大學(xué)論文最終不改版(共46頁)

1、J I A N G S U U N I V E R S IT Y本 科 畢 業(yè) 論 文 Theta腦電波分類方法(fngf)研究Study on the Classification methodof Theta wave學(xué) 院 名 稱： 電氣(dinq)信息工程學(xué)院(xuyun) 專 業(yè) 班 級： 生物醫(yī)學(xué)工程1001班 學(xué) 生 姓 名： 毛 伯 指導(dǎo)教師姓名： 沈 繼 鋒 指導(dǎo)教師職稱： 講 師 2014 年 6 月江蘇大學(xué)本科畢業(yè)論文 PAGE IVTheta腦電波分類方法(fngf)研究專業(yè)(zhuny)班級：生醫(yī)1001 學(xué)生(xu sheng)姓名：毛伯指導(dǎo)老師：沈 繼 鋒 職稱：

2、講師摘要 睡眠是人的一項重要的生理活動，是生命所必需的過程，是機體復(fù)原、整合和鞏固記憶的重要環(huán)節(jié)，是健康生活不可缺少的組成部分，它占據(jù)了人一生大約三分之一的時間。因此，研究人類的睡眠狀況對于提高人的生活質(zhì)量以及對各類腦部疾病的判斷與診療都具有十分重大的意義。本文通過對人類腦電波特征與分類的研究與探討，結(jié)合人在各個睡眠周期腦電信號的不同表現(xiàn)、各類波形的不同含量，分析了不同腦電波對人類睡眠質(zhì)量及周期的影響。并將其中的波作為研究對象。為了能在含有大量噪聲的腦電信號中提取到腦電波的特征信號，文中對現(xiàn)有腦電信號的各種分析處理方法進行了全面的闡述與比較，在明確各種方法的特點和優(yōu)劣的基礎(chǔ)上，決定采用快速傅里

3、葉變換的算法（FFT）作為波特征提取的方法。以核函數(shù)為核心的支持向量機方法是建立在統(tǒng)計學(xué)習(xí)理論的VC維理論和結(jié)構(gòu)風(fēng)險最小化原則的基礎(chǔ)上的，根據(jù)有限的樣本信息在模型的復(fù)雜性和學(xué)習(xí)能力之間尋求最佳折衷，以期獲得最好的推廣能力。本文以腦電信號為研究對象，以支持向量機方法為研究手段，在深入分析和討論支持向量機原理與核函數(shù)的基礎(chǔ)上，用支持向量機來對所給樣本進行訓(xùn)練，進而獲得所需的對腦電波分類的功能。最后，通過對一組腦電數(shù)據(jù)進行實際分析來對研究方法進行驗證。具體做法是在Matlab上對波進行提取與分析，并在LIBSVM上分別用不同的核函數(shù)對正負樣本進行訓(xùn)練、分類，經(jīng)過對分類結(jié)果的平均準確度進行比較，確定使

4、用RBF核函數(shù)來實現(xiàn)對波腦電波的分類。關(guān)鍵詞： 睡眠腦電 腦電波 特征提取 支持向量機Study on the Classification method of Theta waveAbstract Sleep is an important physiological activities，which is essential to our life. It occupies about a third of a persons life time, and it is an integral part of the healthy life. Therefore, the study of

5、 humans sleep is very important for improving the quality of human life and the judgment and treatment to various types of brain diseases.The paper bases on the human brain waves feature and classification, combines humans different EEG performance during different sleep cycle, analyzes the impact o

6、f various types of brain waves on human sleep quality and cycle. And treat theta waves as the object of study. In order to extract the feature of wave in the environment of a lot of interferences and noises, the paper analyzes and compares the present treatment of various types of EEG analysis. And

7、then, choose FFT as the way to extract the feature of waves. To the kernel function as the core of support vector machines is established by statistical learning theory and structural risk minimization. It bases on limited sample information to find the best compromise between complexity and learnin

8、g ability of the model to obtain the ability to obtain the best promotion.This paper is based on EEG and support vector machines. In-depth analysis and discussion of the principles of support vector machine and kernel functions, we use the SVM to train the given samples to obtain the function of fin

9、ding the wave.Finally, through a set of EEG data analysis to verify the research method. Specific approach is to extract and analyze the theta wave in Matlab, and in the LIBSVM using different kernel functions to train the positive and negative samples. After the classification results of the averag

10、e accuracy comparison, determined using the RBF kernel function to achieve the classification of theta brain wavesKeywords: Sleep EEG wave Feature Extraction Support Vector Machine目 錄 TOC o 1-3 h z u HYPERLINK l _Toc389924469 第一章 腦電與睡眠(shumin)的基本知識 PAGEREF _Toc389924469 h 1 HYPERLINK l _Toc389924470

11、 1.1腦電圖簡介(jin ji) PAGEREF _Toc389924470 h 1 HYPERLINK l _Toc389924471 1.2 腦電波的特征(tzhng)與分類 PAGEREF _Toc389924471 h 1 HYPERLINK l _Toc389924472 1.2.1腦電信號的特點 PAGEREF _Toc389924472 h 2 HYPERLINK l _Toc389924473 1.2.2人的四種腦電波分類 PAGEREF _Toc389924473 h 3 HYPERLINK l _Toc389924474 1.3 睡眠腦電 PAGEREF _Toc3899

12、24474 h 5 HYPERLINK l _Toc389924475 1.3.1 睡眠及其作用 PAGEREF _Toc389924475 h 5 HYPERLINK l _Toc389924476 1.3.2 睡眠腦電的特征及分期 PAGEREF _Toc389924476 h 5 HYPERLINK l _Toc389924477 1.4 本課題的研究意義以及目的和任務(wù) PAGEREF _Toc389924477 h 7 HYPERLINK l _Toc389924478 1.4.1 研究意義 PAGEREF _Toc389924478 h 7 HYPERLINK l _Toc38992

13、4479 1.4.2研究目的和任務(wù) PAGEREF _Toc389924479 h 8 HYPERLINK l _Toc389924480 第二章 腦電信號的分析與處理方法 PAGEREF _Toc389924480 h 10 HYPERLINK l _Toc389924481 2.1 腦電信號處理方法概述 PAGEREF _Toc389924481 h 10 HYPERLINK l _Toc389924482 2.1.1時域分析法 PAGEREF _Toc389924482 h 10 HYPERLINK l _Toc389924483 2.1.2頻域分析法 PAGEREF _Toc38992

