EEG信號MATLAB分析平臺設(shè)計-模式識別部分【含畢業(yè)論文、開題報告、文獻綜述】
EEG信號MATLAB分析平臺設(shè)計-模式識別部分【含畢業(yè)論文、開題報告、文獻綜述】,eeg,信號,matlab,分析,平臺,設(shè)計,模式識別,部分,部份,畢業(yè)論文,開題,報告,講演,呈文,文獻,綜述
1本科生畢業(yè)設(shè)計(論文)開題報告姓 名 學(xué)號 專 業(yè) 電子信息工程題 目 EEG 信號 MATLAB 分析平臺設(shè)計 模式識別部分 一、 研究背景、概況及意義腦電信號(EEG)是通過布置在頭皮或顱內(nèi)的電極記錄下來的腦細胞群電活動,它反映了大腦生物電的節(jié)律性活動規(guī)律。不同的生理狀態(tài)或者各種病因均會使腦電信號表現(xiàn)出不同的模式。為了解神經(jīng)細胞電活動和人的心理和生理狀態(tài)之間的關(guān)系,需要對腦電信號進行采集??赏ㄟ^嘗試諸如傅立葉變換、小波變換等多種信號變換,提取特征和識別樣本,尋出最大相關(guān)信號特征;利用各種分析方法,尋出最優(yōu)方法和參數(shù),把圖表顯示出來等手段,分析腦電信號中包含的大量的生理和病理信息。這在臨床醫(yī)學(xué)和認知科學(xué)領(lǐng)域具有重要的參考價值和科學(xué)意義。由于采集到的腦電信號容量大,對信號的處理顯得特別重要。MATLAB 以其具有的多功能的特征和強大的數(shù)據(jù)處理等優(yōu)勢,成為良好的分析平臺,對心理學(xué)研究有很大的幫助,使非醫(yī)學(xué)類的學(xué)生展開相關(guān)研究成為了可能。2、研究主要內(nèi)容(1)基于 MATLAB 平臺,完成 EEG 信號 CNT 文件的讀取模塊。對 EEG 信號波形進行基本的數(shù)字信號處理,如濾波、傅立葉變化、小波變換等。(2)完成 EEG MATLAB 平臺的框架 GUI 設(shè)計。設(shè)置下拉菜單,將信號處理和模式識別實現(xiàn)的功能添加進下拉菜單。(3)完成各算法模式識別子模塊的設(shè)計。主要利用 SVM(支持向量機) 、PLS(最小二乘法)等分析方法。(4)完成參數(shù)調(diào)節(jié),圖表顯示等各模塊。調(diào)節(jié)參數(shù),反復(fù)觀察大量 EEG 信號處理結(jié)果,尋求最優(yōu)方法和參數(shù)。(5)和信號處理模塊的同學(xué)合作,整合完成 EEG 信號分析平臺。交流相關(guān)的學(xué)習(xí)實踐經(jīng)驗,為畢設(shè)答辯做好準備。23、研究步驟、方法及措施(1)需求分析:根據(jù)給定的任務(wù),從需求著手,討論所需的實際效果與實現(xiàn)該效果所需的人力、財力、物力與技術(shù)。(2)理論分析:根據(jù)任務(wù)要求提出可行的理論實現(xiàn)方法,初步制定詳細的技術(shù)實現(xiàn)手段。A.復(fù)習(xí)相關(guān)的信號處理和模式識別的知識,熟練運用 MATLAB。B.利用 MATLAB 建立 GUI 框架,下拉菜單分成若干部分。例如,將第一部分設(shè)置為基本波形的處理(剪切,反向之類) ,第二部分為信號處理,第三部分為模式識別,等等。C.把波形文件導(dǎo)入 EEGLAB。D.信號處理:收集足夠多經(jīng)典的信號處理算法,然后尋找比較適合的算法并做成工具庫,添加進 GUI 框架。E.模式識別:通過對大量信號波形進行處理,尋出關(guān)聯(lián)事件類型下的最大相關(guān)信號特征,利用 SVM,PLS 等分析方法,對信號特征進行關(guān)聯(lián)匹配,尋找最優(yōu)方法和參數(shù)。做成工具庫,添加進 GUI 框架。(3)系統(tǒng)調(diào)試:進行調(diào)試與糾錯。4、研究進度計劃(1)2015 年 03 月 2 日2015 年 03 月 15 日(第 1 周-第 2 周)需求分析,查閱資料完成方案的設(shè)計。整理資料,完成開題報告和文獻綜述等。(2)2015 年 03 月 16 日2015 年 03 月 29 日(第 3 周-第 4 周)進行相關(guān)英文資料閱讀與翻譯工作,深入進行理論學(xué)習(xí)。(3)2015 年 03 月 30 日2015 年 04 月 12 日(第 5 周-第 6 周)完成 MATLAB 框架設(shè)計。(4)2015 年 04 月 13 日2015 年 04 月 26 日(第 7 周-第 8 周)研究算法,做好理論基礎(chǔ)。完成算法測試并改寫。(5)2015 年 04 月 27 日2015 年 05 月 10 日(第 9 周-第 10 周)整合程序并測試。編寫畢業(yè)設(shè)計論文。(6)2015 年 05 月 11 日2015 年 05 月 24 日(第 11 周-第 12 周)撰寫畢業(yè)論文,做好答辯準備。(7)2015 年 05 月 25 日2015 年 06 月 07 日(第 13 周-第 14 周)畢業(yè)答辯。35、參考文獻1劉克球,呂以喬,周以氏.生物醫(yī)學(xué)電子學(xué)M.北京大學(xué)出版社,1988.2周建興,豈興明.MATLAB 從入門到精通M.北京:人民郵電出版社,2008.3Willis J.Tompkins,生物醫(yī)學(xué)數(shù)字信號處理M.武漢:華中科技大學(xué)出版社,2001.4STEVEN J.LUCK,事件相關(guān)電位基礎(chǔ)M.上海:華東師范大學(xué)出版社,2009.5張德豐. MATLAB 小波分析M.北京:機械工業(yè)出版社,2009.6蔡林,張亞旭. 句子理解過程中句法與語義加工的 EEG 時頻分析J.心理科學(xué)進展,2014,(7):1112-1121.7趙侖.ERPs 實驗教程M.南京:東南大學(xué)出版社,2010.8朱希安,曹林.小波分析及其在數(shù)字圖像處理中的應(yīng)用.北京:電子工業(yè)出版社,2012.9Chen L, Li X, Yang Y . “Focus, Newness and Their Combination: Processing of Information Structure in Discourse”,2012.10Chen L, Wang L, Yang Y. “Distinguish between focus and newness: an ERP”,2014.學(xué)生簽名: 年 月 日指導(dǎo)教師意見(對本課題的深度、廣度及工作量的意見及開題是否通過):通過 完善后通過 未通過 指導(dǎo)教師簽名: 年 月 日注:開題報告用 A4 紙打印裝訂在畢業(yè)設(shè)計(論文)任務(wù)書后,學(xué)生可根據(jù)開題報告的長度加頁。