專利名稱：腦電波分析方法
技術(shù)領(lǐng)域：
本發(fā)明涉及人體健康工程、神經(jīng)生理學(xué)、生物醫(yī)學(xué)數(shù)字信號(hào)處理技術(shù)、模式提取與模式分類、軟件工程，尤其涉及一種腦電波分析方法。

背景技術(shù)：
過(guò)快的都市節(jié)奏及激烈的市場(chǎng)競(jìng)爭(zhēng)給我們帶來(lái)的除了城市的繁榮外，更多的是白領(lǐng)們工作壓力的日益遞增，由此帶來(lái)的結(jié)果就是越來(lái)越多的人群處于亞健康狀態(tài)。亞健康的主要癥狀應(yīng)包括疲勞、失眠、頭痛、肌肉和關(guān)節(jié)疼痛、容易反復(fù)感冒、胸悶氣短、心悸、食欲不振等軀體方面的表現(xiàn)；抑郁、焦慮、恐懼、冷漠、孤獨(dú)、嫉妒、精神不振、情緒低落等心理方面的表現(xiàn)；以及不能很好地承擔(dān)相應(yīng)的社會(huì)義務(wù)及責(zé)任、人際關(guān)系緊張、家庭關(guān)系不和睦、工作學(xué)習(xí)困難等社會(huì)適應(yīng)方面的表現(xiàn)。
放松訓(xùn)練指的是在一個(gè)安靜的環(huán)境中，按一定的要求去完成特定的動(dòng)作程序，通過(guò)反復(fù)練習(xí)，使人學(xué)會(huì)有意識(shí)地控制自體的心理生理活動(dòng)，以降低機(jī)體的喚醒水平，調(diào)整因緊張性刺激而引起的機(jī)體心理--生理功能的紊亂。
隨著亞健康人群越來(lái)越多，心理危機(jī)成為重要?dú)⑹?，疲勞等?jí)判定和放松治療意義重大，臨床上面，比如腦癱，植物人的康復(fù)治療也對(duì)腦電波的正確判讀具有迫切需求，而且，臨床上醫(yī)生和心理醫(yī)生的人工診斷具有主觀性，醫(yī)生需要長(zhǎng)期培訓(xùn)，積累豐富的臨床經(jīng)驗(yàn)才能勝任，且他們的工作量有時(shí)候很巨大，比如人工判讀長(zhǎng)時(shí)間記錄的腦電圖，病理情況也是因人而異，但是治療方法可能只是單一性的。
腦力疲勞的定量判定-腦波研究 腦力疲勞是指工作或?qū)W習(xí)過(guò)程中，由于長(zhǎng)時(shí)間從事腦力勞動(dòng)而導(dǎo)致人們作業(yè)機(jī)能衰退、腦力能力下降的現(xiàn)象。其主要表現(xiàn)為工作或?qū)W習(xí)效率低下，反應(yīng)遲緩，記憶力下降，注意力不集中以及協(xié)調(diào)性能變差。在交通駕駛、航空航天活動(dòng)、人-機(jī)系統(tǒng)監(jiān)控等工作中，操控人員瞬間的注意力分散、反應(yīng)遲緩或協(xié)調(diào)性不夠，都可能導(dǎo)致極為嚴(yán)重的事故。因此，分析、研究腦力疲勞及其評(píng)價(jià)標(biāo)準(zhǔn)，就顯得尤為重要。
目前主要采用主觀評(píng)價(jià)方法和行為學(xué)描述方法對(duì)腦力疲勞程度進(jìn)行評(píng)估。主觀評(píng)價(jià)方法根據(jù)作業(yè)者的身體感受癥狀來(lái)判斷疲勞的程度，主要通過(guò)問(wèn)卷調(diào)查的形式來(lái)進(jìn)行，但其評(píng)分標(biāo)準(zhǔn)不易統(tǒng)一、且易受主觀因素的影響，無(wú)法對(duì)疲勞時(shí)心理生理狀態(tài)進(jìn)行客觀評(píng)定。而行為學(xué)描述方法主要通過(guò)腦力任務(wù)的反應(yīng)時(shí)間和正確率對(duì)腦力疲勞程度進(jìn)行評(píng)價(jià)。不但與被試者的主動(dòng)配合程度密切相關(guān)，而且還有較強(qiáng)的“學(xué)習(xí)效應(yīng)”，必須事先對(duì)被試者進(jìn)行較長(zhǎng)時(shí)問(wèn)的訓(xùn)練，以排除“學(xué)習(xí)效應(yīng)”影響，因而無(wú)法實(shí)時(shí)動(dòng)態(tài)檢測(cè)腦力疲勞。
近年來(lái)，腦電信號(hào)的檢測(cè)與分析技術(shù)取得了很大的進(jìn)步。在腦力疲勞研究中，腦電現(xiàn)已成為最廣泛的評(píng)定中樞神經(jīng)系統(tǒng)變化的指標(biāo)之一，被譽(yù)為監(jiān)測(cè)疲勞的“金標(biāo)準(zhǔn)”。Murata等利用事件相關(guān)電位P300的幅度和潛伏期大小對(duì)腦力疲勞進(jìn)行分析，發(fā)現(xiàn)隨著腦力疲勞程度的增加，潛伏期延長(zhǎng)，幅度降低；Brookhuis等使用腦能量參數(shù)(theta+alpha)/beta對(duì)駕駛員進(jìn)行研究，發(fā)現(xiàn)隨著工作時(shí)間的增加、疲勞狀態(tài)的加重，該參數(shù)呈上升趨勢(shì)；Jung等用腦電功率譜對(duì)大腦警覺性水平進(jìn)行分析，發(fā)現(xiàn)腦電功率譜可以反映大腦警覺狀態(tài)的波動(dòng)情況。雖然先前研究已取得了一些有意義的成果，但還不是很成熟。
