何艷，孫庶芳，楊帆

貴州醫(yī)科大學(xué) 生物與工程學(xué)院，貴州貴陽 550004

基于MATLAB的腦電信號批處理系統(tǒng)設(shè)計

何艷，孫庶芳，楊帆

貴州醫(yī)科大學(xué) 生物與工程學(xué)院，貴州貴陽 550004

本文基于MATLAB平臺設(shè)計和開發(fā)了腦電信號處理系統(tǒng)，該系統(tǒng)包括預(yù)處理和信號分析，引入快速獨立成分分析（ICA）去除信號偽跡，實現(xiàn)了工頻干擾去除、小波消噪、分頻濾波等預(yù)處理功能。信號分析包括基于傅里葉變換的功率譜分析及奇異點檢測，并且利用真實腦電信號檢驗系統(tǒng)性能，該工具箱能夠完成相關(guān)功能，并能提供良好的圖形用戶界面系統(tǒng)進行人機交互，為深入研究大腦功能提供了技術(shù)支持。

腦電信號；獨立成分分析；奇異點檢測；分頻濾波；小波去噪

0 引言

大腦是一個復(fù)雜解剖結(jié)構(gòu)器官，區(qū)域間的功能性相互作用更為復(fù)雜，人腦約含有1010個神經(jīng)元，每個神經(jīng)元與大約1000個其他神經(jīng)元相連接，神經(jīng)元之間的信息傳遞和交換依賴于神經(jīng)元電活動傳遞。神經(jīng)電活動是大腦信息處理的基礎(chǔ)，大腦功能的順利實現(xiàn)依賴于各腦區(qū)之間電信息傳遞[1]。腦電信號預(yù)處理和分析一直是人們深入研究的問題，實質(zhì)就是信號的特征提取和模式識別分類，它把從使用者記錄來的腦電輸入信號轉(zhuǎn)換為控制外界裝置的輸出信號。隨著信號處理技術(shù)的進一步發(fā)展，出現(xiàn)了經(jīng)典的 時頻域分析方法，現(xiàn)今時頻域中能夠?qū)δX電信號進行分析處理的方法有許多，如利用特定頻帶的功率譜、自回歸模型系數(shù)、小波系數(shù)和雙譜估計以及小波變換方法等。時域方法主要是分析波形的幾何性質(zhì)，例如幅度、均值、方差、峭度等，頻域分析方法則主要是基于各頻段功率[2]。目前有多種識別與分類算法，例如線性識別分類方法、學(xué)習(xí)矢量量化神經(jīng)網(wǎng)絡(luò)、自適應(yīng)高斯表達算法、差異敏感型學(xué)習(xí)向量量化器、神經(jīng)網(wǎng)絡(luò)等。

1997年，首席EEGLAB開發(fā)人員Arnaud Delorme和Scott Makeig在網(wǎng)上發(fā)布了第一個EEGLAB工具箱。EEGLAB是一個互動的MATLAB工具箱，用來處理連續(xù)與事件相關(guān)的腦電圖[3]，在處理大腦數(shù)據(jù)時可以使用獨立分量分析（Independent Component Analaysis，ICA）時間/頻率特性。由德雷克塞爾大學(xué)Hualou Liang博士、佛羅里達大西洋大學(xué)博士Steven Bressler和Mingzhou Ding博士共同研發(fā)的BSMART工具包在2008年問世[4]。BSMART可以應(yīng)用于各種各樣的神經(jīng)電磁現(xiàn)象，包括腦電圖（Electroencephalogram，EEG）、腦磁圖（Magnetoencephalography，MEG）和功能磁共振成像數(shù)據(jù)。BSMART工具包的一個獨特的特征就是格蘭杰因果關(guān)系，可以用來評估影響多個神經(jīng)信號中的因果影響。2010年，由Bin He博士指導(dǎo)，明尼蘇達大學(xué)生物醫(yī)學(xué)功能成像和神經(jīng)工程學(xué)實驗室研發(fā)了用于分析大腦連接性的eConnectome[5]，它是一個MATLAB軟件工具包，可提供交互式圖形界面實現(xiàn)大腦連接分析。HERMES用于分析時間序列的相互依賴性，進而揭示對應(yīng)動態(tài)系統(tǒng)的特征分析，目前被廣泛用于大腦功能分析[6]。Kruschwitz et al[7]將圖論引入大腦功能分析，G?ttlich et al[8]著重于事件相關(guān)功能連接性分析。

腦電信號反映了大腦的生理狀態(tài)，其中包含了豐富的神經(jīng)活動信息，隨著腦電測量技術(shù)的發(fā)展，獲得的信息也愈來愈豐富，但是同時所獲取的腦電信號中夾雜的干擾信號也愈來愈復(fù)雜。這些復(fù)雜的干擾信號，如常見的心電、眼電、肌電、呼吸波等，造成了對腦電信號的預(yù)處理和分析的要求也越來越高。如何更加有效的處理腦電信號成了研究的熱門。

