日志正文
|
||
大脑电生理信号是脑部神经元电活动产生的信号,是进行大脑功能研究和脑部疾病诊断的重要手段。大脑电生理信号大致分为三类:神经元细胞内记录和细胞外记录信号、脑电图信号(包括头皮脑电、皮层脑电和核团脑电信号)以及脑诱发电位信号。 神经元细胞内记录和细胞外记录信号是记录神经元活动最有效的方法;脑电图信号和脑诱发电位信号则是用粗电极记录的大量神经元的综合电活动。它们分别从不同方面反映了大脑的生理状态和活动规律,是揭示大脑功能本质和信息传递处理方式的主要手段。 在大脑电生理信号的研究与分析中,世界各国的研究者已经做了大量的工作,提出和应用了一系列非常有价值的方法和技术。其中,对于神经元细胞内记录和细胞外记录信号的研究还刚刚起步,主要是进行时域分析;对于脑电信号的特征提取与识别技术的研究已经有了许多进展。在已有的研究中,脑电信号分析方法主要有时域分析、频域分析、双谱分析、时频分析、非线性分析等。 1.时域分析 直接从时域提取有用波形特征是最早使用的脑电信号分析方法,至今仍有不少脑电工作者在使用。常用的时域分析方法有:过零点分析、直方图分析、方差分析、相关分析、峰值检测、波形参数分析和波识别等。时域分析一般都是对脑电波形的一次性处理,因而在处理过程中损失的信息也较少。然而,由于脑电波形的形态过于复杂,目前还没有一种特别行之有效的分析脑电波形的方法。 脑电信号是大脑神经元细胞的电活动在大脑皮层上的总体效应,且易受主观因素(如心理活动)及客观因素(如声、光刺激)的影响,因此脑电具有高度的随机性,波形极不规则。这一特征决定了脑电在时域分析的困难性。由于脑电功率谱相对稳定,并且能揭示脑电中所隐含的一些病理信息,因此,频域分析是目前脑电临床应用的主要方法。 2.频域分析 频域分析主要是对脑电信号进行功率谱估计。通过计算脑电信号的功率谱,把幅度随时间变化的信号变换为信号功率随频率变化的谱图,从而可以直接观察脑电不同节律的强弱。 谱估计通常分为经典方法和现代方法。经典方法以傅立叶变换为基础,主要包括相关图法和周期图法,以及在此基础上的改进方法。经典谱估计法物理意义明确,计算简单,因此在许多领域得到应用。特别是在对脑电的平均谱特性做静态分析时,传统的FFT周期图谱估计方法应用很广泛。但这种方法的主要问题是:由于假定信号的自相关函数在数据观察区以外等于零,因此估计出的功率谱很难与信号的真实功率谱相匹配,因而是一种低分辨率的谱估计方法。 在现代谱估计方法中,参数模型法是应用最广泛的一种方法,近年来在脑电信号处理中应用较为普遍。参数模型法的优点是频率分辨率高,得到的谱图平滑,有利于提取脑电信号特征。但这种方法对被处理信号的线性、平稳性及信噪比要求较高。近年来,随着计算机技术与信号处理技术的发展,在功率谱分析的基础上有发展了脑地形图、压缩谱阵图等频域分析方法,并在临床中广泛应用。虽然这些方法得到的结果更形象、直观,也便于动态监护,但无法解决谱分析本身存在的问题。 为了能够快速分析脑电信号,发现并且精确地描述神经系统的损伤人们一直在试图进一步获得脑电信号及其变化的定量描述和估计。Goel V等研究者采用基于随机序列自回归模型的主控频率法、AR谱距离法和Itakura距离测度法检测在缺氧窒息实验过程中CNS可能存在的损伤,取得了一定研究进展。由于脑电信号的非线性和非平稳特性,上述方法的应用均受到一定限制。 3.双谱分析 为了进一步提取更多的脑电图的特征信息量,人们采用了双谱分析。1997 年,西安交通大学生物医学工程研究所研究者提出用双谱分析脑电信号, 引入了分辨率较高的参数—TOR 双谱估计方法。用此方法估计局灶性缺血脑损伤脑电图信号的双谱,检测出局灶性缺血脑损伤过程中的非线性特征—二次相位藕合的变化情况,得到了一般线性分析方法(如功率谱分析) 无法得到的丰富信息。 4.时频分析 信号的时频分析(Time-Frequency Analysis)技术,不同于单纯时域或者频域分析,它是一种同时在时域和频域中对信号进行分析的技术,主要分为线性变换和非线性变换两类。线性变换主要包括:短时傅立叶变换(Short Time Fourier Transform,简称STFT)、Gabor变换和小波变换技术,非线性变换主要包括:Wigner-Ville分布、Cohen类分布等。时频分析的主要思想是把时域信号在时间-频率平面中展开,将以时间为自变量的信号 表示成以时间和频率两个参数为自变量的函数 ,从而表现出信号不同时间点的频率成分。