事件相关电位特征提取分析

事件相关电位特征提取分析

1erp的基本原理与事件相关的电位（pm）是指短期潜伏期相关的电位。它是指受试者在感知特定刺激后，在头皮上记录的电位活动。一次刺激诱发的头皮上记录ERP的信号幅度约为2～10μV,而自发脑电的幅度在几十微伏到几百微伏之间，比自发脑电(Electroencephalograms,EEG)小得多，淹没在EEG中，两者构成小信号与大噪音的关系，无法测量。但ERP有2个恒定：波形和潜伏期。近几年来，事件相关电位不仅被广泛用来研究人的认知功能，而且还被用来评价神经系统疾病或精神紊乱病人的认知状况。为了从强背景噪声中提取出ERP信号，通常采用平均技术，这是最常用的提高信噪比的方法。但平均方法提取信号的能力是有限的，而且不能反映事件相关电位逐次变化的动态过程。ERP的频谱与自发脑电频谱完全重迭，使得经典频域滤波失效，而且在统计上是非平稳的，时变的。传统的功率谱估计可以将幅度随时间变化的事件相关电位变换为脑电功率随频率变化的谱图，可用于分析准平稳分段的信号，对突发的低幅信号也无能为力。独立分量分析（Independentcomponentanalysis,ICA）是信号领域在上世纪90年代由盲信源分解技术发展起来的多道信号处理方法，它是把信号分成若干个相互独立的成分，目的是对由未来观测到的独立信号源产生，由未知线性组合而成的观测信号进行分析的方法，有较好的应用前景。因此，近年来许多研究者都致力于从单次记录中提取ERP波形，采用了多种信号处理方法，如：维纳滤波、自适应滤波、参数模型、极大似然估计、时频滤波、神经网络等等小波变换是空间（时间）和频率的局部变换，能有效地从信号中提取信息，通过伸缩和平移等运算功能对函数或信号进行多尺度细化分析，对复杂信号提供不同尺度上的细节，从而实现信号的特征检测与分析本文提出了一种结合小波多尺度分辨和神经网络进行事件相关电位的提取的方法，先将含有事件相关电位的脑电复合信号进行小波多尺度分解，然后利用径向基神经网络逼近各尺度信号中反应低频的成分，最后利用网络输出的细节系数估计对信号进行重建，同时实施事件相关电位波形的提取并去除噪声。2辅助神经电生理检查事件相关电位(ERP)是当人对给予的特定刺激进行认知加工（如：注意、记忆、思维）时从头皮表面记录到的大脑电位，这是一种内源性的与认知功能有关的特殊诱发电位，其中主要反映了受试者的外周感觉神经，感觉通路及中枢神经系统中相关结构在特定刺激情况下的状态反应，反映了受试者的思维与决策过程。它为了解受试者的认知过程提供了一项定量指标，可用于人脑高级功能的研究，如：心理学研究、测谎试验以及生物反馈技术，在神经学研究以及临床诊断，手术监护中有着重要的意义。ERP反映了外周感觉神经,感觉通路及中枢大脑皮层相应区域的神经电活动,因而可以用来协助确定中枢神经系统的可疑病变,检测出临床病灶,也可能解释临床诊断中未怀疑到的某些感觉或运动系统的临床病灶的存在,此外它还可辅助神经系统的功能解剖定位、危重监护及麻醉监护等。由于其测量过程中需要受试者保持清新状态并主动参与,这样得到的诱发电位中包含了受试者的思维与决策过程,临床上认为它反映了认知过程中大脑的神经电生理改变，因此，有人将其称为“认知电位”。P3是能反映高级认知处理过程的一个内源性成分，是ERP中最常被研究的成分之一。然而，P3的发生器及其发生的潜在的神经机制仍未被阐明。诱发P3所用的刺激可以是视觉、听觉及体感等刺激，和普通的诱发电位不同的是必须有2种或2种以上的刺激随机编成刺激序列。要求受试者对其中的一种刺激做出反应，这种刺激被称为靶刺激，另一种不需受试者做出反应的刺激被称为非靶刺激。新奇刺激可引起明显的P3波，在额区最明显，新奇刺激使之在靶刺激和非靶刺激以外，随机插入一种与前两者决不相同的低概率性的，是被试者感到突然和意外的刺激。通常靶刺激P3波以顶中线处波幅最明显，为了识别P3波，最少的电极组合应至少包括3个头皮区域，即Pz、Cz、Fz点，按EEG国际10-20系统安放电极．如果需要分析P3波的头皮分布特性或需要做脑电地形图，则需要在头部双侧对称性地安放电极。在健康人，P3波幅比脑干听诱发电位(BrainAcousticE-vokedPotential,BAEP)高50～100倍，所以，信号处理放大要求与EEG类同，P3波多出现在刺激后300～800ms，所以，分析时间以800～1000ms为宜，但视觉刺激P3潜伏期较长，分析时间应长于1000ms。