專利名稱：腦電波分析方法
技術領域：
本發(fā)明涉及人體健康工程、神經生理學、生物醫(yī)學數字信號處理技術、模式提取與模式分類、軟件工程，尤其涉及一種腦電波分析方法。

背景技術：
過快的都市節(jié)奏及激烈的市場競爭給我們帶來的除了城市的繁榮外，更多的是白領們工作壓力的日益遞增，由此帶來的結果就是越來越多的人群處于亞健康狀態(tài)。亞健康的主要癥狀應包括疲勞、失眠、頭痛、肌肉和關節(jié)疼痛、容易反復感冒、胸悶氣短、心悸、食欲不振等軀體方面的表現(xiàn)；抑郁、焦慮、恐懼、冷漠、孤獨、嫉妒、精神不振、情緒低落等心理方面的表現(xiàn)；以及不能很好地承擔相應的社會義務及責任、人際關系緊張、家庭關系不和睦、工作學習困難等社會適應方面的表現(xiàn)。
放松訓練指的是在一個安靜的環(huán)境中，按一定的要求去完成特定的動作程序，通過反復練習，使人學會有意識地控制自體的心理生理活動，以降低機體的喚醒水平，調整因緊張性刺激而引起的機體心理--生理功能的紊亂。
隨著亞健康人群越來越多，心理危機成為重要殺手，疲勞等級判定和放松治療意義重大，臨床上面，比如腦癱，植物人的康復治療也對腦電波的正確判讀具有迫切需求，而且，臨床上醫(yī)生和心理醫(yī)生的人工診斷具有主觀性，醫(yī)生需要長期培訓，積累豐富的臨床經驗才能勝任，且他們的工作量有時候很巨大，比如人工判讀長時間記錄的腦電圖，病理情況也是因人而異，但是治療方法可能只是單一性的。
腦力疲勞的定量判定-腦波研究 腦力疲勞是指工作或學習過程中，由于長時間從事腦力勞動而導致人們作業(yè)機能衰退、腦力能力下降的現(xiàn)象。其主要表現(xiàn)為工作或學習效率低下，反應遲緩，記憶力下降，注意力不集中以及協(xié)調性能變差。在交通駕駛、航空航天活動、人-機系統(tǒng)監(jiān)控等工作中，操控人員瞬間的注意力分散、反應遲緩或協(xié)調性不夠，都可能導致極為嚴重的事故。因此，分析、研究腦力疲勞及其評價標準，就顯得尤為重要。
目前主要采用主觀評價方法和行為學描述方法對腦力疲勞程度進行評估。主觀評價方法根據作業(yè)者的身體感受癥狀來判斷疲勞的程度，主要通過問卷調查的形式來進行，但其評分標準不易統(tǒng)一、且易受主觀因素的影響，無法對疲勞時心理生理狀態(tài)進行客觀評定。而行為學描述方法主要通過腦力任務的反應時間和正確率對腦力疲勞程度進行評價。不但與被試者的主動配合程度密切相關，而且還有較強的“學習效應”，必須事先對被試者進行較長時問的訓練，以排除“學習效應”影響，因而無法實時動態(tài)檢測腦力疲勞。
近年來，腦電信號的檢測與分析技術取得了很大的進步。在腦力疲勞研究中，腦電現(xiàn)已成為最廣泛的評定中樞神經系統(tǒng)變化的指標之一，被譽為監(jiān)測疲勞的“金標準”。Murata等利用事件相關電位P300的幅度和潛伏期大小對腦力疲勞進行分析，發(fā)現(xiàn)隨著腦力疲勞程度的增加，潛伏期延長，幅度降低；Brookhuis等使用腦能量參數(theta+alpha)/beta對駕駛員進行研究，發(fā)現(xiàn)隨著工作時間的增加、疲勞狀態(tài)的加重，該參數呈上升趨勢；Jung等用腦電功率譜對大腦警覺性水平進行分析，發(fā)現(xiàn)腦電功率譜可以反映大腦警覺狀態(tài)的波動情況。雖然先前研究已取得了一些有意義的成果，但還不是很成熟。
