梅婉欣，徐　瑩，柯大觀

（1.杭州電子科技大學(xué)生儀學(xué)院生物醫(yī)學(xué)工程研究所，杭州310018；2.溫州醫(yī)科大學(xué)生物醫(yī)學(xué)工程系，浙江溫州325035）

基于HHT的腦電信號(hào)在不同閱讀模式下的識(shí)別與分類*

梅婉欣1，2，徐瑩1，柯大觀2*

（1.杭州電子科技大學(xué)生儀學(xué)院生物醫(yī)學(xué)工程研究所，杭州310018；2.溫州醫(yī)科大學(xué)生物醫(yī)學(xué)工程系，浙江溫州325035）

目的：針對(duì)Powerlab腦電信號(hào)記錄儀獲取腦電波形，分辨不同類型的腦電閱讀模式。方法：對(duì)實(shí)驗(yàn)者在閱讀不同材料（平靜閉目、閱讀英語、閱讀詩(shī)歌、閱讀現(xiàn)代文四種閱讀模式）時(shí)的頭皮腦電信號(hào)進(jìn)行采樣，使用希爾伯特-黃變換及支持向量機(jī)訓(xùn)練，分辨平靜閉目和其他三種不同閱讀模式，并針對(duì)經(jīng)驗(yàn)?zāi)B(tài)分解時(shí)出現(xiàn)的常見情況——端點(diǎn)飛翼現(xiàn)象進(jìn)行算法優(yōu)化處理并比較其處理效果。結(jié)果：基于多項(xiàng)式擬合處理的經(jīng)驗(yàn)?zāi)B(tài)分解分解后的腦電信號(hào)辨識(shí)率最高，穩(wěn)定在65%水平，最高可達(dá)70%。結(jié)論：大腦在閱讀狀態(tài)下經(jīng)經(jīng)驗(yàn)?zāi)B(tài)分解和多項(xiàng)式擬合后的信號(hào)適合作為大腦閱讀模式下的特征提取函數(shù)，并對(duì)有效閱讀模式具有指導(dǎo)意義。

腦電信號(hào)分析；希爾伯特-黃變換；端點(diǎn)效應(yīng)；經(jīng)驗(yàn)?zāi)B(tài)分解；支持向量機(jī)

EEACC：11814；11819；11820doi：10.3969/j.issn.1004-1699.2016.10.001

腦電信號(hào)中包含了大量的大腦活動(dòng)、生理疾病等信息，其采集方式主要分為有創(chuàng)和無創(chuàng)兩種方式。腦電信號(hào)是一種非線性時(shí)變的不穩(wěn)定信號(hào)，其分析方法從最初的傅里葉變換、到小波變換等，均為了更好適應(yīng)腦電波形的特點(diǎn)，以提取最佳的腦電特征波形。傳統(tǒng)的傅里葉變換方法使用簡(jiǎn)單，但只能表現(xiàn)信號(hào)的總體趨勢(shì)，實(shí)效性不好；小波變換可適應(yīng)信號(hào)的各種頻率變化，但和傅里葉變換一樣都受到Heisenberg測(cè)不準(zhǔn)原理制約；而希爾伯特-黃變換HHT（Hilbert-Huang Transform）［1］可以不受該制約，且具有自適應(yīng)性，在時(shí)間和頻率上能夠同時(shí)達(dá)到最高的精度，兼顧時(shí)間分辨率和頻率分辨率，能夠?qū)⑿盘?hào)分解為頻率不同的各階IMF函數(shù)，實(shí)際應(yīng)用過程中可根據(jù)需要選擇性地使用，因而可適用于分析非線性非穩(wěn)定生物醫(yī)學(xué)信號(hào)，如腦電信號(hào)等［2-3］。HHT能夠?qū)⒎蔷€性非平穩(wěn)信號(hào)的不明顯特征提取出來，這一特點(diǎn)使得HHT很快在各領(lǐng)域取得良好的應(yīng)用效果，并且其理論基礎(chǔ)也在不斷改進(jìn)，近幾年基于HHT及相關(guān)的閾值去噪技術(shù)在腦電信號(hào)提取中獲得了較好的應(yīng)用［4-6］。國(guó)內(nèi)研究較為集中在對(duì)HHT的改進(jìn)之上，并使用一些仿真實(shí)驗(yàn)比較其改進(jìn)效果。鐘佑明［7］提出使用分段冪函數(shù)法對(duì)信號(hào)進(jìn)行包絡(luò)計(jì)算，從而削弱了頻率突變對(duì)包絡(luò)模型產(chǎn)生的影響；張郁山［8］將HHT應(yīng)用于地震分析中，使用Hilbert地震譜分析地震的時(shí)動(dòng)性；胡歡［9］等使用HHT變換對(duì)經(jīng)傳感器采集得到的數(shù)字信號(hào)進(jìn)行IMF函數(shù)的選擇性濾除，可以有效改善傳感器的線性度。黃鍔所在團(tuán)隊(duì)也在不斷豐富對(duì)HHT的理論，2006年提出了不同于三次樣條插值的“b樣條方法”作為一種計(jì)算信號(hào)包絡(luò)模型［10］；2011年提出了多維的總體經(jīng)驗(yàn)?zāi)B(tài)分解方法，由最初的若干階IMF函數(shù)到多維的發(fā)展，更好地呈現(xiàn)出信號(hào)的特征［11］；2010年提出“平滑經(jīng)驗(yàn)?zāi)B(tài)分解”，在一定程度上提高了IMF的分解精度，減輕了分解出的IMF常常存在模態(tài)混疊的現(xiàn)象［12］。但作為一種通用算法，存在一些不同類別具體信號(hào)的適用性問題。因此，本文著重對(duì)HHT中的EMD分解和分解后得到的IMF各階函數(shù)的獲取作了部分優(yōu)化及改進(jìn)，以期獲得大腦在閱讀模式下的最佳特征波形及特征提取，從而達(dá)到對(duì)各種不同類型閱讀模式的腦電信號(hào)進(jìn)行分辨的目的。

