王金玉，周麗麗，劉 琦，杜寅甫

(黑龍江省科學院智能制造研究所，哈爾濱 150090)

0 引言

腦卒中具有較高的致殘率，不僅給患者及家庭造成沉重負擔，更會影響患者心理健康。研究表明，急性期缺血性腦卒中患者由于起病時間短，軀體癥狀嚴重，心理負擔較大，容易導致抑郁，嚴重者會產(chǎn)生自殺意念，自殺可能性高達10%。如何提高腦科疾病的早期檢出率及提高卒中患者的術(shù)后生活質(zhì)量和自主生活程度成為重要的研究課題。

腦機接口技術(shù)(Brain Computer Interface，BCI)作為首選解決方案備受關(guān)注，而三導聯(lián)腦電采集裝置作為腦機接口設(shè)備，具備測量結(jié)果準確穩(wěn)定、方便快捷、無需使用導電膏、穿戴舒適、適合日常長期動態(tài)腦電監(jiān)測等優(yōu)點，不僅可以作為腦科醫(yī)療領(lǐng)域早期診斷輔助設(shè)備和術(shù)后生活輔助設(shè)備使用，而且對于醫(yī)療、BCI等領(lǐng)域都具有極其重要的研究意義，基于此，開展了基于穿戴式三導聯(lián)腦電采集裝置的腦電采集診斷算法研究。

基于可穿戴式三導聯(lián)腦電采集裝置進行腦電信號采集，通過小波變換結(jié)合Kalman濾波技術(shù)，處理腦電信號，去除與大腦認知功能無關(guān)的眼電偽跡信號，提高信號采集的準確性。結(jié)合多尺度腦電特征提取，通過采集被測人的腦電特征信號并與腦卒中腦電特征信號進行對比，檢測被測人是否存在腦卒中風險，以實現(xiàn)腦卒中腦電特征診斷。由于三導聯(lián)電采集信號實際中存在精度問題，因此重點在于算法優(yōu)化，以實現(xiàn)更高精度的信號采集及分類處理。

1 診斷算法研究

1.1 小波變換

EEG信號分析中，最常用的處理工具是傅里葉變換。它是一種將信號從時域通過積分變換成為基于頻域分布的數(shù)學工具，通過小波分析處理EEG信號時，本質(zhì)上是通過小波變換讓EEG信號沿著整個時間軸平移，在小波信號平移的同時對EEG信號做壓縮和伸長變換。這里定義一維EEG信號f(t)的連續(xù)小波變換如下：

其中，Φ(t)為小波函數(shù)，a是尺度大小，b是位移。這個變換是線性的，滿足位移不變和尺度比例變換。

f(t)→W(a,b);那么就有f(t-τ)→W(a,b-τ)，

并且有

這個比列變換特性使得小波變換適合分析多層結(jié)構(gòu)的信號，從小波變換又可以重構(gòu)出原始信號：

為了能夠用計算機處理數(shù)字信號，需要將小波系數(shù)進行離散化處理。如果處理的是帶限信號，那么離散小波變換就可以從抽樣理論推導出來。多分辨分析是由在不同尺度下通過采樣和濾波生成的子集與信號內(nèi)積得到的。

1.2 Kalman濾波算法

Kalman濾波是一種最優(yōu)狀態(tài)估計方法，可以用于受隨機信號噪聲干擾的動態(tài)測量系統(tǒng)。腦電信號監(jiān)測的同時會產(chǎn)生眼電等偽跡，選擇Kalman濾波可以很好地解決這一問題。通過Kalman濾波器用狀態(tài)空間來描述EEG監(jiān)測系統(tǒng)，通過建立EEG信號狀態(tài)方程，用監(jiān)測到的前一個EEG信號狀態(tài)值與最近一個觀測EEG信號數(shù)據(jù)來完成當前的狀態(tài)變量估計。這種遞推思想，沒有使用到所有過去的觀測值，而僅僅使用了前一個狀態(tài)估計值，所以離散型Kalman濾波非常適合計算機處理。其中，狀態(tài)方程用于描述狀態(tài)變量的動態(tài)變化規(guī)律，對信號沒有做要求，因此信號可以是平穩(wěn)的，也可以是非平穩(wěn)隨機信號，這正好適合于EEG信號處理要求。

眼電是一個AR過程，可以通過信號觀察估計出AR(p)的過程，可以定義下列方程：

通過這個式子，可以估算出眼電。

假設(shè)觀察信號是由x(k)觀測所得，可以得到兩個方程：

xk=Akxk-1+wk-1

yk=Ckxk+vk

Ak為狀態(tài)轉(zhuǎn)移矩陣，描述系統(tǒng)狀態(tài)由時間k-1的狀態(tài)到時間k的狀態(tài)之間的轉(zhuǎn)移；Ck為量測矩陣，描述狀態(tài)經(jīng)其作用，變成可量測或可觀測的；xk為狀態(tài)向量，是不可觀測的；yk為觀測向量；wk為過程噪聲；vk為量測噪聲。假設(shè)wk、vk都是零均值白噪聲，方差分別是Qk和Rk，并且初始狀態(tài)x0與wk、vk都不相關(guān)，且噪聲向量wk、vk也互不相關(guān)。