14、4483 h 10 HYPERLINK l _Toc389924484 2.1.3 時頻分析法 PAGEREF _Toc389924484 h 12 HYPERLINK l _Toc389924485 2.2傅里葉變換及其性質(zhì) PAGEREF _Toc389924485 h 14 HYPERLINK l _Toc389924486 2.2.1 一般傅里葉變換 PAGEREF _Toc389924486 h 14 HYPERLINK l _Toc389924487 2.2.2 離散傅里葉變換 PAGEREF _Toc389924487 h 14 HYPERLINK l _Toc389924488

15、 2.2.3 快速傅里葉變換 PAGEREF _Toc389924488 h 15 HYPERLINK l _Toc389924489 2.3 特征提取 PAGEREF _Toc389924489 h 17 HYPERLINK l _Toc389924490 2.3.1腦電特征提取的定義 PAGEREF _Toc389924490 h 17 HYPERLINK l _Toc389924491 2.3.2腦電特征提取的常用方法 PAGEREF _Toc389924491 h 17 HYPERLINK l _Toc389924492 第三章 支持向量(xingling)機的認識及應(yīng)用 PAGERE

16、F _Toc389924492 h 19 HYPERLINK l _Toc389924493 3.1 常用(chn yn)的分類識別方法 PAGEREF _Toc389924493 h 19 HYPERLINK l _Toc389924494 3.1.1 分類(fn li)識別的基本概念 PAGEREF _Toc389924494 h 19 HYPERLINK l _Toc389924495 3.1.2 常用分類識別方法簡介 PAGEREF _Toc389924495 h 19 HYPERLINK l _Toc389924496 3.2 支持向量機 PAGEREF _Toc389924496

17、h 20 HYPERLINK l _Toc389924497 3.2.1 支持向量機概述 PAGEREF _Toc389924497 h 20 HYPERLINK l _Toc389924498 3.2.2 支持向量機的方法 PAGEREF _Toc389924498 h 20 HYPERLINK l _Toc389924499 第四章 腦電波分類的實驗 PAGEREF _Toc389924499 h 27 HYPERLINK l _Toc389924500 4.1 實驗整體思路 PAGEREF _Toc389924500 h 27 HYPERLINK l _Toc389924501 4.2

18、數(shù)據(jù)獲取 PAGEREF _Toc389924501 h 27 HYPERLINK l _Toc389924502 4.2.1 幾種腦電波的波形 PAGEREF _Toc389924502 h 27 HYPERLINK l _Toc389924503 4.2.2 腦電數(shù)據(jù)的獲取 PAGEREF _Toc389924503 h 28 HYPERLINK l _Toc389924504 4.3 特征提取 PAGEREF _Toc389924504 h 29 HYPERLINK l _Toc389924505 4.4 分類決策 PAGEREF _Toc389924505 h 30 HYPERLINK

19、 l _Toc389924506 4.4.1 SVM核函數(shù)的選擇 PAGEREF _Toc389924506 h 30 HYPERLINK l _Toc389924507 4.4.2 RBF核函數(shù)參數(shù)的選擇 PAGEREF _Toc389924507 h 33 HYPERLINK l _Toc389924508 第五章 總結(jié)與展望 PAGEREF _Toc389924508 h 37 HYPERLINK l _Toc389924509 致 謝 PAGEREF _Toc389924509 h 38 HYPERLINK l _Toc389924510 參考文獻 PAGEREF _Toc389924

20、510 h 39 PAGE 43第一章 腦電與睡眠(shumin)的基本知識1.1腦電圖簡介(jin ji)大腦是人類思維和意識(y sh)的器官，是控制運動、產(chǎn)生感覺等功能的高級神經(jīng)中樞，它包含了人類生理、心理等各類信息。腦電圖（electroencephalogram,EEG），就是將大腦內(nèi)部細胞群自發(fā)的、節(jié)律性的電活動，通過連接在大腦表層的電極記錄下來1。其中，以測試時間為橫坐標，以腦電電位為縱坐標記錄下來的圖就是腦電圖。1786年，意大利的解剖學(xué)教授Galavani觀察到了生物電現(xiàn)象，由此創(chuàng)立了生物電學(xué)說。此后，生物電信號的檢測儀器得到不斷地改進和發(fā)展，Adolf Beck和Richa

21、rd Canton先后在狗和兔子的大腦皮層上觀察到了生物電現(xiàn)象。1875年，英國的R.Gaton首先記錄出動物的腦電活動。1924年，Hans Berger記錄下了他兒子的腦電信號，繪制出人類歷史上第一幅腦電圖，他因此被稱為“人類腦電圖之父”。1936年，Walter提出了一種根據(jù)腦電圖來定位病灶的方法，從此腦電圖開始應(yīng)用于臨床診斷。在國內(nèi)南京精神病院首先引進腦電圖儀，并與1951年對癲癇病人描記出國內(nèi)第一份腦電圖。臨床實踐表明，當人的大腦發(fā)生某種病變時，大腦產(chǎn)生的生物電就會出現(xiàn)異常波動和變化，具體反應(yīng)為腦電圖發(fā)生相應(yīng)的改變。人們可以通過對腦電圖的分析來確診某些腦部疾病。 如圖1.1所示，為常

22、用32導(dǎo)聯(lián)腦電極安放示意圖：圖 1.1 常用32導(dǎo)聯(lián)腦電極安放示意圖時至今日，視頻腦電圖、動態(tài)腦電圖及常規(guī)腦電圖等已經(jīng)成為神經(jīng)系統(tǒng)疾病診斷中不可或缺的工具。腦電信號的分析方法也正在經(jīng)歷一次新的變革。1.2 腦電波的特征與分類生物電現(xiàn)象是生命活動的基本特征之一，構(gòu)成生物體的一個個細胞，就相當于一節(jié)節(jié)微型電池，這便是生物電的來源。人的大腦中有許許多多的神經(jīng)細胞(shn jn x bo)活動著，呈現(xiàn)出電氣性的擺動。這種擺動在科學(xué)儀器上的表現(xiàn)看起來就像波動一樣。腦中的電氣性擺動我們稱之為腦電波。腦電波波形近似于正弦波，頻率(pnl)一般在0.530赫茲(hz)之間2。1.2.1腦電信號的特點腦電信號除