開題是否通過請指導(dǎo)教師在內(nèi)打“” 。 本科生畢業(yè)設(shè)計(論文)文 獻 綜 述姓 名學(xué) 號學(xué) 院專 業(yè)年 級一、課題國內(nèi)外現(xiàn)狀人的大腦是由數(shù)以萬計的針尖大小的神經(jīng)交錯構(gòu)成的。神經(jīng)相互作用時,腦電波模式就表現(xiàn)為思維狀態(tài)。每次神經(jīng)活動時都會產(chǎn)生輕微的放電,許多神經(jīng)共同放電產(chǎn)生的集體電波可以通過測量得到。從頭皮記錄到的 EEG 信號時域的幅值在 0.1200uV, 頻率主要分布在 0.5 50 Hz 之間。相關(guān)研究已表明,人體在做不同動作或者想像任務(wù)時大腦皮層不同區(qū)域的刺激大小不同,相應(yīng)會產(chǎn)生不同的 EEG 信號 1。1929 年德國神經(jīng)精神病學(xué)家 Hans Berger 首先報告了在人類完整的頭皮上安放電極,描記人類大腦的電活動。此后他的研究成果不斷得到電生理及神經(jīng)生理學(xué)家的證實,使 EEG 學(xué)在全世界范圍得以發(fā)展,并開始為臨床和科學(xué)服務(wù)。診斷異常腦電圖,主要不是根據(jù)它缺少正常腦電圖的成分或類型,而應(yīng)根據(jù)它是否含有不正常腦電活動或類型。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 2。(1)AR 參數(shù)模型譜估計。在現(xiàn)代譜估計方法中,參數(shù)模型法是應(yīng)用最廣泛的一種方法,近年來在EEG 信號處理中應(yīng)用較為普遍。將 AR 模型應(yīng)用到 EEG 分析中的基本思想是假設(shè)可以用 AR 過程近似真實 EEG 信號,基于這一假設(shè),根據(jù)實際 EEG 信號,選取合適的階次、參數(shù)使得 AR 模型所對應(yīng)的 AR 過程盡可能逼近 EEG 信號。采用 AR 參數(shù)模型進行特征提取,是考慮到 EEG 信號是典型的非平穩(wěn)隨機信號12。利用 AR 模型對 EEG 信號進行壓縮。在一般的 EEG 實驗室中,5060 分鐘長的 EEG 信號是常見的事,因此,大容量的腦電信號的存儲是腦電數(shù)據(jù)庫必然面臨的問題。因此,EEG 信號的數(shù)據(jù)壓縮具有重大的現(xiàn)實意義。實測得到的 EEG 數(shù)據(jù)長約 160 s, 采樣率為 256Hz ,4 通道。測得的 EEG 信號利用AR 模型分段擬合,每段采樣點數(shù)為 1024 點,AR 的階數(shù) P =15,采用 Levison-Durbin 遞推算法,從而把 1024 點數(shù)據(jù)壓縮為 16 個系數(shù)與預(yù)測誤差。(2)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。雙譜分析要求信號至少三階平穩(wěn),因此對短數(shù)據(jù) EEG 信號才有意義。(3)時頻分析腦電信號是一種時變的、非平穩(wěn)信號,不同時刻有不同的頻率成分,而單純的時、頻分析方法通過傅氏變換聯(lián)系起來,它們的截然分開是以信號的頻率時不變特性或統(tǒng)計特性平穩(wěn)為前提的。但由于時域和頻域分辨率的“不確定性原理” ,不可能在時域和頻域同時獲得較高的分辨率。而且在 EEG 中有許多病變都是以瞬態(tài)形式表現(xiàn)的,只有把時間和頻率結(jié)合起來進行處理才能取得更好的結(jié)果??梢哉f信號的時-頻表示法為腦電信號處理提供了非常好的前景。目前應(yīng)用的較為廣泛的方法有維格納- 費利分布(Wigner -VilleDistribution,WD)和小波變換,匹配跟蹤方法目前也已用于睡眠紡錘波的分析 2。(4)諧波小波包變換腦電波是典型的非平穩(wěn)信號,不同時刻有不同的頻率成分,把時間和頻率結(jié)合起來分析才能得到更好的結(jié)果。小波變換具有很好的時頻分析功能,因此近年來應(yīng)用小波變換分析腦電波倍受關(guān)注。例如應(yīng)用小波變換的多尺度分析來分析 EEG 中的異常波,如棘波、棘慢復(fù)合波等。在腦電圖檢測中,許多病變是以瞬態(tài)異常波形表現(xiàn)的,因此小波變換的局部瞬變捕捉性質(zhì)和線性相位特性尤為重要。常見的二進小波變換的主要缺點是隨著分解層數(shù)的增加,逐漸向低頻聚焦,對信號的高頻段的刻劃比較粗糙。小波包變換是二進小波變換的改進,對信號的高頻段也進行分解,但是仍不能在同一分解層得到感興趣的頻段。另外,二進小波變換和二進小波包變換均采用二抽一采樣,隨著尺度的增加,采樣頻率減半,數(shù)據(jù)點減半,當數(shù)據(jù)點數(shù)比較少時,信號的細節(jié)會丟失。英國劍橋大學(xué) Newland 教授提出的諧波小波包變換對信號中的奇異成分非常敏感,具有線性相位特性并且可以用快速傅立葉算法實現(xiàn),具有重要的工程應(yīng)用意義。諧波小波變換可以通過 FFT 和 IFFT 運算實現(xiàn),這是諧波小波變換顯著的優(yōu)點。參數(shù)決定了諧波小波變換的尺度,通過不斷變化參數(shù)的值,調(diào)節(jié)帶寬大小和中心頻率,以匹配不同頻帶的信號,就實現(xiàn)了諧波小波包變換 6。(5)希爾伯特一黃變換時頻分析方法在腦電分析中有其優(yōu)勢,但主要的時頻分析方法各有優(yōu)缺點:短時傅立葉變換簡單易實現(xiàn),其主要缺陷在于所謂“窗效應(yīng)” ,使用固定的窗函數(shù),其頻率分辨率受窗寬約束;小波變換采用可變窗口對信號進行分析,較好地解決了時間和頻率分辨率的矛盾,是目前最好的時頻分析方法之一。但小波方法也有其缺點:一旦選擇了小波母函數(shù),則必須用它來分析全部信號,因此,小波不具有自適應(yīng)性。此外有時小波變換的解釋也不直觀。黃鄂博士等提出的希爾伯特一黃變換(Hilbert-Huang Transform HHT)是一種新的非平穩(wěn)信號時頻分析方法,通過 EMD(empirical mode decompositionEMD)方法得到一系列內(nèi)蘊模態(tài)函數(shù)(intrinsicmodefunctionIMF)。IMF 的特點使得通過希爾伯特變換得到的瞬時頻率不僅有數(shù)學(xué)上的意義,也有了物理上的意義。另外,EMD 分解的基函數(shù)直接來自信號本身,信號分解具有局域性和自適應(yīng)性,特別適合于分析非平穩(wěn)信號。對 IMF 進行希爾伯特交換可以構(gòu)建信號的時間一頻率一振幅(能量) 分布,即希爾伯特(能量) 譜。