1　方法

HHT主要分成經(jīng)驗(yàn)?zāi)B(tài)分解EMD（Empirical Mode Decomposition）和希爾伯特（Hilbert）譜分析兩個(gè)過程，EMD分解是通過三次樣條插值將原始序列分解為若干個(gè)本征模態(tài)函數(shù) IMF（Intrinsic Mode Function），Hilbert譜分析則是將分解得到的IMF函數(shù)分量進(jìn)行希爾伯特變換（Hilbert變換）得到Hilbert能譜圖。首先，對(duì)于Hilbert譜分析的過程，主要是將EMD分解得到的IMF函數(shù)做Hilbert變換：設(shè)某階IMF函數(shù)為ci（t）（表示i階IMF），得其復(fù)解析信號(hào)為：

其中ai（t），φ（t）分別為函數(shù)

則忽略剩余函數(shù)rn（t），可得：

該公式即表示Hilbert能量譜。但是單純譜分析方法建立在信號(hào)是平穩(wěn)隨機(jī)過程的假設(shè)之上，而腦電信號(hào)并不滿足平穩(wěn)性的假設(shè)，因此譜分析方法在分析腦電信號(hào)的應(yīng)用中具有不可避免的局限性。所以本文側(cè)重于從時(shí)域上對(duì)腦電信號(hào)進(jìn)行EMD分解，基于信號(hào)的局部特征時(shí)間尺度，把復(fù)雜的信號(hào)分解為有限的內(nèi)在模式函數(shù)之和，則每一個(gè)本征模態(tài)函數(shù)IMF所包含的頻率成分不僅與采樣頻率有關(guān)，最重要的是隨信號(hào)本身的變化而變化，然后針對(duì)IMF函數(shù)的使用方法進(jìn)行了IMF函數(shù)分量的組合與部分使用條件的改進(jìn)。該方法非常適用于研究非平穩(wěn)的生物醫(yī)學(xué)信號(hào)，如腦電信號(hào)，于本文第3節(jié)詳述。

2　實(shí)驗(yàn)

2.1實(shí)驗(yàn)?zāi)康募斑^程

本實(shí)驗(yàn)旨在分辨大腦不同的閱讀模式。為了使實(shí)驗(yàn)結(jié)果有更好的對(duì)比性，將腦電信號(hào)的獲取分別在安靜閉目模式下與閱讀英語、閱讀詩(shī)歌和閱讀現(xiàn)代文三種閱讀模式進(jìn)行比較，分別區(qū)分安靜閉目模式和其他幾種閱讀模式下腦電信號(hào)的特征量變化。

實(shí)驗(yàn)在安靜室內(nèi)操作進(jìn)行，使用多通路工作電極及參考電極記錄腦電信號(hào)：電極分別為置于前額的前額工作電極和置于頭皮后部的枕部參考電極，另外為了減少干擾源需要貼一接地電極。實(shí)驗(yàn)中對(duì)實(shí)驗(yàn)對(duì)象的大腦分別在不同閱讀模式（安靜閉目、閱讀英語、閱讀詩(shī)歌、閱讀現(xiàn)代文四種模式）下的腦電信號(hào)進(jìn)行采集。每次待腦電呈現(xiàn)周期性穩(wěn)態(tài)時(shí)候開始采集，經(jīng)一系列實(shí)驗(yàn)參數(shù)設(shè)置及調(diào)整最終將腦電信號(hào)保存為adichet格式文件輸出。

2.3數(shù)據(jù)采集

本實(shí)驗(yàn)使用的是 Powerlab多導(dǎo)電生理儀（ADInstruments公司，澳大利亞）。該系統(tǒng)是一種計(jì)算機(jī)數(shù)據(jù)采集系統(tǒng)，包括軟件和硬件部分，它采用不同種類信號(hào)采集線分別將人體心電、腦電、肌電等傳輸進(jìn)計(jì)算機(jī)，通過LabChart軟件對(duì)參數(shù)進(jìn)調(diào)節(jié)，對(duì)采集的信號(hào)進(jìn)行基本采樣。

