使用神经网络构筑分类器对信号进行分类,此方法可以辨别是否为色盲。2011年HubertCecotti设计在两个隐藏层之间的傅里叶快速变化组成了一种新的卷积神经网络结构。该系统优于其他很多经典神经网络,他不用网络拓扑知识或特殊的预处理在信号分类的时候,对不同的五种类型的视觉诱发电位识别准确率高达95.61%。Aysegul guven使用广义判别分析对视觉诱发电位信号进行预处理从而提升了神经疾病分类辨别的准确度,其中采用了现行判别分析(LDA),准确率93.86%;人工免疫识别系统(AIRS),准确率81.25%;C4.5决策树分类器,准确率93.75%;LM反向传播算法,准确率93.75%[7]。

伴随计算机技术愈发快速的发展和使用,含有各种生理和病理信息的脑部诱发电位的采集,提取和研究也会愈加凸显它的应用价值,愈加完善和精准的信号处理采集技术也会广泛应用在临床医学诊断与病人的医疗中。

1.3小波分析的优势

不管是在生物医学领域中的脑电,心电等信号的提取,还是大型设备状态监测,故障信号诊断时的信号获取时,都会因为噪声的干扰造成所需信号的严重变形,使获得的信号不能作为诊断依据不能实现监测诊断的功能,因此,需要先将所需信号从复杂的噪声环境中单独提取出来,才能对它的特点和属性加以利用。所以去除噪声是现实环境提取目标信号的首要任务。依据噪声环境的统计数据和频谱分析的可以得出噪声的特性:噪声的能量一般比较集中且多数存在于高频段的有限区域内。傅里叶变换在去除掺杂有白噪声的原信号时,容易出现处理噪声后的信号的噪声变化更加尖锐,信号的边沿变的更加模糊。对于提取信号的局部化特征保存困难,而小波变换具有“数学显微镜”的功能,能够较好反映信号在

不同频段的局部特点,在去除噪声的时候保留细节信息。

小波分析去噪相比于傅里叶变换有许多特性和优势:

1.低熵特性:小波系数的分散特征能够相对减弱使用小波变换信号熵的产生。2.多分辨率性:能够良好的表现信号的非平稳特性,列如断点等。

3.去相关特性:对比于在时域分析去噪时,小波分析能够有信号良好的相关特性,同时能够使采取变换后的噪声白化的特性明显。

4.小波基的多样性:小波分析能够根据信号的特性和特定的分离噪声的需求,在各种小波基函数中选择最优解[8]。

小波分析信号去噪声的方式是从含有噪声的信号X(X=y+m,m为噪声信号)变换后得到信号y的逼近信号y’,同时使得y’在特定的误差估计中为y的最优逼近。小波变换的方式属于线性变换,在去除噪时选择恰当的小波变换尺度,对含有噪的的信号先采取小波变换处理,再依据对原信号X的具体实验要求选取各个尺度下的小波系数,把噪声能量主要集中的频段去除,然后将弃除噪声后剩下的频段逆变换,重建信号,最终可以得到去噪结果。

1.4本文研究内容与结构安排

在基于脑机-接口视觉诱发电位(VEP)提取研究中,要求尽可能准确,快速的采集到VEP信号,同时要将噪声分离。为提VEP信号,需先将信号利用小波分析分解到多个尺度,分析噪声能量主要分布频段和视觉诱发电位能量主要集中频段,选取能够良好反应特性且能量相对集中的频带设计小波时频滤波器。同时运用较少次数的累加平均,以增强信号的性噪比,得到视觉诱发电位信号。

第一章:绪论,简要的介绍视觉诱发电位信号研究的背景,意义和国内外研究概况。

第二章:实验VEP数据的采集方法。

第三章:对信号进行小波分析去噪。

第四章:使用SVM分类器对去噪后的信号进行辨别,判断是否为视觉诱发电位信号。

第五章:总结与展望。

1.5总体实验流程及软件

MATLAB:是一个包含大量计算算法的集合。其拥有大量实际工作中经常用到的运算函数,能够快速的帮助使用者完成的多种多样的运算任务。并且在各种函数中采用的运算方法都是科学研究中的前沿的科研成果,并且进行了大量检验和优化。在同样的运算要求中,运用MATLAB进行编程可以大大减轻工作量,提高工作效率。MATLAB中包含大量函数集和工具包,比如矩阵,傅里叶变换,小波分析,神经网络等。