23、了具有生物醫(yī)學(xué)信號的一般特點之外，還有自己本身性質(zhì)。（1）隨機性：由于檢測到的腦電波通常是多重信號的疊加，很多規(guī)律只能從統(tǒng)計的角度去分析，因此，具有一定的隨機性。（2）非穩(wěn)定性：腦電信號較微弱，對外部干擾如：眨眼、心電、肌電等較為敏感，所以通常測到的腦電波帶有很強的噪聲，具有非穩(wěn)定性。（3）信號微弱，信噪比低：腦電信號一般只有50uv左右，與微弱的腦電信號相比，其背景噪聲非常強。（4）頻率低，頻域特征突出：腦電信號頻率范圍為0.530Hz，它的頻域特征比較突出,因此與其他生理信號相比，功率譜分析及各種頻域處理技術(shù)在腦電信號處理中占有更重要的位置。（5）非線性：單個神經(jīng)元就已經(jīng)是一個高度非線性系

24、統(tǒng)，所以腦電信號具有非線性。如圖1.2所示，為帶噪聲的腦電信號，圖1.3則為原始腦電信號。圖 1.2 帶噪聲的腦電信號圖 1.3 原始腦電信號由于腦電波的波形近似于正弦波，所以也有波幅、頻率和相位三個基本特征參數(shù)。在臨床上，也主要是通過對這三種基本特征的判斷，進而進行神經(jīng)系統(tǒng)疾病的診斷。（1）腦電波幅度自波頂畫一道垂直于基線的直線(zhxin)，過相鄰兩個波谷畫一道直線，這兩條直線相交，交點至波頂?shù)木嚯x即為腦電波的幅度。腦電波按照幅度(fd)大致可以分為以下四種類型：低幅（25V）中幅（25V-75V）高幅（75V-150V）超高幅（150V）腦電波的幅度(fd)一般來說不穩(wěn)定。（2）腦電波的

25、頻率腦電波的頻率范圍一般在0.530赫茲之間，按照頻率的不同可劃分為四個波段。即：（0.53Hz）、（47Hz）、（813Hz）、（1430Hz）。這幾種波的頻率邊界，在學(xué)界還沒有完全統(tǒng)一的標準。亦有學(xué)者認為有大于35Hz的腦電波，并命名為波。長期處于該狀態(tài)下的人會有生命危險。（3）腦電波的相位腦電波的相位又叫做腦電波的極性。以基線為準，波頂朝上的波為負向波，波頂朝下的波為正向波。在進行腦電圖的分析時，一般取同一部位，或者兩側(cè)腦半球?qū)ΨQ部位，觀察腦電波之間的關(guān)系。若兩個腦電波出現(xiàn)的時間、頻率、相位都相同，則稱其為同相位，否則為有差相位。1.2.2人的四種腦電波分類人的腦電波根據(jù)頻率的不同可以分

26、為四類，分別體現(xiàn)了人的不同的精神狀態(tài)和感覺運動節(jié)律。具體情況見表1.1表 1.1 腦電波的分類(fn li)腦電波類型頻率人的精神狀態(tài)波0.53HZ振幅為20200微伏。在清醒的正常成人，一般是測不出波的。成人只有在深睡眠狀態(tài)下才可記錄出波。一般在顳區(qū)與枕區(qū)引出的波比較明顯。表示大腦處于無夢深睡狀態(tài)，是嬰兒大腦的基本波形，在生理性慢波睡眠狀態(tài)和病理性昏迷狀態(tài)也可見到。SMR感覺運動節(jié)律屬于無意識層面的波是恢復(fù)體力的睡眠時所需要的直覺與第六感的來源與心靈層面和超自然現(xiàn)象有關(guān)科學(xué)界稱波為最佳睡眠波波47HZ振幅約為100150微伏。在清醒的正常成人，一般也測不出波，在成人困倦時可測出波。波的出現(xiàn)是

27、中樞神經(jīng)系統(tǒng)抑制的一種表現(xiàn)。一般在頂區(qū)和顳區(qū)引出的波較明顯。是學(xué)齡前兒童的基本波形，成人瞌睡狀態(tài)也會出現(xiàn)。SMR感覺運動節(jié)律屬于潛意識層面的波觸發(fā)深層記憶，強化長期記憶存有記憶、知覺和情緒創(chuàng)造力與靈感的來源深睡做夢，深度冥想時科學(xué)界稱波為通往記憶與學(xué)習(xí)的閘門波813HZ振幅為10100微伏。是成年人安靜閉目下的正常波形，在頂、枕區(qū)活動最為明顯。SMR感覺運動節(jié)律是意識與潛意識層面的橋梁意識清醒，身體放松想象力的來源能產(chǎn)生過目不忘的效果被科學(xué)界稱為學(xué)習(xí)最佳狀態(tài)波波1430HZ振幅為525微伏。在額、顳、中央?yún)^(qū)活動最為明顯。SMR感覺運動節(jié)律屬于清醒意識下的腦電波智力的來源邏輯思考、計算、推理是需

28、要的波過高時會壓力很大、緊張、憂郁上述(shngsh)四種腦電波的波形圖如圖1.4所示：圖 1.4 四種(s zhn)腦電波的波形圖波為我們(w men)此次實驗所要研究的波形，它的含量與睡眠周期的分類密切相關(guān)。我們將通過波的提取與判別，進而為研究睡眠打下基礎(chǔ)。1.3 睡眠腦電1.3.1 睡眠(shumin)及其作用睡眠(shumin)是高等脊椎動物周期性出現(xiàn)的一種自發(fā)的和可逆的靜息狀態(tài)，是生命所必需的過程(guchng)，是機體復(fù)原、整合、鞏固記憶的重要環(huán)節(jié)，是健康不可缺少的組成部分，人的睡眠時間占了人生的三分之一。睡眠的特征包括：減少主動的身體運動，對外界刺激反應(yīng)減弱，意識的暫時中斷，增強