P3的功率谱研究表明，其基本频率集中在10Hz之内，主要在1～5Hz，因此，预滤波器的低通截止频率为0.1Hz，最好不要高于0.3～1Hz,高频截止频率为30～100Hz。常规测试多可连续交替出现2个负向波(N1,N2)和3个正向波(P1,P2,P3)，而分析研究的内容多为N1、N2、P2、P34个波，在非靶指标中分析N1,P2波，它们与刺激的物理性质有关，称为刺激相关电位，主要属于外源电位，非靶刺激及靶刺激均可引出。在靶指标中分析N1、P2、N2、P3波，而N2、P3与认知加工密切相关,称为事件相关电位,属于内源成分,主要由靶刺激引出。3q带通滤波器小波变换具有局域特性，可实现时间—频率局域化分析,其特点是与被检测信号的频率高低密切相关的，其时—频窗口的自适应特性相当于恒Q带通滤波器。在离散小波变换下，当m=m当m=m将上两式相减可得：可以发现，随着m的变化，当我们从某尺度移到下一个更小的尺度时，对该尺度所描述的信号而言，就会增加一些更精确的细节QMallat在多尺度分辨分析的基础上提出了一种小波系数分解和重构的快速算法，该算法不需要知道尺度函数和小波函数的具体结构，利用系数就可以实现f(t)的分解与重构。小波多分辨率分解和重构算法如下4显著性及输出关系径向基神经网络（RadialBasisFunctionNeuralNetwork,RBFNN）具有较强的函数逼近能力，选择足够多的径向基函数，能够逼近几乎任意的连续函数。RBFNN是一种三层网络，只有一个隐层，输出单元是线性求和，隐层单元的非线性激励函数采用径向基函数（RadialBasisFunction,RBF）,输入层到隐层之间的权重固定为1，只有隐层单元到输出单元之间的权重可调。网络的系统输入输出关系为：式中：Y=[y(1),y(2),…，y(M)]网络输出是隐层输出的线性组合，于是有：其中，w假设S表示待提取信号，R表示干扰噪声，X为原始记录信号。则其数据模型为径向基神经网络的目标是通过使网络输出和期望输出之间的均方误差MSE(E[eRBF网络是对S进行建模,可认为E[R用随机梯度法进行参数调节，神经网络的输出在最小均方误差意义下最大的逼近待提取信号。5进行网络参数初始化首先将单次刺激记录用双正交小波（Bior3.7）进行5级多分辨率分解，在采样频率为128Hz的情况下，这将把原始信号分解到0～2Hz、2～4Hz、4～8Hz、8～16Hz、16～32Hz、32～64Hz6个频率子空间。然后将各尺度下的小波分解系数分别输入RBFNN进行低频信息的提取。因为在BFNN中，基函数分布越密，逼近效果越好，为了提高神经网络在感兴趣时段（根据获得的事件相关电位数据，感兴趣的时段是刺激后300～1000ms）内的信号逼近能力，在进行网络参数初始化的时候，在这一时段安排了较多的基函数神经元，而在非感兴趣时段内安排较少的基函数，这样可以减少隐层神经元数目，减少网络的计算量在128Hz的采样频率下，第三、第四级细节对应的频率范围分别为8～16Hz和4～8Hz，因为事件相关电位是低频信号，所以在300～1000ms内适当安排径向基函数的数目，以尽可能地保留着2个频率范围的低频信息很重要。最后利用RBFNN输出的低频小波系数进行信号重建，得到除出噪声后反应事件相关电位的低频信号，结果如图1、图2所示。图2表明，通过重建能够得到除出噪声后反应事件相关电位的低频信号，然后以靶刺激开始点为时间基准，在300～1000ms时间范围内进行搜索能有效地完成单次提取任务。搜索策略为：先用梯度法寻找该范围内的极大值，完成极大值点定位后，然后在其前后搜索极小值，完成极小值点定位，从而完成P3波的检测。6事件相关电位特征提取小波多尺度分解能够提供原始信号在不同尺度上的细节表达信息，从一定程度上根据频率分布特性能够分离出信号与噪声，径向基神经网络对低频信号有较强的逼近能力。本文结合小波多分辨率分解重构和径向基神经网络进行事件相关电位的单次提取，主要利用了径向基神经网络对低频信号的逼近能力，对反映各级细节信号的小波系数进行滤波，从各级细节信号中提取出反应低频信号的成分，利用网络输出的细节信号估计对信号进行重建，达到