大腦的皮質(zhì)活動(dòng)與人體的放松，疲勞和緊張狀態(tài)息息相關(guān)。由于腦電信號(hào)可以分解為4個(gè)不同的節(jié)律，這4個(gè)不同的節(jié)律會(huì)隨著疲勞狀態(tài)的變化而變化。通過(guò)腦電采集儀對(duì)采集到的腦波進(jìn)行分析評(píng)估后采用相應(yīng)的方案進(jìn)行放松訓(xùn)練從而有效的緩減緊張疲勞的心理生理狀態(tài)。為腦力疲勞研究開辟一條新途徑。
模式識(shí)別方法在腦電數(shù)字信號(hào)處理中的應(yīng)用 自1924年，德國(guó)神經(jīng)精神病學(xué)家漢斯·貝格爾(Hans Berger)開始了對(duì)人類腦電活動(dòng)的研究，并于1929年發(fā)表了名為“人類腦電圖”的第一篇研究報(bào)告后，人們對(duì)腦信號(hào)(electroencephalogram，EEG)無(wú)論是從研究手段還是研究方法上都取得了顯著的進(jìn)展。在研究手段方面，隨著電子和通訊技術(shù)的發(fā)展，數(shù)字腦電圖儀和無(wú)線腦電圖儀相繼問(wèn)世，為腦電圖的記錄和分析提供了更多的便捷。
近年來(lái)，數(shù)字信號(hào)處理技術(shù)與模式識(shí)別方法蓬勃發(fā)展，在生物醫(yī)學(xué)信號(hào)處理中的應(yīng)用也越來(lái)越為人們所關(guān)注。從經(jīng)典的時(shí)頻域信號(hào)處理方法到現(xiàn)代的時(shí)頻域、高階累積量信號(hào)處理方法，從有維數(shù)災(zāi)難和易陷入局部極小的神經(jīng)網(wǎng)絡(luò)到適合高階數(shù)據(jù)分析且全局最優(yōu)的支持向量機(jī)，模式識(shí)別方法將繼續(xù)向前發(fā)展，不斷推進(jìn)人類去揭開隱藏在大腦深處的奧秘。
在對(duì)腦電波的分析方面，存在以下難點(diǎn) 難點(diǎn)一腦電信號(hào)與人腦狀態(tài)的特征提取。
如果說(shuō)信號(hào)是攜帶有客觀物體特征或狀態(tài)的信息載體，則腦電信號(hào)就是攜帶有人腦特征或狀態(tài)的信息載體。人腦是一個(gè)開放的、時(shí)變的和非線性的，主要是確定性特征的系統(tǒng)，因此，這樣的系統(tǒng)產(chǎn)生的信號(hào)，也應(yīng)該是時(shí)變的、非線性的，主要是確定性的。由于腦電信號(hào)在測(cè)量后會(huì)引入隨機(jī)誤差，并且信號(hào)本身存在隨機(jī)干擾，這些都使信號(hào)隨機(jī)化。隨機(jī)信號(hào)處理技術(shù)的應(yīng)用有助于提取包含在隨機(jī)化了的信號(hào)中的確定成分(真實(shí)腦電信號(hào))。
經(jīng)典的信號(hào)處理技術(shù)針對(duì)的是線性的、非時(shí)變問(wèn)題，而對(duì)于時(shí)變的、非線性問(wèn)題，往往先提出一些近似合理的假設(shè)，即在相當(dāng)短的時(shí)間內(nèi)，認(rèn)為腦電信號(hào)是線性的、非時(shí)變的。而針對(duì)非線性腦電信號(hào)處理技術(shù)也不斷豐富起來(lái)，如時(shí)頻分析技術(shù)、高階譜分析技術(shù)、復(fù)雜度分析技術(shù)等。
難點(diǎn)二對(duì)人腦的狀態(tài)進(jìn)行有效地等級(jí)判定。
由于受到腦電信號(hào)本身的時(shí)變性、非線性和隨機(jī)性的影響，此外還受到個(gè)體與個(gè)體之間的差異性影響，對(duì)人腦狀態(tài)的正確評(píng)定和劃分成為了難點(diǎn)問(wèn)題。


發(fā)明內(nèi)容
本發(fā)明提供了一種腦電波分析方法，解決了背景技術(shù)中不能進(jìn)行量化分析，實(shí)時(shí)性差，個(gè)體針對(duì)性不強(qiáng)的問(wèn)題，應(yīng)用了經(jīng)典的時(shí)頻域分析和主成份分析方法解決了腦電信號(hào)特征提取的難題，成功地提取了與人體緊張，疲勞與放松息息相關(guān)的時(shí)頻域參數(shù)，并且將其映射到主成分空間中去，還運(yùn)用了支持向量機(jī)在主成份空間中高效地分析非線性關(guān)系，提高了判讀的精確性和有效性。