Powerlab腦電信號(hào)采集部分采用電極帽進(jìn)行，屬無創(chuàng)的、對(duì)人體無損的采集方式。實(shí)驗(yàn)設(shè)備采集的是正常人體在不同閱讀模式（安靜閉目類型、讀現(xiàn)代文類型、讀英語類型、讀詩(shī)歌類型）下的腦電信號(hào)。其中系統(tǒng)參數(shù)設(shè)置：采樣率為400/s，量程為2 mV，低通濾波50 Hz（EEG模式），高通濾波0.5 Hz（EEG模式）。采集10個(gè)被試者在四種閱讀模式下的腦電信號(hào)各30組，共300組，每組時(shí)長(zhǎng)1.5 min。選取其中表現(xiàn)較為穩(wěn)定，波形較為穩(wěn)定的200組作為每種閱讀模式下的實(shí)驗(yàn)數(shù)據(jù)。為保證實(shí)驗(yàn)結(jié)果的特征量可比性，不同被試者的實(shí)驗(yàn)數(shù)據(jù)進(jìn)行歸一化處理，再進(jìn)行同一閱讀模式下的多組采集及歸類分析。實(shí)驗(yàn)過程及儀器接口等如圖1所示。

圖1　測(cè)試過程及儀器接口

3　經(jīng)典HHT存在的問題

對(duì)實(shí)驗(yàn)獲取的腦電信號(hào)經(jīng)過EMD分解得到的各階IMF函數(shù)分析，發(fā)現(xiàn)圖像中會(huì)存在兩端曲線飄飛、不穩(wěn)定的發(fā)散現(xiàn)象，也叫“端點(diǎn)飛翼”現(xiàn)象。并且隨著EMD分解的進(jìn)行，端點(diǎn)飛翼現(xiàn)象往往會(huì)越來越嚴(yán)重，進(jìn)一步“污染”到內(nèi)部數(shù)據(jù)。這種現(xiàn)象在使用EMD原始分解方式時(shí)都會(huì)存在。如圖2為安靜閉目模式下的信號(hào)和其經(jīng)過EMD分解的各階IMF函數(shù)，其中圖2（a）是原始信號(hào)的時(shí)域函數(shù)，圖2（b）是它的頻譜圖，圖2（c）、2（d）、2（e）、2（f）分別為IMF1、IMF2、IMF3和IMF4。

圖2　原始閱讀模式下的信號(hào)和經(jīng)過EMD分解的各階IMF函數(shù)

由圖2（a）、2（b）可以看見安靜閉目模式下的腦電信號(hào)頻譜集中在某幾個(gè)特定的頻段，EMD分解可以將不同頻段的函數(shù)分離出來得到各階不同頻率的IMF函數(shù)。并且由圖2（c）、2（d）、2（e）、2（f）各階IMF函數(shù)的分解得到的順序可以看出，越早分離出來的IMF函數(shù)，其頻率越大；另一方面，也可看出該模式下的腦電信號(hào)經(jīng)EMD分解在第二個(gè)IMF就出現(xiàn)了端點(diǎn)效應(yīng)，且端點(diǎn)效應(yīng)在之后分解中開始向內(nèi)部擴(kuò)散。該現(xiàn)象會(huì)導(dǎo)致IMF兩端數(shù)據(jù)無效；越遲分離出來的IMF函數(shù)，兩端無效數(shù)據(jù)越長(zhǎng)，甚至完全無效。產(chǎn)生該現(xiàn)象的原因往往是在使用三次樣條插值對(duì)信號(hào)進(jìn)行包絡(luò)時(shí)，會(huì)出現(xiàn)上下兩個(gè)包絡(luò)交叉的現(xiàn)象，導(dǎo)致得到的平均值意義不大；并且當(dāng)信號(hào)兩端本身就是極大值或極小值時(shí)更易出現(xiàn)端點(diǎn)飛翼現(xiàn)象。針對(duì)這種現(xiàn)象，解決方法有多種：對(duì)于長(zhǎng)信號(hào)，可不斷截取產(chǎn)生端點(diǎn)飛翼現(xiàn)象的兩端數(shù)據(jù)；對(duì)于短信號(hào)，可以對(duì)數(shù)據(jù)進(jìn)行端點(diǎn)延拓；改進(jìn)包絡(luò)模型，使其可在保留信號(hào)長(zhǎng)度的基礎(chǔ)上，達(dá)到減輕甚至消除信號(hào)端點(diǎn)飛翼現(xiàn)象的目的。針對(duì)該過程的具體處理，蔡艷平［13］提出最大Lyapunov指數(shù)邊界延拓方法，利用Lyapunov指數(shù)的幾何特性，建立Lyapunov指數(shù)預(yù)測(cè)模型；DENG Y J［14］提出使用神經(jīng)網(wǎng)絡(luò)延拓技術(shù)對(duì)信號(hào)進(jìn)行延拓；Faltermeier R［15］提出使用滑動(dòng)窗口法對(duì)兩端數(shù)據(jù)進(jìn)行延拓；本文則使用多項(xiàng)式擬合方式對(duì)包絡(luò)模型進(jìn)行改進(jìn)，從而達(dá)到減少端點(diǎn)效應(yīng)的目的。

