课程设计报告
题 目: 基于短时傅里叶变换的癫痫脑电时频分析
专 业: 生物医学工程
班 级:
学 号:
姓 名:
指导教师:
1 引言
癫痫是一种由神经元异常放电所引起的非传染性疾病,发病时的主要表现为意识丧
失、肢体抽搐和行为冲动等症状,且会反复发作[1]。据世界卫生组织报告,全球有 5 000
多万名癫痫病患者,其中约有五分之四的患者生活在发展中国家,而目前我国约有 600
万名癫痫病患者且每年以 60 万名速度增长。由于得不到及时治疗,癫痫患者的过早死
亡率比健康人高 3 倍,其生活质量和家庭状况受到严重影响[2]。
脑电图( electroencephalogram,EEG) 是大脑神经细胞群电生理活动的记录,包含
大量的生理及病理信息。它不仅是研究脑科学的重要工具,而且是协助医师对神经系统
疾病( 如癫痫、阿尔兹海默症、精神分裂症等) 进行诊断和治疗的主要方法之一。特别
是对于癫痫,脑电图更是其他方法所不能取代的检测手段之一。
传统的癫痫性发作检测主要是依靠有经验的医生询问患者的临床病史,进而从视觉
上检查 EEG 中是否存在癫痫性脑波来完成的。由于癫痫的发作时间具有不确定性,因
此往往需要对病人的脑电波进行长期监测,这样就会产生海量的脑电数据,从而使得传
统的视觉检测方法变得十分耗时; 此外,该方法又严重依赖于医生的个人经验,因而主
观性很强[3]。因此,有必要借助计算机对 EEG 信号进行分析处理,突出显示信号特征,
从而提高医生的诊断效率。
本研究旨在借助计算机技术,在 MATLAB 平台上,从频域和时频两个方面着手,
分别获取癫痫患者和正常人的脑电数据的功率谱图和时频能量谱图,进而对癫痫患者和
正常人不同分析域的脑电特征进行比较,并从中归纳总结出癫痫患者脑电和正常人的脑
电的异同,从而达到辅助诊断的目的。
2 材料和方法
2.1 实验材料
本研究的实验对象为两名癫痫患者(1 和 2)和两名正常人(1 和 2)的脑电数据,
这四名实验对象分为两组进行对比分析:①癫痫患者 1 和正常人 1,②癫痫患者 2 和正
常人 2。其中癫痫患者 1 为左颞癫痫,T3 导联数据共 768 点;癫痫患者 2 为右颞癫痫,
T4 导联数据共 768 点。正常人 1 和正常人 2 各有三段脑电数据,每段脑电各个导联的
原始数据长度均为 4000 点,在实验中对正常人 1 的 T3 导联和正常人 2 的 T4 导联的脑
电数据分别截取了连续的 768 点作为研究对象。所有的实验均在 Windows10 系统下的
MATLAB R2017 平台上进行。
2.2 脑电信号预处理
(1)去除基线漂移
基线漂移是脑电信号在采集过程中最容易混入的噪声之一, 它的产生因素有多种,
比如人体呼吸、传感器移位等, 这些因素带来的噪声对脑电数据有较为严重的影响,因
此在分析脑电数据前需要采用的手段来去除基线漂移。
本研究中采用多项式拟合法来去除基线,多项式拟合法是首先对含有线性趋势的信
号进行多项式拟合,将基线拟合出来,然后把原始信号减去拟合信号,得到去除基线的
信号。在 MATLAB 中,多项式拟合的过程可以借助函数 polyfit 和 polyval 实现,其中
polyfit 函数依据预先设定的阶数计算出拟合多项式的系数,polyval 函数依据 polyfit 计
算的系数产生拟合多项式。
(2)去除工频干扰
市电电压的频率为 50Hz,它会以电磁波辐射的形式,对脑电数据的采集造成干扰,
称之为工频干扰,一般表现在频谱图中 50Hz 处的值有明显的尖峰。本研究借助陷波器
来实现工频干扰的去除。
2.3 功率谱估计
(1)功率谱
功率谱反映了信号的功率在频域随频率 ω 的分布情况,它定义为随机信号 X(n)的
多个样本 x(n)的集总平均,
式中,M 表示样本的长度,按照功率谱的定义,M 值要求趋近于无穷,即样本无
穷多,时间无限长,但在实际工作中,我们得到的往往是单一样本有限长的数据,因此,
因此我们需要借助一定的方法对信号的功率谱进行估计。功率谱估计的方法可以分为经
典谱估计法和现代谱估计法。本研究借助现代谱估计法中的 AR 模型进行功率谱估计。
(2) AR 模型
P 阶 AR 模型的差分方程表示为
其中,输入 u(n):方差为 的白噪声序列
输出 x(n):随机序列数据
参数 :输出的 p 个加权参数(k=1,2,…p)
基于 AR 模型的功率谱估计的表达式为
pkknuknxnx1)()()(2121)(pkkjkujxeeP
阶次的选择会影响谱的质量:阶次过小时,谱过于平滑,不能反映出谱峰;阶次过
大时,可能会产生虚假的谱峰。因此需要选择合适的阶次来进行功率谱估计。
AR 模型阶次的选择可以借助最终预测误差准则(FPE 准则)和信息论准则(AIC 准则)