為了達(dá)到上述目的，本發(fā)明提供了一種腦電波分析方法，包含以下步驟 步驟1、采集腦電數(shù)據(jù)； 8導(dǎo)腦電Fp1-A1，F(xiàn)3-A1，O1-A1，F(xiàn)p2-A2，F(xiàn)4-A2，O2-A2，F(xiàn)z-Aav和Cz-Aav； 1導(dǎo)皮膚阻抗SCR； 1導(dǎo)心電ECG； 1導(dǎo)水平眼電HEOG； 1導(dǎo)垂直眼電VEOG； 1導(dǎo)肌電EMG； 步驟2、對(duì)采集到的腦電數(shù)據(jù)進(jìn)行時(shí)域分析； 步驟2.1、腦電回放(EEG review)，了解本次采集數(shù)據(jù)有無(wú)明顯的偽差；引起產(chǎn)生偽差的原因主要有三個(gè)方面 1、自身的生理現(xiàn)象和精神因素引起的偽差； 2、腦電記錄儀本身帶來(lái)的偽差； 3、空間電磁干擾產(chǎn)生的偽差； 步驟2.2、剔除明顯漂移的腦電數(shù)據(jù)； 步驟2.3、觀察眼電的方向與眼電偽跡的方向是否一致，以及眼電的幅值大小，以指導(dǎo)后續(xù)的去除眼電的步驟； 步驟2.4、觀察心電導(dǎo)聯(lián)和肌電導(dǎo)聯(lián)的基本特征和幅值大小，目測(cè)對(duì)腦電影響的位置和程度，以指導(dǎo)后續(xù)的偽跡剔除的步驟； 步驟3、對(duì)腦電(EEG)進(jìn)行預(yù)處理； 步驟3.1、去除生理偽跡； 去除眨眼偽跡(Blink)，心電偽跡(EKG)，肌電偽跡(EMG)； 采用相關(guān)法去除眨眼偽跡 矯正的EEG＝原始EEG-b×EEG(1) 其中，b為傳遞系數(shù)，通過(guò)分別估算眼電導(dǎo)聯(lián)和每導(dǎo)EEG的協(xié)方差來(lái)計(jì)算 b＝cov(EOG，EEG)/var(EOG) 其中，cov為協(xié)方差“covariance”，var代表方差“variance”； 步驟3.2、去除技術(shù)偽跡； 去除由50周干擾(市用50Hz交流電混入腦電引起的在整個(gè)導(dǎo)聯(lián)上都會(huì)出現(xiàn)50Hz的工頻干擾)和阻抗過(guò)高引起的偽跡等； 選用數(shù)字濾波來(lái)去除； 步驟4、對(duì)腦波進(jìn)行頻域分析； 步驟4.1、先將采集得到的腦電時(shí)序列數(shù)據(jù)分段保存，經(jīng)快速傅立葉變換(FFT)得到傅立葉成分； N點(diǎn)有限長(zhǎng)序列x(n)的離散傅立葉變換(DFT)為 X(k)為變換得到的傅立葉成分，WN來(lái)表示正交序列集中的基

即 步驟4.2、由傅立葉成分計(jì)算功率譜 P(k)＝|X(k)|2(3) 步驟4.3、由功率譜成份計(jì)算得出各個(gè)導(dǎo)聯(lián)的腦電參數(shù) 1、幅值[μv](符號(hào)為Az(c))
2、百分比[％](符號(hào)為Pz(c))Pz(c)＝Sz(c)/ST(c)； 3、重心頻率[Hz](符號(hào)為Fz(c))
其中，c代表各個(gè)腦電導(dǎo)聯(lián)Fp1-A1，F(xiàn)3-A1，O1-A1，F(xiàn)p2-A2，F(xiàn)4-A2，O2-A2，F(xiàn)z-Aav和Cz-Aav； z代表腦電的各個(gè)頻率段δ(0.5-4Hz)，θ(4-8Hz)，α(8-13Hz)，β(13-25Hz)和T(0.5-25Hz)； p(f(c))是頻率f(f取值0.5-25hz)處的腦電功率譜成份； Sz(c)是在z頻段范圍內(nèi)c導(dǎo)聯(lián)處的腦電功率譜成份之和； ST(c)是T頻段范圍內(nèi)(0.5～25Hz)c導(dǎo)聯(lián)處的腦電功率譜成份之和； 步驟5、提取腦波特征，進(jìn)行主成分分析； 主成分分析(principle component analysis，PCA)技術(shù)是依據(jù)原始數(shù)據(jù)的線性變換，由原始數(shù)據(jù)互相關(guān)矩陣的主要特征的大小來(lái)確定坐標(biāo)變換和變量壓縮，目的是在數(shù)據(jù)空間中找到一組m維的正交基，這組正交基最大可能地表示數(shù)據(jù)的方差和協(xié)方差，以便將數(shù)據(jù)從原始的1維空間映射到由這組正交基所構(gòu)成的m維子空間上(m＜1)，從而達(dá)到降維和特征提取的目的。正是由于PCA技術(shù)原理清楚、計(jì)算簡(jiǎn)單、實(shí)現(xiàn)方便，因此被廣泛的應(yīng)用到信號(hào)分析的領(lǐng)域。
