独立分量分析在脑电特征提取分析应用

王永飞

（铜陵职业技术学院，安徽铜陵244000）

独立分量分析在脑电特征提取分析应用

王永飞

（铜陵职业技术学院，安徽铜陵244000）

本研究从独立分量分析（ICA）和FastICA算法分析入手，对采集的脑电信号（EEG）进行FastICA算法消噪、特征提取，形成独立分量的脑地形图、功率谱图，在此基础，对干净的EEG应用独立分量分析（ICA）分析VEP信号中的相关事件电位，对各成分进行说明、分析，并重构。以帮助对人类认知等高级神经活动进行更深入的研究，有助于人们在认知领域内进一步探索。

脑电信号（EEG）；ICA；FastICA；相关事件电位(ERP)

一、前言

脑信息处理中枢是大脑皮层，它由脑神经元细胞组成，脑电信号（EEG）是许多神经元共同活动的结果。脑电信号主要有自发脑电δ波（频率范围1-4Hz)；θ波（频率范围4-8Hz）；α波（频率范围8-13Hz）；β波（频率范围14-30Hz）和诱发电位(EP)等几种类型。此外，各种不同的心理因素如期待、预备，以及各种随意活动进行诱发，其电位称为事件相关电位(ERP—Event-RelatedPotentials)。ERP和许多认知过程的密切相关的联系，使它成为了解认知的神经基础的最主要信息来源，这些认识过程包括各种心理活动和某些语言功能。ERP是一种特殊的诱发脑电信号，它与一般EP的区别主要在于ERP是在受试者主动参与的情况下获得的诱发电位，但两者的信号处理方法大致相同。

二、独立分量分析和算法

1.独立分量分析（IndependentComponentAnalysis，ICA）

独立分量分析（IndependentComponentAnalysis，ICA）是一种新型多维信号处理方法。它以非高期信号为处理对象，在满足一定的条件下，能从多路观测信号中，较完整的分离出隐含其中的若干独立源信号。

脑电信号检测和记录设备记录到的脑电信号实际上是大脑中不同的部位（不同的信号源）发出的信号的混迭，而且常伴随着一些噪声干扰源，利用ICA方法可以分离出信号源及噪声干扰源，以达到进一步对脑电信号进行消噪及特征提取的目的，从而有助于我们对脑认知功能做更深的探索研究。ICA应用于EEG的信号分析处理是ICA在生物医学信号处理领域中得到应用的一个实例。

2.独立分量分析的算法（FastICA）

FastICA是一种快速寻优迭代算法，收敛速度快，能同时从多路输入信号中分离出超高斯源和亚高斯源。在该算法分析中，假设数据已经经过了白化预处理，白化处理是提高FastICA算法效率的一种有效预处理手段。

考虑到ICA的假设条件，FastICA算法的基本思想源于以非高斯性极大作为其目标，寻找投影向量模为1的w，使得白化预处理后的x在w上的投影（单位方差）非高斯性最大。先提取一个独立分量过程：先对观测信号进行白化预处理，并初始化权值向量w(0)，计数变量初值设置为0；利用对w调整，对计数变量自增1；利用对 w归一化处理；如果算法没有收敛，则继续调整、计数变量自增1、归一化，若算法收敛，求出一个独立分量：。

将上述用于提取一个独立分量的定点迭代的过程扩展到提取多个独立分量，依次迭代出权值向量，构成ICA的分离矩阵W的行向量。但在每次迭代提取一个新的独立分量时，为避免新迭代出的与已求出的前i个权值向量的收敛到相同的方向，必须保证新独立分量所对应的分离矩阵行向量与已求出的分离矩阵其他行向量保持相互正交。因此，在迭代新向量时，必须为进行去相关处理。相应的计算公式是和。

三、脑电信号消噪和特征提取应用

实验所用的脑电数据是一组不断识别计算机显示的不断变换的英文26个字母、10个数字和通过外界干扰得到的两种刺激后诱发的连续数据。数据导联数为32导，记录时间为600s，其中包括2导同步采集的眼电（EOG）信号。在此数据中，除了自发脑电噪声外，眼电(EOG)和工频干扰是两种主要的干扰噪声，而且这两种干扰噪声随机地出现在脑电信号中，且幅度较大。在运用ICA算法FASTICA之前，先对此脑电数据进行加工，利用脑电与刺激有明显的锁时关系这一特点，选取刺激发生前200ms到刺激发生后400ms共1s的时段对上述数据进行截取，每导共得到1s的含靶刺激的脑电数据段。在不丢失数据有用信息的前提下，我们载取80个同样片断以减少了数据量。我们再对其进行去均值和白化预处理。通过对原始脑电数据进行上述处理后，可使ICA的工作量大大减少，从而提高了ICA算法的效率。

