运动起止电位脑电信号的特征提取

1、课程设计报告题 目：运动起止电位(motion onset VEP)脑电信号的特征提取专 业：生物医学工程班 级：2011级生医2班学 号：姓 名：指导教师：王索刚天津医科大学 生物医学工程学院2014年 5 月 28 日1 课题背景 正常情况下，人脑和外部环境的信息交互需要通过外周神经和肌肉通道来完成，但这一通道可能会因为一些疾病或损伤而被削弱或破坏。如何提高这一类病人的生活质量已经成为被广泛关注的问题，脑-机接口（BCI）技术的出现在一定程度上提供了一个人脑与外界交流的解决方案。脑-机接口技术是在人脑与计算机或其他电子设备之间建立的直接的交流和控制通道 CHENC M,REN Y P,GA

2、O X R, et al. Key tachnique on controlling reabiliation robot by electroencephalographicJ.Robot and Technique Application(S10046437), 2003,10(4):45-48.,它不依赖于脑的正常输出通路，是一种全新的对外信息交流和和控制方式 BLANKERTZ B,MULLER K R, CURIO G,et al.The BCI competition 2003: Progress and Perspectives in detection and discrimi

3、nation of EEG single trialsJ. IEEE Trans on Biomedical Eng. (S0018-9294), 2004, 51 (6):1044-1051.。对于人类来讲，视觉是人类获取外界信息的重要途径之一，由视觉诱发的特定的脑电信号与目标刺激存在锁时关系，且波形较为稳定，因此视觉诱发电位（VEP)是BCI技术的一种较为理想的选择 明东. 用于脑机接口的感觉刺激事件相关电位研究进展J. 电子测量与仪器学报，2009,23(6):1-6.MING D. Progress on event related potential from sensory sti

4、mulation for brain computer interfaceJ. Journal of Electronic Measurement and Equipment, 2009, 23 (6):1-6.。思维是大脑活动的产物，因此从大脑活动中可以在一定程度上解读出人的思维 Haynes J D, Rees G. Decoding mental states from brain activity in humans. Nature Reviews Neuroscience, 2006, 7(7): 523-534.。解读由外界刺激或思维活动引起的大脑变化是脑-机接口的基本原理，使用者

5、根据自己想要表达的意图，注意不同的外界对象或者进行某种特定的想象，从而在神经信号或脑电信号中引起特定的成分，不同的成分与不同的对象相联系。根据信号中提取的特征，就可以判断使用者想要表达的信息并转换成对外部设备的控制命令。BCI正是利用这种可识别的脑电信号，来实现利用人的思维控制外部设备的目的。2 课题目的 了解运动起始视觉诱发电位（motion onset visual evoked potenatial）对于脑-机接口的意义；掌握在MATLAB平台上对脑电数据去基线漂移和滤波的方法；掌握靶刺激响应信号的提取方法；理解叠加平均法提取响应信号的优缺点。 三课题研究的主要内容1.在MATLAB平台

6、上，了解给定的信号数据格式，能够打开读取数据文件，将 靶刺激响应信号提取。2.使用滤波法对数据滤波，作出时域图。3.比较在200ms附近时间变化时，脑电幅值变化的不同。4.比较叠加次数的不同，N200特征信号的变化。四原理和方法运动感知是视觉系统的基本功能之一，运动视觉诱发电位(motion visual evoked potentials, mVEP) Heinrich S. A primer on motion visual evoked potentials. Documenta Ophthalmologica, 2007, 114(2): 83-105 . 在研究人的运动视觉处理机制中

7、有重要价值。在所有的运动相关视觉诱发电位中，运动起始视觉诱发电位具有最大的幅度和最小的被试间差异以及被试内差异 Kuba M, Kubová Z. Visual evoked potentials specific for motion onset.Documenta Ophthalmologica, 1992, 80(1): 83-89 .。文献表明，运动起始视觉诱发电位由三个主要成分构成P1、N2、P2 Kuba M, Kubová Z, Kremlá?ek J, et al. Motion-onset VEPs: characteristics, metho