步驟5.1、選取腦電頻域參數(shù)來(lái)構(gòu)造原始數(shù)據(jù)S； 原始數(shù)據(jù)S的構(gòu)成為 S＝[s1，s2……sp]T(4) 其中，s1，s2……sp為p個(gè)腦波頻率參數(shù)； 步驟5.2、進(jìn)行KMO(Kaiser-Meyer-Olkin檢驗(yàn)方法)檢驗(yàn)，判斷原始數(shù)據(jù)S是否適合做主成分分析； KMO(Kaiser-Meyer-Olkin measure)，用于檢驗(yàn)變量間的偏相關(guān)性是否足夠??； KMO計(jì)算公式如下 其中，rij2為兩變量間的簡(jiǎn)單相關(guān)系數(shù)，aij2為兩變量間的偏相關(guān)系數(shù)，KMO統(tǒng)計(jì)量取值在0至1之間，其值越大，做主成分分析的效果越好，當(dāng)KMO＜0.5時(shí)，不適合做主成分分析； 步驟5.3、計(jì)算特征值和主成分； 設(shè)原始數(shù)據(jù)S＝[s1，s2……sp]T是p維隨機(jī)向量，它的協(xié)方差陣的p個(gè)特征值為λ1≥λ2≥……≥λp≥0，相應(yīng)的標(biāo)準(zhǔn)正交化的特征向量為α1，α2……αp； 原始數(shù)據(jù)S的第i個(gè)主成分為 特征值為 且方差λi＝Var(fi)，i＝1，2……p；(7) 其中，Var()為方差函數(shù)； 步驟5.4、根據(jù)特征值λ計(jì)算累計(jì)方差貢獻(xiàn)率C，確定主成分個(gè)數(shù)q； 其中，p表示原始空間中特征的個(gè)數(shù)，q表示所取的主成分個(gè)數(shù)；通常，前q個(gè)主成分的累計(jì)貢獻(xiàn)率C要求達(dá)到70％-90％； 步驟5.5、計(jì)算特征主成分的負(fù)荷矩陣 主成分的負(fù)荷矩陣相應(yīng)由步驟5.3中的特征向量α1，α2……αp生成，前q個(gè)主成分的負(fù)荷矩陣表示為[α1，α2……αq]； 步驟6、采用支持向量機(jī)進(jìn)行腦波模式分類； 支持向量機(jī)是Vapnik在20世紀(jì)90年代中期提出的，它是一種建立在小樣本理論基礎(chǔ)上的通用學(xué)習(xí)機(jī)器。它不僅能夠避免傳統(tǒng)方法中出現(xiàn)的局部極小和過(guò)度擬合問(wèn)題，而且通過(guò)引入核函數(shù)(kernel function)，使人們能夠在高維空間中高效地分析非線性關(guān)系。支持向量機(jī)在分類中的優(yōu)越性，不僅體現(xiàn)在分類正確率的提高，而且體現(xiàn)在訓(xùn)練速度的提升； 步驟6.1、構(gòu)造q維的輸入向量x＝(x1，x2……xi……xq)； 其中，q為步驟5.4中確定的主成分個(gè)數(shù)，xi＝fi是第i個(gè)主成分。
將步驟5中提取到的特征主成分代入上式； 步驟6.2、計(jì)算支持向量機(jī)的決策函數(shù)； 支持向量機(jī)的決策函數(shù)為 其中，sgn()為符號(hào)函數(shù)，ai*為最優(yōu)解，K(xi，x)表示內(nèi)積計(jì)算，相當(dāng)于把原來(lái)的特征空間變換到某一新的特征空間；設(shè)共有n個(gè)訓(xùn)練樣本(xi，yi)，yi是訓(xùn)練集中樣本的類別標(biāo)號(hào)，yi∈{+1，-1}，b°是新的特征空間中原點(diǎn)到分類面的距離，y＝f(x)是測(cè)試集中樣本的類別標(biāo)號(hào)，也就是最終判別出的狀態(tài)； 步驟6.3、輸出分類結(jié)果y∈{+1，-1}，+1是疲勞狀態(tài)，-1是放松狀態(tài)。
本發(fā)明具有如下優(yōu)點(diǎn) 1、定量判定利用腦電信號(hào)可以定量地測(cè)量和判讀人的生理，心理和情緒狀況；利用數(shù)字信號(hào)處理技術(shù)和特征提取算法能夠提取與人的緊張，焦慮，抑郁情緒相對(duì)應(yīng)的電生理參數(shù)，利用模式識(shí)別技術(shù)可以正確判定疲勞等級(jí)，區(qū)分疲勞和放松等不同的精神狀態(tài)。
2、實(shí)時(shí)評(píng)價(jià)分析腦電與人體精神狀態(tài)的關(guān)系，實(shí)時(shí)地給出疲勞判定和放松效果的評(píng)價(jià)。
3、個(gè)體針對(duì)性基于自身腦電的分析更加具有康復(fù)治療的針對(duì)性，治療方案可以因人而異； 4、廣泛的適用人群適用既面向正常人群，又面向臨床上的病例，具有廣泛的應(yīng)用價(jià)值； 5、精確的判讀結(jié)果從醫(yī)生定性的診斷治療到腦電信號(hào)定量的測(cè)評(píng)，診斷和治療，大大減少人工分析的主觀性，提高工作效率和分析結(jié)果的一致性。
6、良好的通用性適用于各種腦電采集儀采集的數(shù)據(jù)。