4　HHR算法改進(jìn)與結(jié)果分析

對(duì)于HHT算法中的EMD分解這種信號(hào)處理方式來說，其過程涉及到噪聲的濾除、包絡(luò)模型的使用和最終IMF函數(shù)的使用方式［16］。由于本文主要針對(duì)的是最終IMF函數(shù)的選擇及組合來作出改進(jìn)，所以首先需要完成EMD的分解（圖3），主要步驟如下：

①設(shè)輸入的腦電信號(hào)為s（t），且令

②找出腦電信號(hào)rn-1（t）中所有極大值和極小值，將所有的極大值（極小值）通過三次樣條插值獲得上（下）包絡(luò)線；分別記為uk-1（t）和vk-1（t）；

③將上包絡(luò)線和下包絡(luò)線的均值mk（t）作為新的序列。

④由原數(shù)列減去該新的序列，

⑤得到的序列如果符合IMF函數(shù)，則其為一階IMF，若不是，則重復(fù)步驟①～步驟④，相應(yīng)參數(shù)n+ 1，直到符合條件得到一階IMF。

⑥參數(shù)k加一且重復(fù)步驟①～步驟④得到一階、二階、……、n階IMF函數(shù)。

圖3　腦電信號(hào)的EMD分解過程

EMD分解過程不是無止境的，分解是否停止由以下函數(shù)確定：

可以設(shè)定SDk小于某個(gè)值時(shí)EMD分解結(jié)束，具體根據(jù)實(shí)驗(yàn)需要設(shè)置。

由以上過程可以看出，EMD分解具有完整性：

本文對(duì)于EMD方法的改進(jìn)主要是根據(jù)所獲取的腦電數(shù)據(jù)，試驗(yàn)得出最佳 IMF階數(shù)、最佳IMF組合、最適合IMF長(zhǎng)度以及對(duì)EMD分解過程中產(chǎn)生的端點(diǎn)效應(yīng)進(jìn)行了處理，以期得到最佳處理方式。

4.1最佳IMF階數(shù)

一組腦電信號(hào)數(shù)據(jù)經(jīng)EMD分解后最終會(huì)得到若干階IMF，每階IMF含有基本腦電信號(hào)的某些特征，而哪一階能夠真正包含有不同種腦電類型的特征值區(qū)別則需要經(jīng)過實(shí)驗(yàn)適用性證明。本文采用不同階的IMF函數(shù)，根據(jù)支持向量機(jī)最終結(jié)果，獲取其中最佳IMF作為代表腦電特征的波形。實(shí)驗(yàn)使用的是腦電閉目模式與其他三種模式之間的對(duì)比分辨，長(zhǎng)度均為2 000點(diǎn)的信號(hào)，然后將所有結(jié)果統(tǒng)計(jì)如圖4所示，其中圖4是對(duì)閱讀英語和安靜閉目?jī)煞N模式的識(shí)別率分析。經(jīng)過實(shí)驗(yàn)結(jié)果的對(duì)比，使用腦電信號(hào)在第4、5次分解出的IMF作為特征信號(hào)相對(duì)于直接使用原始信號(hào)進(jìn)行支持向量機(jī)分類的識(shí)別率高出10%，并且閱讀詩(shī)歌和安靜閉目、閱讀現(xiàn)代文和安靜閉目?jī)山M的模式識(shí)別結(jié)果也表現(xiàn)出與圖4一致的結(jié)果，說明第5次分解出的IMF（即IMF5）最適合作為閱讀模式下的腦電特征波形分析。