29、同化作用，降低異化作用水平。人類通過睡眠可以使大腦和身體得到休息、休整和恢復(fù)?？茖W(xué)提高睡眠質(zhì)量，是人們正常工作學(xué)習(xí)生活的保障。1.3.2 睡眠腦電的特征及分期從清醒到睡眠這段時間，腦電波會發(fā)生明顯的變化，主要表現(xiàn)在：波逐漸減弱直至消失，出現(xiàn)波，熟睡后甚至出現(xiàn)波，波的頻率越來越慢3。但在睡眠之中，還會出現(xiàn)一些特殊的腦電變化。尖波從瞌睡進入輕度睡眠時出現(xiàn)，頻率在27Hz；梭波進入睡眠時出現(xiàn)，頻率為1215Hz的簇發(fā)波；K復(fù)合波在出現(xiàn)梭波的睡眠時相中，給施加一個刺激，在腦電圖中會產(chǎn)生一個誘發(fā)電位，在他后面還跟著梭波，這就被稱為K復(fù)合波；紡錘波在SWS睡眠期出現(xiàn)，頻率范圍與波類似。國際上一般將睡眠分為

30、兩種狀態(tài)：一個是慢波相（非快速眼動睡眠），另一個是異相睡眠（快速眼動睡眠），兩者以不同的腦電波特征以及是否伴有眼球的陣發(fā)性快速運動相區(qū)別。慢波相（非快速眼動睡眠）在這個階段，人體的全身肌肉松弛，副交感神經(jīng)占優(yōu)勢，心率減慢，呼吸減弱，血壓降低，基礎(chǔ)代謝減弱，慢波相主要用于恢復(fù)體力。根據(jù)人體腦電波的特征，通常將慢波相分為4個不同的周期，即對應(yīng)于睡眠由淺入深的過程。這是我們此次主要研究的階段，我們將通過波的含量來區(qū)分這4個不同的睡眠期。睡眠各期的特點：期是清醒到睡眠的過渡階段，波逐漸減少，腦電波以波為主，腦電波呈平坦趨勢；期進入了睡眠，但還屬于淺睡層次，出現(xiàn)波，并有少量波，以紡錘波和K復(fù)合波為主；期

31、中等深度(shnd)睡眠，出現(xiàn)(chxin)高幅波，或波（波與波的復(fù)合(fh)波），波占百分之二十到五十之間；期進入了深度睡眠，不易被喚醒，波占百分之五十以上。異相睡眠（快速眼動睡眠）它是在睡眠過程中周期出現(xiàn)的一種激動狀態(tài)，眼球快速運動，身體肌肉偶爾發(fā)生抽動，有時會出現(xiàn)吸吮或發(fā)聲的動作，呼吸不穩(wěn)定，內(nèi)臟活動不規(guī)則，心率也不穩(wěn)定。腦電圖呈現(xiàn)快頻低壓電波，類似清醒時的腦電波。由于快速眼動只存在于異相睡眠中，故常被叫做快速眼動睡眠。異相睡眠主要用于恢復(fù)腦力。睡眠時相轉(zhuǎn)換正常成年人入睡后，首先進入慢波相，通常依次經(jīng)歷123432周期，歷時70120分鐘，然后轉(zhuǎn)入異相睡眠，約515分鐘，這樣便結(jié)束第1個

32、時相轉(zhuǎn)換。人的睡眠，一夜中大致有四到六個睡眠時相，這些時相交替出現(xiàn)，周而復(fù)始。以睡眠全時為100%，則慢波睡眠約占百分之八十，而異相睡眠占百分之二十。將睡眠不同時相和覺醒態(tài)按出現(xiàn)先后的時間序列排列，可繪制成睡眠圖，它能直觀地反映睡眠各時相的動態(tài)變化。睡眠中的腦電波示意圖如圖1.5所示：圖 1.5 睡眠中的腦電波示意圖1.4 本課題的研究意義以及目的和任務(wù)1.4.1 研究意義睡眠在一個人的一天中占據(jù)超過三分之一的時間，睡眠質(zhì)量的好壞不僅關(guān)系到人是否有精神、有力氣從事一天的勞動，是否能高效地完成一天的任務(wù)，而且也關(guān)系著人的身體健康。一個睡眠不好的人精神狀態(tài)也必然不好，長時間處于這類狀態(tài)的人會使身體

33、產(chǎn)生病理性反應(yīng)。反過來，一個睡眠質(zhì)量很高的人不僅可以充滿活力、精神煥發(fā)，而且也會擁有一個健康的身體。因此，研究睡眠有著很重要的現(xiàn)實意義。而研究睡眠中重要的一項就是對睡眠的分期?，F(xiàn)在我們已經(jīng)知道，睡眠分為一二三四期，分別對應(yīng)著睡眠由淺入深的過程，研究睡眠分期可以幫助我們更清楚的認識睡眠的機理，對研究睡眠更深層次的本質(zhì)也有作用。在某些疾病的診斷和治療中，同樣需要睡眠分期方面的數(shù)據(jù)。因此，如何能快速準確的進行(jnxng)睡眠分期是一項亟待解決的任務(wù)。傳統(tǒng)的睡眠(shumin)分期的方法為人工閱讀法，但此種方法存在很大的弊端。人工閱讀法，顧名思義，就是要依靠醫(yī)生的經(jīng)驗來讀腦電圖，人工對整個睡眠過程(

34、guchng)進行分期。這種方法對醫(yī)生水平的要求很高，不同的醫(yī)生分析的結(jié)果可能就不一樣。人工分期還可能會因為個人水平、勞累、失誤等因素而產(chǎn)生錯誤，從而影響結(jié)果的獲取。而且腦電圖是許多波形的疊加，看起來是雜亂無章的，要從這么復(fù)雜的圖中用人工閱讀的方法來得出結(jié)論，所需的成本也是極其高昂的。所以人工閱讀法正在被淘汰。隨著科學(xué)技術(shù)的發(fā)展，尤其是計算機技術(shù)、模式識別技術(shù)、數(shù)字信號處理技術(shù)的發(fā)展，運用機器來閱讀腦電圖，進而進行睡眠分期的技術(shù)也逐漸發(fā)展起來。機器閱讀相比于人工閱讀而言有很大的優(yōu)勢。首先，機器閱讀有一個統(tǒng)一的標準，所得到的結(jié)果不會因人而異，這樣可以排除掉個人因素所引起的誤差。其次，機器閱讀快速