与传统的傅立叶分析相比,时频分析更加有利于表现非平稳信号和时变信号的特征,突出信号的瞬态特征。 时频分析技术已广泛应用于信号处理的各个领域,在脑电信号处理中,主要用于脑电信号特征波形识别、诱发电位特征分析、多分辨率分析、信号预处理等。 5.非线性分析 非线性时间序列是非线性系统中出现的貌似随机信号的确定性信号,是确定性系统所表现出来的内在随机性。对这些信号人们曾经用频谱分析、相关分析和统计叠加等方法分析过,并取得了一定的成果。但是这些方法都是属于线性的,只适用于稳定的平衡线性系统。随着非线性科学的快速发展,人们已经认识到对于这类时间序列的处理不能采用传统的线性方法,而必须用非线性的方法进行分析。 非线性动力学的引入,为人们研究大脑和脑电提供了新途径。目前研究脑电的非线性方法主要有:Lyapunov 指数、分数维、复杂性测度等。 (1)Lyapunov 指数 在混沌系统中,状态空间相邻轨道是指数形式发散的。用来衡量轨道的收敛率和发散率的指标就是Lyapunov 指数,由于在相空间各点处的收敛率或发散率都是不同的,因此为了刻划非线性动力学的整体效果,Lyapunov 指数是对运动轨道各点的拉伸或压缩速率进行长时间的平均后得出的。对于高于一维的动力学系统,有一组Lyapunov 指数,称为Lyapunov 指数谱。其中每一个指数对应于某一特定方向上的轨道收敛率或发散率。一般情况下,Lyapunov 指数的个数等于相空间的维数。对于一个混沌系统,其Lyapunov 指数谱中至少有一个指数值为正值。在 维相空间中取一个无穷小的 维球体,以这个球体的各点为初值,让这个球体沿通过它的轨线运动。由于动力学的形变作用,这个球体将随时间的推移演变为一个 维的椭球。那么第 个Lyapunov 指数 定义为 维椭球的第 个主轴的长度 的指数增长Lyapunov 指数的计算是在相空间进行的,而人们从实际测量中得到的,往往是按等时间间隔得到的时间序列,这时Lyapunov 指数的计算是基于时间序列重构相空间的技术。有关如何选取嵌入维数和延迟时间,在文献中有大量的讨论。 (2)分数维 混沌运动的动力学行为表现为非周期的或被认为是周期无穷大的、貌似随机的运动轨道。而实际上它是具有某种潜在的、确定性的次序,并能以相对较少的自由度来描述。分数维就是用来描述混沌自由度信息的参数。 考虑 维相空间的一个子集,将这个子集所在的空间用边长为 的 维立方体进行划分,设 是覆盖这个子集所需的 维立方体的最小数目,那么这个子集的分维数为:分维的概念对于高维系统的混沌动力学很重要,混沌系统的分数维 是一个大于2 的分数。 (3)复杂性测度 复杂性是从信息度量的角度评价研究对象复杂程度的一种方法。目前最常用的有KC复杂度和近似熵(Apen)。KC复杂性是把时间序列粗粒化为符号序列 ,然后用这一符号序列的复杂性来代替时间序列的复杂性。Lempel 和Ziv 定义了由有限集合中的元素所构成的有限序列的复杂度,它反映了一个时间序列随其长度的增长出现新模式的速率。具体算法见论文第五章。 Apen是由Pincus在1991年提出的一种度量序列的复杂性和统计量化的规则。只需较短数据就能表现信号特点,也可用于研究信号的动态变化。Apen有很多优点:所需数据点数较少(大于100个数据点);有较强的抗噪音和抗干扰能力,特别是对偶尔产生的瞬态强干扰有较好的承受能力;对于随机信号或是确定性信号都可以使用,也可以应用于由随机成分和确定性成分混合的信号。由于生物信号往往既有确定成分又含有随机成分,因此Apen对分析生物信号是十分有利的。 计算近似熵时,需输入两个参数m,r且在整个计算过程中固定不变。m是相空间维数,r是一个有效的阈值。给出一个N点序列,对于固定的m和r,即可计算出 ,具体算法见文献。它反映了相空间维数增加时产生新模式可能性的大小。 KC复杂度和近似熵从不同侧面反映了序列的不规则程度。总的来讲,KC复杂度是一种公认的优秀算法,除了粗粒化问题,人们似乎还没有找到它的其它缺点,且计算量也不大;近似熵测度是近年来人们研究比较多的一种算法,但近似熵测度依赖于实现设定的两个参数m和r。在实际应用中参数的合理设置至关重要。若参数设置不当时,近似熵测度的结果可能与系统的真实动力学特性完全背离。从运算量来看,同样长度的序列,KC复杂度的运算量较小。 我的相关日志:
最后修改于 2012-02-07 10:05
阅读(?)评论(0)
该日志已被搜狐博客录用:http://health.sohu.com/blog/
|
||
评论 想第一时间抢沙发么?