大腦的皮質活動與人體的放松，疲勞和緊張狀態(tài)息息相關。由于腦電信號可以分解為4個不同的節(jié)律，這4個不同的節(jié)律會隨著疲勞狀態(tài)的變化而變化。通過腦電采集儀對采集到的腦波進行分析評估后采用相應的方案進行放松訓練從而有效的緩減緊張疲勞的心理生理狀態(tài)。為腦力疲勞研究開辟一條新途徑。
模式識別方法在腦電數字信號處理中的應用 自1924年，德國神經精神病學家漢斯·貝格爾(Hans Berger)開始了對人類腦電活動的研究，并于1929年發(fā)表了名為“人類腦電圖”的第一篇研究報告后，人們對腦信號(electroencephalogram，EEG)無論是從研究手段還是研究方法上都取得了顯著的進展。在研究手段方面，隨著電子和通訊技術的發(fā)展，數字腦電圖儀和無線腦電圖儀相繼問世，為腦電圖的記錄和分析提供了更多的便捷。
近年來，數字信號處理技術與模式識別方法蓬勃發(fā)展，在生物醫(yī)學信號處理中的應用也越來越為人們所關注。從經典的時頻域信號處理方法到現(xiàn)代的時頻域、高階累積量信號處理方法，從有維數災難和易陷入局部極小的神經網絡到適合高階數據分析且全局最優(yōu)的支持向量機，模式識別方法將繼續(xù)向前發(fā)展，不斷推進人類去揭開隱藏在大腦深處的奧秘。
在對腦電波的分析方面，存在以下難點 難點一腦電信號與人腦狀態(tài)的特征提取。
如果說信號是攜帶有客觀物體特征或狀態(tài)的信息載體，則腦電信號就是攜帶有人腦特征或狀態(tài)的信息載體。人腦是一個開放的、時變的和非線性的，主要是確定性特征的系統(tǒng)，因此，這樣的系統(tǒng)產生的信號，也應該是時變的、非線性的，主要是確定性的。由于腦電信號在測量后會引入隨機誤差，并且信號本身存在隨機干擾，這些都使信號隨機化。隨機信號處理技術的應用有助于提取包含在隨機化了的信號中的確定成分(真實腦電信號)。
經典的信號處理技術針對的是線性的、非時變問題，而對于時變的、非線性問題，往往先提出一些近似合理的假設，即在相當短的時間內，認為腦電信號是線性的、非時變的。而針對非線性腦電信號處理技術也不斷豐富起來，如時頻分析技術、高階譜分析技術、復雜度分析技術等。
難點二對人腦的狀態(tài)進行有效地等級判定。
由于受到腦電信號本身的時變性、非線性和隨機性的影響，此外還受到個體與個體之間的差異性影響，對人腦狀態(tài)的正確評定和劃分成為了難點問題。


發(fā)明內容
本發(fā)明提供了一種腦電波分析方法，解決了背景技術中不能進行量化分析，實時性差，個體針對性不強的問題，應用了經典的時頻域分析和主成份分析方法解決了腦電信號特征提取的難題，成功地提取了與人體緊張，疲勞與放松息息相關的時頻域參數，并且將其映射到主成分空間中去，還運用了支持向量機在主成份空間中高效地分析非線性關系，提高了判讀的精確性和有效性。
為了達到上述目的，本發(fā)明提供了一種腦電波分析方法，包含以下步驟 步驟1、采集腦電數據； 8導腦電Fp1-A1，F(xiàn)3-A1，O1-A1，F(xiàn)p2-A2，F(xiàn)4-A2，O2-A2，F(xiàn)z-Aav和Cz-Aav； 1導皮膚阻抗SCR； 1導心電ECG； 1導水平眼電HEOG； 1導垂直眼電VEOG； 1導肌電EMG； 步驟2、對采集到的腦電數據進行時域分析； 步驟2.1、腦電回放(EEG review)，了解本次采集數據有無明顯的偽差；引起產生偽差的原因主要有三個方面 1、自身的生理現(xiàn)象和精神因素引起的偽差； 2、腦電記錄儀本身帶來的偽差； 3、空間電磁干擾產生的偽差； 步驟2.2、剔除明顯漂移的腦電數據； 