本發(fā)明應(yīng)用了經(jīng)典的時(shí)頻域分析和主成份分析方法解決了腦電信號(hào)特征提取的難題。又應(yīng)用了支持向量機(jī)的方法對(duì)腦力疲勞和放松效果給出了正確性很高的判讀結(jié)果。



圖1是實(shí)施例中主成分分析中輸入變量數(shù)目與特征值的關(guān)系圖； 圖2是實(shí)施例中支持向量機(jī)的示意圖； 圖3是實(shí)施例中訓(xùn)練集和測(cè)試集在主成分空間中的分布示意圖。

具體實(shí)施例方式 以下根據(jù)圖1～圖3，具體說(shuō)明本發(fā)明的較佳實(shí)施例 一種腦電波分析方法，包含以下步驟 步驟1、采集腦電數(shù)據(jù)； 在25℃室溫下安靜獨(dú)立房間中進(jìn)行腦電數(shù)據(jù)采集； 參照國(guó)際10-20系統(tǒng)安放電極，雙極導(dǎo)聯(lián)，使用日本光電(Nihon-KodenEEG1100)進(jìn)行采集，采樣頻率為200Hz，采集30Hz以下的腦電成分，共采集13導(dǎo)數(shù)據(jù)，包括 8導(dǎo)腦電Fp1-A1，F(xiàn)3-A1，O1-A1，F(xiàn)p2-A2，F(xiàn)4-A2，O2-A2，F(xiàn)z-Aav和Cz-Aav； 1導(dǎo)皮膚阻抗SCR； 1導(dǎo)心電ECG； 1導(dǎo)水平眼電HEOG； 1導(dǎo)垂直眼電VEOG； 1導(dǎo)肌電EMG； 步驟2、對(duì)采集到的腦電數(shù)據(jù)進(jìn)行時(shí)域分析； 步驟2.1、腦電回放，了解本次采集數(shù)據(jù)有無(wú)明顯的偽差； 步驟2.2、剔除明顯漂移的腦電數(shù)據(jù)； 步驟2.3、觀察眼電的方向與眼電偽跡的方向是否一致，以及眼電的幅值大小，以指導(dǎo)后續(xù)的去除眼電的步驟； 步驟2.4、觀察心電導(dǎo)聯(lián)和肌電導(dǎo)聯(lián)的基本特征和幅值大小，目測(cè)對(duì)腦電影響的位置和程度，以指導(dǎo)后續(xù)的偽跡剔除的步驟； 步驟3、對(duì)腦電(EEG)進(jìn)行預(yù)處理； 步驟3.1、去除生理偽跡； 去除眨眼偽跡(Blink)，心電偽跡(EKG)，肌電偽跡(EMG)； 采用相關(guān)法去除眨眼偽跡 矯正的EEG＝原始EEG-b×EEG(1) 其中，b為傳遞系數(shù)，可以通過(guò)分別估算眼電導(dǎo)聯(lián)和每導(dǎo)EEG的協(xié)方差來(lái)計(jì)算 b＝cov(EOG，EEG)/var(EOG)； 其中，cov為協(xié)方差“covariance”，var代表方差“variance”； 步驟3.2、去除技術(shù)偽跡； 去除由50周干擾和阻抗過(guò)高引起的偽跡等； 選用數(shù)字濾波來(lái)去除； 步驟4、對(duì)腦波進(jìn)行頻域分析； 步驟4.1、先將采集得到的腦電時(shí)序列數(shù)據(jù)分段保存(每段數(shù)據(jù)5.12秒，含1024個(gè)采樣點(diǎn))，經(jīng)快速傅立葉變換(FFT)得到傅立葉成分，采用基于庫(kù)利-圖基型(頻率抽選的以2為基底)的FFT算法； N點(diǎn)有限長(zhǎng)序列x(n)的離散傅立葉變換(DFT)為 X(k)為變換得到的傅立葉成分，WN來(lái)表示正交序列集中的基

即 步驟4.2、由傅立葉成分計(jì)算功率譜(周期圖periodogram) P(k)＝|X(k)|2(3) 步驟4.3、由功率譜成份計(jì)算得出各個(gè)導(dǎo)聯(lián)的腦電參數(shù) 1、幅值[μv](符號(hào)為Az(c))
2、百分比[％](符號(hào)為Pz(c))Pz(c)＝Sz(c)/ST(c)； 3、重心頻率[Hz](符號(hào)為Fz(c))
其中，c代表各個(gè)腦電導(dǎo)聯(lián)Fp1-A1，F(xiàn)3-A1，O1-A1，F(xiàn)p2-A2，F(xiàn)4-A2，O2-A2，F(xiàn)z-Aav和Cz-Aav； z代表腦電的各個(gè)頻率段δ(0.5-4Hz)，θ(4-8Hz)，α(8-13Hz)，β(13-25Hz)和T(0.5-25Hz)； p(f(c))是頻率f(f取值0.5-25hz)處的腦電功率譜成份； Sz(c)是在z頻段范圍內(nèi)c導(dǎo)聯(lián)處的腦電功率譜成份之和； ST(c)是T頻段范圍內(nèi)(0.5～25Hz)c導(dǎo)聯(lián)處的腦電功率譜成份之和； 步驟5、提取腦波特征，進(jìn)行主成分分析； 步驟5.1、選取腦電頻域參數(shù)來(lái)構(gòu)造原始數(shù)據(jù)S； 選取腦電9個(gè)頻域參數(shù)來(lái)構(gòu)造S，它們包括前額中線的theta波，中央?yún)^(qū)的beta波，枕區(qū)的alpha波和beta波； 原始數(shù)據(jù)S＝[s1，s2……s9]，其中s1，s2……s9為9個(gè)腦波頻率參數(shù)，它們分別是Aδ(Fz)，Pδ(Fz)，Aθ(Fz)，Pθ(Fz)，Aα(O1)，Pα(O1)，Aβ(O1)，Pβ(O1)，AT(O1)； 測(cè)試集原始數(shù)據(jù)S如下表所示

