王海玉+胡劍鋒+王映龍

摘 要： 大腦為高級(jí)神經(jīng)中樞系統(tǒng)，腦電信號(hào)（EEG）是反映大腦神經(jīng)元細(xì)胞群自發(fā)性、節(jié)律性的電生理活動(dòng)信號(hào)，包含著重要的生理信息。對(duì)腦電信號(hào)進(jìn)行深入的處理分析是提取腦電信息的重要手段，為生物醫(yī)學(xué)、臨床病癥提供重要依據(jù)。文章主要?dú)w納腦電信號(hào)的處理方法，對(duì)時(shí)頻分析、高階譜分析、人工神經(jīng)網(wǎng)絡(luò)和非線性動(dòng)力學(xué)分析等四種處理方法進(jìn)行介紹，將國(guó)內(nèi)外對(duì)應(yīng)處理方法的應(yīng)用結(jié)果加以展示，同時(shí)總結(jié)腦電研究的相關(guān)成果并提出腦電研究在當(dāng)前社會(huì)的應(yīng)用前景。

關(guān)鍵詞： 腦電信號(hào)； 時(shí)頻分析； 高階譜分析； 人工神經(jīng)網(wǎng)絡(luò)； 非線性動(dòng)力學(xué)

中圖分類號(hào)：TP271 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：1006-8228（2018）01-13-03

A review of EEG signal processing methods

Wang Haiyu1， Hu Jianfeng2， Wang Yinglong1

（1. College of Computer and Infomation， Jiangxi Agricultural University， Nanchang， Jiangxi 330045， China； 2. College of Information Technology Research Institute， Jiangxi University of Technology）

Abstract： The brain is a high-level nerve central system. EEG（Electroencephalogram）is a spontaneous and rhythmic physiological activity signal that reflects the neuronal cell population of the brain， and contains important physiological information. The analysis of EEG signal is an important means to extract EEG information， which provides an important basis for biomedical and clinical illness. In this paper， the EEG signal processing methods are summarized， and four processing methods， i.e. the time-frequency analysis， high-order spectrum analysis， artificial neural network and nonlinear dynamics analysis are introduced， the corresponding results of application at home and abroad are presented. At the same time， the related EEG research results are summarized， and the application prospect of EEG research in the current society is put forward.

Key words： EEG signal； time-frequency analysis； higher-order spectral； artificial neural network； nonlinear dynamics

0 引言

腦電信號(hào)由腦部神經(jīng)元活動(dòng)時(shí)產(chǎn)生，信號(hào)可分為三類：腦電圖信號(hào)、腦誘發(fā)電位信號(hào)和神經(jīng)元細(xì)胞內(nèi)外記錄信號(hào)。腦電信號(hào)是揭開大腦奧秘的重要渠道，目前腦電的研究越來越豐富。

近年來，腦電信號(hào)分析應(yīng)用和神經(jīng)學(xué)研究越來越豐富。圖1是分析今年知網(wǎng)中關(guān)于腦電文獻(xiàn)發(fā)表數(shù)量統(tǒng)計(jì)圖。由圖1可知，腦電文獻(xiàn)發(fā)表年度總體趨勢(shì)呈逐年上升的態(tài)勢(shì)，且上升的速度逐步加快。隨著計(jì)算機(jī)科學(xué)、醫(yī)學(xué)、生物學(xué)等學(xué)科不斷匯聚，腦電應(yīng)用的范圍越來越廣，探索腦電奧秘的研究更是逐年深入。

圖2根據(jù)知網(wǎng)匹配主題為“腦電”的學(xué)科分布圖，圖2表明，腦電研究的應(yīng)用領(lǐng)域不斷拓寬。創(chuàng)新的思想、新興的技術(shù)和智能的工具相結(jié)合，使腦電信號(hào)應(yīng)用多元化。從集中于醫(yī)學(xué)、神經(jīng)等生理方向的研究擴(kuò)展到神經(jīng)病學(xué)、外科學(xué)、生物醫(yī)學(xué)、心理學(xué)、信號(hào)處理、計(jì)算機(jī)軟件與計(jì)算機(jī)應(yīng)用技術(shù)等領(lǐng)域。關(guān)于腦電的研究方式也從單一的波形描述、腦電地形圖到多形態(tài)分析，不少國(guó)內(nèi)外的科研機(jī)構(gòu)從單獨(dú)腦電研究的初步探索階段邁向以腦電信號(hào)分析為研究對(duì)象的綜合研究階段，提出許多具有價(jià)值的方法和技術(shù)，并取得了卓越的成就。