步驟2.3、觀察眼電的方向與眼電偽跡的方向是否一致，以及眼電的幅值大小，以指導后續(xù)的去除眼電的步驟； 步驟2.4、觀察心電導聯(lián)和肌電導聯(lián)的基本特征和幅值大小，目測對腦電影響的位置和程度，以指導后續(xù)的偽跡剔除的步驟； 步驟3、對腦電(EEG)進行預處理； 步驟3.1、去除生理偽跡； 去除眨眼偽跡(Blink)，心電偽跡(EKG)，肌電偽跡(EMG)； 采用相關法去除眨眼偽跡 矯正的EEG＝原始EEG-b×EEG(1) 其中，b為傳遞系數，通過分別估算眼電導聯(lián)和每導EEG的協(xié)方差來計算 b＝cov(EOG，EEG)/var(EOG) 其中，cov為協(xié)方差“covariance”，var代表方差“variance”； 步驟3.2、去除技術偽跡； 去除由50周干擾(市用50Hz交流電混入腦電引起的在整個導聯(lián)上都會出現(xiàn)50Hz的工頻干擾)和阻抗過高引起的偽跡等； 選用數字濾波來去除； 步驟4、對腦波進行頻域分析； 步驟4.1、先將采集得到的腦電時序列數據分段保存，經快速傅立葉變換(FFT)得到傅立葉成分； N點有限長序列x(n)的離散傅立葉變換(DFT)為 X(k)為變換得到的傅立葉成分，WN來表示正交序列集中的基

即 步驟4.2、由傅立葉成分計算功率譜 P(k)＝|X(k)|2(3) 步驟4.3、由功率譜成份計算得出各個導聯(lián)的腦電參數 1、幅值[μv](符號為Az(c))
2、百分比[％](符號為Pz(c))Pz(c)＝Sz(c)/ST(c)； 3、重心頻率[Hz](符號為Fz(c))
其中，c代表各個腦電導聯(lián)Fp1-A1，F(xiàn)3-A1，O1-A1，F(xiàn)p2-A2，F(xiàn)4-A2，O2-A2，F(xiàn)z-Aav和Cz-Aav； z代表腦電的各個頻率段δ(0.5-4Hz)，θ(4-8Hz)，α(8-13Hz)，β(13-25Hz)和T(0.5-25Hz)； p(f(c))是頻率f(f取值0.5-25hz)處的腦電功率譜成份； Sz(c)是在z頻段范圍內c導聯(lián)處的腦電功率譜成份之和； ST(c)是T頻段范圍內(0.5～25Hz)c導聯(lián)處的腦電功率譜成份之和； 步驟5、提取腦波特征，進行主成分分析； 主成分分析(principle component analysis，PCA)技術是依據原始數據的線性變換，由原始數據互相關矩陣的主要特征的大小來確定坐標變換和變量壓縮，目的是在數據空間中找到一組m維的正交基，這組正交基最大可能地表示數據的方差和協(xié)方差，以便將數據從原始的1維空間映射到由這組正交基所構成的m維子空間上(m＜1)，從而達到降維和特征提取的目的。正是由于PCA技術原理清楚、計算簡單、實現(xiàn)方便，因此被廣泛的應用到信號分析的領域。
步驟5.1、選取腦電頻域參數來構造原始數據S； 原始數據S的構成為 S＝[s1，s2……sp]T(4) 其中，s1，s2……sp為p個腦波頻率參數； 步驟5.2、進行KMO(Kaiser-Meyer-Olkin檢驗方法)檢驗，判斷原始數據S是否適合做主成分分析； KMO(Kaiser-Meyer-Olkin measure)，用于檢驗變量間的偏相關性是否足夠?。? KMO計算公式如下 其中，rij2為兩變量間的簡單相關系數，aij2為兩變量間的偏相關系數，KMO統(tǒng)計量取值在0至1之間，其值越大，做主成分分析的效果越好，當KMO＜0.5時，不適合做主成分分析； 步驟5.3、計算特征值和主成分； 