8、ds, and diagnostic use. Vision Research, 2007, 47(2): 189-202 .。其中N2是潜伏期160-200 ms的负波，被认为是运动感知特异的成分，反映了运动处理和加工的神经活动 G pfert E, Müller R, Simon E. The human motion onset VEP as a function of stimulation area for foveal and peripheral vision. Documenta Ophthalmologica, 1990, 75(2): 165-173 .,空间分布

9、在枕区-颞叶和顶区的相关区域。所以这里主要关注T3（左中颞）， T4（右中颞）， T5 （左后颞），T6 （右后颞），O1（左枕）， Oz （顶中线点），O2（右枕）七个导联的脑电数据。对脑电数据进行低通滤波去除基线漂移，工频干扰，再利用叠加平均法对N200特征信号进行提取。5 步骤与结果流程框图： 原始脑电 去基线 低通滤波 结果分析 叠加平均法提取N2005.1.去基线 在MATLAB平台上，打开读取数据文件。由于采集到的原始脑电信号的信噪比不高，并且可能存在基线漂移，直接对其进行分析存在一定困难，因此编程对脑电数据进行去基线处理，程序如下：index=3 4 7:26 28:32 34:

10、36;yourdata=data_down.data(index,:);for j=1:30yy=smooth(yourdata(j,:),1000);mydata(j,:)=yourdata(j,:)-yy'figure(j);subplot(311);plot(yourdata(j,:);subplot(312);plot(yy);subplot(313);plot(mydata(j,:);end此程序得出30个导联的基线与去除基线后的脑电数据，由于结果图形太多，这里以O2导联的脑电的处理结果为例，如图5.1： 图5.1 O2导联的脑电，基线和去基线后的脑电5.2.低通滤波 对去基

11、线后的脑电数据进行低通滤波，通带截止频率为14Hz ，阻带截止频率为15 Hz ，通带波纹为1dB ，阻带波纹为60dB，程序如下：channel='Fp1','Fp2','F7','F3','Fz','F4','F8','FT7','FC3','FCz','FC4','FT8','T3','C3','Cz','C4','T4'

12、;,. 'TP7','CP3','CPz','CP4','TP8','T5','P3','Pz','P4','T6','O1','Oz','O2'd=fdesign.lowpass(14,15,1,60,1000);Hd = design(d, 'butter');for j=1:30hisdata(j,:) = filtfilthd(Hd,mydata(j,:);figu

13、re(j);plot(hisdata(j,:);ylabel('muV');xlabel('time ms');title(channel(1,j);end 此程序得出30个导联去除基线的脑电低通滤波后的脑电数据，由于结果图形太多，这里以O2导联的脑电数据滤波结果为例，如图5.2： 图5.2 O2导联去基线脑电数据低通滤波后的脑电 对图5.2进行局部放大，结果如图5.3： 图5.3 对图5.2进行局部放大的结果 同时也做出滤波前O2导联的脑电与滤波后的脑电进行对比。滤波前O2导联的脑电，如图5.4： 图5.4 滤波前O2导联的脑电 为方便观察比较也对滤波前O2导

14、联的脑电进行局部放大，结果如图5.5： 图5.5 对图5.2进行局部放大的结果 将图5.5与图5.3比较可知，滤波前脑电信号毛刺较多，滤波后脑电信号变得平滑无毛刺，说明滤波效果较好。 做了以上两步预处理后就可以保证时域分析中潜伏期（诱发电位的反应时间，临床上称为潜伏期）的精确性。5.3.叠加平均法提取N200特征信号 从脑电中提取诱发响应是一个从强背景噪声中提取信号的问题，叠加平均是解决这类问题最基本的方法。单次实验产生的诱发响应信噪比低，如果直接用来进行数据分类或研究时空分布特征不太现实。因此目前采用多次重复刺激的方法，假设每次刺激时产生的响应都是相位锁定和幅度锁定的，就可以把多次刺激的响应

