关键字 |
| 小波分析,脑电图,STFT, WT。 |
介绍 |
| 小波分析是一种有效的工具短时信号形态的变化。所指出的Unser Aldroubi[8],小波变换对信号分析的首选类型连续小波变换的冗余的一个反对冗余类型对应于扩张正交基地(多分辨率分析)。原因在于CWT允许任意规模的分解。因此,感兴趣的频段可以学习正确选择分辨率。小波理论提供了一个统一的框架的技术为各种信号处理应用程序开发。特别是,沉浸感兴趣的脑电图等非平稳信号的分析,因为它提供了一个替代经典的短时傅里叶变换(STFT)或伽柏变换。的基本区别是,STFT相比,它使用一个窗口分析,小波变换(WT)使用短windows在高频率和长在较低的频率。这类似于“恒Q”或常数相对带宽频率分析。[6]对于某些应用程序WT可以看作是信号分解到一组基函数。小波基函数调用由一个原型(扩展)小波的扩张和收缩以及变化。 The prototype wavelet can be thought of as a band pass filter, and the constant Q property of the other band pass filter (Wavelets) follows because they are scaled version of prototype.[6]Therefore, in a WT, the notion of the scale is introduced as an alternative to frequency leading to time scale representation. It means that a signal is mapped into a time-scale plane as compared to the time frequency plane used in the STFT.[6] |
文献调查 |
| 尽管进步发展的药物控制癫痫,仍有许多pharmacoresistant癫痫患者。最近的会议建议慢性癫痫动物模型的使用,以促进更有效的药物的开发和测试[13]。因为体积,人工审查的数据是不现实的。自动化系统需要增加分析的精度和速度。人工神经网络用于疾病诊断、脑电图分析睡眠阶段分类、处理分类、工件识别和痫性放电的检测。径向基函数(RBF)神经网络用于识别癫痫或preseizure状态。作为RBF网络的输入我们可以使用原始的脑电图数据,从原始数据的小波分解系数。一个RBF网络由一个输入层、一个单隐层和一个输出节点[12]。除了展示一个可靠的癫痫识别方法,预测即将发生的可能性癫痫临床发作之前也可以调查。周期发作期间被称为发作的状态,而正常的时期癫痫之间大脑活动被称为inter-ictal。 A third state, referred to as pre-ictal, has been defined as the period just before seizure onset. If this state can be identified in the EEG [9] seizures can effectively be predicted, resulting in an early warning to the patient. This would also facilitate the use of implantable devices that would abort a seizure, eliminating the need for prophy-lactic drug treatment [10]. The field of seizure identification has been around for many years and many techniques have been refined to accurately identify either focal or generalized seizures. These methods can directly employ use of the EEG data or may involve transformations. The attempt to identify a pre-ictal state began much more recently and has been shown to be a much greater challenge [9],[10],[11]. Early attempts at identifying seizures used the EEG data directly . These attempts met with some success, but more subtle seizures and those associated with a noisy signal were often missed. |
| 最近,使用更复杂的算法,产生越来越准确的结果。例如,目测wavelet-transformed脑电图的癫痫患者,发现Daubechies小波分解能力优于短时傅里叶变换的本地化和识别与癫痫相关的瞬态信号放电。有广泛的文献关于在脑电图中使用神经网络解释。癫痫预测是一些有争议的,因为它还没有被证明有一个“pre-ictal状态”在不同的脑功能比inter-ictal状态。进一步确定是否这个拟议中的功能差异是显而易见的脑电图。大多数癫痫采用非线性预测方法技术。回顾发作pre-ictal状态识别研究发表在[9]。这是在[12]指出,估计分形维数的脑电图数据几乎肯定是不正确的;然而,相对差异估计使用相同的方法可能是有用的在状态之间的区别。在[11],降低维数是指出在人类脑电图数据癫痫发作前几个小时,说明相关的神经活动的增加。 