腦電信號處理方法的研究綜述

王海玉+胡劍鋒+王映龍

摘 要： 大腦為高級神經中樞系統(tǒng)，腦電信號（EEG）是反映大腦神經元細胞群自發(fā)性、節(jié)律性的電生理活動信號，包含著重要的生理信息。對腦電信號進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、臨床病癥提供重要依據(jù)。文章主要歸納腦電信號的處理方法，對時頻分析、高階譜分析、人工神經網(wǎng)絡和非線性動力學分析等四種處理方法進行介紹，將國內外對應處理方法的應用結果加以展示，同時總結腦電研究的相關成果并提出腦電研究在當前社會的應用前景。

關鍵詞： 腦電信號； 時頻分析； 高階譜分析； 人工神經網(wǎng)絡； 非線性動力學

中圖分類號：TP271 文獻標志碼：A 文章編號：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

腦電信號由腦部神經元活動時產生，信號可分為三類：腦電圖信號、腦誘發(fā)電位信號和神經元細胞內外記錄信號。腦電信號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，腦電信號分析應用和神經學研究越來越豐富。圖1是分析今年知網(wǎng)中關于腦電文獻發(fā)表數(shù)量統(tǒng)計圖。由圖1可知，腦電文獻發(fā)表年度總體趨勢呈逐年上升的態(tài)勢，且上升的速度逐步加快。隨著計算機科學、醫(yī)學、生物學等學科不斷匯聚，腦電應用的范圍越來越廣，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”的學科分布圖，圖2表明，腦電研究的應用領域不斷拓寬。創(chuàng)新的思想、新興的技術和智能的工具相結合，使腦電信號應用多元化。從集中于醫(yī)學、神經等生理方向的研究擴展到神經病學、外科學、生物醫(yī)學、心理學、信號處理、計算機軟件與計算機應用技術等領域。關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，不少國內外的科研機構從單獨腦電研究的初步探索階段邁向以腦電信號分析為研究對象的綜合研究階段，提出許多具有價值的方法和技術，并取得了卓越的成就。

1 腦電信號分析方法

腦電信號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（PSD）、混沌法，多維統(tǒng)計分析等方法。腦電信號具有非平穩(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、人工神經網(wǎng)絡、非線性動力學分析等腦電分析處理方法得到了深入研究[1]。其中時頻分析、高階譜分析、人工神經網(wǎng)絡和非線性動力學分析等四種方法應用最為廣泛。

1.1 時頻分析

較早應用的EEG分析方法是從時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、直方圖分析（Histogram）、相關分析（CA）、峰值檢測等都是研究中使用較多的時域分析方法。由于腦電信號在頻域往往比在時域更加簡單直觀，所以大多數(shù)研究是在頻域下進行的。頻譜分析、倒頻譜分析、包絡分析、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分析處理方法。吳玉鵬[2]用功率譜中AR譜技術和FFT技術進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上的支持。郝冬梅[3]等人將6階AR模型擬合EEG信號，以LVQ神經網(wǎng)絡作分類器，通過比較網(wǎng)絡選擇不同參數(shù)對分類正確率的影響得到競爭層神經元數(shù)目直接影響了正確率的這一結論。馮春輝[4]發(fā)現(xiàn)在不進行主成分分析的基礎上支持向量機（SVM）與CSSD的組合識別正確率最高達74%。還有眾多研究者對其進行深入研究并在一定程度上取得了相應的成果。endprint

然而時域和頻域分析方法，主要是用于平穩(wěn)信號分析。對于不平穩(wěn)、非線性信號的分析，應用時域和頻域時，都難以提取出有效的特征信息。時頻分析方法，彌補了時域和頻域分析方法在非線性信號分析的缺陷，能夠準確地提取到非線性信號隨時間變化的特征信息。目前，在信號處理的工程領域和眾多學科當中，時頻分析的技術已被大范圍應用，比如語音分析、圖像識別、機械設備故障診斷[5]、生物工程等，在分析腦電信號時，腦電信號特征的多分辨率分析、波形辨識、誘發(fā)電位特征提取、信號預處理等是時頻分析的主要應用領域。時頻分析提供頻域和時域的聯(lián)合分布信息，清晰地闡明了信號頻率時變性，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）是對功率譜的推廣，是腦電分析一種常用的方法。一個平穩(wěn)隨機信號的高階譜是其高階累積量的傅里葉變換。令{z（n）}為平穩(wěn)隨機信號，q階譜是q階累量的（q-1）維傅里葉變換，即

其中，高階譜計算量隨階數(shù)的增加愈來愈復雜深入，故一般雙譜或三階譜使用頻率較高一些。特殊的，當高階譜的階數(shù)為三時稱為雙譜，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)估計問題、信號檢測中能夠自動抑制高斯噪聲，用重新構成信號的相位和幅度，檢測時間序列的非線性結果。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)不同腦電極信號雙譜切片當中的明顯不同。Wang Qun[7]等人通過雙譜分析的具體實驗發(fā)現(xiàn)，在處理非線性信號并抑制高斯噪聲信號時，高階頻譜的功率譜基于二階統(tǒng)計，優(yōu)于功率譜；還有更多的學者印證了高階統(tǒng)計量分析具有重大意義。由此可知，高階譜分析的應用領域越來越廣，將會有越來越多的研究者對其進行更深入的探索。