15、与时间基准点对齐后进行叠加平均，从而得到更高信噪比的信号。此方法的优点是实现简单且效果稳定，缺点是这种信噪比的增加是以牺牲了时间并且忽略了单次响应的样本差异为代价。这里我们主要关注叠加次数的不同比较N200特征信号潜伏期与幅度的变化，潜伏期反映心理加工的过程，波幅反映大脑兴奋的强度。运行程序得出叠加平均后的脑电信号，并改变叠加次数（即程序中变量t的循环次数，这里为4,8,12,16,20,24,28,32）比较N200特征信号潜伏期与幅度的变化，程序如下：i=0;a(1,32)=0;for n=1:64 if(data_down.event(1,n).stimtype=255) i=i+1;

16、a(1,i)=data_down.event(1,n).offset; end; end;for j=1:30 herdata(j,:)=zeros(1,800); for t=1:32 herdata(j,:)=herdata(j,:)+hisdata(j,a(t)+1:a(t)+800); endherdata(j,:)=herdata(j,:)/32; figure(j);plot(herdata(j,:); ylabel('muV');xlabel('time ms');title(channel(1,j);endfigure(1);subplot(22

17、1);plot(herdata(13,:);ylabel('muV');xlabel('time ms');title(channel(1,13);subplot(222);plot(herdata(17,:);ylabel('muV');xlabel('time ms');title(channel(1,17);subplot(223);plot(herdata(23,:);ylabel('muV');xlabel('time ms');title(channel(1,23);subplot(22

18、4);plot(herdata(27,:);ylabel('muV');xlabel('time ms');title(channel(1,27);figure(2);subplot(221);plot(herdata(28,:);ylabel('muV');xlabel('time ms');title(channel(1,28);subplot(222);plot(herdata(29,:);ylabel('muV');xlabel('time ms');title(channel(1,29);

19、subplot(223);plot(herdata(30,:);ylabel('muV');xlabel('time ms');title(channel(1,30);结果如下： 叠加4次T3， T4， T5 ，T6 ，O1， Oz ，O2七个导联的脑电，如图5.6-5.7： 图5.6 叠加4次T3， T4， T5 ，T6 导联的脑电 图5.7 叠加4次O1， Oz ，O2导联的脑电叠加8次T3， T4， T5 ，T6 ，O1， Oz ，O2七个导联的脑电，如图5.8-5.9： 图5.8 叠加8次T3， T4， T5 ，T6 导联的脑电 图5.9 叠加8次O1，

20、 Oz ，O2导联的脑电叠加12次T3， T4， T5 ，T6 ，O1， Oz ，O2七个导联的脑电，如图5.10-5.11： 图5.10 叠加12次T3， T4， T5 ，T6 导联的脑电 图5.11 叠加12次O1， Oz ，O2导联的脑电叠加16次T3， T4， T5 ，T6 ，O1， Oz ，O2七个导联的脑电，如图5.12-5.13： 图5.12 叠加16次T3， T4， T5 ，T6 导联的脑电 图5.13 叠加16次O1， Oz ，O2导联的脑电叠加20次T3， T4， T5 ，T6 ，O1， Oz ，O2七个导联的脑电，如图5.14-5.15： 图5.14 叠加20次T3， T

21、4， T5 ，T6 导联的脑电 图5.15 叠加20次O1， Oz ，O2导联的脑电叠加24次T3， T4， T5 ，T6 ，O1， Oz ，O2七个导联的脑电，如图5.16-5.17： 图5.16 叠加24次T3， T4， T5 ，T6 导联的脑电 图5.17 叠加24次O1， Oz ，O2导联的脑电叠加28次T3， T4， T5 ，T6 ，O1， Oz ，O2七个导联的脑电，如图5.18-5.19： 图5.18 叠加28次T3， T4， T5 ，T6 导联的脑电 图5.19 叠加28次O1， Oz ，O2导联的脑电叠加32次T3， T4， T5 ，T6 ，O1， Oz ，O2七个导联的脑电