4.1 ICA在脑电信号消噪中应用

考虑到原始脑电中既含超高斯源又含亚高斯源（如肌电），这里我们运用FASTICA算法对上述处理后的32导的80s带噪EEG进行消噪。

对带噪的EEG，运用FASTICA，得到32导独立分量及分离矩阵w，根据先验知识，识别眼电、工频干扰等独立分量大量的实验表明，这一做法在很多情况下是比较有效的，即能够将一些明显的干扰源分离出来。

在对脑电消噪前，应考虑到对独立分量进行源定位，即各个通道的头皮坐标相关信息（如图1），

图1

我们载取80个同样片断的数据前，先查看各通道的数据波形图2，为选取数据提供参考和比较，以期望减少FASTICA的计算量。

图2

完成80个同样片断的数据截取后，我们对数据进行高通滤波和低通滤波，以排除脑电分段时程边线（epoch boundaries）的滤波伪迹。在本研究中用TLE作为每个epoch的时间零点，这样可以在低于10Hz的频段范围内进行时频分解。

由于独立分量的时频分解通常只能识别出较大的眼电噪声，很难识别出其它噪声，我们从独立分量空间模式角度对它进行分析，将每一个分量与中每个列向量对应，因此可以用的列向量对应来表征独立源脑电地形图（图3）

图3

对脑电地形图进行仔细分析可以发现：眼电干扰主要集中在前额或眼的周围，分量1为眼电干扰（眨眼伪迹），分量10峰值均衡，是工频干扰，进一步，对噪声分量进行功率谱分析，图4是2个噪声分量的功率谱图。

图4

从图4知，分量1在0Hz附近有一低频尖峰并具有低通时间过程，符合眼电功率谱，分量10的峰值均衡，符合工频干扰的特征。将这两个噪声分量置零，余下的分量重构，得到无噪声的EEG，并且，其它脑电信息几乎没有被破坏，如图5所示，图5左图所示是原始带噪EEG，消噪后EEG中已明显不再含眼电（红线）等其它伪迹，而其它有用脑信息几乎没有被破坏，这为后续研究打下良好的基础。

图5

4.2 ICA在脑电信号特征提取应用分析

脑电特征提取是对ICA分离出的独立分量中所有噪声分量进行消除，但是，我们无法全部判断出哪些是噪声哪些是有用的分量，因此，我们先采用FASTICA消除眼电等伪迹，再对这些加工后的EEG运用叠加平均技术衰减其它未知的噪声，以提取更有意义的VEP。

在对EEG数据进行叠加平均运算前，我们先按照头皮分布分析各个通道的ERP,如图6所示，由图6可以知道每个独立分量的波形状态。根据先验知识可知，与人的认知功能有关的VEP，其潜伏期一般在200-500ms之间，波形主要有单峰和双峰两种形式,也可以通过Pz等通道观察。我们需要绘制各独立分量在该时间段内的电压分布如图7所示。由图7可知，人的认知功能相关信息主要集中在300ms处，同时观察Pz处的波形图8。为了进一步分析300ms处的人的认知信息，我们选取200ms— 400ms时段内的一段数据，在这段数据内，一半目标刺激呈现在位置1处，另一半呈现在位置2处，对EEG数据进行叠加平均运算，同时进行重构，如图9和FPz通道图10，由图9和图10知，重构后更接近真实值。

图6

图7

图8

图9

图10

为了对VEP效果更进一步说明，现假设α频段（大约10Hz）功率最大，我们对ERP（事件相关脑电位）α频段功能谱分布图进行绘制，由下图可以看出α频段的能量主要集中在枕叶（如图11）。

图11

R338

A

1671-752X（2013）03-0036-03

2013-06-22

王永飞（1971-），男，铜陵职业技术学院副教授，硕士，研究方向：智能信息处理。