1 腦電信號(hào)分析方法

腦電信號(hào)提取特征的主要方法包含共空間模式（CSP）、AR模型、小波變換（WT）、功率譜密度估計(jì)（PSD）、混沌法，多維統(tǒng)計(jì)分析等方法。腦電信號(hào)具有非平穩(wěn)、非線性等較為突出的頻域特征，這決定了其分析方法比較適用時(shí)域分析、非線性方法。近年來，波形特征描述、自回歸AR模型、傅里葉變換、功率譜密度、雙譜分析、小波變換、人工神經(jīng)網(wǎng)絡(luò)、非線性動(dòng)力學(xué)分析等腦電分析處理方法得到了深入研究[1]。其中時(shí)頻分析、高階譜分析、人工神經(jīng)網(wǎng)絡(luò)和非線性動(dòng)力學(xué)分析等四種方法應(yīng)用最為廣泛。

1.1 時(shí)頻分析

較早應(yīng)用的EEG分析方法是從時(shí)域中直接提取出其中有用波形特征的信息，AR模型、方差分析（ANOVA）、波形參數(shù)分析和波辨識(shí)、直方圖分析（Histogram）、相關(guān)分析（CA）、峰值檢測(cè)等都是研究中使用較多的時(shí)域分析方法。由于腦電信號(hào)在頻域往往比在時(shí)域更加簡(jiǎn)單直觀，所以大多數(shù)研究是在頻域下進(jìn)行的。頻譜分析、倒頻譜分析、包絡(luò)分析、階比譜分析以及全息譜分析等方法是使用較多的頻域信號(hào)分析處理方法。吳玉鵬[2]用功率譜中AR譜技術(shù)和FFT技術(shù)進(jìn)行正常人的腦電圖和癲癇病人癇性發(fā)作腦電圖的比較，說明AR譜性能優(yōu)于FFT功率譜，為臨床診療癲癇提供技術(shù)上的支持。郝冬梅[3]等人將6階AR模型擬合EEG信號(hào)，以LVQ神經(jīng)網(wǎng)絡(luò)作分類器，通過比較網(wǎng)絡(luò)選擇不同參數(shù)對(duì)分類正確率的影響得到競(jìng)爭(zhēng)層神經(jīng)元數(shù)目直接影響了正確率的這一結(jié)論。馮春輝[4]發(fā)現(xiàn)在不進(jìn)行主成分分析的基礎(chǔ)上支持向量機(jī)（SVM）與CSSD的組合識(shí)別正確率最高達(dá)74%。還有眾多研究者對(duì)其進(jìn)行深入研究并在一定程度上取得了相應(yīng)的成果。endprint

然而時(shí)域和頻域分析方法，主要是用于平穩(wěn)信號(hào)分析。對(duì)于不平穩(wěn)、非線性信號(hào)的分析，應(yīng)用時(shí)域和頻域時(shí)，都難以提取出有效的特征信息。時(shí)頻分析方法，彌補(bǔ)了時(shí)域和頻域分析方法在非線性信號(hào)分析的缺陷，能夠準(zhǔn)確地提取到非線性信號(hào)隨時(shí)間變化的特征信息。目前，在信號(hào)處理的工程領(lǐng)域和眾多學(xué)科當(dāng)中，時(shí)頻分析的技術(shù)已被大范圍應(yīng)用，比如語音分析、圖像識(shí)別、機(jī)械設(shè)備故障診斷[5]、生物工程等，在分析腦電信號(hào)時(shí)，腦電信號(hào)特征的多分辨率分析、波形辨識(shí)、誘發(fā)電位特征提取、信號(hào)預(yù)處理等是時(shí)頻分析的主要應(yīng)用領(lǐng)域。時(shí)頻分析提供頻域和時(shí)域的聯(lián)合分布信息，清晰地闡明了信號(hào)頻率時(shí)變性，近年來受到越來越多的重視。

1.2 高階譜分析

高階譜分析（Higher-Order Spectral Estimation）是對(duì)功率譜的推廣，是腦電分析一種常用的方法。一個(gè)平穩(wěn)隨機(jī)信號(hào)的高階譜是其高階累積量的傅里葉變換。令{z（n）}為平穩(wěn)隨機(jī)信號(hào)，q階譜是q階累量的（q-1）維傅里葉變換，即

其中，高階譜計(jì)算量隨階數(shù)的增加愈來愈復(fù)雜深入，故一般雙譜或三階譜使用頻率較高一些。特殊的，當(dāng)高階譜的階數(shù)為三時(shí)稱為雙譜，雙譜分析方法能深層次挖掘出常規(guī)腦電圖無法顯示的隱含信息，高階譜在參數(shù)估計(jì)問題、信號(hào)檢測(cè)中能夠自動(dòng)抑制高斯噪聲，用重新構(gòu)成信號(hào)的相位和幅度，檢測(cè)時(shí)間序列的非線性結(jié)果。目前劉海紅[6]等人用SVM、PNN、KNN等三種方法處理雙譜切片的特征值，發(fā)現(xiàn)不同腦電極信號(hào)雙譜切片當(dāng)中的明顯不同。Wang Qun[7]等人通過雙譜分析的具體實(shí)驗(yàn)發(fā)現(xiàn)，在處理非線性信號(hào)并抑制高斯噪聲信號(hào)時(shí)，高階頻譜的功率譜基于二階統(tǒng)計(jì)，優(yōu)于功率譜；還有更多的學(xué)者印證了高階統(tǒng)計(jì)量分析具有重大意義。由此可知，高階譜分析的應(yīng)用領(lǐng)域越來越廣，將會(huì)有越來越多的研究者對(duì)其進(jìn)行更深入的探索。