當假設(shè)系統(tǒng)的觀測噪聲和輸入信號為零時，可以得到：

為了提高狀態(tài)估計質(zhì)量，通過輸出信號與輸出估計信號的差值來校正狀態(tài)變量：

在此基礎(chǔ)上，利用小波變換來去除眼電偽跡。通常處理方法是將EEG進行小波分解成幾部分，比較閾值分解系數(shù)并處理這些系數(shù)重構(gòu)原始EEG。這種方法的問題在于難以確定分解層數(shù)和閾值。成分分析方法中，有主成分分析(PCA)和獨立成分分析法(ICA)。PCA方法是把EEG 信號變換成一組相互獨立的成分，從中去掉不需要的偽跡成分，再重構(gòu) EEG。但這種方法的劣勢在于對輸入信號的相互獨立要求。為了去除偽跡，可以考慮多種方法的融合，通過不同算法優(yōu)勢相結(jié)合，得到EEG信號。由此提出了基于離散小波和卡爾曼濾波相結(jié)合的濾波算法。對提取到的眼電偽跡，經(jīng)過卡爾曼濾波器，把眼電中的隨機噪聲濾除，得到干凈的眼電，把這個干凈的眼電與帶眼電的腦電信號相減，得到純凈的腦電信號。

圖1 眼電偽跡去除方法圖Fig.1 Removal method of opalectiole pseudo trace

2 多尺度腦電特征提取

通過采集被測人的腦電特征信號并與腦卒中腦電特征信號進行對比，檢測被測人是否存在腦卒中的風險，以實現(xiàn)腦卒中腦電特征診斷。主要采用多尺度腦電特征提取技術(shù)，建立腦卒中腦電特征模型。多尺度腦電特征提取模型總體框架如圖2所示，該模型包括3個核心部分：多尺度卷積模塊、殘差模塊、擠壓激勵模塊。其中，卷積模塊負責提取腦電信號，將原始腦電信號中的時域、頻域和時頻特征提取出來；殘差模塊負責特征融合部分，將不同特征信號進行融合對比，通過特征殘差來解決不同信號的差異問題；擠壓激勵模塊負責特征選擇，對提取出來的特征信號進行權(quán)重分配，選出重要的特征信號，這樣可以有效避免算法的冗余，提高EEG信號分類處理精度。

圖2 多尺度腦電特征提取模型總體框架圖Fig.2 Overall framework of multi-scale EEG feature extraction model

腦電特征提取過程中，利用較少的EEG信息，提取到更多、更準確的信號分類，一直是腦電信號處理的重要環(huán)節(jié)。多尺度腦電特征提取方法可以很好地解決這一問題，通過卷積模塊從原始腦電信號中提取時域、頻域及時頻特征，結(jié)合殘差、激勵模塊的共同作用，實現(xiàn)EEG信號處理的整個過程，其結(jié)構(gòu)如圖3所示：

圖3 多尺度卷積模塊Fig.3 Multiscale convolution module

基于醫(yī)學、自動控制和BCI技術(shù)等，對腦卒中患者的BCI應用問題，尤其是老年腦卒中后遺癥的腦電檢測技術(shù)進行研究。通過實驗組合和正常組腦電信號監(jiān)測的對比研究，驗證了算法的有效性。

3 實驗研究

一般情況下，無創(chuàng)式腦機接口采用的是放置在頭皮表面的生物電極，通過電極的放置來監(jiān)測腦電信號。目前常用的監(jiān)測方式有兩種：單極導聯(lián)和雙極導聯(lián)。采用的導聯(lián)數(shù)越多，則可以得到更全面的腦電信號，但同時也會有很多無用信息的干擾。采用三導聯(lián)腦電采集方式，它們分別是位于前額中間的紅電極、位于眉骨斜上方的黃電極和位于顴骨部位的綠電極。通過無創(chuàng)式腦機設(shè)備監(jiān)測腦電信號，將導聯(lián)電極貼在面部肌肉相對較少的位置，能夠從物理層面減少眼電(EOG)和肌電(EMG)信號的干擾。進行實驗時一定要保證臉部清潔，如果油脂過大或破損，會嚴重影響實驗結(jié)果。

4 結(jié)語

通過實驗，采集腦卒中患者和正常人腦電信號進行比對，對靜息狀態(tài)下的腦電信號進行三導聯(lián)腦電信號采集。在對被試者的研究中，將其分為抑郁組35人，對照組35人，對兩組人群的腦電特征分別計算，再求平均，得到兩組人群的腦電特征，通過實驗可以明顯看出差異，說明可以通過三導聯(lián)腦電傳感器，監(jiān)測前額葉腦電波，來診斷出潛在的腦卒中發(fā)病患者。