圖4　不同階數(shù)的IMF所得識(shí)別率（閱讀英語和安靜閉目模式的區(qū)分）

4.2最佳IMF組合

若僅用腦電信號(hào)的某階IMF作為腦電信號(hào)的特征波形，實(shí)驗(yàn)結(jié)果還并不理想。不同階的IMF可能包含該種腦電信號(hào)區(qū)別于其他信號(hào)的特征，從而需要兩種或以上的腦電信號(hào)同時(shí)作為區(qū)別于其他信號(hào)的特征波形。由于分離出越早的IMF函數(shù)其頻率成份越高，說明相鄰的IMF函數(shù)最可能包含相同的特征信息，所以實(shí)驗(yàn)通過相鄰IMF階數(shù)兩兩組合、或三三組合的方式得到最佳IMF組合，若經(jīng)試驗(yàn)IMF組合以后的效果比不組合后的識(shí)別效果更好，證明該IMF組合更能作為代表該種腦電信號(hào)的特征波形。實(shí)驗(yàn)取的是長(zhǎng)度為2 000點(diǎn)的信號(hào)，在同種情況下分別實(shí)驗(yàn)閉目模式與其他三種模式的辨別，將實(shí)驗(yàn)數(shù)據(jù)統(tǒng)計(jì)分析，如圖5所示，將安靜閉目與閱讀英語兩種模式進(jìn)行識(shí)別統(tǒng)計(jì)。統(tǒng)計(jì)結(jié)果表明，以IMF3+IMF4+IMF5組合和IMF3+IMF4得到的識(shí)別概率最高，分別為65%和64%。在實(shí)際處理過程中，IMF3+IMF4+IMF5處理時(shí)間比IMF4+IMF3的時(shí)間多了300 s，所以在實(shí)驗(yàn)如果使用大樣本數(shù)據(jù)（大于3 000點(diǎn)時(shí)）進(jìn)行辨別時(shí)IMF3+IMF4更適合，可以大大縮短處理時(shí)間并達(dá)到較好的辨別率；如果樣本量少（2 000點(diǎn)甚至更少時(shí)），使用IMF3+IMF4+IMF5組合更佳。

圖5　不同IMF組合所得識(shí)別率

4.3最適信號(hào)處理長(zhǎng)度

由于最初的腦電信號(hào)采集得到的腦電數(shù)據(jù)較為冗長(zhǎng)，導(dǎo)致處理時(shí)間較長(zhǎng)，并且得到的處理效果不一定最佳。所以實(shí)驗(yàn)通過改變采樣數(shù)據(jù)長(zhǎng)度，試圖得到最適合的數(shù)據(jù)長(zhǎng)度，從而減少實(shí)驗(yàn)時(shí)間，將更多時(shí)間用于改進(jìn)其處理方法，提高機(jī)器識(shí)別不同種類的腦電波形的能力。如表1所示，是對(duì)IMF3的腦電信號(hào)進(jìn)行識(shí)別，可以發(fā)現(xiàn)，當(dāng)數(shù)據(jù)長(zhǎng)度在500點(diǎn)時(shí)，處理時(shí)間較短，但識(shí)別率極低（30%左右），且不穩(wěn)定；當(dāng)數(shù)據(jù)長(zhǎng)度在3 000點(diǎn)及以上時(shí)，識(shí)別率相對(duì)比較穩(wěn)定，但處理時(shí)間大大增長(zhǎng)，當(dāng)數(shù)據(jù)量低于1 000點(diǎn)時(shí)，由于1 000的長(zhǎng)度在端點(diǎn)效應(yīng)處理時(shí)的穩(wěn)定效果不佳，故不采用1 000的長(zhǎng)度作為最佳IMF長(zhǎng)度；由表1可看出，在數(shù)據(jù)長(zhǎng)度為大約2 000點(diǎn)時(shí)，可兼顧時(shí)間與識(shí)別率，因此實(shí)驗(yàn)中將其作為最佳處理長(zhǎng)度。

表1　不同信號(hào)長(zhǎng)度記錄表

4.4端點(diǎn)效應(yīng)的解決

端點(diǎn)效應(yīng)是EMD分解過程中普遍存在的一種現(xiàn)象，也是影響后期分解出的IMF效果好壞的一個(gè)重要因素。有多種方法可以用于減少端點(diǎn)現(xiàn)象的出現(xiàn)，本文通過信號(hào)長(zhǎng)度的優(yōu)化及多項(xiàng)式擬合等方法，主要改進(jìn)及實(shí)踐了其中的2種方法。

4.4.1處理后信號(hào)長(zhǎng)度的截取

端點(diǎn)效應(yīng)，即為信號(hào)兩端的存在失真，最簡(jiǎn)便的改變這種現(xiàn)象的方法是不斷拋棄這些失真的部分，剩下的就是分解有效的數(shù)據(jù)，進(jìn)而對(duì)這些有效的數(shù)據(jù)進(jìn)行分析處理。對(duì)于長(zhǎng)數(shù)據(jù)來說，使用該種方法不但可以減少計(jì)算機(jī)處理的數(shù)據(jù)量，提高運(yùn)算速率，還可以避免端點(diǎn)無效部分對(duì)整個(gè)分析過程的影響。所以本文根據(jù)計(jì)算機(jī)原本分析出的最佳IMF階數(shù)，對(duì)該階數(shù)IMF函數(shù)進(jìn)行比較，分析其出現(xiàn)端點(diǎn)效應(yīng)的數(shù)據(jù)長(zhǎng)度，對(duì)該數(shù)據(jù)截取后再對(duì)不同的腦電數(shù)據(jù)進(jìn)行處理。如圖6所示，閱讀英語和閱讀詩(shī)歌兩種模式在經(jīng)過對(duì)端點(diǎn)數(shù)據(jù)的截取后，信號(hào)識(shí)別率均有所提升。