希爾伯特譜無論在頻域還是時域上都有良好的分辨率,并且三維的分布能夠反映出信號的內(nèi)在本質(zhì)特性 7。人們希望通過自發(fā)腦電,解釋人的心理活動,用大腦中電壓變化測量心理活動,需要劇烈的、非常的心理活動才能在自發(fā)腦電上觀測到一點點變化。但用自發(fā)腦電活動來衡量人的心理活動內(nèi)容,由于腦電太弱,此時就需要把這種內(nèi)容重復(fù)呈現(xiàn) 30-50 次,把每次測量到的電位疊加起來,才能進行觀察,這就是所說的誘發(fā)電位技術(shù),通常叫做事件相關(guān)電位,簡稱 ERP。ERP 學(xué)在認知神經(jīng)科學(xué)中具有重要作用。這是因為在研究具更廣泛重要性的問題之前,你首先需要相當程度地了解那些特異性 ERP 成分 10。一般情況下,進行 ERP 研究時,為得到可靠的 ERP 波形,對原始腦電數(shù)據(jù)的離線分析過程主要包括以下基本步驟 3:(1)合并行為數(shù)據(jù);(2)腦電預(yù)覽;(3)偽跡剔除或矯正,包括眼電(EOG) 、心電(EKG ) 、肌電(EMG)等;(4)數(shù)字濾波(根據(jù)具體情況和經(jīng)驗進行參數(shù)選擇) ;(5)腦電分段;(6)基線校正;(7)去除偽跡;(8)疊加平均;(9)數(shù)字濾波(根據(jù)需要選擇)和平滑化處理;(10)總平均;(11)波形識別、測量、統(tǒng)計分析、作圖。針對 EEG 信號的模式識別國外學(xué)者已進行了大量的實驗與研究。對于BCI 技術(shù)來說,要使腦機接口技術(shù)有更大實用意義,必然要實現(xiàn)多類 EEG 信號模式識別,所以提高多類分類的精度是很有必要的。但由于實驗方法各有差異,且各種多分類方法本身均存在不同程度的缺陷,并沒有一個公認的效果很好的多分類方法。而支持向量機與其它傳統(tǒng)的模式識別方法相比,以其結(jié)構(gòu)風(fēng)險最小化原則而非經(jīng)驗風(fēng)險最小化原則,在 EEG 的模式識別問題中也已展現(xiàn)出較強的分類能力和泛化能力 4。支持向量機 SVM 是在統(tǒng)計學(xué)習(xí)理論基礎(chǔ)上發(fā)展起來的一種新的機器學(xué)習(xí)方法,是結(jié)構(gòu)風(fēng)險最小化原理的實現(xiàn)。算法實現(xiàn)需具有深厚的數(shù)學(xué)功底和計算機編程技術(shù),對非計算機專業(yè)的廣大研究人員來說,一種簡單高效的實現(xiàn)環(huán)境和方法是迫切的需要。支持向量機算法在 MATLAB 環(huán)境下易于實現(xiàn)和靈活應(yīng)用的特點,很好的提供這一技術(shù)平臺 8。對于樣本的識別,目前相關(guān)研究中采用最多的是 BP 神經(jīng)網(wǎng)絡(luò)和支持向量機方法,但 BP 神經(jīng)網(wǎng)絡(luò)存在固有的收斂速度慢 ,容易陷入局部最小點的缺陷。支持向量機是由 Vapnik 最初在統(tǒng)計學(xué)習(xí)理論的基礎(chǔ)上建立起來的一種非常有力的機器學(xué)習(xí)方法,是一種新穎的人工智能技術(shù),目前在信號處理、系統(tǒng)辨識與建模、先進控制和軟測量等領(lǐng)域都得到了廣泛的應(yīng)用 9。支持向量機中的參數(shù)較多,對其的選擇極大程度上決定了分類器的復(fù)雜性、泛化能力及魯棒性,所以參數(shù)尋優(yōu)的意義尤為重大。許多尋優(yōu)算法都已應(yīng)用到了支持向量機參數(shù)優(yōu)化問題當中,比如網(wǎng)格點法、K 折交叉驗證法、梯度算法、遺傳算法、粒子群算法、蟻群算法和模擬退火算法等 4。二、研究主要成果 本設(shè)計主要基于 MATLAB 分析平臺,實現(xiàn)對 EEG 信號的分析和處理,從而提取相關(guān)的信息,以供研究人員進行科學(xué)研究,對臨床醫(yī)學(xué)和認知科學(xué)領(lǐng)域具有重要的參考價值和科學(xué)意義。首先需完成 EEG 信號 CNT 文件的讀取和顯示,對大容量數(shù)據(jù)進行分段、壓縮或者改變采樣頻率以減小數(shù)據(jù)量,方便處理。同時進行基線的調(diào)整,壞數(shù)據(jù)的剔除等工作。然后基于特定信號源編碼與 EEG 信號作相關(guān)分析,得出主成分信號。主成分分析是一種通過降維技術(shù)把多個變量化為少數(shù)幾個主成分(即綜合變量)的統(tǒng)計分析方法。這些主成份能夠反映原始變量的絕大部分信息,它們通常表示為原始變量的某種線性組合。再者嘗試不同信號變換,尋出關(guān)聯(lián)事件類型下的最大相關(guān)信號特征。主要有合并行為數(shù)據(jù)、腦電預(yù)覽、偽跡剔除或矯正、數(shù)字濾波、腦電分段、基線校正、去除偽跡、疊加平均、數(shù)字濾波和平滑化處理、總平均、波形識別等步驟。最后利用 SVM,PLS 等分析方法,對信號特征進行關(guān)聯(lián)匹配,尋找最優(yōu)方法和參數(shù)。支持向量機就是首先通過用內(nèi)積函數(shù)定義的非線性變換將輸入空間變換到一個高維空間,在這個空間中求(廣義) 最優(yōu)分類面。SVM 分類函數(shù)形式上類似于一個神經(jīng)網(wǎng)絡(luò),輸出是中間節(jié)點的線性組合,每個中間節(jié)點對應(yīng)一個支持向量通過把原問題轉(zhuǎn)化為對偶問題,計算的復(fù)雜度不再取決于空間維數(shù),而是取決于樣本數(shù),尤其是樣本中的支持向量數(shù)。這些特點使有效地對付高維問題成為可能。在最優(yōu)分類面中采用適當?shù)膬?nèi)積函數(shù)就可以實現(xiàn)某一非線性變換后的線性分類,而計算復(fù)雜度卻沒有增加 5。三、發(fā)展趨勢 腦電信號中包含了大量的生理與疾病信息。在臨床醫(yī)學(xué)方面,腦電信號處理不僅可為某些腦疾病提供診斷依據(jù),而且還為某些腦疾病提供了有效的治療手段。在工程應(yīng)用方面,人們也嘗試利用腦電信號實現(xiàn)腦-計算機接口(BCI),利用人對不同的感覺、運動或認知活動的腦電的不同,通過對腦電信號的有效的提取和分類達到某種控制目的。但由于腦電信號是不具備各態(tài)歷經(jīng)性的非平穩(wěn)隨機信號,而且其背景噪聲也很強,因此腦電信號的分析和處理一直是非常吸引人但又是具有相當難度的研究課題 2。腦電信號是明顯的非平穩(wěn)性信號,從 20 年代檢測到腦電信號以來,雖然已作了大量的工作,但長期以來還沒有突破性的進展。隨著信號處理方法的不斷發(fā)展,更多更有效的分析方法在腦電信號分析中的應(yīng)用,人們對于腦電活動機理將有進一步的認識,也必將為臨床醫(yī)學(xué)和基礎(chǔ)醫(yī)學(xué)的發(fā)展作出新的貢獻 2。