1.3 非線性分析

隨著科學(xué)技術(shù)的騰飛發(fā)展，非線性逐漸出現(xiàn)在人們的視野范圍內(nèi)，非線性通常指不成直線、不按比例的關(guān)系，代表腦電不規(guī)則的變化。研究者嘗試應(yīng)用統(tǒng)計(jì)疊加、頻譜分析、相關(guān)分析等方法分析處理這些信號(hào)，取得一定進(jìn)展。但從另一個(gè)角度分析這些方法都是基于線性的，適用于穩(wěn)定的平衡線性系統(tǒng)分析方法對(duì)于非線性信號(hào)分析會(huì)造成精度損失。隨著新的腦電現(xiàn)象的出現(xiàn)以及非線性學(xué)科的迅速發(fā)展，非線性動(dòng)力學(xué)成為研究者解密大腦和腦電新的有效渠道和迎接挑戰(zhàn)的堅(jiān)韌利器。Lyapunov指數(shù)、復(fù)雜性測(cè)度、分?jǐn)?shù)維等都是目前研究腦電的主要的非線性方法。

李冬梅[8]用ICA降維Hurst指數(shù)、小波熵、Lyapunov指數(shù)、排列熵、樣本熵這五個(gè)非線性動(dòng)力學(xué)指標(biāo)，對(duì)發(fā)作時(shí)間做出預(yù)測(cè)，為治療癲癇患者提供了理論基礎(chǔ)推進(jìn)了癲癇患者治愈的進(jìn)程。李樹春[9]等人將非線性動(dòng)力學(xué)理論通過特征值用以對(duì)青年人和老年人腦電的差異進(jìn)行分辨，實(shí)驗(yàn)發(fā)現(xiàn)青年人腦功能與老年人在能量、發(fā)放量等方面的差異。除此以外，相關(guān)維數(shù)、最大李雅普諾夫指數(shù)、復(fù)雜度、近似熵等，提取EEG腦電信號(hào)的相應(yīng)特征也再文獻(xiàn)中有較多討論，印證了非線性動(dòng)力學(xué)混沌算子分析EEG信號(hào)的應(yīng)用具有一定科學(xué)基礎(chǔ)。

1.4 人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)（ANN，Artificial Neural Network）是一個(gè)能進(jìn)行復(fù)雜邏輯操作的理論化數(shù)學(xué)模型，其具有高速尋找優(yōu)化解的能力，但泛化能力較弱，難以找到通用的模型，且易陷入局部是其典型不足之處，但有應(yīng)用簡(jiǎn)便，分類結(jié)果較為準(zhǔn)確的優(yōu)勢(shì)。ANN理論在眾多研究領(lǐng)域應(yīng)用并取得了成功，但由于一些假象信息或信息內(nèi)容不完整，決策規(guī)則時(shí)而相互沖突、互相矛盾，時(shí)而無則可依，這都是對(duì)傳統(tǒng)的信息處理方式的巨大挑戰(zhàn)。ANN具備自動(dòng)診斷、問題求解功能，具有模擬與人的思維有關(guān)的優(yōu)勢(shì)，合理判定，能解決傳統(tǒng)方法難以實(shí)現(xiàn)的難題。

ANN以其獨(dú)有的非線性自適應(yīng)信息處理能力，成功地應(yīng)用在模式識(shí)別、智能控制、優(yōu)化組合、預(yù)測(cè)等領(lǐng)域。高群霞[10]等人對(duì)比SVM、ANN兩類模式識(shí)別方法在睡眠分期中的應(yīng)用，歸納了近幾年這一領(lǐng)域的發(fā)展趨勢(shì)走向。范飛燕[11]實(shí)現(xiàn)分類精度達(dá)到60%以上，表明ANN是在基線和某些認(rèn)知區(qū)分的有效方法。初孟[12]等人結(jié)合ANN進(jìn)一步降低棘波檢測(cè)的錯(cuò)誤率，在仿真實(shí)驗(yàn)中取得了好的結(jié)果。近年來信息幾何為人工神經(jīng)網(wǎng)絡(luò)的研究注入了新鮮的血液。推進(jìn)人工神經(jīng)網(wǎng)絡(luò)和其他傳統(tǒng)方法相融合、優(yōu)勢(shì)互補(bǔ)，將促進(jìn)人工智能和信息處理技術(shù)的新發(fā)展。