圖6　經(jīng)端點(diǎn)數(shù)據(jù)截取后信號(hào)識(shí)別率比較

4.4.2多項(xiàng)式擬合

多項(xiàng)式擬合也是針對(duì)端點(diǎn)效應(yīng)的一種有效擬合方式。端點(diǎn)效應(yīng)表現(xiàn)為兩端曲線不受預(yù)測(cè)地向高幅度或低幅度偏離發(fā)散，導(dǎo)致兩端數(shù)據(jù)失真甚至無效。而多項(xiàng)式擬合的意義在于將多項(xiàng)式函數(shù)不斷逼近一個(gè)函數(shù)，這對(duì)于原本突然發(fā)生發(fā)散的函數(shù)而言，可以通過調(diào)整多項(xiàng)式擬合的各參數(shù)，達(dá)到削弱函數(shù)發(fā)散的程度。

本文的多項(xiàng)式擬合是基于最小二乘法的曲線擬合方式，按照偏差平方和最小的原則來確定擬合曲線，將曲線的擬合圖像整體控制在最貼近原始數(shù)據(jù)的狀態(tài)之下。該方式能夠使得進(jìn)行包絡(luò)算法時(shí)的腦電信號(hào)兩端平滑，并且通過調(diào)整擬合時(shí)的各個(gè)參數(shù)，得到最佳擬合曲線。例如，同樣的信號(hào)數(shù)據(jù)，經(jīng)多項(xiàng)式擬合后，由于降低了原本極易出現(xiàn)的端點(diǎn)飛翼程度，減少了由于端點(diǎn)問題導(dǎo)致的識(shí)別誤差，使得經(jīng)過處理后的信號(hào)在進(jìn)行識(shí)別時(shí)表現(xiàn)出較好的穩(wěn)定性。實(shí)驗(yàn)發(fā)現(xiàn)，經(jīng)多項(xiàng)式擬合后的信號(hào)分解所得到的IMF函數(shù)在作為識(shí)別對(duì)象時(shí)，相對(duì)未經(jīng)擬合的函數(shù)，具有更高的識(shí)別效果。其識(shí)別率穩(wěn)定在65%，最高時(shí)可達(dá)到70%，相較于未改進(jìn)的方法而言（最高識(shí)別率60%左右），具有一定的優(yōu)化處理效果。

5　結(jié)果與討論

本文通過改進(jìn)型的HHT檢測(cè)出最佳的區(qū)別不同種類腦電特征的方法，其主要作用是用于不同閱讀模式下的腦電信號(hào)識(shí)別。因此該實(shí)驗(yàn)的主要評(píng)價(jià)標(biāo)準(zhǔn)是腦電信號(hào)處理時(shí)間和不同種類腦電信號(hào)識(shí)別概率。腦電信號(hào)作為一種醫(yī)學(xué)信號(hào)，表現(xiàn)的是人的某種或幾種生理或心理狀態(tài)，已經(jīng)或正在被用于醫(yī)學(xué)研究和臨床實(shí)驗(yàn)，如何讓處理腦電信號(hào)的時(shí)間更短、甚至具有實(shí)時(shí)處理效果，將大大方便該研究的推廣和臨床的應(yīng)用。另一方面，對(duì)不同種類腦電識(shí)別概率越高，證明該種腦電信號(hào)區(qū)別于其他腦電信號(hào)的特征提取實(shí)現(xiàn)得越好。所以兼顧識(shí)別速率和識(shí)別效果，處理時(shí)間和識(shí)別概率是作為本文特征識(shí)別情況的評(píng)價(jià)標(biāo)準(zhǔn)。

如圖7所示，最終結(jié)果得出經(jīng)過多項(xiàng)式擬合等優(yōu)化算法改進(jìn)后的EMD分解腦電信號(hào)，達(dá)到的識(shí)別率最強(qiáng)，穩(wěn)定在65%，最高時(shí)可以達(dá)到70%。相對(duì)于最原始的信號(hào)，辨別率提高了15%；相對(duì)于經(jīng)典EMD分解使用的IMF函數(shù)，雖然針對(duì)不同閱讀模式的識(shí)別率提高有所區(qū)別，但識(shí)別率總體也呈現(xiàn)一種上升趨勢(shì)；同時(shí)，就最高識(shí)別率而言，經(jīng)多項(xiàng)式擬合的EMD分解效果并不顯著；但經(jīng)多項(xiàng)式擬合的信號(hào)呈現(xiàn)出更強(qiáng)的穩(wěn)定性，更具有統(tǒng)計(jì)意義。

圖7　不同閱讀模式下的處理方式比較

6　總結(jié)與展望

本文主要介紹了目前HHT的應(yīng)用領(lǐng)域；分析了HHT本身存在的問題；使用HHT對(duì)腦電信號(hào)進(jìn)行處理，采用各階IMF函數(shù)辨別不同閱讀模式下的腦電信號(hào)；根據(jù)信號(hào)適應(yīng)性問題，在HHT方法的過程中對(duì)EMD分解量進(jìn)行改進(jìn)，通過對(duì)支持向量機(jī)識(shí)別率和Matlab處理數(shù)據(jù)時(shí)間的綜合考量得出了最優(yōu)處理方式。進(jìn)一步的實(shí)驗(yàn)需要完善以下一些內(nèi)容：首先，需要對(duì)信號(hào)的去噪和電極的前處理進(jìn)行優(yōu)化；其次是進(jìn)一步增大數(shù)據(jù)的采集量，從而在統(tǒng)計(jì)測(cè)試上具有更大的實(shí)驗(yàn)意義。