图1-1 整体实验流程图

1.先将实验采集到的数据导入matlab,进行数据处理,去除前51253个采样

点的无数据段,再将每1500个采样数据作为一个列向量的数据段。

2.已经对齐的十个数据段进行累加平均,得到初步去噪信号。

3.将初步去噪信号小波分解到七级,并画出细节信号,逼近信号。

4.去除噪声频段,提取d5,d6,d7的细节系数重构信号并绘图。

5.将采集到的数据每五段累加去并小波去噪得到的40个训练样本集信号标为1,采集40段非VEP信号作为错误样本标记为0。

6.将信号输入SVM分类器,利用RBF核函数进行识别。

7.当输入信号与视觉诱发电位信号特征相似时训练后的分类器会判定为1,反之当输入信号与非视觉诱发电位相似时,分类器会将其标零。

8.将预测值的标签与原信号的标签比对,得到预测的准确率。

第二章数据采集

2.1大脑各个分区功能

基于运动起始视觉诱发电位的脑机接口,特征为在闪烁的图像对视觉进行刺激后,脑皮层会发生与之对应的电位变化,再通过采集数各种数据,判别出与之对应的响应发送给相应的设备执行。所以要在自发脑电干扰的复杂噪声环境中提取视觉诱发电位信号需要先对大脑不同功能区进行了解,找出与视觉功能对应的区域,方便使用电极帽采集世界电位信号。

图2-1大脑皮层功能分区

根据以往研究资料表明,与视觉功能相关的为枕叶区如图2-1。当眼睛受到光线和事物运动变化的刺激时会产生视觉信号的神经冲动传输到大脑皮层的枕叶区。所以数据采集时的脑机接口应设大脑皮层该区域,使用电极帽时即为电极帽的o1,o2,o z极。

2.2电极帽

图2-2 电极帽电极分布

实验数据采集使用的设备为Brain Products公司的电极帽,该电极帽共包含六十四个通道,电极帽的电极分布如图所示。由大脑各部分功能分布可知,视觉诱发电位信号多数集中在人体后脑枕叶部分,因此实验时只用使用三个波形相似的Oz,O1,O2。由于O Z电极位于人体枕叶区中部,测量精确度最好,所以实测时一定要保证Oz的连接良好以确保测量的准确度。同时也要连接接地与参考电极,保持测量值得准确性。其他电极在本次实验中与视觉诱发电位信号没有关联,为了简化数据,不予连接。

由于脑电信号比较微弱,所以采集时为了减小大脑皮层与电极帽各个电极之间的电阻,需要仔细涂抹导电胶,导电胶涂抹的好可以将电阻减小到要求范围内,

提高采集信号的信噪比。

图2-3 涂抹前的电极

图2-4涂抹后的电极

数据作为对比组.在涂抹本次实验主要采集数据最准确的电极Oz数据,将O

2

导电胶后,Oz,O

与大脑皮层间阻抗减小达到实验要求。

2

2.3测试环境及对象

本次数据采集时,受试对象为23岁男性,视力正常无色盲等疾病。测试环境为较为昏暗,安静的实验室中,受试者主要精力要集中与面前显示屏。实验时

屏幕上会出现重复闪烁的图像刺激,300ms一次闪烁,一组十次闪烁,收集十组每组测试中间休息一分钟左右。

2.4 采集设备

脑电数据的采集根据Brain Products公司的设备(如图2-5)组成:

(1)两个32通道的信号放大器。

(2)光纤信号转换器USB Adapter。

(3)一台直流稳压电源供电

(4)一台记录数据的主机(Recorder软件)。

图2-5 设备组成

图2-6 实验调试中

使用Recorder软件进行数据记录采集过程如图所示,每1500点会标记一个

mark,以便于数据的处理分析。图2-7中为O2信号,信号干扰较大,Oz为下方信号信噪比较高。

第三章 小波分析去噪

3.1视觉诱发的电位的主要提取方法

相比于自发脑电,脑诱发电位可以提供更具体,更多的脑部信息,所以诱发电位有良好的临床研究前景,但因为在提取诱发电位信号时信号微弱,不但有较强的自发脑电还有环境噪声混杂其中严重影响提取与分辨。为了能够获得高质量低噪声的诱发电位信号本文采取传统的小波分析同时运用累加平均法进行去噪提取[9]。

3.2累加平均法

目前普遍的应用于临床诊断与研究,对受到刺激后每一次收集到的信号多次的累加加平均,一般情况下伴随累加的次数的增加,信号的信噪比会逐步增高。但需要满足条件:

