基于WICA的事件相关电位P300少次提取研究

摘要

事件相关电位(Event-relatedPotential,ERP),是与实际刺激或预期刺激(声、光、电等)有固定时间关系的脑反应所形成的一系列脑电波。有广泛应用的P300是事件相关电位的重要成分,但其信号非常微弱,并容易受噪声干扰,通常提取事件相关电位要经过40~100次的叠加平均,这就需要大量的重复刺激实验,于是人们力求通过少次叠加的方法来实现对事件相关电位的提取。因此,如何实现事件相关电位信号的少次提取成了脑电信号处理的重点及难点问题。由于ERP混叠在自发脑电之中,而近年发展起来的独立分量分析(IndependentComponentAnalysis,ICA)能够从多通道的观测数据中分离出相互独立的信号,不受信号频谱混叠的限制,适用于脑电信号中各种噪声的消除。小波变换(WaveletTransform)具有时频特性并且有分析非平稳信号的优势,在一定程度上能够精确地分析脑电信号的瞬态特性。因此运用小波变换与独立分量分析相结合(WICA)的方法,可以对脑电信号进行高精度子频带分析,同时也可以弥补小波变换算法不能有效解决噪声和信号的频谱混叠的缺陷。本文将WICA方法应用于P300的提取过程中,主要做了以下研究工作:(1)介绍脑电信号、事件相关电位以及P300的产生原理、特点、分类以及应用等相关知识。(2)深入研究独立分量分析和小波变换算法,利用两种算法结合即WICA对脑电信号进行处理。首先,利用db5小波对脑电信号进行去噪处理,然后把处理过的信号用ICA算法分解,获得各个信号的独立分量,然后根据事件相关电位的先验知识对各独立分量进行优选,最后重构脑电信号。(3)利用事件相关电位的固定锁时关系将处理过的脑电信号进行少次叠加,获取事件相关电位信号,并通过P300的先验知识,成功地提取出了P300复合波中的亚成分。这些亚成分对人类认知等高级神经活动有重要意义。(4)实验对比,将WICA方法获得的P300成分与传统叠加平均方法获取的P300成分进行对比,说明本实验的优越性。本实验对传统的基于叠加平均的P300的提取研究提供了新思路,同时对基于P300的BCI研究有重要的参考价值。

目录

摘要

Abstract

第一章 绪论

1.1 前言

1.2 脑电信号的基础知识

1.2.1 自发脑电信号

1.2.2 诱发脑电信号

1.3 脑电信号的分析方法

1.3.1 时域分析

1.3.2 频域分析

1.3.3 时/频域分析

1.4 本文研究背景

1.5 本文研究内容及论文结构组织

1.5.1 研究内容

1.5.2 论文结构组织

第二章 事件相关电位研究

2.1 事件相关电位定义及特征描述

2.1.1 事件相关电位定义

2.1.2 ERP特征描述

2.2 ERP的主要成分

2.3 P300的特征及应用研究

2.4 ERP的提取技术研究

2.4.1 传统的叠加平均提取技术

2.4.2 单次/少次提取技术

第三章 独立分量分析和小波分析基本原理

3.1 ICA的理论基础

3.1.1 统计分析理论基础

3.1.2 信息论理论基础

3.1.3 基本原理

3.2 ICA算法研究

3.2.1 目标函数

3.2.2 优化算法

3.2.3 数据预处理

3.3 小波分析的基本理论

3.3.1 连续小波变换

3.3.2 离散小波变换

3.3.3 小波阈值去噪的基本原理

3.3.4 小波函数介绍

第四章 ICA与小波分析理论相结合在ERP少次提取中的应用

4.1 WICA算法

4.1.1 算法描述

4.1.2 WICA算法处理数据

4.2 ICA-WT算法处理

第五章 WICA算法少次提取P300成分实验及结果分析

5.1 脑电数据采集

5.1.1 脑电数据采集设备描述

5.1.2 数据属性描述

5.2 WICA算法处理脑电数据

5.2.1 小波阈值去噪处理

5.2.2 FastICA处理脑电信号

5.2.3 少次叠加平均提取P300

5.3 结果分析

5.3.1 WICA方法与传统叠加平均方法的比较

5.3.2 结论

第六章 总结与展望

参考文献

致谢

攻读硕士学位期间发表的论文