This finding has not been reproduced by other authors. The earliest study of pre-ictal state identification to use wavelet decomposed data with a neural network was reported in [14]. They used recurrent neural networks with one or two inputs, ten or 15 recurrent hidden neurons, and one output neuron. Daubechies wavelets were used to decompose the raw data, and only data from the most relevant intracranial probe were used. Separate networks were trained with raw data, wavelet approximation coefficients, and detail coefficients. The students from Amirkabir University of Technology, Tehran, have used wavelet packet transform to the EEG signal in order to decompose it into frequency sub-bands, before being introduced to the neural network. In the study they have applied a genetic algorithm (GA) learning method with different fitness functions to optimize the neural network. The network has been tested for EEG signals that are provided from BCI and the results show the power of ANN in processing of noisy nature signals as EEG signals [15]. |
(一)脑电图分析方法 |
| Nonparametric Methods |
| Amplitude 分布 |
| Interval Distribution 或 时期 |
| Amplitude – 间隔 Scatter 情节 |
| Correlation 功能 |
| Auto – 和 Cross- Correlation |
| Complex 解调 |
| Power Spectrum 分析 |
| Time – 不同 光谱 |
| Cross- 谱 函数 ( 连贯性 和 阶段 ) |
| Bispectra |
| Walsh 和 Haar 转换 |
| Parametric Methods |
| Autoregressive 和 ARMA Models |
| Time- 不同 信号 : Kalman 过滤 |
| Segmentation Analysis. |
| Mimetic Analysis |
| Template Matching |
| Topographic Analysis |
[B]常规脑电图分析的局限性 |
| 从早期的脑电图已经意识到记录是复杂的。即使非常小心被限制的有效大小和分离电极的面积,从而降低活动记录,只是很少观察到一个纯粹和简单的振荡。这让实验者的沉重的负担,对人类的眼睛和大脑非常不适应的分析一个复杂的曲线。 |
| 1)屏蔽-当一个记录包含两个简单纯粹的大小不等的组件,只有大时容易欣赏频率相差不到一个大约四倍。更大的节奏是说“面具”越小,不能容易测量的记录。当小节奏的频率大约四倍的大,小的快节奏可以更容易地看到,作为一个“脉动”叠加在大的慢波。 |
| 2)节拍:当两个节奏紧密的频率比2到3,记录显示周期性波动的振幅频率的频率等于区别两个节奏,节奏是说成是“熊”。 |
| 3)波形失真:当频率比的节奏位于2和3和1到4之间节奏扭曲。只有大的频率可以直接测量。 |
| 4)调制:当有三种节奏,这样他们两个的频率是每隔相等的两侧频率第三,这是最大的三个记录显示周期性波动的振幅频率等于一半的区别的频率上下组件。 |
小波变换 |
小波变换 |
| 的小波变换定义为乙状结肠x (t) |
 |
 |
| 在WT,信号的分析是由使用一个特殊的函数,h (t),称为母小波。这个函数是在选择翻译,待分析信号的一部分。信号的部分选择使用一个尺度参数,然后进行扩张或者收缩,这是类似于频率。对于小的值,小波是一个狭窄的函数的原始功能,大致对应更高的频率。对于非常大的值,扩展和对应于低频小波。在WT,高频率成分分析与时间分辨率幅度比低频率成分。这是可取的,尤其是在分析快速瞬态波形如脑电图高峰。[6]功能mtx (T)的投影信号在小波转移T和扩展,从而表明小波对信号的贡献。因此,这种转变而不会导致时间-频率表示,,时间-尺度分解尺度与频率有关。 |
(B)小波变换的优点 |
| 1)傅里叶变换将信号表示为扩展和相移正弦曲线的组合。小波分解将信号表示为结合了小波;母小波的形状选择取决于应用程序。 |
| 2)离散傅里叶变换假设信号是周期和非周期信号的情况下必须使用复杂的技术来估计傅里叶组件没有歪曲。小波分解是自然的代表非周期函数。 |
| 3)小波扩展当地允许更精确的描述和分离的信号特征。傅里叶系数表示的组件持续,因此,临时事件必须由一个阶段描述特征,允许取消或强化大时期。小波膨胀系数表示的组件本身就是当地和代表容易。 |
| 4)傅里叶变换同时作用于一块数据,因此,信息块中不同组件的位置是不可用的。在小波分解小波的位置直接从输出的位置是已知的小波系数。 |
| 5)傅里叶变换有同样的时间和频率分辨率的所有组件。孔径小波分解有大量时间,但密集频率分辨率缓慢组件;和小孔径但广泛的频率分辨率快速组件。 |
结果与结论 |