35、，成本低廉，使用者只需會操作機器即可，不必對腦電圖有太過豐富的知識。最后，由于各種濾波技術(shù)、機器學(xué)習(xí)技術(shù)的發(fā)展，機器閱讀的準確率也大幅提高。因此，在今后的研究與診斷過程中機器閱讀將會成為主流。1.4.2研究目的和任務(wù)對睡眠進行分期是一個比較復(fù)雜的任務(wù)，分期中一個很重要的依據(jù)就是看波占整個腦電波的百分比是多少。本文的研究任務(wù)就是從腦電波中進行波的判別。本文的思路如下面的圖1.6結(jié)構(gòu)圖所示：原始腦電信號腦電信號特征向量支持向量機用肉眼判斷出波用FFT進行特征提取作為正樣本輸入SVM第一步： 原始腦電信號腦電信號特征向量支持向量機用肉眼判斷出波用FFT進行特征提取作為負樣本輸入SVM第二步：原始腦電

36、信號特征向量訓(xùn)練好的判斷出是否為波特征提取送入第三步： 圖1.6 工作(gngzu)結(jié)構(gòu)圖具體(jt)步驟(bzhu)如下：（1）對已獲得的腦電信號先用肉眼進行判別，挑出其中的波，將其下載到Matlab軟件中；（2）在Matlab軟件中對已獲得的波進行特征變換；（3）將特征變換后所獲得的向量送入支持向量機中進行機器學(xué)習(xí)，此為正樣本；（4）在腦電圖中挑出不是波的部分，重復(fù)上面的步驟，此為負樣本；（5）支持向量機訓(xùn)練完畢，將未知的腦電信號進行特征變換后送入其中，即可判斷出其是否為波。該課題主要圍繞，對于Theta腦電波的數(shù)據(jù)，用SVM分類器進行訓(xùn)練和分類。主要研究如下內(nèi)容：（1）Theta腦電信號

37、的特征提??；（2）SVM的訓(xùn)練，參數(shù)選擇，及其預(yù)測。第二章 腦電信號的分析(fnx)與處理(chl)方法2.1 腦電信號處理方法(fngf)概述自1924年德國的精神病學(xué)家貝格爾(H. Bergen)記錄到了人腦的腦電波至今己有將近84年的歷史，人們對腦電的分析積累了大量的經(jīng)驗。通過對腦電信號的處理，不僅可以為醫(yī)生提供臨床診斷依據(jù)，還可以在腦認知、圖像處理、刑偵測謊以及智能假肢等領(lǐng)域取得進展和突破。但是，腦電信號中含有大量的干擾信息和噪聲，如何進行分析與處理成為關(guān)鍵。自1932年Dietch首先用傅立葉變換進行了EEG分析之后，在腦電分析中相繼引入了頻域分析、時域分析等腦電圖分析的經(jīng)典方法。近

38、年來，在腦電圖分析中應(yīng)用了小波分析、匹配跟蹤方法、神經(jīng)網(wǎng)絡(luò)分析、混沌分析等方法4以及各種分析方法的有機結(jié)合，有力地推動了腦電信號分析方法的發(fā)展。國內(nèi)外的最新研究腦電信號的方法主要有以下(yxi)幾個：混沌(hndn)分析法：基本觀點是：簡單確定的非線性系統(tǒng)可以產(chǎn)生簡單確定的行為或者產(chǎn)生不穩(wěn)定但有界的貌似隨機的不確定現(xiàn)象?；煦缦到y(tǒng)本質(zhì)上是不可長期(chngq)預(yù)測的5。人工神經(jīng)網(wǎng)絡(luò)：是一種模仿動物神經(jīng)網(wǎng)絡(luò)行為特征，進行分布式并行信息處理的算法數(shù)學(xué)模型。能綜合統(tǒng)計學(xué)的方法而幾乎對信號和噪聲的統(tǒng)計特性無要求。小波變換法：小波變換的思想來源于伸縮與平移方法，它克服了傅立葉變換的局限性，在時域和頻域上都

39、具有良好的局部化特性，能較好地解決時域和頻域分辨率的矛盾。其在EEG信號的提取與處理中的應(yīng)用已不斷受到人們的注意。Wigner方法：是一種時頻混和的信號表示法,能同時進行時域和頻域分析，并把兩者結(jié)合起來?？梢郧蟪鲂盘柕臅r間和頻率兩域分布圖，還可以求出信號的頻率變化情況，從而能更好地對腦電信號進行分類和識別。2.1.1時域分析法最早發(fā)展起來的腦電分析方法是直接從時域來進行腦電信號的特征提取，優(yōu)點是物理意義明確，直觀性強，至今仍被廣泛使用。時域分析主要是直接提取波形特征，以供進一步的分析和診斷。近年來在波形特征識別、模板識別及在自適應(yīng)濾波等技術(shù)上均取得了不少進展。此外，利用AR等參數(shù)模型提取特征，

40、也是時域分析的一種重要手段，這些特征參數(shù)可用于EEG的分類、識別和跟蹤。2.1.2頻域分析法在睡眠覺醒周期的不同階段，腦電信號在不同頻譜段上的變化很大，研究腦電信號的頻域特征可以了解大腦神經(jīng)系統(tǒng)活動的重要信息。因此，頻域分析成為目前腦電分析研究及臨床應(yīng)用中的主要分析方法，也是一種具有高靈敏度的分析方法。頻域分析的手段有功率譜估計、相干分析和雙譜分析。1、功率譜估計功率譜估計是頻域分析的主要手段。功率譜表現(xiàn)出了信號的不同頻率成分以及各成分的相對強弱，是隨機信號的重要特征。它的意義在于把幅度隨時間變化的腦電波變換為腦電功率隨頻率變化的譜圖，從而可直觀地觀察到腦電節(jié)律的分布與變化情況。譜估計法一般可

