fireholder.github.io

伪文艺女青年,状高冷,话少爱热闹


Blog | Archive | About

脑电综述

27 Jul 2017 | 神经科学

想做BCI有很久,一直没有动手。这两天看了恶补一些资料,对脑电的基本知识、应用和信号提取做一个综述。

脑电波

形成

脑电波是由大脑皮层中无数个神经元同步化的电活动形成的,同步化作用通常认为受脑干的控制。

波谱

脑电波 频率 特征
alpha 8~13 Hz 正弦形,安静及闭眼时出现最多
beta 13~30 Hz 在前头部最多见
theta 4~8 Hz 常见于正常小儿。困倦时波形
delta 0.5~3 Hz 睡眠、麻醉、缺氧时,一般出现均为异常
galma >31Hz 运动

脑电测量

自发脑活动

在无明显感觉刺激情况下,大脑皮层经常自发产生的节律性电位变化(10~100uv,<50Hz)。

诱发脑活动

由于外界诱发引起的脑电位变化(0~100uv)。

脑电图

大脑皮层经常具有持续的节律性电位改变。临床上将在头皮上观察大脑皮层的电位变化而记录到的脑电波称为脑电图(EEG)。

基本特征

一般呈正弦波样观。

分类

脑电放大电路要求

诱发电位仪

视觉诱发电位(VEP)

听觉诱发电位(AEP)

听觉通路电位源于脑干听觉通路,故又称为脑干听觉诱发电位。

体感诱发电位(SEP)

脑电信号预处理

叠加平均

将多次刺激(>1000)的诱发电位叠加,再去除噪声。

叠加n次:信噪比提高n倍。

盲源分析(Blind Source Seperation,BBS)

通过采集得到的多路信号分解出未知的隐藏的各组成成分,如原始脑电信号源及各噪声源。

独立成分分析(ICA)是一种盲源分离方法。

主成分分析(PCA)

SCICA

将单电极信号分解为多层频谱上无重叠的系数序列,然后对分解的到的多路信号序列应用ICA算法。

WICA

用小波分解将单电极信号分解为多层频谱上无重叠的系数序列,然后对分解的到的多路信号应用ICA算法提取隐含的独立源。

EEMD-ICA

继承了SCICA和WICA的思想,将复杂脑电信号分解成有限维度的股有模态函数集,这些固有模态函数在频谱上互不重叠。然后对分解得到的IMFs应用FastICA算法,提取多路信号中隐含的独立源,再针对包含噪声的独立源做伪迹去除,最后逆变换回单路脑电信号。

脑电特征提取

描述脑电的特征分为时域特征和频域特征,广泛应用的有自回归滑动平均模型(ARMA)、小波包分解(WPD)、功率谱密度(PSD)及子频带的能量特征等。

AR模型

ARMA是一个激励信号为白噪声的线性时不变系统,可以用来描述广义平稳随机过程。足够高阶时,任何一个具有有限方差的ARMA过程总可以等价为一个AR过程,AR可以看作一个全极点无限冲激响应滤波器。

参考资料:
王佳威.脑电信号处理方法与应用.北京邮电大学.2012-11-05
余学飞,叶继伦.现代医学电子仪器原理与设计.华南理工大学.2013-8
脑机接口的研究进展到什么程度了

comments powered by Disqus

Older · View Archive (56)

Python 机器学习 Note 6

今天的笔记是中国大学mooc Pyhton机器学习应用 的程序设计作业。算是对之前学习 分类 的巩固。

Newer

生物医学电子学 Note 1