設原始數據S＝[s1，s2……sp]T是p維隨機向量，它的協(xié)方差陣的p個特征值為λ1≥λ2≥……≥λp≥0，相應的標準正交化的特征向量為α1，α2……αp； 原始數據S的第i個主成分為 特征值為 且方差λi＝Var(fi)，i＝1，2……p；(7) 其中，Var()為方差函數； 步驟5.4、根據特征值λ計算累計方差貢獻率C，確定主成分個數q； 其中，p表示原始空間中特征的個數，q表示所取的主成分個數；通常，前q個主成分的累計貢獻率C要求達到70％-90％； 步驟5.5、計算特征主成分的負荷矩陣 主成分的負荷矩陣相應由步驟5.3中的特征向量α1，α2……αp生成，前q個主成分的負荷矩陣表示為[α1，α2……αq]； 步驟6、采用支持向量機進行腦波模式分類； 支持向量機是Vapnik在20世紀90年代中期提出的，它是一種建立在小樣本理論基礎上的通用學習機器。它不僅能夠避免傳統(tǒng)方法中出現(xiàn)的局部極小和過度擬合問題，而且通過引入核函數(kernel function)，使人們能夠在高維空間中高效地分析非線性關系。支持向量機在分類中的優(yōu)越性，不僅體現(xiàn)在分類正確率的提高，而且體現(xiàn)在訓練速度的提升； 步驟6.1、構造q維的輸入向量x＝(x1，x2……xi……xq)； 其中，q為步驟5.4中確定的主成分個數，xi＝fi是第i個主成分。
將步驟5中提取到的特征主成分代入上式； 步驟6.2、計算支持向量機的決策函數； 支持向量機的決策函數為 其中，sgn()為符號函數，ai*為最優(yōu)解，K(xi，x)表示內積計算，相當于把原來的特征空間變換到某一新的特征空間；設共有n個訓練樣本(xi，yi)，yi是訓練集中樣本的類別標號，yi∈{+1，-1}，b°是新的特征空間中原點到分類面的距離，y＝f(x)是測試集中樣本的類別標號，也就是最終判別出的狀態(tài)； 步驟6.3、輸出分類結果y∈{+1，-1}，+1是疲勞狀態(tài)，-1是放松狀態(tài)。
本發(fā)明具有如下優(yōu)點 1、定量判定利用腦電信號可以定量地測量和判讀人的生理，心理和情緒狀況；利用數字信號處理技術和特征提取算法能夠提取與人的緊張，焦慮，抑郁情緒相對應的電生理參數，利用模式識別技術可以正確判定疲勞等級，區(qū)分疲勞和放松等不同的精神狀態(tài)。
2、實時評價分析腦電與人體精神狀態(tài)的關系，實時地給出疲勞判定和放松效果的評價。
3、個體針對性基于自身腦電的分析更加具有康復治療的針對性，治療方案可以因人而異； 4、廣泛的適用人群適用既面向正常人群，又面向臨床上的病例，具有廣泛的應用價值； 5、精確的判讀結果從醫(yī)生定性的診斷治療到腦電信號定量的測評，診斷和治療，大大減少人工分析的主觀性，提高工作效率和分析結果的一致性。
6、良好的通用性適用于各種腦電采集儀采集的數據。
本發(fā)明應用了經典的時頻域分析和主成份分析方法解決了腦電信號特征提取的難題。又應用了支持向量機的方法對腦力疲勞和放松效果給出了正確性很高的判讀結果。



圖1是實施例中主成分分析中輸入變量數目與特征值的關系圖； 圖2是實施例中支持向量機的示意圖； 圖3是實施例中訓練集和測試集在主成分空間中的分布示意圖。

