基于MATLAB的脑电信号批处理系统设计
何艳，孙庶芳，杨帆
贵州医科大学 生物与工程学院，贵州贵阳 550004
[摘 要]本文基于MATLAB平台设计和开发了脑电信号处理系统，该系统包括预处理和信号分析，引入快速独立成分分析（ICA）去除信号伪迹，实现了工频干扰去除、小波消噪、分频滤波等预处理功能。信号分析包括基于傅里叶变换的功率谱分析及奇异点检测，并且利用真实脑电信号检验系统性能，该工具箱能够完成相关功能，并能提供良好的图形用户界面系统进行人机交互，为深入研究大脑功能提供了技术支持。
[关键词]脑电信号；独立成分分析；奇异点检测；分频滤波；小波去噪
0 引言
大脑是一个复杂解剖结构器官，区域间的功能性相互作用更为复杂，人脑约含有1010个神经元，每个神经元与大约1000个其他神经元相连接，神经元之间的信息传递和交换依赖于神经元电活动传递。神经电活动是大脑信息处理的基础，大脑功能的顺利实现依赖于各脑区之间电信息传递[1]。脑电信号预处理和分析一直是人们深入研究的问题，实质就是信号的特征提取和模式识别分类，它把从使用者记录来的脑电输入信号转换为控制外界装置的输出信号。随着信号处理技术的进一步发展，出现了经典的 时频域分析方法，现今时频域中能够对脑电信号进行分析处理的方法有许多，如利用特定频带的功率谱、自回归模型系数、小波系数和双谱估计以及小波变换方法等。时域方法主要是分析波形的几何性质，例如幅度、均值、方差、峭度等，频域分析方法则主要是基于各频段功率[2]。目前有多种识别与分类算法，例如线性识别分类方法、学习矢量量化神经网络、自适应高斯表达算法、差异敏感型学习向量量化器、神经网络等。
1997年，首席EEGLAB开发人员Arnaud Delorme和Scott Makeig在网上发布了第一个EEGLAB工具箱。EEGLAB是一个互动的MATLAB工具箱，用来处理连续与事件相关的脑电图[3]，在处理大脑数据时可以使用独立分量分析（Independent Component Analaysis，ICA）时间/频率特性。由德雷克塞尔大学Hualou Liang博士、佛罗里达大西洋大学博士Steven Bressler和Mingzhou Ding博士共同研发的BSMART工具包在2008年问世[4]。BSMART可以应用于各种各样的神经电磁现象，包括脑电图（Electroencephalogram，EEG）、脑磁图（Magnetoencephalography，MEG）和功能磁共振成像数据。BSMART工具包的一个独特的特征就是格兰杰因果关系，可以用来评估影响多个神经信号中的因果影响。2010年，由Bin He博士指导，明尼苏达大学生物医学功能成像和神经工程学实验室研发了用于分析大脑连接性的eConnectome[5]，它是一个MATLAB软件工具包，可提供交互式图形界面实现大脑连接分析。HERMES用于分析时间序列的相互依赖性，进而揭示对应动态系统的特征分析，目前被广泛用于大脑功能分析[6]。Kruschwitz et al[7]将图论引入大脑功能分析，Göttlich et al[8]着重于事件相关功能连接性分析。
脑电信号反映了大脑的生理状态，其中包含了丰富的神经活动信息，随着脑电测量技术的发展，获得的信息也愈来愈丰富，但是同时所获取的脑电信号中夹杂的干扰信号也愈来愈复杂。这些复杂的干扰信号，如常见的心电、眼电、肌电、呼吸波等，造成了对脑电信号的预处理和分析的要求也越来越高。如何更加有效的处理脑电信号成了研究的热门。
1 材料与方法
MATLAB具有功能非常强大、运算效率很高的优点。MATLAB主要是由C语言编写成的，它采用LAPACK为底层支持软件包，它的矩阵运算精确度达到了10～15，它还有代码可读性好、移植性好、可以绘制2D和3D甚至是动态的图形的优点，被誉为“第四代”计算机语言[9]。MATLAB把数据结构、编程特性以及图形界面完美地结合到了一起，为用户提供了极大的方便。依据MATLAB的这些特点，本文着力于开发一个对脑电信号进行批处理的工具箱。其中利用小波分析工具包对脑电信号进行消噪处理[10-11]，利用数字滤波器设计去除脑电信号的工频干扰并实现脑电信号分频滤波，可以将多频率组分的原始EEG信号分解为δ(0.5～4 Hz)、θ(4～8 Hz)、α(8～13 Hz)、β(13～30 Hz)、γ(30～50 Hz)等数个子频带信号，基于傅里叶变换的功率谱分析和奇异值检测将作为工具箱中的EEG信号处理功能。
