1、- 1 -郑州大学毕业设计（论文）题 目 基于小波包变换的运动想象脑电信号特征提取与分类 院 系 电气工程学院 专 业 自动化 班 级 2010-2 学生姓名 张怡然 学 号 20100220238 指导教师 胡玉霞 职称 副教授 2014 年 6 月 03 日张怡然：基于小波包变换的运动想象脑电信号特征提取与分类I摘 要脑电信号(Electroencephalogram,EEG)是脑神经细胞电生理活动在大脑皮层和头皮的总体反映，在临床医学以及脑科学领域的研究中起着非常重要的作用。本文首先研究了国内外关于运动想象脑电信号课题的目的和意义，以及相关技术和现状。其次对左右手运动想象脑电信号进行了概
2、述,介绍了脑电信号的特征与采集方式，及相关的同步与去同步的基本概念。然后深入了解了小波包技术及其强大的时频分析功能，并利用 MATLAB 软件对脑电信号进行小波包分解， 最后采用支持向量机分类器实现了对各不同运动想象的脑电信号分类识别。实验结果表明，采用小波包技术提取的脑电信号特征量能较好的反映不同运动想象时的脑电信号特征，具有比较好的分类效果。关键词：小波包，特征提取，脑电信号(EEG)，支持向量机分类器AbstractEEG is the overall reflection of the nerve cells in the brain electrophysiological acti
3、vity in the cerebral cortex and the scalp, It plays a very important role in the field of clinical medicine and brain science research.In this paper, Firstly, we study the purpose and significance of research at home and abroad on the subject of movement imagination EEG , and related technologies an
4、d the status.Secondly we overview the movement imagination EEG of left and right hands signals,introducing the characteristics and EEG acquisition mode ,and the related basic concepts of desynchronization and synchronization. Then in-depth understand of the wavelet packet technology and its powerful
5、 time-frequency analysis function.And we use MATLAB software programming on the EEG signal by wavelet packet decomposition, and its reconstruction and feature extraction。At last using support vector machine (SVM) to classify motor imagery EEG signals, and the experiment results show that the feature
6、 of EEG signals which are extracted by using wavelet packet technology can reflect well the feature of the EEG signals and it has a good 郑州大学电气工程学院毕业设计（论文）IIclassification effect.Key words: Wavelet packet, Feature extraction, Brain electrical signal, Support vector machine (SVM) classifier张怡然：基于小波包变
7、换的运动想象脑电信号特征提取与分类III目 录摘要.IAbstract.I1 绪论.11.1 课题研究目的和意义.11.2 国内外相关技术和研究现状.11.3 小波包变换在脑电信号处理中的应用.31.4 本文的主要工作及结构安排.42 运动想象脑电信号(EEG)概述.52.1 脑电图的背景知识.52.2 脑电信号的特征与采集方式.6 2.3 运动想象脑电信号的相关同步与去同步.92.4 常见脑电信号特征提取方法.92.5 本章总结.103 小波包变换的基本理论.113.1 小波包变换来源和分析.113.2 小波包变换的基本概念及性质.133.3 小波包变换特征提取.153.4 小波包变换的 M
8、ATLAB 实现.163.5 本章总结.204 基于小波包变换的左右手运动想象的脑电信号单次提取.214.1 数据来源及预处理.214.2. 基于小波包分解重构的脑电信号各节点信号.224.3 运动想象脑电的事件相关同步与去同步分析.314.4 本章小结.335 基于小波包变换的左右手运动想象脑电信号特征提取与分类.345.1 基于时域的脑电信号特征提取.345.2 基于频域的特征提取.355.3 采用支持向量机分类器对左右手运动想象的脑电信号分类与识别.39郑州大学电气工程学院毕业设计（论文）IV5.4 本章小结.42 6 结论与展望.43谢辞.45参考文献.45附录 I 外文资料译文及原文