具體實施例方式 以下根據圖1～圖3，具體說明本發(fā)明的較佳實施例 一種腦電波分析方法，包含以下步驟 步驟1、采集腦電數據； 在25℃室溫下安靜獨立房間中進行腦電數據采集； 參照國際10-20系統(tǒng)安放電極，雙極導聯(lián)，使用日本光電(Nihon-KodenEEG1100)進行采集，采樣頻率為200Hz，采集30Hz以下的腦電成分，共采集13導數據，包括 8導腦電Fp1-A1，F(xiàn)3-A1，O1-A1，F(xiàn)p2-A2，F(xiàn)4-A2，O2-A2，F(xiàn)z-Aav和Cz-Aav； 1導皮膚阻抗SCR； 1導心電ECG； 1導水平眼電HEOG； 1導垂直眼電VEOG； 1導肌電EMG； 步驟2、對采集到的腦電數據進行時域分析； 步驟2.1、腦電回放，了解本次采集數據有無明顯的偽差； 步驟2.2、剔除明顯漂移的腦電數據； 步驟2.3、觀察眼電的方向與眼電偽跡的方向是否一致，以及眼電的幅值大小，以指導后續(xù)的去除眼電的步驟； 步驟2.4、觀察心電導聯(lián)和肌電導聯(lián)的基本特征和幅值大小，目測對腦電影響的位置和程度，以指導后續(xù)的偽跡剔除的步驟； 步驟3、對腦電(EEG)進行預處理； 步驟3.1、去除生理偽跡； 去除眨眼偽跡(Blink)，心電偽跡(EKG)，肌電偽跡(EMG)； 采用相關法去除眨眼偽跡 矯正的EEG＝原始EEG-b×EEG(1) 其中，b為傳遞系數，可以通過分別估算眼電導聯(lián)和每導EEG的協(xié)方差來計算 b＝cov(EOG，EEG)/var(EOG)； 其中，cov為協(xié)方差“covariance”，var代表方差“variance”； 步驟3.2、去除技術偽跡； 去除由50周干擾和阻抗過高引起的偽跡等； 選用數字濾波來去除； 步驟4、對腦波進行頻域分析； 步驟4.1、先將采集得到的腦電時序列數據分段保存(每段數據5.12秒，含1024個采樣點)，經快速傅立葉變換(FFT)得到傅立葉成分，采用基于庫利-圖基型(頻率抽選的以2為基底)的FFT算法； N點有限長序列x(n)的離散傅立葉變換(DFT)為 X(k)為變換得到的傅立葉成分，WN來表示正交序列集中的基

即 步驟4.2、由傅立葉成分計算功率譜(周期圖periodogram) P(k)＝|X(k)|2(3) 步驟4.3、由功率譜成份計算得出各個導聯(lián)的腦電參數 1、幅值[μv](符號為Az(c))
2、百分比[％](符號為Pz(c))Pz(c)＝Sz(c)/ST(c)； 3、重心頻率[Hz](符號為Fz(c))
其中，c代表各個腦電導聯(lián)Fp1-A1，F(xiàn)3-A1，O1-A1，F(xiàn)p2-A2，F(xiàn)4-A2，O2-A2，F(xiàn)z-Aav和Cz-Aav； z代表腦電的各個頻率段δ(0.5-4Hz)，θ(4-8Hz)，α(8-13Hz)，β(13-25Hz)和T(0.5-25Hz)； p(f(c))是頻率f(f取值0.5-25hz)處的腦電功率譜成份； Sz(c)是在z頻段范圍內c導聯(lián)處的腦電功率譜成份之和； ST(c)是T頻段范圍內(0.5～25Hz)c導聯(lián)處的腦電功率譜成份之和； 步驟5、提取腦波特征，進行主成分分析； 步驟5.1、選取腦電頻域參數來構造原始數據S； 選取腦電9個頻域參數來構造S，它們包括前額中線的theta波，中央區(qū)的beta波，枕區(qū)的alpha波和beta波； 原始數據S＝[s1，s2……s9]，其中s1，s2……s9為9個腦波頻率參數，它們分別是Aδ(Fz)，Pδ(Fz)，Aθ(Fz)，Pθ(Fz)，Aα(O1)，Pα(O1)，Aβ(O1)，Pβ(O1)，AT(O1)； 測試集原始數據S如下表所示

