小波和主分量分析方法研究思维脑电.pdf

万方数据

腹信(№r)、两位数乘(math)、数字擦除重绘小波和主分量分析方法研究思维脑电CDv舻nkE‰v正iA通讯作誊刘大路-电话：[phone]·E删1：Ⅻ78@妇∞m2数据及其处理ro伽on)。1引言AJ为x协方差矩阵的特征根，工=陋。厶，⋯，纠为罄也l，=∑￡。E，“称为第一主分量，如称为与特征值总和的比值A，艺A．称为主分量的贡献主分量分析法(p血cipalE或dS矾ICA刘大路1，江朝晖1，冯焕清·，王涛：自发脑电信号(EEG)包含了大脑皮层神经活动的信息，其中蕴含着包括思维、情感、精神以及心理等活动的丰富内容，深入研究EEo对于了解认知和思维过程，揭示大脑工作机理具有重要意义。思维脑电是个体在进行不同心理作业时记录的EEG，思维脑电的分析吸引了国际上许多学者，主要是对不同导联、不同心理作业的时间序列信号进行处理，利用频谱分析和相关模型(如AR模型、神经网络模型等)来寻找思维过程中的独立特征并对它们分类fⅧ。研究的阶段性成果可被应用于脑．机接口设计、精神负荷评估等。PCA)是处理多路序列信号的常用方法，但由于EEG信号的频谱复杂性和噪声及工频干扰，使得主分量在能量的集中性上受到限制。本文使用了一种针对EEG信号进行小波分解去噪、并对小波重构信号进行主分量分析的方法。在此基础上对各种思维主分量进行多指标(如0、d、B舡等)计算分析，并提取某些特征，进一步对思维活动进行神经网络分类和识别，揭示了EEG与思维个体及不同思维任务之间的联系。c0岫tillg)、三维旋转(69lIre电极位置为c3、c4、P3、P4、0I、02，采样频率250}Iz，每组数据时间长度为los，共7位实验个体325组数据。原始多导EEG信号的能量分布较为分散，因此需要在包含信号原有信息的前提下，尽量减少待分析的序列矢量的个数，使信号能量集中分布到一个或几个分量中。本文采取了主分量分析方法，主分量分析法的原理是通过线性变换L将原信号矩阵x变换到一正交坐标系中，使得其协方差满足：对上式左乘L可得：cDu为矩阵x的协方差，因此，A=di89队。，^：，⋯，为对应的特征矢量组成的矩阵，即为所求的变换矩阵。设A。≥^：≥⋯≥A。≥O，此时矩阵X可展开第二主分量，以此类推。对应的特征值A．(扛lⅧ)率，表征该分量代表原始信号能量的百分比。根脑电实验数据来源于美国colorado州立大收稿日期：2003Ⅲ-10学吼五种思维类型分别为放松(b镐elinc)、打生物物理学报第十九卷第四期0三年十二月mOPHYSICAD佻．20∞摘要：研究自发脑电和思维活动的关系．利用小波和主分量分析结合的wPcA算法对不同思维任务记录的六导脑电进行处理，并对思维特征的烦谱能量和变化率等多指标进行综合分析和计算。结果表明wPcA算法不仅可Ⅸ实现噪声的去除，而且能提高主分量的贡献率，降低输八矢量的堆敷．对脑电主分量的分析揭示了脯电与思雏个体、思维种类、复杂度以及注意力的联系，思雏任务的神经网络分类蛄幂验证了wPcA方法研究脑电和思维的有效性，为进一步理解认知和思维过程，实现对恩堆的定位和分类提供了依据。关键词：思维脑电；主分量分析：小泣分析：wPcA方法：BP神经网络中图分类号：Q“△y_也7X，(1)Cbv(2)二oACTA(1中国科学技术大学电子科技系，合肥230026；2美国uIc大学生物医学工程系．60607componeⅡtanalysis，(visual基金项目：中国科学技术大学青年基金项目o(B2508)V胡．19No．4l；ll一1^
万方数据

3思维脑电特性分析(O．5~3比)、e∽7口j(垆∑皿瓤。一i)m)、a(8一12比)和B(B一、9：，B“叶0)等。实验中我们采取计算AR谱的方法估进行￡《层分解，得到小波分解结构[d。cD白⋯，据需要可选取主分量的个数，一般要求贡献累计率不小于85％月。使用主分量分析法对六路思维脑电进行处理，如对object1、math思维的第一组数据处理，得到六个主分量的贡献率分别为56．75％、20．64％、8．81％、7．“％、3．42％和2．74％。前三个主分量的贡献率和仅为86，2％，根据累积贡献率原则，还需至少选取前三个主分量进行分析，待分析的分量个数仍较多，不利于后续处理。而且对主分量进行频谱分析，存在一定的60fIz工频和其他噪声干扰。分析EEG的频率特性和思维特点，低频的8波能量较大，但是对于分析思维特征关联很小，可以忽略．而高频的干扰和噪声较强，这样就使得有意义的变化和能量相对减弱，从而导致了各分量贡献率较为分散。小波分析在去噪和时频处理上有着良好的性能和灵活性，因此本文采取了小波和主分量结合分析方法(wPCA)。即首先对信号正交小波分解并软阈值去噪，对去噪后的信号进行选择重构，提取感兴趣的o