41、分為經(jīng)典方法（包括基于FFT的周期圖法和自相關(guān)法）與現(xiàn)代方法（主要是參數(shù)模型法）。經(jīng)典譜估計方法：是直接(zhji)按定義用有限長數(shù)據(jù)來估計，以傅里葉變換為基礎(chǔ)(jch)的傳統(tǒng)譜估計方法。主要(zhyo)有兩條途徑：（1）先估計出相關(guān)函數(shù)，再由傅里葉變換估計出功率譜（根據(jù)維納欣欽定理）；（2）將幅頻特性的平方的總體均值與趨于無限的持續(xù)時間持續(xù)時間之比作為譜估計值。經(jīng)典譜估計存在很多缺點，比如它的方差特性不好，頻率分辨率低，還有當數(shù)據(jù)越長時，它的估計值沿著頻率軸的起伏越嚴重?，F(xiàn)代譜估計方法：現(xiàn)代譜估計6的主要內(nèi)容是參數(shù)模型法。在EEG信號處理中應(yīng)用也較為普遍。參數(shù)模型法的優(yōu)點是頻率分辨率高，特別

42、適合于短數(shù)據(jù)處理，且圖譜平滑，有利于參數(shù)的自動提取和定量分析，因此適合于對EEG作動態(tài)分析。參數(shù)模型法的思路是：假定所研究的過程x(n)，是一個由輸入序列u(n)通過一個線性系統(tǒng)H(z)的輸出,如下圖2.1所示：圖 2.1 參數(shù)模型法（2）由已知的x(n)來估計H(z)的參數(shù)；（3）由H(z)的參數(shù)來估計x(n)的功率譜。目前在EEG分析中應(yīng)用較多的是AR模型譜估計技術(shù)。由于腦電是非平穩(wěn)性比較突出的信號，估計時一般要分段處理，而AR譜比較適用于短數(shù)據(jù)處理，因此就更適合于對腦電作分段譜估計。但這種方法對被處理信號的線性、平穩(wěn)性及信噪比要求較高，因此不適合對長數(shù)據(jù)的EEG進行分析處理。2、相干分析

43、相干函數(shù)表示兩個函數(shù)(如兩導(dǎo)程腦電圖)之間的振幅、頻率和相角的相應(yīng)性的度量。在腦電研究領(lǐng)域里，該函數(shù)表示了大腦不同部位活動的相干性。相干分析法的算法簡單，能刻畫腦不同部位的活動在節(jié)律上的一致性，但不能取得大腦活動的瞬態(tài)特性。3、雙譜分析功率譜分析可以有效地反映信號的二階信息，卻丟失了包括相位信息在內(nèi)的高階信息，而這些信息對EEG信號分析有時顯得很有意義。雙譜密度函數(shù)定義為： (2.1) (2.2)對于高斯隨機分布而言，雙譜作為隨機信號偏離高斯分布的一個測度，經(jīng)過對實際EEG數(shù)據(jù)檢驗表明(biomng)，不同功能狀態(tài)下的EEG對高斯分布的偏離度有較大差別。雙譜分析要求信號至少三階平穩(wěn)，因此對短數(shù)

44、據(jù)EEG信號才有意義。2.1.3 時頻分析法時域分析和頻域分析一般用來處理平穩(wěn)信號，它們之間靠傅里葉變換和傅里葉反變換互相連接。而腦電信號卻是非平穩(wěn)隨機信號，因此工程上常采用時域加窗和頻域加窗的方法來分析，但嚴格說來這兩種分析方法也有同樣的缺點(qudin)，即時域與頻域分辨率的“不確定性原理(yunl)”(也稱測不準原理)。越在時域上分辨的愈細致，則在頻域上分辨的愈模糊，反之亦然，不可能在時域和頻域上同時獲得較高的分辨率。因此，就發(fā)展出來了把時域分析和頻域分析結(jié)合起來的方法，即時頻域分析法7。目前應(yīng)用廣泛的有小波變換的方法和Wigner分布方法。維格納分布維格納分布(WD)是一種時頻混和的信

45、號表示法，能同時進行時域和頻域分析，并將兩者結(jié)合起來，其各階矩具有明確的物理意義。設(shè)x(t)是連續(xù)時間復(fù)值函數(shù)，則其WD定義為: (2.3) 對時間離散、頻率連續(xù)的維格納分布，定義為： (2.4)由于實際進行信號處理時數(shù)據(jù)總是有限長，而其被處理數(shù)據(jù)隨時間推移而移動，這相當于加窗處理，從而引入時間離散的偽維格納分布： (2.5)對時間、頻率均離散化的偽維格納分布為： (2.6)維格納分布具有極高的時頻分辨率，還有許多優(yōu)良的特性，如對稱性、時移性、頻移性或頻域壓擴特性、組合性、復(fù)共扼關(guān)系、可逆性、歸一性等。因此通過對信號進行Wigner分析，不但可求出信號的時間、頻率兩域分布圖，還可以求出信號的頻

46、率變化情況，從而能更好的對腦電信號進行分類、辨別。但是由于Winger分布不是線性處理，會產(chǎn)生一個多余的交叉項，這個多余成分對信號處理的有用成分構(gòu)成了難以克服的干擾(gnro)，從而影響了Winger分布的實際應(yīng)用與推廣8。2、小波變換(binhun)小波變換(binhun)是建立在傅立葉變換基礎(chǔ)上的一個發(fā)展。小波變換的思想來源于伸縮與平移方法，與傅立葉變換相比，小波變換是空間（時間）和頻率的局部變換，具有良好的時頻特性，能較好的解決時域和頻域分辨率的矛盾。小波分析相當于一個數(shù)學(xué)顯微鏡，具有放大、縮小和平移功能，其作用類似于一組帶寬相等、中心頻率可變的帶通濾波器9。小波分析在高頻時使用短窗口，

47、而在低頻時使用寬窗口，充分體現(xiàn)了相對帶寬頻率分析和適應(yīng)變分辨率分析的思想，從而為信號的實時處理提供了一條可能途徑?，F(xiàn)在用小波變換中的多尺度分析可以根據(jù)EEG中的棘波、棘慢波及偽差在不同尺度上表現(xiàn)不同而檢測這些異常波。信號x(t)的小波變換定義為： (2.7) 小波變換最重要的特點是它是一種變分辨率的時頻聯(lián)合分析方法，在分析低頻信號時，其時間窗很大，而當分析高頻信號時，其時間窗減小，這與實際問題中高頻信號持續(xù)時間短、低頻信號持續(xù)時間較長的自然規(guī)律是吻合的，因而小波變換在時頻分析領(lǐng)域具有很大的優(yōu)勢。小波變換具有的特點：（1）多分辨率(多尺度)；（2）品質(zhì)因數(shù)，即相對帶寬(中心頻率與帶寬之比)恒定；