步驟5.2、進行KMO檢驗，判斷原始數據S是否適合做主成分分析； 其中，rij2為兩變量間的簡單相關系數，aij2為兩變量間的偏相關系數； 這里KMO計算了9個腦波頻率參數之間的偏相關性大小，KMO＝0.569＞0.5，適合做主成分分析； 步驟5.3、計算特征值和主成分； 設原始數據S＝[s1，s2……s9]T是9維隨機向量，它的協(xié)方差陣的9個特征值為λ1≥λ2≥……≥λ9≥0，相應的標準正交化的特征向量為α1，α2……α9； 原始數據S的第i個主成分為 特征值為 且方差λi＝Var(fi)，i＝1，2……9；(7) 其中，Var()為方差函數； 計算結果如圖1所示，橫軸為輸入變量數目，縱軸為對應的特征值λ1，λ2……λ9； 步驟5.4、根據特征向量值λ計算累計方差貢獻率C，確定主成分個數q； 其中，p表示原始空間中特征的個數，q表示所取的主成分個數；通常，前q個主成分的累計貢獻率C要求達到70％-90％； 計算結果如下表所示
由上表中看出，前3個主成分的累計貢獻已經達到了85.29％，所以在本實施例中，確定主成分個數q＝3，選取前3個特征主成分f1，f2，f3； 步驟5.5、計算特征主成分的負荷矩陣 本實施例中，提取了前3個特征主成分f1，f2，f3，每一個主成分實際都是原始輸入參數的一個線性組合，主成分的負荷矩陣見下表

由上表的負荷矩陣，前3個主成分f1，f2，f3可以由輸入變量s1-s9表示如下 f1＝-0.634s1-0.867s2+0.385s3+0.402s4+0.319s5-0.958s6-0.592s7+0.964s8+0.783s9； f2＝0.689s1+0.350s2+0.685s3+0.868s4+0.354s5-0.040s6-0.268s7+0.055s8-0.204s9； f3＝-0.227s1+0.102s2+0.594s3+0.149s4-0.805s5-0.023s6+0.329s7-0.033s8+0.207s9； 前3個主成分的負荷矩陣表示為[α1，α2，α3]； 其中 α1T＝[-0.634，-0.867，0.385，0.402，0.319，0.958，-0.592，0.964，0.783]； α2T＝
； α3T＝[-0.227，0.102，0.594，0.149，-0.805，-0.023，0.329，-0.033，-0.207]； 步驟6、采用支持向量機進行腦波模式分類； 步驟6.1、構造輸入向量x＝(x1，x2……xi……xq)，其中q為步驟5.4中確定的主成分個數，xi＝fi是第i個主成分。將步驟5中提取到的特征主成分代入上式； 步驟6.2計算支持向量機的決策函數，如圖2所示。
支持向量機的決策函數為 其中，sgn()為符號函數，ai*為最優(yōu)解，K(xi，x)表示內積計算，相當于把原來的特征空間變換到某一新的特征空間；設共有n個訓練樣本(xi，yi)，yi是訓練集中樣本的類別標號，yi∈{+1，-1}，b°是新的特征空間中原點到分類面的距離，y＝f(x)是測試集中樣本的類別標號，也就是最終判別出的狀態(tài)； 選取分析數據樣本，分為訓練集和測試集； 訓練集包括從7名被測試者身上記錄所得的39段腦電時序列(每段5.12s，1024采樣點，200Hz采樣率)，其中21段記錄狀態(tài)為心算疲勞狀態(tài)，18段記錄狀態(tài)為聽音樂放松狀態(tài)； 測試集包括從這7名相同的被測試者身上記錄得到的26段腦電時序列(每段5.12s，1024采樣點，200Hz采樣率)，其中17段記錄狀態(tài)為心算疲勞狀態(tài)，9段記錄狀態(tài)為聽音樂放松狀態(tài)； 訓練集和測試集數據在三維主成分f1，f2，f3空間中的分布散點圖如圖3所示，可以看到在兩種不同大腦狀態(tài)下的訓練集和測試集數據都是屬于非線性可分的，而且測試集數據表現(xiàn)出與訓練數據很相似的分布； 步驟6.3、輸出分類結果y∈{+1，-1}，+1是疲勞狀態(tài)，-1是放松狀態(tài)；下表為測試集數據的實際狀態(tài)和支持向量機的判別分類結果