步驟5.2、進(jìn)行KMO檢驗(yàn)，判斷原始數(shù)據(jù)S是否適合做主成分分析； 其中，rij2為兩變量間的簡(jiǎn)單相關(guān)系數(shù)，aij2為兩變量間的偏相關(guān)系數(shù)； 這里KMO計(jì)算了9個(gè)腦波頻率參數(shù)之間的偏相關(guān)性大小，KMO＝0.569＞0.5，適合做主成分分析； 步驟5.3、計(jì)算特征值和主成分； 設(shè)原始數(shù)據(jù)S＝[s1，s2……s9]T是9維隨機(jī)向量，它的協(xié)方差陣的9個(gè)特征值為λ1≥λ2≥……≥λ9≥0，相應(yīng)的標(biāo)準(zhǔn)正交化的特征向量為α1，α2……α9； 原始數(shù)據(jù)S的第i個(gè)主成分為 特征值為 且方差λi＝Var(fi)，i＝1，2……9；(7) 其中，Var()為方差函數(shù)； 計(jì)算結(jié)果如圖1所示，橫軸為輸入變量數(shù)目，縱軸為對(duì)應(yīng)的特征值λ1，λ2……λ9； 步驟5.4、根據(jù)特征向量值λ計(jì)算累計(jì)方差貢獻(xiàn)率C，確定主成分個(gè)數(shù)q； 其中，p表示原始空間中特征的個(gè)數(shù)，q表示所取的主成分個(gè)數(shù)；通常，前q個(gè)主成分的累計(jì)貢獻(xiàn)率C要求達(dá)到70％-90％； 計(jì)算結(jié)果如下表所示
由上表中看出，前3個(gè)主成分的累計(jì)貢獻(xiàn)已經(jīng)達(dá)到了85.29％，所以在本實(shí)施例中，確定主成分個(gè)數(shù)q＝3，選取前3個(gè)特征主成分f1，f2，f3； 步驟5.5、計(jì)算特征主成分的負(fù)荷矩陣 本實(shí)施例中，提取了前3個(gè)特征主成分f1，f2，f3，每一個(gè)主成分實(shí)際都是原始輸入?yún)?shù)的一個(gè)線性組合，主成分的負(fù)荷矩陣見下表

由上表的負(fù)荷矩陣，前3個(gè)主成分f1，f2，f3可以由輸入變量s1-s9表示如下 f1＝-0.634s1-0.867s2+0.385s3+0.402s4+0.319s5-0.958s6-0.592s7+0.964s8+0.783s9； f2＝0.689s1+0.350s2+0.685s3+0.868s4+0.354s5-0.040s6-0.268s7+0.055s8-0.204s9； f3＝-0.227s1+0.102s2+0.594s3+0.149s4-0.805s5-0.023s6+0.329s7-0.033s8+0.207s9； 前3個(gè)主成分的負(fù)荷矩陣表示為[α1，α2，α3]； 其中 α1T＝[-0.634，-0.867，0.385，0.402，0.319，0.958，-0.592，0.964，0.783]； α2T＝
； α3T＝[-0.227，0.102，0.594，0.149，-0.805，-0.023，0.329，-0.033，-0.207]； 步驟6、采用支持向量機(jī)進(jìn)行腦波模式分類； 步驟6.1、構(gòu)造輸入向量x＝(x1，x2……xi……xq)，其中q為步驟5.4中確定的主成分個(gè)數(shù)，xi＝fi是第i個(gè)主成分。將步驟5中提取到的特征主成分代入上式； 步驟6.2計(jì)算支持向量機(jī)的決策函數(shù)，如圖2所示。
支持向量機(jī)的決策函數(shù)為 其中，sgn()為符號(hào)函數(shù)，ai*為最優(yōu)解，K(xi，x)表示內(nèi)積計(jì)算，相當(dāng)于把原來(lái)的特征空間變換到某一新的特征空間；設(shè)共有n個(gè)訓(xùn)練樣本(xi，yi)，yi是訓(xùn)練集中樣本的類別標(biāo)號(hào)，yi∈{+1，-1}，b°是新的特征空間中原點(diǎn)到分類面的距離，y＝f(x)是測(cè)試集中樣本的類別標(biāo)號(hào)，也就是最終判別出的狀態(tài)； 選取分析數(shù)據(jù)樣本，分為訓(xùn)練集和測(cè)試集； 訓(xùn)練集包括從7名被測(cè)試者身上記錄所得的39段腦電時(shí)序列(每段5.12s，1024采樣點(diǎn)，200Hz采樣率)，其中21段記錄狀態(tài)為心算疲勞狀態(tài)，18段記錄狀態(tài)為聽音樂放松狀態(tài)； 