1.3 非線性分析

隨著科學技術的騰飛發(fā)展，非線性逐漸出現(xiàn)在人們的視野范圍內，非線性通常指不成直線、不按比例的關系，代表腦電不規(guī)則的變化。研究者嘗試應用統(tǒng)計疊加、頻譜分析、相關分析等方法分析處理這些信號，取得一定進展。但從另一個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)分析方法對于非線性信號分析會造成精度損失。隨著新的腦電現(xiàn)象的出現(xiàn)以及非線性學科的迅速發(fā)展，非線性動力學成為研究者解密大腦和腦電新的有效渠道和迎接挑戰(zhàn)的堅韌利器。Lyapunov指數(shù)、復雜性測度、分數(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、樣本熵這五個非線性動力學指標，對發(fā)作時間做出預測，為治療癲癇患者提供了理論基礎推進了癲癇患者治愈的進程。李樹春[9]等人將非線性動力學理論通過特征值用以對青年人和老年人腦電的差異進行分辨，實驗發(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，相關維數(shù)、最大李雅普諾夫指數(shù)、復雜度、近似熵等，提取EEG腦電信號的相應特征也再文獻中有較多討論，印證了非線性動力學混沌算子分析EEG信號的應用具有一定科學基礎。

1.4 人工神經網(wǎng)絡

人工神經網(wǎng)絡（ANN，Artificial Neural Network）是一個能進行復雜邏輯操作的理論化數(shù)學模型，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，但有應用簡便，分類結果較為準確的優(yōu)勢。ANN理論在眾多研究領域應用并取得了成功，但由于一些假象信息或信息內容不完整，決策規(guī)則時而相互沖突、互相矛盾，時而無則可依，這都是對傳統(tǒng)的信息處理方式的巨大挑戰(zhàn)。ANN具備自動診斷、問題求解功能，具有模擬與人的思維有關的優(yōu)勢，合理判定，能解決傳統(tǒng)方法難以實現(xiàn)的難題。

ANN以其獨有的非線性自適應信息處理能力，成功地應用在模式識別、智能控制、優(yōu)化組合、預測等領域。高群霞[10]等人對比SVM、ANN兩類模式識別方法在睡眠分期中的應用，歸納了近幾年這一領域的發(fā)展趨勢走向。范飛燕[11]實現(xiàn)分類精度達到60%以上，表明ANN是在基線和某些認知區(qū)分的有效方法。初孟[12]等人結合ANN進一步降低棘波檢測的錯誤率，在仿真實驗中取得了好的結果。近年來信息幾何為人工神經網(wǎng)絡的研究注入了新鮮的血液。推進人工神經網(wǎng)絡和其他傳統(tǒng)方法相融合、優(yōu)勢互補，將促進人工智能和信息處理技術的新發(fā)展。

2 展望

本文主要對時頻分析、高階譜分析、人工神經網(wǎng)絡和非線性動力學分析四種處理方法進行研究和綜述，腦電研究的相關成果分析總結如下。

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

在科技相對發(fā)達的公司出現(xiàn)了腦控機器人座椅、機器人床等，感知受試者的身體狀況，幫助發(fā)布調動受試者體位的大腦指令，改善生命體健康狀態(tài)；測評，電影、電視節(jié)目等等通過腦電收集關注者的喜好程度；在一些專業(yè)機構例如戒毒所、監(jiān)獄等場所，用以監(jiān)測及訓練檢測；一些公司或機構用于診療身心如不同程度的焦慮病癥等。

時頻分析、高階譜分析、人工神經網(wǎng)絡分析和非線性分析各具特色，推動腦電研究的同時也給腦電更深入的研究提出了挑戰(zhàn)。將腦電與多設備連接、改善數(shù)據(jù)來源，實時監(jiān)測腦電信號進行分析、將腦電應用到更多領域。探索和研究腦信號，將為腦電造福人類開辟新的天地。

參考文獻（References）：

[1] 唐肖芳.面向運動想象的腦電信號特征選擇與特征提取算法

研究[D].西南科技大學碩士學位論文，2015.

[2] 吳玉鵬.AR譜在皮層癇樣腦電信號分析應用[D].河北醫(yī)科大

學碩士學位論文，2015.

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

療設備信息，2003.10：7-9

[4]馮春輝.基于腦電節(jié)律的模式識別方法研究[D].燕山大學碩

士學位論文，2011.

[5]陳珊珊.時域分析技術在機械設備故障診斷中的應用[J].機械

傳動，2007.3：79-83，4

[6] 劉海紅，杜英舉，姚偉華.不同意識腦電的雙譜切片特分析與

分類[J].電子設計工程，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.基于非線性動力學特征指標的癲癇腦電信號分類、

定位與預測方法研究[D].新疆醫(yī)科大學碩士學位論文，2017.

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

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

[10] 高群霞，周靜，吳效明.基于腦電信號的自動睡眠分期研究

進展[J].生物醫(yī)學工程學雜志，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.基于人工神經網(wǎng)絡的癲癇棘波檢測

方法[J].中國生物醫(yī)學工程學報，2006.4：421-425，429endprint