由于統(tǒng)計學(xué)習(xí)理論和支持向量機建立了一套較好的有限樣本下機器學(xué)習(xí)的理論框架和通用方法,既有嚴格的理論基礎(chǔ),又能較好地解決小樣本、非線性、高維數(shù)和局部極小點等實際問題,因此成為九十年代末發(fā)展最快的研究方向之一,其核心思想就是學(xué)習(xí)機器要與有限的訓(xùn)練樣本相適應(yīng)。統(tǒng)計學(xué)習(xí)理論雖然已經(jīng)提出多年,但從它自身趨向成熟和被廣泛重視到現(xiàn)在畢竟才只有幾年的時間,其中還有很多尚未解決或尚未充分解決的問題,在應(yīng)用方面的研究更是剛剛開始。這是一個十分值得大力研究的領(lǐng)域 5。四、存在問題 EEGLAB 統(tǒng)計方法具有局限性:1、結(jié)果不易顯著。2、進行多因素統(tǒng)計分析存在局限性(無法探討交互作用) 。為了研究學(xué)習(xí)過程一致收斂的速度和推廣性,統(tǒng)計學(xué)習(xí)理論定義了一系列有關(guān)函數(shù)集學(xué)習(xí)性能的指標,其中最重要的是 V C 維(Vapnik-Cherv onenkis Dimension)。模式識別方法中 V C 維的直觀定義是:對一個指示函數(shù)集,如果存在 h 個樣本能夠被函數(shù)集中的函數(shù)按所有可能的形式分開,則稱函數(shù)集能夠把 h 個樣本打散;函數(shù)集的 VC 維就是它能打散的最大樣本數(shù)目 h。若對任意數(shù)目的樣本都有函數(shù)能將它們打散,則函數(shù)集的 VC 維是無窮大,有界實函數(shù)的 VC 維可以通過用一定的閾值將它轉(zhuǎn)化成指示函數(shù)來定義。 VC 維反映了函數(shù)集的學(xué)習(xí)能力,VC 維越大則學(xué)習(xí)機器越復(fù)雜(容量越大 )。遺憾的是,目前尚沒有通用的關(guān)于任意函數(shù)集 VC 維計算的理論,只對一些特殊的函數(shù)集知道其 VC維。對于一些比較復(fù)雜的學(xué)習(xí)機器(如神經(jīng)網(wǎng)絡(luò)),其 VC 維除了與函數(shù)集(神經(jīng)網(wǎng)結(jié)構(gòu))有關(guān)外,還受學(xué)習(xí)算法等的影響,其確定更加困難。對于給定的學(xué)習(xí)函數(shù)集,如何(用理論或?qū)嶒灥姆椒?計算其 VC 維是當前統(tǒng)計學(xué)習(xí)理論中有待研究的一個問題 5。關(guān)于如何選擇支持向量機的多分類方法尚沒有一個系統(tǒng)的、有指導(dǎo)意義的簡捷方法。方法原理各不相同,各有優(yōu)缺點,在不同場合有不同表現(xiàn),具體問題應(yīng)當選用何種方法尚未有較好的選擇標準,就其使用時的簡便性來說,一對多法相對使用廣泛。在選擇最佳多分類方法時仍需對各種方法進行試驗挑選。所以在支持向量機應(yīng)用于 EEG 模式識別的問題上仍有很大的研究空間,需要從 BCI 系統(tǒng)整體出發(fā),考慮到樣本的選擇方法,分類器的可靠性評判等方面建立多類模式識別的評判系統(tǒng) 4。雖然 SVM 方法在理論上具有很突出的優(yōu)勢,但與其理論研究相比,應(yīng)用研究尚相對比較滯后,目前只有較有限的實驗研究報道,且多屬仿真和對比實驗。SVM 的應(yīng)用應(yīng)該是一個大有作為的方向。如何調(diào)整支持向量機分類器的參數(shù), 使得在限定一類錯誤率的前提下使另一類的錯誤率達到最小也是我們下一步的工作 11。誘發(fā)電位儀這種設(shè)備,它的優(yōu)點在于它能把微弱的信號通過疊加使之從無序的自發(fā)電位中突出出來,從而人們能夠識別它。但是它的優(yōu)點同時也就是它的缺點,須知,人的心理是一種活動的過程,而活動過程是不能靜止的,靜止了就不是心理活動了,把一個靜止的狀態(tài)連續(xù)疊加 30-50 次,它從自發(fā)電位中確實突出出來了,但可惜的是,它不是我們所希望看到的那種連貫的心理活動了。比如說,我們令一個被試觀看一張恐怖的圖片,被試產(chǎn)生了恐懼反應(yīng),這種恐懼信號太弱,不足以被識別出來,為了是它從自發(fā)電位中突出出來,就需要疊加,可是當?shù)诙慰吹剿鼤r,被試的恐懼感還是第一次那樣嗎?第三、第四更不是,最后會不會對連續(xù)觀察恐懼圖片產(chǎn)生厭惡感。而且,引起誘發(fā)電位的那種刺激呈現(xiàn)之后,一般是觀察 300 毫秒以內(nèi)的變化,研究者們觀察最多的是 P300,須知, 300 毫秒也就是不到一秒鐘的三分之一的時間,只相當于選擇反應(yīng)時的時間長度,如此短暫的時間,能夠允許復(fù)雜的心理活動在人們的意識里明明白白地產(chǎn)生并保留一會兒嗎?300 毫秒里能完成的心理活動,只是復(fù)雜心理活動鏈條中的一剎那的片段,不是通常一以上的心理活動,因此,用這種方法研究復(fù)雜的心理現(xiàn)象,猶如用照片來反映一個人對事物的態(tài)度一樣,只能是管中窺豹,只見一斑。腦電技術(shù)與心理學(xué)研究的結(jié)合還有很長一段路要走。5、參考文獻 1 劉克球,呂以喬,以氏生物醫(yī)學(xué)電子學(xué)M北京大學(xué)出版社,1988.2 季忠,秦樹人,彭麗玲腦電信號的現(xiàn)代分析方法J重慶大學(xué)學(xué)報,2002,25(9) :108-1123 趙侖ERPs 實驗教程M南京:東南大學(xué)出版社,201074 李耀楠,張小棟,王云霞支持向量多分類機的多類復(fù)雜手操作 EEG 信號模式識別J機械與電子,2009,12(7) 5 張學(xué)工關(guān)于統(tǒng)計學(xué)習(xí)理論與支持向量機J自動化學(xué)報, 2000,26(1) :32-426 楊仁桓,宋愛國,徐寶國基于諧波小波包變換的腦電波基本節(jié)律分析J東南大學(xué)學(xué)報,2008,38(6) :996-999 7 毛大偉分尺度復(fù)雜性及希爾伯特黃變換在腦電分析中的應(yīng)用浙江大學(xué),20058 董婷支持向量機分類算法在 MATLAB 環(huán)境下的實現(xiàn)J 榆林學(xué)院學(xué)報,2008,18(4):94-969 周紅標基于小波包變換和最小二乘支持向量機的癲癰腦電信號識別淮陰工學(xué)院電子與電氣工程學(xué)院,201110 STEVEN JLUCK事件相關(guān)電位基礎(chǔ)M上海:華東師范大學(xué)出版社,200911 李鋼,王蔚,張勝支持向量機在腦電信號分類中的應(yīng)用J計算機應(yīng)用,2006,26(6): 1431-143612 賈花萍基于 PNN 神經(jīng)網(wǎng)絡(luò)的 EEG 信號分類方法研究J 河南科學(xué),2011,29(7):846-8491本科生畢業(yè)設(shè)計(論文)開題報告姓 名 學(xué)號 專 業(yè) 電子信息工程題 目 EEG 信號 MATLAB 分析平臺設(shè)計 模式識別部分 一、 研究背景、概況及意義腦電信號(EEG)是通過布置在頭皮或顱內(nèi)的電極記錄下來的腦細胞群電活動,它反映了大腦生物電的節(jié)律性活動規(guī)律。