綜上，本文通過基于HHT原型變換，分析得出經(jīng)過多項(xiàng)式處理的EMD分解得到的IMF4+IMF5最適合作為大腦不同閱讀模式下腦電信號(hào)的特征波形，穩(wěn)定在65%水平，這對(duì)于腦電信號(hào)的研究提供了一種較好的研究方法和應(yīng)用前景。另外，實(shí)驗(yàn)結(jié)果發(fā)現(xiàn)，大腦在閱讀詩(shī)歌狀態(tài)下的腦電活動(dòng)程度接近于安靜閉目模式，呈“準(zhǔn)休息態(tài)”；而在閱讀英語時(shí)，相對(duì)于閱讀詩(shī)歌和閱讀現(xiàn)代文，呈明顯的“工作態(tài)”，這對(duì)于大腦健康與腦電活動(dòng)的針對(duì)性分析具有一定的參考價(jià)值。在當(dāng)今物聯(lián)網(wǎng)發(fā)達(dá)并且終端傳感等設(shè)備廣泛普及的情況下，大腦對(duì)視覺接受到的海量信息進(jìn)行高速處理消化，如何科學(xué)閱讀，如何選擇及組合不同閱讀及工作模式，提高閱讀效率、避免大腦長(zhǎng)期“亞健康”狀態(tài)，對(duì)進(jìn)行腦電-有效決策閱讀模式研究具有重要意義。相較于閱讀模式，大腦在潛意識(shí)狀態(tài)下產(chǎn)生的腦電波形以及主動(dòng)意識(shí)下進(jìn)行的思考（如運(yùn)動(dòng)想象、邏輯分析等）是截然不同的。非線性非穩(wěn)態(tài)生物醫(yī)學(xué)信號(hào)處理方法的改進(jìn)，對(duì)大腦在主動(dòng)思考時(shí)的腦電模式研究、以及在該模式下腦-機(jī)接口的發(fā)展都有巨大推動(dòng)作用，而在現(xiàn)實(shí)生活中也已有了相關(guān)成品的出現(xiàn)——如基于HHT快速分析手段的腦—機(jī)械手［17］的研究發(fā)展等。并且隨著HHT等腦電信息分析技術(shù)的廣泛應(yīng)用，人們對(duì)大腦皮層各個(gè)區(qū)域功能，尤其是左腦理性思維與右腦想象思維的聯(lián)系與整合認(rèn)識(shí)的提高，對(duì)大腦思維模式有效閱讀訓(xùn)練參數(shù)的快速采集與分析，將大大推動(dòng)人腦接受海量數(shù)據(jù)和有效閱讀的潛力，這也將推動(dòng)對(duì)各種可穿戴設(shè)備（如眼球追蹤、意念操控、視覺記憶、虛擬現(xiàn)實(shí)方向等）的研究和市場(chǎng)化［18-19］。

［1］Huang N E，Shen Z，Long S R，et al.The Empirical Mode Decomposition and the Hilbert Spectrum for Nonlinear and Non-Stationary Time Series Analysis［J］.The Royal Society，1998，454（1971）：904-995.

［2］張雪梅.基于HHT的非平穩(wěn)信號(hào)特征提取與參數(shù)估計(jì)方法研究［D］.電子科技大學(xué)，2015.

［3］Daubechies I.The Wavelet Transform，Time Frequency Localization and Signal Analysis［J］.IEEE Tansactions on Information Theory，1990，65（5）：961-1006.

［4］Yeh J R，Sun，Shieh J S，et al.Intrinsic Mode Analysis of Human Heartbeat Time Series［J］.Annals of Biomedical Engineering，2010，38（4）：1337-1344.

［5］馬玉良，許明珍，佘青山，等.基于自適應(yīng)閾值的腦電信號(hào)去噪方法［J］.傳感技術(shù)學(xué)報(bào)，2014，27（10）：1368-1372.

［6］Lin C F，Su J Y，Wang H M，et al.Hilbert-Huang Transformation Based Analyses of FP1，F(xiàn)P2，and Fz Alectroencephalogram Signals inAlcoholism［J］.JournalofMedicalSystems，2015，39（9）：275-281.

［7］鐘佑明，金濤，秦樹人.希爾伯特-黃變換中的一種新包絡(luò)線算法［J］.數(shù)據(jù)采集與處理，2005（1）：13-17.

［8］張郁山.希爾伯特—黃變換（HHT）與地震動(dòng)時(shí)程的希爾伯特譜［D］.中國(guó)地震局地球物理研究所，2003.