2 工具箱设计与实现
本文设计的MATLAB图形用户界面（Graphical User Interface，GUI）工具包的功能主要是集脑电信号预处理和分析于一体，其中预处理有工频干扰去除、小波消噪、快速独立成分分析（Independent Component Analysis，ICA）伪迹去除及分频滤波，而分析主要有脑电信号的功率谱估计和奇异点检测。工具箱的功能设计基本包含其信号处理流程及主要功能，见图1。
2.1 菜单栏“文件”功能
本模块的功能主要是输入脑电信号，对处理的脑电信号进行保存，还可以进行打印预览和打印等功能。子菜单包括数据导入、数据保存、数据打印预览、数据打印和软件退出。
图1 工具箱功能设计示意图
2.2 菜单栏“plot”功能
本模块的功能主要是对输入的脑电信号进行二维绘图和集体进行小波消噪并且显示出来。包括“ploteeg”、“小波消噪集体显示”。
2.3 菜单栏“预处理工具”功能
“预处理工具”模块主要是对输入的脑电信号做一些预处理，如小波消噪、去除工频干扰等。子菜单包括采样率输入、工频干扰去除、小波消噪、分频滤波和FASTICA工具利用。分频滤波可以将大脑脑电信号分为多个频率波段的节律信号，如δ（0.5～4 Hz），θ（4～7 Hz），α（8～12 Hz），β（13～30 Hz），γ（30～70 Hz）。
2.4 菜单栏“分析工具”功能
本模块的功能主要是对预处理后的脑电信号进行分析，包括功率谱估计和奇异点检测。
2.5 系统功能检验
为了对系统进行功能检验，引入真实的人体植入式电极EEG信号，该信号记录的是癫痫疾病发作过程中的颅内电活动，其采样率为256 Hz，每组EEG数据包含6个通道的EEG信号。原始信号中的工频干扰利用工具箱中的工频滤波处理后干扰被顺利消除，见图2；基于极大极小阈值的去噪结果见图3，可以发现该方法较好地实现了消噪；伪迹是EEG中常见的干扰误差，基于快速ICA方法的EEG伪迹预处理结果，见图4；奇异值检测结果见图5，与癫痫发作时间基本一致。
图2 工频滤波前后功率谱对比图
图3 极大极小阈值消噪结果
图4 基于快速ICA的脑电信号伪迹预处理
图5 基于奇异点检测的脑电信号分析
3 讨论
脑电信号强度微弱，在采集过程中容易引入干扰信号。随着脑计划研究的开展，基于脑电信号的大脑功能监测与研究将会发挥更加重要的作用。本文以MATLAB为平台开发出一套EEG信号预处理与分析系统，在开发和实现的过程中，利用真实的人体EEG信号进行检验，结果发现本工具箱能快速高效地实现信号的预处理和基本分析，本系统的设计为后续进一步开发出多功能的EEG信号处理工具箱提供了较好的基础和应用前景。下一步的工作将集中研究大脑功能连接分析的系统开发设计与实现，为系统化、全面化分析和处理脑电信号提供可靠工具。
4 结论
在21世纪，人类对于疾病的探索将把大脑状态和人体功能实现联系起来，人类的病痛、行为、思想等都可以通过大脑活动来探知，大脑的研究已经成为当前研究的热点和难点，本文的研究将为脑功能深入分析与研究奠定基础。
本文简要介绍了EEG信号处理与分析工具箱的研究发展，脑电信的预处理和分析基本方法，以及工具箱的开发与系统设计框架。其中预处理包括工频干扰去除、小波消噪、分频滤波和快速ICA实现，信号分析方法包括功率谱估计和脑电信号奇异点检测。最后利用EEG信号进行系统功能检验，结果显 示该工具箱能成功实现相关功能，并能提供良好的GUI界面系统进行人机交互。
[参考文献]
[1] Joundi RA,Brittain JS,Green AL,et al.High-frequency stimulation of the subthalamic nucleus selectively decreases central variance of rhythmic finger tapping in Parkinson’s disease[J].Neuropsychologia,2012,50(10):2460-2466.