48、（3）適當?shù)剡x擇基本小波，可使小波在時、頻兩域都具有表征信號局部特征的能力。2.2傅里葉變換及其性質(zhì)2.2.1 一般傅里葉變換對于確定(qudng)信號，如果(rgu)滿足條件，則可以求解(qi ji)其傅里葉變換 (2.8)傅里葉反變換 (2.9)將上式離散化得： (2.10)2.2.2 離散傅里葉變換離散傅里葉變換對于處理有限長序列在理論及方法上都有著重要的意義。它是實現(xiàn)數(shù)字濾波、對信號作數(shù)字頻譜分析的基本方法。由于對離散傅里葉變換來說，當數(shù)據(jù)點數(shù)為時，大約需要次乘法和次加法。那么當很大的時候，求一個點的離散傅里葉變換要完成次復(fù)數(shù)乘法和次復(fù)數(shù)加法，其計算量相當大。離散傅立葉級數(shù)變換是周期序

49、列，仍不便于計算機計算。但它卻只有個獨立的數(shù)值，所以它的許多特性可以通過有限長序列延拓來得到。對于一個長度為N的有限長序列，也即只在n=0（N-1）個點上有非零值，其余皆為零，即： (2.11)把序列以為周期進行周期延拓得到周期序列，則有： (2.12)所以，有限長序列的離散傅立葉變換（DFT）為： (2.13)逆變換為 (2.14)通常我們用算法所需的乘法和加法運算次數(shù)，來衡量各種算法的復(fù)雜性和效率。這里的通常都是復(fù)數(shù)，于是整個離散傅里葉變換，運算就需要次復(fù)數(shù)乘法和次復(fù)數(shù)加法。因此，直接計算離散傅里葉變換，乘法和加法的次數(shù)都與成正比；當較大時，計算量太大，無法得到實際的應(yīng)用。所以，就引入了另

50、一種有效的算法快速傅立葉變換（FFT）。2.2.3 快速(kui s)傅里葉變換1965年，J W Cooley和J W Tukey發(fā)現(xiàn)了離散傅里葉變換的一種快速(kui s)算法，經(jīng)其他學(xué)者進一步改進，逐漸發(fā)展完善形成了一整套行之有效的算法設(shè)計思想和方法。這就是快速(kui s)傅立葉變換（Fast Fouier Transform），簡稱FFT。FFT算法設(shè)計的基本思想，就是充分利用DFT的周期性和對稱性，減少重復(fù)的計算量；并把N點長序列分成幾個短序列，減少每個序列長度，可大大減少計算量。使得傅立葉變換和卷積這類難度很大的計算工作的復(fù)雜度從量級降到了量級，這種算法將DFT的計算速度提高了倍

51、，使許多信號的處理工作能與整個系統(tǒng)的運行速度協(xié)調(diào)，開創(chuàng)了數(shù)字信號處理的一個新里程?？焖俑盗⑷~變換主要是利用了下面兩個特性使長序列的DFT分解為更小點數(shù)的DFT所實現(xiàn)的。（1）利用的對稱性使DFT運算中有些項合并 (2.15)（2）利用的中期性和對稱性是長序列的DFT分解為更小點數(shù)的DFT (2.16)快速傅立葉變換算法基本上可以分成兩大類，即按時間抽取法和按頻率抽取法，前者是將時域信號序列按偶奇分排，后者是將頻域信號序列按偶奇分排。在這里，以按時間抽?。―IT）的FFT算法為例，簡單說明一下FFT算法的算法原理。為了討論方便，設(shè)，其中為整數(shù)。如果不滿足這個條件，可以人為地加上若干零值點來得到。

52、有FFT的定義可知： (2.17)其中是列長為N（n=0,1,N-1）的輸入序列，把它按的奇偶分成兩個子序列 (2.18)又由于(yuy)，則 (2.19)n為偶數(shù)(u sh) n為奇數(shù)上式表明(biomng)了一個點的DFT可以被分解為兩個點的DFT。同時，這兩個點的DFT按照上式又可分成一個點的DFT。為了要用點數(shù)為點的、來表達點的值還必須要用系數(shù)的周期性，即 (2.20)這樣可得 (2.21) 即 (2.22)同理可得 (2.23)另外再加上的對稱性 (2.24)就可以將的表達式分為前后兩部分：前半部分 (2.25)后半部分 (2.26) 由以上(yshng)可見，只要求出區(qū)間內(nèi)各個(g

53、g)整數(shù)值所對應(yīng)(duyng)的和的值，即可求出區(qū)間內(nèi)的全部值，這恰恰是FFT能大量節(jié)省計算量的關(guān)鍵所在。2.3 特征提取2.3.1腦電特征提取的定義在模式識別領(lǐng)域，特征提取(Feature Extraction)定義為“找到原始d維特征空間的一個恰當?shù)膍維子空間” 。特征空間的變換可以是線性的，也可以是非線性的，通常md 。 Jain從降維的角度給出了上述定義，其中降維后的特征空間是否“恰當”，主要取決于降維后的特征空間是否有助于解決當前的模式識別問題。腦電信號特征提取(EEG Feature Extraction)與上述定義不盡相同，但有相通之處。腦電信號是多元混沌時間序列，不能將其直接輸

54、入到分類器。因此，需要找到一些腦電信號的描述量，并以此作為分類標準，這些腦電信號的描述量被稱為腦電信號的“特征”，而尋找這些描述量的過程就是腦電信號的特征提取。通俗地講腦電信號特征提取就是從經(jīng)過了預(yù)處理和數(shù)字化處理的腦電信號中提取出能反應(yīng)使用者意圖的信號特征。2.3.2腦電特征提取的常用方法常用的特征提取方法有小波變換、自回歸模、獨立分量分析和共空間模式等10。小波變換：所謂的“小波”具有有限的持續(xù)時間和突變的頻率和振幅，在有限時間范圍內(nèi)平均值為零。小波變換就是時間頻率的局部化分析，它能夠有效地檢測出腦電信號中短時、低能量的瞬時脈沖，其最大的優(yōu)點是采用可變的時頻窗口去分析信號的不同頻率成分。自