［9］胡歡，余永，王慧，等.HHT算法在壓電陶瓷驅(qū)動(dòng)器的微納米位移傳感器中的應(yīng)用（英文）［J］.傳感技術(shù)學(xué)報(bào)，2014，27（4）：456-462.

［10］Chen Q，Huang N E，Riemenschneider S，et al.A B-Spline Approach for Empirical Mode Decomposition［J］.Advances in Computational Mathematics，2006，24（1-4）：171-195.

［11］Zhao H W，Huang N E，Chen X Y.The Multi-Dimensional Ensemble Empirical Mode Decomposition Method［J］.Advances in Adaptive Data Analysis，2011，1（3）：339-372.

［12］Pao S，Young C，Tseng C，et al.Smoothing Empirical Mode Decomposition：A Patch to Improve the Decomposed Accuracy［J］.Advances in Adaptive Data Analysis，2010，2（4）：521-543.

［13］蔡艷平，李艾華，張瑋，等.HHT端點(diǎn)效應(yīng)的最大Lyapunov指數(shù)邊界延拓方法［J］.儀器儀表學(xué)報(bào)，2011（6）：1330-1336.

［14］Deng Y，Wang W，Qian C，et al.Boundary-Processing-Technique in EMD Method and Hilbert Transform［J］.Chinese Science Bulletin，2001，46（11）：954-960.

［15］Faltermeier R，Zeiler A，Keck I R，et al.Sliding Empirical Mode Decomposition［C］//Neural Networks（IJCNN），The 2010 International Joint Conference on IEEE，2010：1-8.

［16］陳一賢.HHT方法分析［D］.浙江大學(xué)，2007.

［17］楊林豹.基于α波的腦機(jī)接口研究及在智能輪椅上的應(yīng)用［D］.北京：北京工業(yè)大學(xué)，2011.

［18］Banerjee A，Sanyal S，Patranabis A，et al.Study on Brain Dynamics by Non Linear Analysis of Music Induced EEG Signals［J］.Physica A：Statistical Mechanics and its Applications，2016，444：110-120.

［19］Hsu W Y.Brain-Computer Interface Connected to Telemedicine and Telecommunication in Virtual Reality Applications［J］.Telematics and Informatics，2016.

梅婉欣（1992-），女，杭州電子科技大學(xué)在讀研究生。研究生期間致力于人體生理電信號(hào)的處理工作，尤其是腦電信號(hào)的噪聲處理與特征提取，1358986643@ qq.com；

徐瑩（1978-），女，浙江大學(xué)生物醫(yī)學(xué)工程博士，副教授，碩士生導(dǎo)師。學(xué)術(shù)任職/社會(huì)任職為杭州電子科技大學(xué)生儀學(xué)院測(cè)試計(jì)量及儀器系系副主任。主要研究方向?yàn)閺氖驴蒲蟹较蛑饕ǘ喾N傳感器微芯片仿真、設(shè)計(jì)及總體硬件平臺(tái)搭建、后期信號(hào)分析工作，xuying@hdu.edu.cn。

Recognition and Classification of EEG Signal in Reading Mode Based on Hilbert-Huang Transformation*

MEI Wanxin1，2，XU Ying1，KE Daguan2*
（1.Hangzhou Dianzi University Biomedical Engineering Institute，Hanzhou 310018，China；2.Department of Biomedical Engineering，Wenzhou Medical University，Wenzhou Zhejiang 325035，China）

Objective To distinguish different kinds of EEG signals from the high-dimensional and redundant mass EEG nonlinear-data by Powerlab.Methods Firstly，EEG signals were sampled from an experimenter’s scalp when the experimenter was reading different kinds of books（closing eyes，reading English books，reading poems and reading modern Chinese）.Secondly，HHT transform（Hilbert-Huang Transform，HHT）and Support Vector Machine method were used to train and distinguish the model of closing eyes and other three kinds of reading patterns.Finally，the algorithm is optimized because of its frequent phenomenon-end issue that occurred during the Empirical Mode Decomposition and the results were analyzed.Results the Empirical Mode Decomposition based on polynomial fitting algorithm could be used to recognize largest amount of EEG signals by 70%.Conclusions The experimental results demonstrate that the Optimized HHT algorithm based on Empirical Mode Decomposition and polynomial fitting algorithm can effectively make use of the information from the mass EEG nonlinear-data signal and is suitable and practical method of classification for research.

EEG signal analysis；hilbert-huang transform；end issue；empirical mode decomposition；support vector machine

TP212.3

A

1004-1699（2016）10-1471-07

項(xiàng)目來源：國(guó)家自然科學(xué)基金項(xiàng)目（30800248，31300939）；浙江省公益技術(shù)研究社會(huì)發(fā)展項(xiàng)目（2016C33G2041024）；浙江省自然科學(xué)基金項(xiàng)目（LY13C100003）

2016-03-21修改日期：2016-05-10