(1)原信号的噪声为随机信号并且方差确定。

(2)视觉诱发信号相互不相关。

(3)每次刺激所产生的刺激与电位是时间直接锁定的。但在实际情况下,多次刺激人体感官,易发生疲劳反应,且同时有诸多外界干扰银锁,难以满足条件,因此叠加平均法有非常大的局限性。

方法:保证实验,环境和方法一致时对人体进行多次刺激同时收集每一次诱发电位,将各次收集的波形在时间轴上对齐同时累加平均。

第i 次得到信号的累加平均:

N i t n t s t r i i 3,2,1)

()()(=+= (3.1)

s(t)为视觉诱发电位信号,ni (t )表示第i 次所收集到的噪声信号,i 为所收集到信号的序号。N 次累加平均信号为:

)∑∑∑===+=N

i N i N i i i t n t s N t r N 111)()((1)(1

(3.2)

3.3小波分析法

小波分析法中,小波指的是小的波形,小为描述的是衰减性,小波变换是时间(空间)频率局部化得分析,广泛用于模式识别,奇异值检测,频域去噪等领域,通过伸缩平移运算对信号采取不同尺度的细化,以实现低频段对频率的细分,高频段对时间的细分。小波分析优点是能够将期望信号体现在少数系数上,能够把目标信号能量集中,可以在一定程度上减少噪声能量,增强最终结果的信噪比,特别适用于如脑电信号常随环境,及精神因素发生瞬态变化的信号的处理。 设m(t )是可积函数,y (t )为小波基的函数有

上式表示的时m(t)的小波变换,其中位移因子b 的值时可正可负的,a 是尺度因子要求a>0,为内积。

为尺度伸缩和小波的位移;尺度因子a 的变化会导致窗口的形状,宽窄变化,并且会使波函数的频谱构造发生变化;而随着b 的变化,能够在不同时段分析信号的成分,所以能够在时域和频域分析局部信号。不同尺度的小波变换相当于在用多个不同频段的带通滤波器对输出信号滤波 , 频带宽度会伴随着中央频率的变化而随之进行调节, 中央频率越低则其频带宽度越小 ,中央频率越高则其频带宽度越大, 能够同步分辨出出信号的低频缓变部分和高频突变部分。

信号f(x)从j 尺度到,j+1尺度逐步分解的过程

)(5.3)2(1∑-=+k d j d

j f A

n k h f A

∑-=+k

d

j j f

A n k g f D )2(1 (3.6) 设原始信号f(x)∈Vo ,即, f

A x f d 0)(= 通过逐步分 解可得到:

∑=+==j j j d d f D f A f A x f 110)( (3.7)

()(4.31ab ??? ??-=a b t a t φφ)

(3.3)(),()(1),(wt m ?>=

d 1j +A 和f D j 1+可重构f A f j 即∑∑++-+-=k k

d j d j f D k n g f A k n h f A 1j 1)2()2(上

述小波分解是一个递推分解的过程,如图,图中j A 和j D 分别表示J 尺度上分解得到的逼近信号[10]。

图3-1 小波分析示意图

3.4实验思路

提高信噪比是视觉诱发电位信号提取的核心。 一般情况下小波分析中常使用的去噪方式为阈值去噪 , 对于原始信号实行小波分解 ,然后在信号重构的同时将所小于阈值的小波系数置为0。 然而阈值去噪的方法并不适用于视觉诱发电位的去噪 , 由于视觉诱发电位的能量较小,幅值较低,远远小于自发脑电信号和环境噪声 。因此在视觉诱发电位的提取中 ,比较快速简洁的方法时把噪声主要集中的尺度丢弃,选取能够反映视觉诱发电位主要特性的几个尺度上的细节或逼近信号重构,以此来提取目标信号,去除环境噪声和自发脑电提高信噪比 。

视觉诱发电位信号(VEP )与外界刺激之间存在对应关系,实验时基本每一次刺激都会使波形产生变化。一般情况下VEP 信号与环境噪声不相关(去噪前提) 每次刺激激发的视觉诱发电位信号波形较为类似 。因而在时间轴上先对齐各次VEP 并采取累加平均处理, 能够在一定水平上改善信噪比。平均信号的波形可以在一定程度上表现VEP 的波形特点 。实验中选取的小波为正交小波 Daubechies 5阶。Db 5小波波形特征和视觉诱发电位信号相似程度较高。

3.5实验结果

图3-2 原信号(三段)

1.先对实验采集到的信号对齐如图3-2,进行10次累加平均得到初步去噪信号如图3-3

相关主题
相关文档 最新文档