55、回歸(hugu)模：是基于分段法，通過估計每段數(shù)據(jù)的AR 模型參數(shù)，得到(d do)一個關(guān)于AR 模型參數(shù)的時間過程，AR 的系數(shù)就是線性回歸模型的參數(shù)，也是代表信號特征的特征信號。通過改變這些系數(shù)，就可以得到不同的特征信號功率譜密度估計。獨立分量(fn ling)分析：此分析方法是基于信源之間的相互統(tǒng)計獨立性的高級統(tǒng)計特性的分析方法。它可以在消除噪聲的同時，幾乎不破壞其它信號的細節(jié)，它的去噪性能也往往要比傳統(tǒng)的濾波方法好很多。共空間模式：共空間模式是假設(shè)在高維空間中的兩種情況分類，希望找到某個方向上一類方差最大，而另一類方差最小。因此共空間模式能估計出兩個空間濾波器來提取任務(wù)相關(guān)信號成分，并

56、且同時去除任務(wù)不相關(guān)成分和噪聲。共空間模式用于線性和非線性均可。第三章 支持(zhch)向量機的認識(rn shi)及應(yīng)用(yngyng)3.1 常用的分類識別方法3.1.1 分類識別的基本概念我們把輸入的數(shù)據(jù)稱為訓(xùn)練集，它由一條條包含若干屬性的數(shù)據(jù)庫記錄組成。樣本向量為一個具體樣本的表示，表示為（x1,x2,x3xn,y），其中x表示屬性值，y表示類別。分類的目的是根據(jù)訓(xùn)練集中的數(shù)據(jù)表現(xiàn)出來的特性，為每一個類找到一個準確的描述。由此生成的模型用來對測試數(shù)據(jù)進行分類。分類器的構(gòu)造方法有：統(tǒng)計方法（主要有貝葉斯方法）、機器學(xué)習(xí)方法（主要有支持向量機）和神經(jīng)網(wǎng)絡(luò)方法。我們可以通過預(yù)測準確度、計算復(fù)

57、雜度和模型描述的簡潔度三個評價尺度來判斷分類器性能的優(yōu)劣11。3.1.2 常用分類識別方法簡介貝葉斯分析方法：是一種基于統(tǒng)計方法的分類模型。其方法為，將關(guān)于未知參數(shù)的先驗信息與樣本信息綜合，根據(jù) HYPERLINK /doc/5707671.html t _blank 貝葉斯公式，得出后驗信息，根據(jù)后驗信息去推斷未知參數(shù)。采用貝葉斯分類器所要滿足的條件：（1）類別總體的概率分布已知；（2）分類的類別數(shù)一定。神經(jīng)網(wǎng)絡(luò)方法：人工神經(jīng)網(wǎng)絡(luò)（ANN）12是一種模仿神經(jīng)網(wǎng)絡(luò)行為特征，進行分布式并行信息處理的算法。它具有很強的逼近能力，尤其是徑向基函數(shù)(RBF)網(wǎng)絡(luò)和反向傳播(BP)網(wǎng)絡(luò)具有逼近任何非線性

58、函數(shù)的能力。基本特征有：非線性、非局限性、非常定性、非凸性。支持向量機：支持向量機與人工神經(jīng)網(wǎng)絡(luò)是現(xiàn)如今最流行的學(xué)習(xí)機，本次實驗我將使用支持向量機來進行。支持向量機不需要使用者有豐富的先驗知識和經(jīng)驗知識，它具有以下幾個特點：（1）支持向量機基于結(jié)構(gòu)最小化原則；（2）引入了核函數(shù)，將低維特征空間的問題映射到了高維空間；（3）支持向量機擅長處理樣本數(shù)據(jù)線性不可分的情況；（4）支持向量機主要針對小樣本的情況；（5）支持向量機的算法轉(zhuǎn)化(zhunhu)為二次規(guī)劃中的凸優(yōu)化問題。3.2 支持(zhch)向量機3.2.1 支持(zhch)向量機概述支持向量機(SVM)是Vapnik和 Cortes于199

59、5年提出的一種基于統(tǒng)計學(xué)習(xí)理論的機器學(xué)習(xí)方法。它具有堅實的理論基礎(chǔ)，簡潔的表示形式，良好的非線性處理能力，優(yōu)秀的泛化能力，在解決小樣本、非線性、局部極小點及高維 HYPERLINK /doc/5408414.html t _blank 模式識別中表現(xiàn)出許多特有的優(yōu)勢，避免了傳統(tǒng)神經(jīng)網(wǎng)絡(luò)中普遍存在的局部最優(yōu)問題，并能夠推廣應(yīng)用到函數(shù)擬合等其他 HYPERLINK /doc/3290018.html t _blank 機器學(xué)習(xí)問題中。支持向量機方法是建立在統(tǒng)計 HYPERLINK /doc/5378098.html t _blank 學(xué)習(xí)理論的VC維理論和結(jié)構(gòu) HYPERLINK /doc/100

60、2008.html t _blank 風(fēng)險最小 HYPERLINK /doc/5418626.html t _blank 原理基礎(chǔ)上的，根據(jù)有限的樣本信息在模型的復(fù)雜性和學(xué)習(xí)能力之間尋求最佳折衷，以期獲得最好的推廣能力13。 因此，支持向量機在科學(xué)研究和實際生產(chǎn)中都得到了廣泛的應(yīng)用。本次選用支持向量機作為分類器，對經(jīng)過特征提取的腦電信號進行機器學(xué)習(xí)。具體做法如下：首先將腦電信號的特征向量輸入支持向量機，作為正樣本，然后將非腦電信號的特征向量輸入支持向量機，作為負樣本。如此將支持向量機訓(xùn)練好，再輸入任意的腦電信號，即可判別它是否為腦電信號。3.2.2 支持向量機的方法1、幾個名詞的解釋統(tǒng)計學(xué)習(xí)機