上表的實驗結果表明支持向量機完全正確地區(qū)分了測試集中的26段腦電時序列的兩種腦波狀態(tài)。
盡管本發(fā)明的內容已經通過上述優(yōu)選實施例作了詳細介紹，但應當認識到上述的描述不應被認為是對本發(fā)明的限制。在本領域技術人員閱讀了上述內容后，對于本發(fā)明的多種修改和替代都將是顯而易見的。因此，本發(fā)明的保護范圍應由所附的權利要求來限定。
權利要求
1.一種腦電波分析方法，其特征在于，包含以下步驟
步驟1、采集腦電數據；
步驟2、對采集到的腦電數據進行時域分析；
步驟3、對腦電EEG進行預處理；
步驟4、對腦波進行頻域分析；
步驟5、提取腦波特征，進行主成分分析；
步驟6、采用支持向量機進行腦波模式分類。
2.如權利要求1所述的腦電波分析方法，其特征在于，所述的步驟1中，采集如下數據
8導腦電Fp1-A1，F(xiàn)3-A1，O1-A1，F(xiàn)p2-A2，F(xiàn)4-A2，O2-A2，F(xiàn)z-Aav和Cz-Aav；
1導皮膚阻抗SCR；
1導心電ECG；
1導水平眼電HEOG；
1導垂直眼電VEOG；
1導肌電EMG。
3.如權利要求1所述的腦電波分析方法，其特征在于，所述的步驟2包含以下步驟
步驟2.1、腦電回放，了解本次采集數據有無明顯的偽差；
步驟2.2、剔除明顯漂移的腦電數據；
步驟2.3、觀察眼電的方向與眼電偽跡的方向是否一致，以及眼電的幅值大小，以指導后續(xù)的去除眼電的步驟；
步驟2.4、觀察心電導聯(lián)和肌電導聯(lián)的基本特征和幅值大小，目測對腦電影響的位置和程度，以指導后續(xù)的偽跡剔除的步驟。
4.如權利要求1所述的腦電波分析方法，其特征在于，所述的步驟3包含以下步驟
步驟3.1、去除生理偽跡；
去除眨眼偽跡Blink，心電偽跡EKG，肌電偽跡EMG；
步驟3.2、去除技術偽跡；
去除由50周干擾和阻抗過高引起的偽跡。
5.如權利要求4所述的腦電波分析方法，其特征在于，所述的步驟3.1中，采用相關法去除眨眼偽跡
矯正的EEG＝原始EEG-b×EEG (1)
其中，b為傳遞系數，通過分別估算眼電導聯(lián)和每導EEG的協(xié)方差來計算
b＝cov(EOG，EEG)/var(EOG)
其中，cov為協(xié)方差“covariance”，var代表方差“variance”。
6.如權利要求4所述的腦電波分析方法，其特征在于，所述的步驟3.2中，選用數字濾波來去除技術偽跡。
7.如權利要求1所述的腦電波分析方法，其特征在于，所述的步驟4包含以下步驟
步驟4.1、先將采集得到的腦電時序列數據分段保存，經快速傅立葉變換得到傅立葉成分；
N點有限長序列x(n)的離散傅立葉變換(DFT)為
X(k)為變換得到的傅立葉成分，WN來表示正交序列集中的基
即
步驟4.2、由傅立葉成分計算功率譜
P(k)＝|X(k)|2 (3)
步驟4.3、由功率譜成份計算得出各個導聯(lián)的腦電參數
1、幅值[μv](符號為Az(c))
2、百分比[％](符號為Pz(c))Pz(c)＝Sz(c)/ST(c)；