不同的生理狀態(tài)或者各種病因均會使腦電信號表現(xiàn)出不同的模式。為了解神經(jīng)細胞電活動和人的心理和生理狀態(tài)之間的關(guān)系,需要對腦電信號進行采集??赏ㄟ^嘗試諸如傅立葉變換、小波變換等多種信號變換,提取特征和識別樣本,尋出最大相關(guān)信號特征;利用各種分析方法,尋出最優(yōu)方法和參數(shù),把圖表顯示出來等手段,分析腦電信號中包含的大量的生理和病理信息。這在臨床醫(yī)學(xué)和認知科學(xué)領(lǐng)域具有重要的參考價值和科學(xué)意義。由于采集到的腦電信號容量大,對信號的處理顯得特別重要。MATLAB 以其具有的多功能的特征和強大的數(shù)據(jù)處理等優(yōu)勢,成為良好的分析平臺,對心理學(xué)研究有很大的幫助,使非醫(yī)學(xué)類的學(xué)生展開相關(guān)研究成為了可能。2、研究主要內(nèi)容(1)基于 MATLAB 平臺,完成 EEG 信號 CNT 文件的讀取模塊。對 EEG 信號波形進行基本的數(shù)字信號處理,如濾波、傅立葉變化、小波變換等。(2)完成 EEG MATLAB 平臺的框架 GUI 設(shè)計。設(shè)置下拉菜單,將信號處理和模式識別實現(xiàn)的功能添加進下拉菜單。(3)完成各算法模式識別子模塊的設(shè)計。主要利用 SVM(支持向量機) 、PLS(最小二乘法)等分析方法。(4)完成參數(shù)調(diào)節(jié),圖表顯示等各模塊。調(diào)節(jié)參數(shù),反復(fù)觀察大量 EEG 信號處理結(jié)果,尋求最優(yōu)方法和參數(shù)。(5)和信號處理模塊的同學(xué)合作,整合完成 EEG 信號分析平臺。交流相關(guān)的學(xué)習(xí)實踐經(jīng)驗,為畢設(shè)答辯做好準備。23、研究步驟、方法及措施(1)需求分析:根據(jù)給定的任務(wù),從需求著手,討論所需的實際效果與實現(xiàn)該效果所需的人力、財力、物力與技術(shù)。(2)理論分析:根據(jù)任務(wù)要求提出可行的理論實現(xiàn)方法,初步制定詳細的技術(shù)實現(xiàn)手段。A.復(fù)習(xí)相關(guān)的信號處理和模式識別的知識,熟練運用 MATLAB。B.利用 MATLAB 建立 GUI 框架,下拉菜單分成若干部分。例如,將第一部分設(shè)置為基本波形的處理(剪切,反向之類) ,第二部分為信號處理,第三部分為模式識別,等等。C.把波形文件導(dǎo)入 EEGLAB。D.信號處理:收集足夠多經(jīng)典的信號處理算法,然后尋找比較適合的算法并做成工具庫,添加進 GUI 框架。E.模式識別:通過對大量信號波形進行處理,尋出關(guān)聯(lián)事件類型下的最大相關(guān)信號特征,利用 SVM,PLS 等分析方法,對信號特征進行關(guān)聯(lián)匹配,尋找最優(yōu)方法和參數(shù)。做成工具庫,添加進 GUI 框架。(3)系統(tǒng)調(diào)試:進行調(diào)試與糾錯。4、研究進度計劃(1)2015 年 03 月 2 日2015 年 03 月 15 日(第 1 周-第 2 周)需求分析,查閱資料完成方案的設(shè)計。整理資料,完成開題報告和文獻綜述等。(2)2015 年 03 月 16 日2015 年 03 月 29 日(第 3 周-第 4 周)進行相關(guān)英文資料閱讀與翻譯工作,深入進行理論學(xué)習(xí)。(3)2015 年 03 月 30 日2015 年 04 月 12 日(第 5 周-第 6 周)完成 MATLAB 框架設(shè)計。(4)2015 年 04 月 13 日2015 年 04 月 26 日(第 7 周-第 8 周)研究算法,做好理論基礎(chǔ)。完成算法測試并改寫。(5)2015 年 04 月 27 日2015 年 05 月 10 日(第 9 周-第 10 周)整合程序并測試。編寫畢業(yè)設(shè)計論文。(6)2015 年 05 月 11 日2015 年 05 月 24 日(第 11 周-第 12 周)撰寫畢業(yè)論文,做好答辯準備。(7)2015 年 05 月 25 日2015 年 06 月 07 日(第 13 周-第 14 周)畢業(yè)答辯。35、參考文獻1劉克球,呂以喬,周以氏.生物醫(yī)學(xué)電子學(xué)M.北京大學(xué)出版社,1988.2周建興,豈興明.MATLAB 從入門到精通M.北京:人民郵電出版社,2008.3Willis J.Tompkins,生物醫(yī)學(xué)數(shù)字信號處理M.武漢:華中科技大學(xué)出版社,2001.4STEVEN J.LUCK,事件相關(guān)電位基礎(chǔ)M.上海:華東師范大學(xué)出版社,2009.5張德豐. MATLAB 小波分析M.北京:機械工業(yè)出版社,2009.6蔡林,張亞旭. 句子理解過程中句法與語義加工的 EEG 時頻分析J.心理科學(xué)進展,2014,(7):1112-1121.7趙侖.ERPs 實驗教程M.南京:東南大學(xué)出版社,2010.8朱希安,曹林.小波分析及其在數(shù)字圖像處理中的應(yīng)用.北京:電子工業(yè)出版社,2012.9Chen L, Li X, Yang Y . “Focus, Newness and Their Combination: Processing of Information Structure in Discourse”,2012.10Chen L, Wang L, Yang Y. “Distinguish between focus and newness: an ERP”,2014.學(xué)生簽名: 年 月 日指導(dǎo)教師意見(對本課題的深度、廣度及工作量的意見及開題是否通過):通過 完善后通過 未通過 指導(dǎo)教師簽名: 年 月 日注:開題報告用 A4 紙打印裝訂在畢業(yè)設(shè)計(論文)任務(wù)書后,學(xué)生可根據(jù)開題報告的長度加頁。開題是否通過請指導(dǎo)教師在內(nèi)打“” 。 