[2] 毕路拯,张然,高原.基于认知任务的脑机接口方法研究[J].计算机工程,2007,33(l):190-192.
[3] Delorme A,Makeig S.EEGLAB: an open source toolbox for analysis of single-trial EEG dynamics including independent component analysis[J].J Neurosci Methods,2004,134(1):9-21.
[4] Cui J,Xu L,Bressler SL,et al.H.BSMART: a Matlab/C toolbox for analysis of multichannel neural time series[J].Neural Netw,2008,21(8):1094-1104.
[5] He B,Dai Y,Astolfi L,et al.eConnectome: A MATLAB toolbox for mapping and imaging of brain functional connectivity[J].J Neurosci Methods,2011,195(2):261-269.
[6] Niso G,Bruña R,Pereda E,et al.HERMES: towards an integrated toolbox to characterize functional and effective brain connectivity[J].Neuroinformatics,2013,11(4):405-434.
[7] Kruschwitz JD,List D,Waller L,et al.GraphVar: a user-friendly toolbox for comprehensive graph analyses of functional brain connectivity[J].J Neurosci Methods,2015,245:107-115.
[8] Göttlich M,Beyer F,Krämer UM.BASCO: a toolbox for taskrelated functional connectivity[J].Front Syst Neurosci,2015,9:126.
[9] 钟麟,王峰.MATLAB仿真技术与应用教程[M].北京:国防工业出版社,2004.
[10] 张德丰.MATLAB小波分析[M].北京:机械工业出版社,2012.
[11] 宗荣芳.多尺度小波变换快速分解与重构算法的实现[J].计算机与信息技术,2009,6:42-43.
Design and Development of an EEG Signal Batch Processing System Based on MATLAB
HE Yan, SUN Shu-fang, YANG Fan
School of Biology & Engineering, Guizhou Medical University, Guiyang Guizhou 550004, China
Abstract：This paper focused on design and development of a MATLAB-based EEG (Electroencephalogram) processing system, which was comprised of preprocessing and signal analysis. Fast ICA (Independent Component Analysis) was introduced for artifact elimination. Removal of power frequency interference, wavelet denoising and sub-band filtering were achieved in this toolbox. Signal analysis included power spectrum analysis based on Fourier transform and singularity detection. Real EEG signals that recorded from brain were adopted for performance test of this system. It’s found that this toolbox could accomplish the corresponding capabilities and it provided good GUI (Graphical User Interface) interface for human computer interaction and technical support for further research on brain investigation.
Key words：electroencephalogram; independent component analysis; singularity detection; sub-band f lter; wavelet denoising
[中图分类号]R318
[文献标志码]A
doi：10.3969/j.issn.1674-1633.2016.10.010
[文章编号]1674-1633(2016)10-0033-03
收稿日期：2016-05-31
修回日期：2016-06-14
基金项目：国家自然科学基金（81460206）；贵州医科大学博士启动基金（院博合J2014[003]）。
通讯作者：何艳，副教授，主要研究方向为复杂系统与复杂网络/神经系统疾病。