測(cè)試集包括從這7名相同的被測(cè)試者身上記錄得到的26段腦電時(shí)序列(每段5.12s，1024采樣點(diǎn)，200Hz采樣率)，其中17段記錄狀態(tài)為心算疲勞狀態(tài)，9段記錄狀態(tài)為聽音樂放松狀態(tài)； 訓(xùn)練集和測(cè)試集數(shù)據(jù)在三維主成分f1，f2，f3空間中的分布散點(diǎn)圖如圖3所示，可以看到在兩種不同大腦狀態(tài)下的訓(xùn)練集和測(cè)試集數(shù)據(jù)都是屬于非線性可分的，而且測(cè)試集數(shù)據(jù)表現(xiàn)出與訓(xùn)練數(shù)據(jù)很相似的分布； 步驟6.3、輸出分類結(jié)果y∈{+1，-1}，+1是疲勞狀態(tài)，-1是放松狀態(tài)；下表為測(cè)試集數(shù)據(jù)的實(shí)際狀態(tài)和支持向量機(jī)的判別分類結(jié)果

上表的實(shí)驗(yàn)結(jié)果表明支持向量機(jī)完全正確地區(qū)分了測(cè)試集中的26段腦電時(shí)序列的兩種腦波狀態(tài)。
盡管本發(fā)明的內(nèi)容已經(jīng)通過(guò)上述優(yōu)選實(shí)施例作了詳細(xì)介紹，但應(yīng)當(dāng)認(rèn)識(shí)到上述的描述不應(yīng)被認(rèn)為是對(duì)本發(fā)明的限制。在本領(lǐng)域技術(shù)人員閱讀了上述內(nèi)容后，對(duì)于本發(fā)明的多種修改和替代都將是顯而易見的。因此，本發(fā)明的保護(hù)范圍應(yīng)由所附的權(quán)利要求來(lái)限定。
權(quán)利要求
1.一種腦電波分析方法，其特征在于，包含以下步驟
步驟1、采集腦電數(shù)據(jù)；
步驟2、對(duì)采集到的腦電數(shù)據(jù)進(jìn)行時(shí)域分析；
步驟3、對(duì)腦電EEG進(jìn)行預(yù)處理；
步驟4、對(duì)腦波進(jìn)行頻域分析；
步驟5、提取腦波特征，進(jìn)行主成分分析；
步驟6、采用支持向量機(jī)進(jìn)行腦波模式分類。
2.如權(quán)利要求1所述的腦電波分析方法，其特征在于，所述的步驟1中，采集如下數(shù)據(jù)
8導(dǎo)腦電Fp1-A1，F(xiàn)3-A1，O1-A1，F(xiàn)p2-A2，F(xiàn)4-A2，O2-A2，F(xiàn)z-Aav和Cz-Aav；
1導(dǎo)皮膚阻抗SCR；
1導(dǎo)心電ECG；
1導(dǎo)水平眼電HEOG；
1導(dǎo)垂直眼電VEOG；
1導(dǎo)肌電EMG。
3.如權(quán)利要求1所述的腦電波分析方法，其特征在于，所述的步驟2包含以下步驟
步驟2.1、腦電回放，了解本次采集數(shù)據(jù)有無(wú)明顯的偽差；
步驟2.2、剔除明顯漂移的腦電數(shù)據(jù)；
步驟2.3、觀察眼電的方向與眼電偽跡的方向是否一致，以及眼電的幅值大小，以指導(dǎo)后續(xù)的去除眼電的步驟；
步驟2.4、觀察心電導(dǎo)聯(lián)和肌電導(dǎo)聯(lián)的基本特征和幅值大小，目測(cè)對(duì)腦電影響的位置和程度，以指導(dǎo)后續(xù)的偽跡剔除的步驟。
4.如權(quán)利要求1所述的腦電波分析方法，其特征在于，所述的步驟3包含以下步驟
步驟3.1、去除生理偽跡；
去除眨眼偽跡Blink，心電偽跡EKG，肌電偽跡EMG；
步驟3.2、去除技術(shù)偽跡；
去除由50周干擾和阻抗過(guò)高引起的偽跡。
5.如權(quán)利要求4所述的腦電波分析方法，其特征在于，所述的步驟3.1中，采用相關(guān)法去除眨眼偽跡
矯正的EEG＝原始EEG-b×EEG (1)
其中，b為傳遞系數(shù)，通過(guò)分別估算眼電導(dǎo)聯(lián)和每導(dǎo)EEG的協(xié)方差來(lái)計(jì)算
b＝cov(EOG，EEG)/var(EOG)
其中，cov為協(xié)方差“covariance”，var代表方差“variance”。
6.如權(quán)利要求4所述的腦電波分析方法，其特征在于，所述的步驟3.2中，選用數(shù)字濾波來(lái)去除技術(shù)偽跡。
7.如權(quán)利要求1所述的腦電波分析方法，其特征在于，所述的步驟4包含以下步驟
步驟4.1、先將采集得到的腦電時(shí)序列數(shù)據(jù)分段保存，經(jīng)快速傅立葉變換得到傅立葉成分；
N點(diǎn)有限長(zhǎng)序列x(n)的離散傅立葉變換(DFT)為
X(k)為變換得到的傅立葉成分，WN來(lái)表示正交序列集中的基
即
步驟4.2、由傅立葉成分計(jì)算功率譜
P(k)＝|X(k)|2 (3)
步驟4.3、由功率譜成份計(jì)算得出各個(gè)導(dǎo)聯(lián)的腦電參數(shù)