22、，如图5.20-5.21： 图5.20 叠加32次T3， T4， T5 ，T6 导联的脑电 图5.21 叠加32次O1， Oz ，O2导联的脑电 再记录图5.6至图5.21中因叠加次数不同我们关注的T3， T4， T5 ，T6 ，O1， Oz ，O2七个导联N200潜伏期与幅值的变化，如表5.1至表5.8：导联潜伏期（ms)幅值(uV)T3 173 -8.408T4167-10.8T5174 -13.3T6172 -14.69O1176 -9.573Oz173 -8.629O2172 -12.87 表5.1 叠加4次N200潜伏期与幅值的变化导联潜伏期（ms)幅值(uV)T3 171 -7.9

23、37T4162-10.8T5186 -8.807T6165 -9.816O1199 -5.591Oz162 -4.332O2165 -8.335 表5.2 叠加8次N200潜伏期与幅值的变化导联潜伏期（ms)幅值(uV)T3 167 -7.824T4165-9.786T5156 -9.223T6170 -10.51O1148 -7.224Oz156 -6.358O2163 -9.508 表5.3 叠加12次N200潜伏期与幅值的变化 导联潜伏期（ms)幅值(uV)T3 175 -6.668T4168-8.471T5162 -8.24T6172 -10.25O1157 -5.83Oz163 -6

24、.187O2166 -9.604 表5.4 叠加16次N200潜伏期与幅值的变化导联潜伏期（ms)幅值(uV)T3 172 -5.861T4166-8.895T5169 -7.1T6171 -10.52O1160 -4.707Oz162 -5.2O2166 -8.863 表5.5 叠加20次N200潜伏期与幅值的变化 导联潜伏期（ms)幅值(uV)T3 175 -6.493T4169-8.754T5171 -7.566T6174 -10.32O1174 -4.171Oz167 -4.36O2168 -7.812 表5.6 叠加24次N200潜伏期与幅值的变化 导联潜伏期（ms)幅值(uV)T3

25、 174 -5.834T4171-8.81T5171 -6.813T6175 -10.22O1178 -4.014Oz165 -4.164O2168 -7.616 表5.7 叠加28次N200潜伏期与幅值的变化导联潜伏期（ms)幅值(uV)T3 174 -5.486T4171-8.285T5175 -6.001T6175 -9.507O1181 -3.506Oz167 -3.684O2169 -7.064 表5.8 叠加32次N200潜伏期与幅值的变化 然后用excel将表5.1至表5.8中的数据做出图形（其中幅值取它的绝对值），可以得到叠加次数与N200潜伏期的关系，如图5.22；叠加次数与

26、N200幅度的关系，如图5.23。 图5.22 叠加次数对N200潜伏期的影响 图5.23 叠加次数对N200幅度的影响结果分析： 图5.22和图5.23分别反映了叠加次数对N200潜伏期和幅度的影响，即潜伏期和幅度随着刺激重复出现所产生的变化。可以看出潜伏期几乎没有变化，稳定在170ms；每个导联N200幅度也基本稳定，没有太大的减小趋势。 有文献指出人的视觉运动处理容易受到适应性（Adaptation）的影响 Bach M, Ullrich D. Motion Adaptation Governs the Shape of Motion-Evoked Cortical Potentials

27、. Vision Research, 1994, 34(12): 1541-1547. Muller R, Gopfert E, Hartwig M. The Effect of Movement Adaptation on Human Cortical Potentials-Evoked by Pattern Movement. Acta Neurobiologiae Experimentalis, 1986, 46(5-6): 293-301 .,具体的说，mVEP中的N2成分的幅度具有明显的对运动刺激的适应性 Hoffmann M B, Unsold a S, Bach M. Directional tuning of human motion adaptation as reflected by the motion VEP. Vision Research, 2001, 41(17): 2187-21