9、.47A1.1 译文.47A1.2 原文.51附录 II 程序清单 .58A2.1 小波包分解和特征提取程序.58A2.2 支持向量机分类程序. 60张怡然：基于小波包变换的运动想象脑电信号特征提取与分类- 1 -1 绪论1.1 课题研究目的及意义脑电信号(EEG)是由脑内亿万神经元活动而引起的头皮表面电压变化，其中蕴 涵着丰富的生理、心理及病理信息，脑电信号的分析及处理无论是在临床上对一些脑疾病的诊断和治疗，还是在脑认知科学研究领域都是十分重要的。但由于脑电信号是不具备各态历经性的非平稳随机信号，而且其背景噪声很强，因此脑电信号的分析和处理一直是非常吸引人但又是具有相当难度的研究课题。近些年
10、来，随着小波变换的不断发展，国内外许多研究者将小波分析用于生物医学信号的提取及去噪处理。小波变换是一种多尺度的信号分析方法，具有良好的时频局部化特性，当检测高频信息时，时间窗会自动变窄，以便在频率域用较高的频率对信号进行细分析;而当检测低频信号时， 时间窗会自动变宽，以便在低频域用低频对信号进行轮廓分析。小波变换的这一时频局部化特性，非常适合于分析非平稳信号的瞬态特性和时变特性。通过小波变换我们就能很好的对脑电信号进行分析，这样我们对脑部活动状态有了更好的把握，这对医学上的脑部疾病的探测和治疗的研究有更好的帮助。1.2 国内外相关技术和研究现状脑电信号(EEG)是脑神经细胞电生理活动在大脑皮层
11、或头皮表面的总体反映。早在 1875 年英国的 RCanton 就在动物脑中记录出电活动。1924 年，Jena 大学的 HansBerger 首先发现人脑电活动，并命名为 Elektroenkephalogrammm，简称EEG。由此，对脑电信号进行特性分析和特征提取，国内外有关这一课题的研究日益增多，到目前为止，已经有很多方法被应用于此。最初的脑电图(EEG)的研究方法主要是通过专家目测完成，专家利用经验消除伪差和干扰，并根据脑电图波形的幅度、频率和瞬态分布等给出评价和结论。这使得对脑电信号的特征提取与特性分析停留在主观水平上 1。1932 年 Dietch 首次发表了用傅立叶变换进行EE
12、G 分析的文章。此后，该领域相继引入了时频分析，频域分析等脑电图分析的经典分析方法。时域分析主要用来直接提取波形特征，如过零截点分析、直方图分析、方差分析、相关分析、峰值检测及波形参数分析、波形识别等等。频域分析方法则主要基于各频段的功率谱估计、相干分析等。郑州大学电气工程学院毕业设计（论文）- 2 -在 EEG 的临床和应用研究中，人们首先观察到了脑电波在清醒睁闭眼、深睡眠、运动控制以及复杂思维活动等各种生理或精神状态下所表现出的频率特性。关于 EEG 信号中存在特定频率的节律，早在 1969 年，P. Bakan 就有一篇发表在 Nature 上的论文，研究了侧眼运动的方向性与 EEG 中
13、出现大量 波节律之间的关联性。因此在之后很长一段时期，人们往往采取将脑电信号近似为平稳信号，舍弃部分时间信息，使用频谱分析方法，寻找 EEG 信号中的特定频率成分。应该说这种手段在早期 EEG 分析中取得了很好的效果。例如 1994 年，S. Uchida 等人使用频谱方法研究 10 位正常学生的睡眠 EEG，发现信号在 1216Hz 和 2028Hz 频段上表现出了特定的规律性，两者在二维空间上存在明显的两个聚类区，分别对应于非快速眼动睡眠期和快速眼动睡眠期。1995 年，C.Arce 等人通过 快速傅里叶变换获得多个频段的幅值和相对功率谱参数，从而给出了空间分辨能力、性别与 EEG 功率谱
14、之间的关联性 2。但不可回避的是，傅里叶变换并不适合非平稳信号的分析，因为其为了实现频域上的高分辨率，将丢失信号大量的时间信息，而在这长度不可忽视的分析周期里，头皮脑电很难满足平稳性的要求。因 此同期人们陆续提出了适合非平稳信号 EEG 处理的新方法和新思路。例如 P.Madharan 等人以酒精依赖性问题为例，提出采用自相关功率谱方法来分析大鼠海马脑电，将脑电信号视为短时平稳随机信号，反映了信号在时域和频域统计规律上的内在联系。但这种方法通过概率分布函数来描述脑电的瞬态响应，得到的功率密度谱仍然只是一种统计意义上的结果。但随着脑电信号应用的多样性和复杂性，例如上世纪 90 年代末期，脑机接口
15、概念的提出，传统的 EEG 处理分析方法已经不能满足复杂应用的需要。在这样的背景下，随着信号时频分析理论的提出和成熟，由于其具有较好的时间和频率分辨率，非常适合 EEG 这类非平稳信号的处理，因此逐渐受到了广泛的关注。2005 年 M. Kemal 等人发表在 Computers in Biology and Medicine 上的论文，使用短时傅里叶( Short Time Fourier Transform,STFT)和小波变换(Wavelet Transform, WT)方法分析脑电信号，用来进行儿童癫痫病发作的辅助诊断。为了便于临床医学 需要，他们通过 Labview 以及数据采集卡，