2 展望

本文主要對(duì)時(shí)頻分析、高階譜分析、人工神經(jīng)網(wǎng)絡(luò)和非線性動(dòng)力學(xué)分析四種處理方法進(jìn)行研究和綜述，腦電研究的相關(guān)成果分析總結(jié)如下。

EEG是自然界中復(fù)雜的腦電網(wǎng)絡(luò)，包含眾多大生理活動(dòng)信息，為醫(yī)學(xué)、神經(jīng)學(xué)等多學(xué)科提供重要的分析參考信息。

在科技相對(duì)發(fā)達(dá)的公司出現(xiàn)了腦控機(jī)器人座椅、機(jī)器人床等，感知受試者的身體狀況，幫助發(fā)布調(diào)動(dòng)受試者體位的大腦指令，改善生命體健康狀態(tài)；測(cè)評(píng)，電影、電視節(jié)目等等通過腦電收集關(guān)注者的喜好程度；在一些專業(yè)機(jī)構(gòu)例如戒毒所、監(jiān)獄等場(chǎng)所，用以監(jiān)測(cè)及訓(xùn)練檢測(cè)；一些公司或機(jī)構(gòu)用于診療身心如不同程度的焦慮病癥等。

時(shí)頻分析、高階譜分析、人工神經(jīng)網(wǎng)絡(luò)分析和非線性分析各具特色，推動(dòng)腦電研究的同時(shí)也給腦電更深入的研究提出了挑戰(zhàn)。將腦電與多設(shè)備連接、改善數(shù)據(jù)來源，實(shí)時(shí)監(jiān)測(cè)腦電信號(hào)進(jìn)行分析、將腦電應(yīng)用到更多領(lǐng)域。探索和研究腦信號(hào)，將為腦電造福人類開辟新的天地。

參考文獻(xiàn)（References）：

[1] 唐肖芳.面向運(yùn)動(dòng)想象的腦電信號(hào)特征選擇與特征提取算法

研究[D].西南科技大學(xué)碩士學(xué)位論文，2015.

[2] 吳玉鵬.AR譜在皮層癇樣腦電信號(hào)分析應(yīng)用[D].河北醫(yī)科大

學(xué)碩士學(xué)位論文，2015.

[3]郝冬梅，阮曉鋼.基于LVQ的自發(fā)腦電信號(hào)的分類研究[J].醫(yī)endprint

療設(shè)備信息，2003.10：7-9

[4]馮春輝.基于腦電節(jié)律的模式識(shí)別方法研究[D].燕山大學(xué)碩

士學(xué)位論文，2011.

[5]陳珊珊.時(shí)域分析技術(shù)在機(jī)械設(shè)備故障診斷中的應(yīng)用[J].機(jī)械

傳動(dòng)，2007.3：79-83，4

[6] 劉海紅，杜英舉，姚偉華.不同意識(shí)腦電的雙譜切片特分析與

分類[J].電子設(shè)計(jì)工程，2015.23（8）：42-45，48

[7] WangQun，LeJian-wei，JinSong-yang，TianFu-ying，Wang

Li.[ThestudyofEEGHigherOrderSpectralAnalysistechnology].[J].

ZhongguoYiliaoQixieZazhi，2009，33（2）.

[8]李冬梅.基于非線性動(dòng)力學(xué)特征指標(biāo)的癲癇腦電信號(hào)分類、

定位與預(yù)測(cè)方法研究[D].新疆醫(yī)科大學(xué)碩士學(xué)位論文，2017.

[9] 李樹春，李殿奎，朱曉峰，劉曉敏，劉陽.基于關(guān)聯(lián)維數(shù)和

Lyapunov指數(shù)高頻腦電非線性動(dòng)力學(xué)研究[J].現(xiàn)代生物，2017.17（3）：561-566

[10] 高群霞，周靜，吳效明.基于腦電信號(hào)的自動(dòng)睡眠分期研究

進(jìn)展[J].生物醫(yī)學(xué)工程學(xué)雜志，2015.32（5）：1155-1159

[11] FanFei-Yan， LiYing-Jie， QiuYi-Hong， ZhuYi-Sheng.

UseofANNandComplexityMeasuresinCognitiveEEGDiscrimination.[J].Conferenceproceedings：...AnnualInternationa-

ConferenceoftheIEEEEngineeringinMedicineandBiologySociety.IEEEEngineeringinMedicineandBiologySociety.Conference，2007.5.

[12] 初孟，邱天爽，鮑海平.基于人工神經(jīng)網(wǎng)絡(luò)的癲癇棘波檢測(cè)

方法[J].中國(guó)生物醫(yī)學(xué)工程學(xué)報(bào)，2006.4：421-425，429endprint