本科生畢業(yè)設(shè)計(論文)文 獻 綜 述姓 名學(xué) 號學(xué) 院專 業(yè)年 級一、課題國內(nèi)外現(xiàn)狀人的大腦是由數(shù)以萬計的針尖大小的神經(jīng)交錯構(gòu)成的。神經(jīng)相互作用時,腦電波模式就表現(xiàn)為思維狀態(tài)。每次神經(jīng)活動時都會產(chǎn)生輕微的放電,許多神經(jīng)共同放電產(chǎn)生的集體電波可以通過測量得到。從頭皮記錄到的 EEG 信號時域的幅值在 0.1200uV, 頻率主要分布在 0.5 50 Hz 之間。相關(guān)研究已表明,人體在做不同動作或者想像任務(wù)時大腦皮層不同區(qū)域的刺激大小不同,相應(yīng)會產(chǎn)生不同的 EEG 信號 1。1929 年德國神經(jīng)精神病學(xué)家 Hans Berger 首先報告了在人類完整的頭皮上安放電極,描記人類大腦的電活動。此后他的研究成果不斷得到電生理及神經(jīng)生理學(xué)家的證實,使 EEG 學(xué)在全世界范圍得以發(fā)展,并開始為臨床和科學(xué)服務(wù)。診斷異常腦電圖,主要不是根據(jù)它缺少正常腦電圖的成分或類型,而應(yīng)根據(jù)它是否含有不正常腦電活動或類型。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 2。(1)AR 參數(shù)模型譜估計。在現(xiàn)代譜估計方法中,參數(shù)模型法是應(yīng)用最廣泛的一種方法,近年來在EEG 信號處理中應(yīng)用較為普遍。將 AR 模型應(yīng)用到 EEG 分析中的基本思想是假設(shè)可以用 AR 過程近似真實 EEG 信號,基于這一假設(shè),根據(jù)實際 EEG 信號,選取合適的階次、參數(shù)使得 AR 模型所對應(yīng)的 AR 過程盡可能逼近 EEG 信號。采用 AR 參數(shù)模型進行特征提取,是考慮到 EEG 信號是典型的非平穩(wěn)隨機信號12。利用 AR 模型對 EEG 信號進行壓縮。在一般的 EEG 實驗室中,5060 分鐘長的 EEG 信號是常見的事,因此,大容量的腦電信號的存儲是腦電數(shù)據(jù)庫必然面臨的問題。因此,EEG 信號的數(shù)據(jù)壓縮具有重大的現(xiàn)實意義。實測得到的 EEG 數(shù)據(jù)長約 160 s, 采樣率為 256Hz ,4 通道。測得的 EEG 信號利用AR 模型分段擬合,每段采樣點數(shù)為 1024 點,AR 的階數(shù) P =15,采用 Levison-Durbin 遞推算法,從而把 1024 點數(shù)據(jù)壓縮為 16 個系數(shù)與預(yù)測誤差。(2)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。雙譜分析要求信號至少三階平穩(wěn),因此對短數(shù)據(jù) EEG 信號才有意義。(3)時頻分析腦電信號是一種時變的、非平穩(wěn)信號,不同時刻有不同的頻率成分,而單純的時、頻分析方法通過傅氏變換聯(lián)系起來,它們的截然分開是以信號的頻率時不變特性或統(tǒng)計特性平穩(wěn)為前提的。但由于時域和頻域分辨率的“不確定性原理” ,不可能在時域和頻域同時獲得較高的分辨率。而且在 EEG 中有許多病變都是以瞬態(tài)形式表現(xiàn)的,只有把時間和頻率結(jié)合起來進行處理才能取得更好的結(jié)果。可以說信號的時-頻表示法為腦電信號處理提供了非常好的前景。目前應(yīng)用的較為廣泛的方法有維格納- 費利分布(Wigner -VilleDistribution,WD)和小波變換,匹配跟蹤方法目前也已用于睡眠紡錘波的分析 2。(4)諧波小波包變換腦電波是典型的非平穩(wěn)信號,不同時刻有不同的頻率成分,把時間和頻率結(jié)合起來分析才能得到更好的結(jié)果。小波變換具有很好的時頻分析功能,因此近年來應(yīng)用小波變換分析腦電波倍受關(guān)注。例如應(yīng)用小波變換的多尺度分析來分析 EEG 中的異常波,如棘波、棘慢復(fù)合波等。在腦電圖檢測中,許多病變是以瞬態(tài)異常波形表現(xiàn)的,因此小波變換的局部瞬變捕捉性質(zhì)和線性相位特性尤為重要。常見的二進小波變換的主要缺點是隨著分解層數(shù)的增加,逐漸向低頻聚焦,對信號的高頻段的刻劃比較粗糙。小波包變換是二進小波變換的改進,對信號的高頻段也進行分解,但是仍不能在同一分解層得到感興趣的頻段。另外,二進小波變換和二進小波包變換均采用二抽一采樣,隨著尺度的增加,采樣頻率減半,數(shù)據(jù)點減半,當數(shù)據(jù)點數(shù)比較少時,信號的細節(jié)會丟失。英國劍橋大學(xué) Newland 教授提出的諧波小波包變換對信號中的奇異成分非常敏感,具有線性相位特性并且可以用快速傅立葉算法實現(xiàn),具有重要的工程應(yīng)用意義。諧波小波變換可以通過 FFT 和 IFFT 運算實現(xiàn),這是諧波小波變換顯著的優(yōu)點。參數(shù)決定了諧波小波變換的尺度,通過不斷變化參數(shù)的值,調(diào)節(jié)帶寬大小和中心頻率,以匹配不同頻帶的信號,就實現(xiàn)了諧波小波包變換 6。(5)希爾伯特一黃變換時頻分析方法在腦電分析中有其優(yōu)勢,但主要的時頻分析方法各有優(yōu)缺點:短時傅立葉變換簡單易實現(xiàn),其主要缺陷在于所謂“窗效應(yīng)” ,使用固定的窗函數(shù),其頻率分辨率受窗寬約束;小波變換采用可變窗口對信號進行分析,較好地解決了時間和頻率分辨率的矛盾,是目前最好的時頻分析方法之一。但小波方法也有其缺點:一旦選擇了小波母函數(shù),則必須用它來分析全部信號,因此,小波不具有自適應(yīng)性。此外有時小波變換的解釋也不直觀。黃鄂博士等提出的希爾伯特一黃變換(Hilbert-Huang Transform HHT)是一種新的非平穩(wěn)信號時頻分析方法,通過 EMD(empirical mode decompositionEMD)方法得到一系列內(nèi)蘊模態(tài)函數(shù)(intrinsicmodefunctionIMF)。IMF 的特點使得通過希爾伯特變換得到的瞬時頻率不僅有數(shù)學(xué)上的意義,也有了物理上的意義。另外,EMD 分解的基函數(shù)直接來自信號本身,信號分解具有局域性和自適應(yīng)性,特別適合于分析非平穩(wěn)信號。對 IMF 進行希爾伯特交換可以構(gòu)建信號的時間一頻率一振幅(能量) 分布,即希爾伯特(能量) 譜。希爾伯特譜無論在頻域還是時域上都有良好的分辨率,并且三維的分布能夠反映出信號的內(nèi)在本質(zhì)特性 7。人們希望通過自發(fā)腦電,解釋人的心理活動,用大腦中電壓變化測量心理活動,需要劇烈的、非常的心理活動才能在自發(fā)腦電上觀測到一點點變化。