1 材料與方法

MATLAB具有功能非常強大、運算效率很高的優(yōu)點。MATLAB主要是由C語言編寫成的，它采用LAPACK為底層支持軟件包，它的矩陣運算精確度達到了10～15，它還有代碼可讀性好、移植性好、可以繪制2D和3D甚至是動態(tài)的圖形的優(yōu)點，被譽為“第四代”計算機語言[9]。MATLAB把數(shù)據(jù)結(jié)構(gòu)、編程特性以及圖形界面完美地結(jié)合到了一起，為用戶提供了極大的方便。依據(jù)MATLAB的這些特點，本文著力于開發(fā)一個對腦電信號進行批處理的工具箱。其中利用小波分析工具包對腦電信號進行消噪處理[10-11]，利用數(shù)字濾波器設(shè)計去除腦電信號的工頻干擾并實現(xiàn)腦電信號分頻濾波，可以將多頻率組分的原始EEG信號分解為δ(0.5～4 Hz)、θ(4～8 Hz)、α(8～13 Hz)、β(13～30 Hz)、γ(30～50 Hz)等數(shù)個子頻帶信號，基于傅里葉變換的功率譜分析和奇異值檢測將作為工具箱中的EEG信號處理功能。

2 工具箱設(shè)計與實現(xiàn)

本文設(shè)計的MATLAB圖形用戶界面（Graphical User Interface，GUI）工具包的功能主要是集腦電信號預(yù)處理和分析于一體，其中預(yù)處理有工頻干擾去除、小波消噪、快速獨立成分分析（Independent Component Analysis，ICA）偽跡去除及分頻濾波，而分析主要有腦電信號的功率譜估計和奇異點檢測。工具箱的功能設(shè)計基本包含其信號處理流程及主要功能，見圖1。

2.1 菜單欄“文件”功能

本模塊的功能主要是輸入腦電信號，對處理的腦電信號進行保存，還可以進行打印預(yù)覽和打印等功能。子菜單包括數(shù)據(jù)導(dǎo)入、數(shù)據(jù)保存、數(shù)據(jù)打印預(yù)覽、數(shù)據(jù)打印和軟件退出。

圖1 工具箱功能設(shè)計示意圖

2.2 菜單欄“plot”功能

本模塊的功能主要是對輸入的腦電信號進行二維繪圖和集體進行小波消噪并且顯示出來。包括“ploteeg”、“小波消噪集體顯示”。

2.3 菜單欄“預(yù)處理工具”功能

“預(yù)處理工具”模塊主要是對輸入的腦電信號做一些預(yù)處理，如小波消噪、去除工頻干擾等。子菜單包括采樣率輸入、工頻干擾去除、小波消噪、分頻濾波和FASTICA工具利用。分頻濾波可以將大腦腦電信號分為多個頻率波段的節(jié)律信號，如δ（0.5～4 Hz），θ（4～7 Hz），α（8～12 Hz），β（13～30 Hz），γ（30～70 Hz）。

2.4 菜單欄“分析工具”功能

本模塊的功能主要是對預(yù)處理后的腦電信號進行分析，包括功率譜估計和奇異點檢測。

2.5 系統(tǒng)功能檢驗

為了對系統(tǒng)進行功能檢驗，引入真實的人體植入式電極EEG信號，該信號記錄的是癲癇疾病發(fā)作過程中的顱內(nèi)電活動，其采樣率為256 Hz，每組EEG數(shù)據(jù)包含6個通道的EEG信號。原始信號中的工頻干擾利用工具箱中的工頻濾波處理后干擾被順利消除，見圖2；基于極大極小閾值的去噪結(jié)果見圖3，可以發(fā)現(xiàn)該方法較好地實現(xiàn)了消噪；偽跡是EEG中常見的干擾誤差，基于快速ICA方法的EEG偽跡預(yù)處理結(jié)果，見圖4；奇異值檢測結(jié)果見圖5，與癲癇發(fā)作時間基本一致。

圖2 工頻濾波前后功率譜對比圖

圖3 極大極小閾值消噪結(jié)果

圖4 基于快速ICA的腦電信號偽跡預(yù)處理

圖5 基于奇異點檢測的腦電信號分析

3 討論

腦電信號強度微弱，在采集過程中容易引入干擾信號。隨著腦計劃研究的開展，基于腦電信號的大腦功能監(jiān)測與研究將會發(fā)揮更加重要的作用。本文以MATLAB為平臺開發(fā)出一套EEG信號預(yù)處理與分析系統(tǒng)，在開發(fā)和實現(xiàn)的過程中，利用真實的人體EEG信號進行檢驗，結(jié)果發(fā)現(xiàn)本工具箱能快速高效地實現(xiàn)信號的預(yù)處理和基本分析，本系統(tǒng)的設(shè)計為后續(xù)進一步開發(fā)出多功能的EEG信號處理工具箱提供了較好的基礎(chǔ)和應(yīng)用前景。下一步的工作將集中研究大腦功能連接分析的系統(tǒng)開發(fā)設(shè)計與實現(xiàn)，為系統(tǒng)化、全面化分析和處理腦電信號提供可靠工具。