3、重心頻率[Hz](符號為Fz(c))
其中，c代表各個腦電導聯(lián)Fp1-A1，F(xiàn)3-A1，O1-A1，F(xiàn)p2-A2，F(xiàn)4-A2，O2-A2，F(xiàn)z-Aav和Cz-Aav；
z代表腦電的各個頻率段δ(0.5-4Hz)，θ(4-8Hz)，α(8-13Hz)，β(13-25Hz)和T(0.5-25Hz)；
p(f(c))是頻率f處的腦電功率譜成份，f取值0.5-25hz；
Sz(c)是在z頻段范圍內c導聯(lián)處的腦電功率譜成份之和；
ST(c)是T頻段范圍內(0.5～25Hz)c導聯(lián)處的腦電功率譜成份之和。
8.如權利要求1所述的腦電波分析方法，其特征在于，所述的步驟5包含以下步驟
步驟5.1、選取腦電頻域參數來構造原始數據S；
原始數據S的構成為
S＝[s1，s2……sp]T (4)
其中，s1，s2……sp為p個腦波頻率參數；
步驟5.2、進行KMO檢驗，判斷原始數據S是否適合做主成分分析；
KMO計算公式如下
其中，rij2為兩變量間的簡單相關系數，aij2為兩變量間的偏相關系數，KMO統(tǒng)計量取值在0至1之間，其值越大，做主成分分析的效果越好，當KMO＜0.5時，不適合做主成分分析；
步驟5.3、計算特征值和主成分；
設原始數據S＝[s1，s2……sp]T是p維隨機向量，它的協(xié)方差陣的p個特征值為λ1≥λ2≥……≥λp≥0，相應的標準正交化的特征向量為α1，α2……αp；
原始數據S的第i個主成分為
特征值為
且方差λi＝Var(fi)，i＝1，2……p；(7)
其中，Var()為方差函數；
步驟5.4、根據特征值λ計算累計方差貢獻率C，確定主成分個數q；
其中，p表示原始空間中特征的個數，q表示所取的主成分個數；通常，前q個主成分的累計貢獻率C要求達到70％-90％；
步驟5.5、計算特征主成分的負荷矩陣
主成分的負荷矩陣相應由步驟5.3中的特征向量α1，α2……αp生成，前q個主成分的負荷矩陣表示為[α1，α2……αq]。
9.如權利要求1所述的腦電波分析方法，其特征在于，所述的步驟6包含以下步驟
步驟6.1、構造q維的輸入向量x＝(x1，x2……xi……xq)；
其中，q為步驟5.4中確定的主成分個數，xi＝fi是第i個主成分。
將步驟5中提取到的特征主成分代入上式；
步驟6.2、計算支持向量機的決策函數；
支持向量機的決策函數為
其中，sgn()為符號函數，ai*為最優(yōu)解，K(xi，x)表示內積計算，相當于把原來的特征空間變換到某一新的特征空間；設共有n個訓練樣本(xi，yi)，yi是訓練集中樣本的類別標號，yi∈{+1，-1}，b°是新的特征空間中原點到分類面的距離，y＝f(x)是測試集中樣本的類別標號，也就是最終判別出的狀態(tài)；
步驟6.3、輸出分類結果y ∈{+1，-1}，+1是疲勞狀態(tài)，-1是放松狀態(tài)。
全文摘要
一種腦電波分析方法，應用了經典的時頻域分析和主成份分析方法解決了腦電信號特征提取的難題，成功地提取了與人體緊張，疲勞與放松息息相關的時頻域參數，并且將其映射到主成分空間中去，還運用了支持向量機在主成份空間中高效地分析非線性關系，提高了判讀的精確性和有效性。
文檔編號A61B5/0476GK101690659SQ20091019674
公開日2010年4月7日 申請日期2009年9月29日 優(yōu)先權日2009年9月29日
發(fā)明者鄒俊忠, 陳蘭嵐, 張見, 王桂松, 張冬麗 申請人:華東理工大學, 上海東方腦科學研究所