但用自發(fā)腦電活動來衡量人的心理活動內(nèi)容,由于腦電太弱,此時就需要把這種內(nèi)容重復(fù)呈現(xiàn) 30-50 次,把每次測量到的電位疊加起來,才能進行觀察,這就是所說的誘發(fā)電位技術(shù),通常叫做事件相關(guān)電位,簡稱 ERP。ERP 學(xué)在認知神經(jīng)科學(xué)中具有重要作用。這是因為在研究具更廣泛重要性的問題之前,你首先需要相當程度地了解那些特異性 ERP 成分 10。一般情況下,進行 ERP 研究時,為得到可靠的 ERP 波形,對原始腦電數(shù)據(jù)的離線分析過程主要包括以下基本步驟 3:(1)合并行為數(shù)據(jù);(2)腦電預(yù)覽;(3)偽跡剔除或矯正,包括眼電(EOG) 、心電(EKG ) 、肌電(EMG)等;(4)數(shù)字濾波(根據(jù)具體情況和經(jīng)驗進行參數(shù)選擇) ;(5)腦電分段;(6)基線校正;(7)去除偽跡;(8)疊加平均;(9)數(shù)字濾波(根據(jù)需要選擇)和平滑化處理;(10)總平均;(11)波形識別、測量、統(tǒng)計分析、作圖。針對 EEG 信號的模式識別國外學(xué)者已進行了大量的實驗與研究。對于BCI 技術(shù)來說,要使腦機接口技術(shù)有更大實用意義,必然要實現(xiàn)多類 EEG 信號模式識別,所以提高多類分類的精度是很有必要的。但由于實驗方法各有差異,且各種多分類方法本身均存在不同程度的缺陷,并沒有一個公認的效果很好的多分類方法。而支持向量機與其它傳統(tǒng)的模式識別方法相比,以其結(jié)構(gòu)風(fēng)險最小化原則而非經(jīng)驗風(fēng)險最小化原則,在 EEG 的模式識別問題中也已展現(xiàn)出較強的分類能力和泛化能力 4。支持向量機 SVM 是在統(tǒng)計學(xué)習(xí)理論基礎(chǔ)上發(fā)展起來的一種新的機器學(xué)習(xí)方法,是結(jié)構(gòu)風(fēng)險最小化原理的實現(xiàn)。算法實現(xiàn)需具有深厚的數(shù)學(xué)功底和計算機編程技術(shù),對非計算機專業(yè)的廣大研究人員來說,一種簡單高效的實現(xiàn)環(huán)境和方法是迫切的需要。支持向量機算法在 MATLAB 環(huán)境下易于實現(xiàn)和靈活應(yīng)用的特點,很好的提供這一技術(shù)平臺 8。對于樣本的識別,目前相關(guān)研究中采用最多的是 BP 神經(jīng)網(wǎng)絡(luò)和支持向量機方法,但 BP 神經(jīng)網(wǎng)絡(luò)存在固有的收斂速度慢 ,容易陷入局部最小點的缺陷。支持向量機是由 Vapnik 最初在統(tǒng)計學(xué)習(xí)理論的基礎(chǔ)上建立起來的一種非常有力的機器學(xué)習(xí)方法,是一種新穎的人工智能技術(shù),目前在信號處理、系統(tǒng)辨識與建模、先進控制和軟測量等領(lǐng)域都得到了廣泛的應(yīng)用 9。支持向量機中的參數(shù)較多,對其的選擇極大程度上決定了分類器的復(fù)雜性、泛化能力及魯棒性,所以參數(shù)尋優(yōu)的意義尤為重大。許多尋優(yōu)算法都已應(yīng)用到了支持向量機參數(shù)優(yōu)化問題當中,比如網(wǎng)格點法、K 折交叉驗證法、梯度算法、遺傳算法、粒子群算法、蟻群算法和模擬退火算法等 4。二、研究主要成果 本設(shè)計主要基于 MATLAB 分析平臺,實現(xiàn)對 EEG 信號的分析和處理,從而提取相關(guān)的信息,以供研究人員進行科學(xué)研究,對臨床醫(yī)學(xué)和認知科學(xué)領(lǐng)域具有重要的參考價值和科學(xué)意義。首先需完成 EEG 信號 CNT 文件的讀取和顯示,對大容量數(shù)據(jù)進行分段、壓縮或者改變采樣頻率以減小數(shù)據(jù)量,方便處理。同時進行基線的調(diào)整,壞數(shù)據(jù)的剔除等工作。然后基于特定信號源編碼與 EEG 信號作相關(guān)分析,得出主成分信號。主成分分析是一種通過降維技術(shù)把多個變量化為少數(shù)幾個主成分(即綜合變量)的統(tǒng)計分析方法。這些主成份能夠反映原始變量的絕大部分信息,它們通常表示為原始變量的某種線性組合。再者嘗試不同信號變換,尋出關(guān)聯(lián)事件類型下的最大相關(guān)信號特征。主要有合并行為數(shù)據(jù)、腦電預(yù)覽、偽跡剔除或矯正、數(shù)字濾波、腦電分段、基線校正、去除偽跡、疊加平均、數(shù)字濾波和平滑化處理、總平均、波形識別等步驟。最后利用 SVM,PLS 等分析方法,對信號特征進行關(guān)聯(lián)匹配,尋找最優(yōu)方法和參數(shù)。支持向量機就是首先通過用內(nèi)積函數(shù)定義的非線性變換將輸入空間變換到一個高維空間,在這個空間中求(廣義) 最優(yōu)分類面。SVM 分類函數(shù)形式上類似于一個神經(jīng)網(wǎng)絡(luò),輸出是中間節(jié)點的線性組合,每個中間節(jié)點對應(yīng)一個支持向量通過把原問題轉(zhuǎn)化為對偶問題,計算的復(fù)雜度不再取決于空間維數(shù),而是取決于樣本數(shù),尤其是樣本中的支持向量數(shù)。這些特點使有效地對付高維問題成為可能。在最優(yōu)分類面中采用適當?shù)膬?nèi)積函數(shù)就可以實現(xiàn)某一非線性變換后的線性分類,而計算復(fù)雜度卻沒有增加 5。三、發(fā)展趨勢 腦電信號中包含了大量的生理與疾病信息。在臨床醫(yī)學(xué)方面,腦電信號處理不僅可為某些腦疾病提供診斷依據(jù),而且還為某些腦疾病提供了有效的治療手段。在工程應(yīng)用方面,人們也嘗試利用腦電信號實現(xiàn)腦-計算機接口(BCI),利用人對不同的感覺、運動或認知活動的腦電的不同,通過對腦電信號的有效的提取和分類達到某種控制目的。但由于腦電信號是不具備各態(tài)歷經(jīng)性的非平穩(wěn)隨機信號,而且其背景噪聲也很強,因此腦電信號的分析和處理一直是非常吸引人但又是具有相當難度的研究課題 2。腦電信號是明顯的非平穩(wěn)性信號,從 20 年代檢測到腦電信號以來,雖然已作了大量的工作,但長期以來還沒有突破性的進展。隨著信號處理方法的不斷發(fā)展,更多更有效的分析方法在腦電信號分析中的應(yīng)用,人們對于腦電活動機理將有進一步的認識,也必將為臨床醫(yī)學(xué)和基礎(chǔ)醫(yī)學(xué)的發(fā)展作出新的貢獻 2。