4 結(jié)論

在21世紀(jì)，人類對于疾病的探索將把大腦狀態(tài)和人體功能實現(xiàn)聯(lián)系起來，人類的病痛、行為、思想等都可以通過大腦活動來探知，大腦的研究已經(jīng)成為當(dāng)前研究的熱點和難點，本文的研究將為腦功能深入分析與研究奠定基礎(chǔ)。

本文簡要介紹了EEG信號處理與分析工具箱的研究發(fā)展，腦電信的預(yù)處理和分析基本方法，以及工具箱的開發(fā)與系統(tǒng)設(shè)計框架。其中預(yù)處理包括工頻干擾去除、小波消噪、分頻濾波和快速ICA實現(xiàn)，信號分析方法包括功率譜估計和腦電信號奇異點檢測。最后利用EEG信號進行系統(tǒng)功能檢驗，結(jié)果顯 示該工具箱能成功實現(xiàn)相關(guān)功能，并能提供良好的GUI界面系統(tǒng)進行人機交互。

[1] Joundi RA,Brittain JS,Green AL,et al.High-frequency stimulation of the subthalamic nucleus selectively decreases central variance of rhythmic finger tapping in Parkinson’s disease[J].Neuropsychologia,2012,50(10):2460-2466.

[2] 畢路拯,張然,高原.基于認(rèn)知任務(wù)的腦機接口方法研究[J].計算機工程,2007,33(l):190-192.

[3] Delorme A,Makeig S.EEGLAB: an open source toolbox for analysis of single-trial EEG dynamics including independent component analysis[J].J Neurosci Methods,2004,134(1):9-21.

[4] Cui J,Xu L,Bressler SL,et al.H.BSMART: a Matlab/C toolbox for analysis of multichannel neural time series[J].Neural Netw,2008,21(8):1094-1104.

[5] He B,Dai Y,Astolfi L,et al.eConnectome: A MATLAB toolbox for mapping and imaging of brain functional connectivity[J].J Neurosci Methods,2011,195(2):261-269.

[6] Niso G,Bru?a R,Pereda E,et al.HERMES: towards an integrated toolbox to characterize functional and effective brain connectivity[J].Neuroinformatics,2013,11(4):405-434.

[7] Kruschwitz JD,List D,Waller L,et al.GraphVar: a user-friendly toolbox for comprehensive graph analyses of functional brain connectivity[J].J Neurosci Methods,2015,245:107-115.

[8] G?ttlich M,Beyer F,Kr?mer UM.BASCO: a toolbox for taskrelated functional connectivity[J].Front Syst Neurosci,2015,9:126.

[9] 鐘麟,王峰.MATLAB仿真技術(shù)與應(yīng)用教程[M].北京:國防工業(yè)出版社,2004.

[10] 張德豐.MATLAB小波分析[M].北京:機械工業(yè)出版社,2012.

[11] 宗榮芳.多尺度小波變換快速分解與重構(gòu)算法的實現(xiàn)[J].計算機與信息技術(shù),2009,6:42-43.

Design and Development of an EEG Signal Batch Processing System Based on MATLAB

HE Yan, SUN Shu-fang, YANG Fan
School of Biology & Engineering, Guizhou Medical University, Guiyang Guizhou 550004, China

This paper focused on design and development of a MATLAB-based EEG (Electroencephalogram) processing system, which was comprised of preprocessing and signal analysis. Fast ICA (Independent Component Analysis) was introduced for artifact elimination. Removal of power frequency interference, wavelet denoising and sub-band filtering were achieved in this toolbox. Signal analysis included power spectrum analysis based on Fourier transform and singularity detection. Real EEG signals that recorded from brain were adopted for performance test of this system. It’s found that this toolbox could accomplish the corresponding capabilities and it provided good GUI (Graphical User Interface) interface for human computer interaction and technical support for further research on brain investigation.

electroencephalogram; independent component analysis; singularity detection; sub-band f lter; wavelet denoising

R318

A

10.3969/j.issn.1674-1633.2016.10.010

1674-1633(2016)10-0033-03

2016-05-31

2016-06-14

國家自然科學(xué)基金（81460206）；貴州醫(yī)科大學(xué)博士啟動基金（院博合J2014[003]）。

何艷，副教授，主要研究方向為復(fù)雜系統(tǒng)與復(fù)雜網(wǎng)絡(luò)/神經(jīng)系統(tǒng)疾病。

通訊作者郵箱：smileconf dence@163.com