1、幅值[μv](符號(hào)為Az(c))
2、百分比[％](符號(hào)為Pz(c))Pz(c)＝Sz(c)/ST(c)；
3、重心頻率[Hz](符號(hào)為Fz(c))
其中，c代表各個(gè)腦電導(dǎo)聯(lián)Fp1-A1，F(xiàn)3-A1，O1-A1，F(xiàn)p2-A2，F(xiàn)4-A2，O2-A2，F(xiàn)z-Aav和Cz-Aav；
z代表腦電的各個(gè)頻率段δ(0.5-4Hz)，θ(4-8Hz)，α(8-13Hz)，β(13-25Hz)和T(0.5-25Hz)；
p(f(c))是頻率f處的腦電功率譜成份，f取值0.5-25hz；
Sz(c)是在z頻段范圍內(nèi)c導(dǎo)聯(lián)處的腦電功率譜成份之和；
ST(c)是T頻段范圍內(nèi)(0.5～25Hz)c導(dǎo)聯(lián)處的腦電功率譜成份之和。
8.如權(quán)利要求1所述的腦電波分析方法，其特征在于，所述的步驟5包含以下步驟
步驟5.1、選取腦電頻域參數(shù)來(lái)構(gòu)造原始數(shù)據(jù)S；
原始數(shù)據(jù)S的構(gòu)成為
S＝[s1，s2……sp]T (4)
其中，s1，s2……sp為p個(gè)腦波頻率參數(shù)；
步驟5.2、進(jìn)行KMO檢驗(yàn)，判斷原始數(shù)據(jù)S是否適合做主成分分析；
KMO計(jì)算公式如下
其中，rij2為兩變量間的簡(jiǎn)單相關(guān)系數(shù)，aij2為兩變量間的偏相關(guān)系數(shù)，KMO統(tǒng)計(jì)量取值在0至1之間，其值越大，做主成分分析的效果越好，當(dāng)KMO＜0.5時(shí)，不適合做主成分分析；
步驟5.3、計(jì)算特征值和主成分；
設(shè)原始數(shù)據(jù)S＝[s1，s2……sp]T是p維隨機(jī)向量，它的協(xié)方差陣的p個(gè)特征值為λ1≥λ2≥……≥λp≥0，相應(yīng)的標(biāo)準(zhǔn)正交化的特征向量為α1，α2……αp；
原始數(shù)據(jù)S的第i個(gè)主成分為
特征值為
且方差λi＝Var(fi)，i＝1，2……p；(7)
其中，Var()為方差函數(shù)；
步驟5.4、根據(jù)特征值λ計(jì)算累計(jì)方差貢獻(xiàn)率C，確定主成分個(gè)數(shù)q；
其中，p表示原始空間中特征的個(gè)數(shù)，q表示所取的主成分個(gè)數(shù)；通常，前q個(gè)主成分的累計(jì)貢獻(xiàn)率C要求達(dá)到70％-90％；
步驟5.5、計(jì)算特征主成分的負(fù)荷矩陣
主成分的負(fù)荷矩陣相應(yīng)由步驟5.3中的特征向量α1，α2……αp生成，前q個(gè)主成分的負(fù)荷矩陣表示為[α1，α2……αq]。
9.如權(quán)利要求1所述的腦電波分析方法，其特征在于，所述的步驟6包含以下步驟
步驟6.1、構(gòu)造q維的輸入向量x＝(x1，x2……xi……xq)；
其中，q為步驟5.4中確定的主成分個(gè)數(shù)，xi＝fi是第i個(gè)主成分。
將步驟5中提取到的特征主成分代入上式；
步驟6.2、計(jì)算支持向量機(jī)的決策函數(shù)；
支持向量機(jī)的決策函數(shù)為
其中，sgn()為符號(hào)函數(shù)，ai*為最優(yōu)解，K(xi，x)表示內(nèi)積計(jì)算，相當(dāng)于把原來(lái)的特征空間變換到某一新的特征空間；設(shè)共有n個(gè)訓(xùn)練樣本(xi，yi)，yi是訓(xùn)練集中樣本的類別標(biāo)號(hào)，yi∈{+1，-1}，b°是新的特征空間中原點(diǎn)到分類面的距離，y＝f(x)是測(cè)試集中樣本的類別標(biāo)號(hào)，也就是最終判別出的狀態(tài)；
步驟6.3、輸出分類結(jié)果y ∈{+1，-1}，+1是疲勞狀態(tài)，-1是放松狀態(tài)。
全文摘要
一種腦電波分析方法，應(yīng)用了經(jīng)典的時(shí)頻域分析和主成份分析方法解決了腦電信號(hào)特征提取的難題，成功地提取了與人體緊張，疲勞與放松息息相關(guān)的時(shí)頻域參數(shù)，并且將其映射到主成分空間中去，還運(yùn)用了支持向量機(jī)在主成份空間中高效地分析非線性關(guān)系，提高了判讀的精確性和有效性。
文檔編號(hào)A61B5/0476GK101690659SQ20091019674
公開日2010年4月7日 申請(qǐng)日期2009年9月29日 優(yōu)先權(quán)日2009年9月29日
發(fā)明者鄒俊忠, 陳蘭嵐, 張見, 王桂松, 張冬麗 申請(qǐng)人:華東理工大學(xué), 上海東方腦科學(xué)研究所