由于統(tǒng)計學(xué)習(xí)理論和支持向量機建立了一套較好的有限樣本下機器學(xué)習(xí)的理論框架和通用方法,既有嚴格的理論基礎(chǔ),又能較好地解決小樣本、非線性、高維數(shù)和局部極小點等實際問題,因此成為九十年代末發(fā)展最快的研究方向之一,其核心思想就是學(xué)習(xí)機器要與有限的訓(xùn)練樣本相適應(yīng)。統(tǒng)計學(xué)習(xí)理論雖然已經(jīng)提出多年,但從它自身趨向成熟和被廣泛重視到現(xiàn)在畢竟才只有幾年的時間,其中還有很多尚未解決或尚未充分解決的問題,在應(yīng)用方面的研究更是剛剛開始。這是一個十分值得大力研究的領(lǐng)域 5。四、存在問題 EEGLAB 統(tǒng)計方法具有局限性:1、結(jié)果不易顯著。2、進行多因素統(tǒng)計分析存在局限性(無法探討交互作用) 。為了研究學(xué)習(xí)過程一致收斂的速度和推廣性,統(tǒng)計學(xué)習(xí)理論定義了一系列有關(guān)函數(shù)集學(xué)習(xí)性能的指標,其中最重要的是 V C 維(Vapnik-Cherv onenkis Dimension)。模式識別方法中 V C 維的直觀定義是:對一個指示函數(shù)集,如果存在 h 個樣本能夠被函數(shù)集中的函數(shù)按所有可能的形式分開,則稱函數(shù)集能夠把 h 個樣本打散;函數(shù)集的 VC 維就是它能打散的最大樣本數(shù)目 h。若對任意數(shù)目的樣本都有函數(shù)能將它們打散,則函數(shù)集的 VC 維是無窮大,有界實函數(shù)的 VC 維可以通過用一定的閾值將它轉(zhuǎn)化成指示函數(shù)來定義。 VC 維反映了函數(shù)集的學(xué)習(xí)能力,VC 維越大則學(xué)習(xí)機器越復(fù)雜(容量越大 )。遺憾的是,目前尚沒有通用的關(guān)于任意函數(shù)集 VC 維計算的理論,只對一些特殊的函數(shù)集知道其 VC維。對于一些比較復(fù)雜的學(xué)習(xí)機器(如神經(jīng)網(wǎng)絡(luò)),其 VC 維除了與函數(shù)集(神經(jīng)網(wǎng)結(jié)構(gòu))有關(guān)外,還受學(xué)習(xí)算法等的影響,其確定更加困難。對于給定的學(xué)習(xí)函數(shù)集,如何(用理論或?qū)嶒灥姆椒?計算其 VC 維是當前統(tǒng)計學(xué)習(xí)理論中有待研究的一個問題 5。關(guān)于如何選擇支持向量機的多分類方法尚沒有一個系統(tǒng)的、有指導(dǎo)意義的簡捷方法。方法原理各不相同,各有優(yōu)缺點,在不同場合有不同表現(xiàn),具體問題應(yīng)當選用何種方法尚未有較好的選擇標準,就其使用時的簡便性來說,一對多法相對使用廣泛。在選擇最佳多分類方法時仍需對各種方法進行試驗挑選。所以在支持向量機應(yīng)用于 EEG 模式識別的問題上仍有很大的研究空間,需要從 BCI 系統(tǒng)整體出發(fā),考慮到樣本的選擇方法,分類器的可靠性評判等方面建立多類模式識別的評判系統(tǒng) 4。雖然 SVM 方法在理論上具有很突出的優(yōu)勢,但與其理論研究相比,應(yīng)用研究尚相對比較滯后,目前只有較有限的實驗研究報道,且多屬仿真和對比實驗。SVM 的應(yīng)用應(yīng)該是一個大有作為的方向。如何調(diào)整支持向量機分類器的參數(shù), 使得在限定一類錯誤率的前提下使另一類的錯誤率達到最小也是我們下一步的工作 11。誘發(fā)電位儀這種設(shè)備,它的優(yōu)點在于它能把微弱的信號通過疊加使之從無序的自發(fā)電位中突出出來,從而人們能夠識別它。但是它的優(yōu)點同時也就是它的缺點,須知,人的心理是一種活動的過程,而活動過程是不能靜止的,靜止了就不是心理活動了,把一個靜止的狀態(tài)連續(xù)疊加 30-50 次,它從自發(fā)電位中確實突出出來了,但可惜的是,它不是我們所希望看到的那種連貫的心理活動了。比如說,我們令一個被試觀看一張恐怖的圖片,被試產(chǎn)生了恐懼反應(yīng),這種恐懼信號太弱,不足以被識別出來,為了是它從自發(fā)電位中突出出來,就需要疊加,可是當?shù)诙慰吹剿鼤r,被試的恐懼感還是第一次那樣嗎?第三、第四更不是,最后會不會對連續(xù)觀察恐懼圖片產(chǎn)生厭惡感。而且,引起誘發(fā)電位的那種刺激呈現(xiàn)之后,一般是觀察 300 毫秒以內(nèi)的變化,研究者們觀察最多的是 P300,須知, 300 毫秒也就是不到一秒鐘的三分之一的時間,只相當于選擇反應(yīng)時的時間長度,如此短暫的時間,能夠允許復(fù)雜的心理活動在人們的意識里明明白白地產(chǎn)生并保留一會兒嗎?300 毫秒里能完成的心理活動,只是復(fù)雜心理活動鏈條中的一剎那的片段,不是通常一以上的心理活動,因此,用這種方法研究復(fù)雜的心理現(xiàn)象,猶如用照片來反映一個人對事物的態(tài)度一樣,只能是管中窺豹,只見一斑。腦電技術(shù)與心理學(xué)研究的結(jié)合還有很長一段路要走。5、參考文獻 1 劉克球,呂以喬,以氏生物醫(yī)學(xué)電子學(xué)M北京大學(xué)出版社,1988.2 季忠,秦樹人,彭麗玲腦電信號的現(xiàn)代分析方法J重慶大學(xué)學(xué)報,2002,25(9) :108-1123 趙侖ERPs 實驗教程M南京:東南大學(xué)出版社,201074 李耀楠,張小棟,王云霞支持向量多分類機的多類復(fù)雜手操作 EEG 信號模式識別J機械與電子,2009,12(7) 5 張學(xué)工關(guān)于統(tǒng)計學(xué)習(xí)理論與支持向量機J自動化學(xué)報, 2000,26(1) :32-426 楊仁桓,宋愛國,徐寶國基于諧波小波包變換的腦電波基本節(jié)律分析J東南大學(xué)學(xué)報,2008,38(6) :996-999 7 毛大偉分尺度復(fù)雜性及希爾伯特黃變換在腦電分析中的應(yīng)用浙江大學(xué),20058 董婷支持向量機分類算法在 MATLAB 環(huán)境下的實現(xiàn)J 榆林學(xué)院學(xué)報,2008,18(4):94-969 周紅標基于小波包變換和最小二乘支持向量機的癲癰腦電信號識別淮陰工學(xué)院電子與電氣工程學(xué)院,201110 STEVEN JLUCK事件相關(guān)電位基礎(chǔ)M上海:華東師范大學(xué)出版社,200911 李鋼,王蔚,張勝支持向量機在腦電信號分類中的應(yīng)用J計算機應(yīng)用,2006,26(6): 1431-143612 賈花萍基于 PNN 神經(jīng)網(wǎng)絡(luò)的 EEG 信號分類方法研究J 河南科學(xué),2011,29(7):846-849
收藏