来进行确定。
N 为数据 XN(n)的长度,ρk 表示预测误差功率。当阶次 k 由 1 增加时,FPE(k)和
AIC(k)将在某一个 k 处取得极小值,此时的 k 值即为最合适的阶次 p。
在本研究中,先利用 aryule 函数求得取不同阶次时的预测误差功率,然后借助 find
和 min 函数求得 FPE 最小时对应的阶次,最后利用 pyulear 函数来对功率谱进行估计。
估计出功率谱之后,按照脑电信号 δ(0~4Hz),θ(4~8Hz),α(8~13Hz),β(13~
30Hz),γ(30~50Hz)的频率划分,借助 mean 函数求得每个频段信号的能量分布,从
而得到癫痫患者和正常人不同频段脑电能量分布的差异。
2.4 时频分析
基于时域或频域的癫痫脑电特征提取方法,仅能反映脑电信号单一方面的特性,而
时频分析是同时从时域和频域两个方面对信号的能量密度和强度进行描述,既能提供频
率信息,也能提供时间信息。常用的时频分析方法主要有短时傅里叶变换和小波变换。
本研究利用短时傅里叶变换对信号进行时频分析。
短时傅里叶变换的基本思想是每次只对一小段数据进行傅里叶变换,通过在时间轴
上滑动固定宽度的时间窗 g,将信号划分成多段相同时间长度的短时信号,再分别对每
段数据进行傅里叶变换,从而得到不同时刻的时频信息。它定义为
所选时间窗的类型和窗口的宽度均会影响时频分析的效果,本研究分别比较了矩形
窗、汉宁窗和海明窗的效果,并比较了不同窗口宽度对时间分辨率和频率分辨率的影响。
综上所述,本研究的程序流程图如下图 1 所示
图 1 程序流程图
)1()1()(kNkNkFPEkkNkAICk2)ln()(detgSTFTfj2*)()(x)ft,(
3 结果
3.1 时序图
本研究所选取的组①和组②的癫痫患者和正常人的脑电信号的时序图分别如下图
2 和图 3 所示:
图 2 组①癫痫患者和正常人的脑电信号时序图
图 3 组②癫痫患者和正常人的脑电信号时序图
0100200300400500600700800-2000200癫痫1时序图0100200300400500600700800-2000200正常1第1段脑电时序图0100200300400500600700800-2000200正常1第2段脑电时序图0100200300400500600700800-2000200正常1第3段脑电时序图0100200300400500600700800-2000200癫痫2时序图0100200300400500600700800-2000200正常2第1段脑电时序图0100200300400500600700800-2000200正常2第2段脑电时序图0100200300400500600700800-2000200正常2第3段脑电时序图
3.2 预处理
去除基线漂移前后的效果,组①如下图 4-图 7 所示,组②如下图 8-图 11 所示:
图 4 癫痫患者 1 去除基线前后效果对比图
图 5 正常人 1 第 1 段脑电去除基线前后效果对比图
0100200300400500600700800-1000100200癫痫1去除基线前0100200300400500600700800-200-1000100200癫痫1去除基线后0100200300400500600700800-400-2000200400正常1第1段脑电去除基线前0100200300400500600700800-200-1000100200正常1第1段脑电去除基线后
图 6 正常人 1 第 2 段脑电去除基线前后效果对比图
图 7 正常人 1 第 3 段脑电去除基线前后效果对比图
0100200300400500600700800-400-2000200400正常1第2段脑电去除基线前0100200300400500600700800-2000200400正常1第2段脑电去除基线后0100200300400500600700800-400-2000200正常1第3段脑电去除基线前0100200300400500600700800-200-1000100200正常1第3段脑电去除基线后
图 8 癫痫患者 2 去除基线前后效果对比图
图 9 正常人 2 第 1 段脑电去除基线前后效果对比图
0100200300400500600700800-2000200400癫痫2去除基线前0100200300400500600700800-2000200400癫痫2去除基线后0100200300400500600700800-400-2000200400正常2第1段脑电去除基线前0100200300400500600700800-400-2000200400正常2第1段脑电去除基线后