| 这项研究的目的是调查使用小波变换作为预处理的可行性为脑电图峰值检测系统。这项研究旨在减少信号的信息内容不降低了检测的性能。由于常规临床脑电图需要记录从许多渠道(一般32 44),输入大小变成了关键设计参数的实时多通道峰值检测系统。这项研究的结果现在WT的使用大大降低了输入大小,没有妥协的表现。然而,性能最重要的因素是天平的正确选择。规模4执行最好的哈雾以及Daubechies小波表示它包含大多数内容相关信息的检测。[2] |
| 在下图示例波形显示2套。 |
| 的两个小波分析即哈雾(Daub-1) Daub-4,发现Daub-4给好的结果。Daubechies小波被发现适合分析由于紧凑的支持和与f波的相似。程序可以被开发来显示示例波形不同的频道,分解波形的使用DB-1 & DB-4以及原始的显示,de-noised和压缩波形为每个通道。 |
| 为了减少错误的检测。我们可以扩展上下文信息指的是其它信号如小城镇(Electro-oculogram)眼球运动的信息,肌电图(电肌动图)心电描记法活动的信息。这可以大大减少虚假检测锋利的瞬态由于工件。更可靠的检测癫痫、数量的临床和病理信息,如年龄、性别、体温,脉搏,糖等身体和行为状态的病人像合作或不合作,内向的人还是外向的,右手或左手等不同的脑电图记录光的刺激,换气过度可能被使用。虽然在这项研究中,Daub-4发现的准确性令人满意,其他类型的小波如morlets小波或样条小波需要分析。设计相匹配的母小波频率峰值特征和棘波的形状(f)事件也可能提供更高的精度。为未来的研究这些可能性是开放的。该方法实现和测试离线。然而,这可以进一步延长在线实现,考虑内存管理和计算负载。这种方法可以进一步扩展和安EEG分类为正常或异常根据其频率分布。 It can be extended to further classify the abnormalities. In order to replicate the reasoning of EEGer, the expert system provided with the knowledge of spatial context may be designed. Finally, the system must be evaluated by comparing its performance after applying it to large number of abnormal cases, including normal cases with visual scoring by EEGer. |
数据乍一看 |
 |
 |
| 图1 |
图2 |
|
引用 |
- Houqu, Jean Gotmon„病人- - - - - -具体的检测算法在长期脑电图监测癫痫发作:可能作为报警装置。“IEEE反式,生物医学。Engng BME - 44 (2) 115 - 122, 1997。
- GotmanjnIves我Gloor P,„脑电图和肌电图在癫痫发作的频率的内容。——取消DigitalFiltering的EMG工件的可能性。“ElectroencephClinNeurophusiol 52:626 - 639, 1981。
- Tulgakalayci、OzcanOzdamar„小波预处理神经网络自动检测脑电图高峰。医学和生物学的“IEEE工程160 - 166年3月/ april1995。
- Rioulo, Vitterli M,„小波和信号处理。”38岁的IEEE 14 - SP杂志1991年10月。
- 费尔南多•洛佩斯•达席尔瓦„脑电图分析:理论与实践”。
- Raghuveer r . BapordikarA„小波变换——介绍理论和应用程序。“艾迪斯-韦斯利,2000。
- A.G.帕蒂尔、„医疗电子产品。“Indiansociety技术教育,埃克塞尔书籍,第一版:新德里,2003。
- Unser M, Aldroubi,回顾小波在生物医学应用,Proceedigs的IEEE 84(4): 626 - 638年,1999年。
- b . Litt和j . Echauz”预测癫痫发作,”柳叶刀神经。卷,1页。比如22 - 30,2002年5月。
- b . Litt r . Esteller j . Echauz m D”亚历桑德罗·r·肖,t·亨利·Pennell c·爱泼斯坦r . Bakay m·狄克特和g . Vachtsevanos“癫痫发作可能提前开始小时临床发作:报告五个病人。”神经元卷,30页51 - 64,2001年4月。
- k . Lehnertz f . Mormann t . Kreuz r . Andrzejak c .里克·大卫和c . Elger癫痫预测非线性脑电图分析,“IEEE Eng。地中海,杂志。杂志,22卷,页57 - 63年1月/ 2月。2003年。
- 罗纳德·斯凯勒,安德鲁·怀特,凯文Staley Krzysztof j . cio”发作的鉴定和Pre-Ictal州使用RBF网络Wavelet-Decomposed脑电图”。IEEE,生物医学工程杂志,2007年4月。
- J。马厩,e·伯特伦f·杜德克,g .福尔摩斯g . Mathern a . Pitkanen和h .白色“pharmacoresistant癫痫治疗的发现和diseasemodifying治疗:总结美国国立卫生研究院/研究所/ AES模型二车间,”Epilepsia,44卷,不。12日,第1478 - 1472页,2003年。
- a .彼得罗森·d·普罗霍罗夫,r . Homan r . Dasheiff d·温斯迟二,“基于递归神经网络预测intraand额外颅脑电图的癫痫发作,”Neurocomputing,30卷,不。1,第218 - 201页,2000。
- Esmaeili, m . Jabalameli M.H. Moghadam”,新方案的脑电图信号处理在脑-机接口系统”,IEEEInternational细粒度的计算、会议上页。520 - 522年,2007年11月。
|
菜单