16、将多频段成分映射到时频空间。结果表明 STFT 由于其处理时间较短的特性，在 EEG 信号的实时处理中更具可行性，而 WT 则拥有更好的分辨率和性能。实际上在这之前，就曾有研究考虑将 STFT 与小波包结合起来 3，实现多分辨率的脑电时频分析，在频带划分时具有某种自适应能力，有利于脑电信号中基本节律的检测。2009 年 W. Hsu 在 Journal of Neuroscience Methods 上发表一篇关于结合了 加权时间尺度图的小波变换提取运动想象脑电特征的研究论文。其利用连续小波变换构建二维时间尺度特征，在时频域中产生 EEG 信号的高冗余表示，将更有利于获得精确的 ERD/ERS
17、 成分。论文还与其它结合了遗传算法的时频分析方法张怡然：基于小波包变换的运动想象脑电信号特征提取与分类- 3 -进行了对比，结果表明通过学生 t 分布对时间尺度图进行加权，将为 BCI 分类提供可靠的二维时间尺度特征。国内相关的研究包括:将离散小波变换和神经网络相结合的脑电识别方法 4，但由于小波变换中小波基选择的关键性，以及神经网络的收敛性问题，这种脑电识别方法并不实用；另外还有将 Hilbert-Huang 变换应用于目标注视脑电模式分类研究 5中，虽然解决了非平稳脑电信号的时频分辨率问题，但其存在包括 IMF 在频域上的重叠性以及 IMF 函数的冗余性等缺陷。2011 年 T. Gand
18、hi 发表在 Neurocomputing 上的题为“A comparative study of wavelet families for EEG signal classification”，指出虽然小波理论在生物信号的特征 提取、压缩以及去噪等应用上被广泛使用，但究竟哪一类小波家族更适合分析非 平稳的生物信号，一直未有明确的说法。事实上，本文认为也不会有明确的答案。 因为小波变换最大的局限性在于，其需要事先确定小波基函数，无法适应非平稳脑电信号的动态变化。到如今，大多数人还在用着小波变换对脑电信号进行分析。但也有着一些研究人员开始注意到小波包变换这种技术，其实小波包变换也是建立在小波变换
19、基础上的，但小波包分解具有任意多尺度特点。避免了小波分解时 频固定的缺陷，为时频分析提供丁极大的选择余地，更能反映信号的本质和特征。事实上对于 EEG 信号的分析处理，还存在其他分支，例如基于非线性动力学的方法，通过分数维、李亚谱诺夫指数、复杂性测度以及熵等参数，它们某种程度上能够反映动力学过程中的不确定性，进而描述动态系统所隐含的吸引子等特征。 国内开展这方面研究的有基本尺度熵和排列熵在脑疲劳分析的应用 6，脑电信号柯尔莫哥洛夫熵在脑疲劳状态中的研究 7、加窗的 Lempel-Ziv 复杂度在睡眠脑电分期中的应用 8，基于排列组合熵方法的脑电意识任务识别研究等 9。由于脑电信号是一种时变的、
20、非平稳的信号，在不同时间，不同的状态下有着不同的频率成分。所以单纯地通过时域或是频域分析不能准确表征信号，不利于脑电信号瞬态波形的特征提取。近年来，在脑电图分析中应用了小波分析，匹配跟踪，神经网络分析，混沌分析等方法以及多种分析方法的有机结合，有力地推动了脑电信号分析方法的发展。1.3 小波包变化在脑电信号处理中的应用 小波包变换可以看成是小波变换的推广，小波变换是小波包变换的特例。小波包技术首先在脑电信号的预处理中有着滤波和去噪的功能，但本文由于选用经小波去噪的脑电信号作为实验数据，所以该功能不着重讨论。其次小波包变换在脑电信号处理中的一个主要应用就是提取特征。其主要步骤如下:郑州大学电气工
21、程学院毕业设计（论文）- 4 -（1）选择适当的小波滤波器，对给定的采样脑电信号进行小波包变换，获得树形结构的小波包系数。（2）选择信息代价函数，利用最佳小波包基选取算法选取最佳基。 （3）对最佳正交小波包基对应的小波包系数进行处理。（4）对处理后的小波包系数采用小波包重构算法得到重构信号。对于重构得到的信号我们可以计算其均值，方差和能量和也就是其特征值，然后 利用支持向量机分类器根据所得特征值进行分类。1.4 本文的主要工作及结构安排由于脑电信号微弱，背景噪声强，因此对在脑电信号脑电信号进行预处理，降低噪声背景对信号的污染、消除伪差影响，是脑电信号处理的主要部分。本文主要是对从实验室获得的
22、C3 和 C4 脑域点的左手，左脚，右手，右脚运动想象的采样频率为 1000hz 的脑电信号进行小波包 8 层分解和重构，以及提取 4 种脑电节律，分别计算出它们的特征值。然后采用支持向量机分类器进行分类，本文主要工作的实现主要是通过 MATLAB 编程实现的，并且对实现的各种方法的实际效果进行对比和研究。本文的结构安排如下：（1）绪论部分，简单阐述了课题的研究目的和意义，相关技术和研究现状，总结了小波包在脑电信号处理中的应用，最后介绍了本文的主要工作及结构安排。（2）主要介绍了脑电信号的背景知识，特征和采集方式，运动想象脑电信号的相关同步与去同步等基本知识。（3）主要对小波包进行分析，简述了小波包的基本概念及性质，同时理解了小波包特征提取方式以及小波包的 MATLAB 实现。（4）在本章中我们首先对对左右手脑电信号的特征有了基本的了解，随后我们对各节律脑电信号进行小波包重构和单次提取。（5）本章中我们首先对各节律能量脑电信号特征提取，随后对各节律小波包分解系数特征提取，最后我们采用支持向量机分类器对左右手运动想象的脑电信号分类与识别.。（6）最后对本文的研究工作做了总结与分析，并对今后的研究方向做出了展望。
