ICA與小波去噪相結合提取聽覺誘發電位研究

廣東工業大學自動化學院 溫冰冰 譚程豪

ICA與小波去噪相結合提取聽覺誘發電位研究

廣東工業大學自動化學院 溫冰冰 譚程豪

聽覺誘發電位信號(BAEP)是一種人腦部微弱的電生理信號，能反映人體中樞神經系統的相關情況，對神經疾病診斷、康復工程等領域具有十分重要的意義，誘發電位的相關提取算法現己成為學術界研究熱點；本文提出一種基于獨立分量分析與小波去噪相結合方法，能夠有效提取強背景噪聲中微弱的腦干聽覺誘發電位信號，并使用基于小波閾值的濾噪方法將誘發電位誘殘留的一些高頻噪聲濾除，解決了傳統算法殘留高頻噪聲、疊加次數過多等缺點。文章成功地進行了腦干聽力誘發電位(BAEP)的提取測試，獲得聽覺誘發電位特征波形，并與單獨使用獨立分量分析算法得到的波形進行對比，結果表明本文算法能夠有效地提取聽覺誘發電位，無論波形還是相關系數指標都更加精確，對誘發電位信號領域的相關研究具有一定的應用價值。

獨立分量分析；小波去噪；閥值處理；聽覺誘發電位

1 引言

誘發電位信號(evoked potential ,EP)是指外界給予人體以適當刺激,誘發人體腦部產生的電生理信號,目前已成為神經疾病診斷和評價腦功能常使用的重要手段和工具,并廣泛應用于人體神經系統電生理活動檢測。誘發電位提取研究,對現代神經學科、臨床神經生理學、神經系統康復治療等領域都具有重大意義。

目前臨床上使用最廣泛的誘發電位提取算法即平均疊加算法。其認為背景噪聲是高斯分布,并通過施加數百次重復刺激,來提高性噪比。但平均疊加的缺陷在于,長時間重復刺激使人體感官神經產生不耐受性,導致神經疲勞,誘發波形發生變化,產生誤差。為實現快速提取,不受采集過程時變之影響,少次提取或單次提取誘發電位,已成為業界重要研究方向。隨著信號處理學科的發展,誘發電位的提取出現了各種各樣的方法。獨立分量分析ICA、希爾伯特-黃變換、小波變換、人工神經網絡是比較常見的幾種方法。但都存在一定的局限性和缺點。ICA算法在臨床醫學上可以成功的進行盲源分離,但由于不能徹底去除高頻噪聲,提取的信號會出現毛刺。小波變換對信噪比較高的信號有較好的去噪效果,但對信噪比低的信號去噪效果不好。本文就提出一種基于獨立分量分析(ICA)與小波去噪相結合的誘發電位單次提取算法研究,運用于對聽覺誘發電位進行提取,并對數據其進行了仿真測試并且比較了單獨使用ICA算法和ICA算法與小波去噪算法相結合所的到的提取信號在波形、頻譜、和功率譜密度三方面進行了比較分析。

2 腦干聽覺誘發電位信號概述

聽覺腦干誘發電位(BAEP),是指在給予聲音刺激后,在頭皮上可記錄到由耳蝸至腦干聽覺神經通路電位變化。可用于麻醉昏迷檢測、臨床檢查、判斷聽覺神經網絡損傷、顱內動脈瘤手術等。臨床上最常用的是評估患者從外耳到腦干聽通路的功能正常情況,受外界刺激后,約10ms內顱骨皮膚表面會連續呈現6到7個正電位,這些點位按順序命名為I、II、III、IV、V、VI、VII,一般前五個波比較穩定。

I波:蝸神經。高強度刺激甚至交替的刺激方式才能分辨I波。反映了耳蝸到腦干耳蝸核電位。

II波:起源于蝸神經核。與耳蝸核神經元和聽神經顱內段電位相關。

III波:與內上橄欖神經核和內上橄欖場電位相關。

IV波:屬于外側丘系。短聲刺激更容易產生IV波。

V波:下丘,可以可靠地反應出雙耳交互功能的強弱并且有學者認為V波與IV波有著共同的起源(腦橋)。

3 自適應非線性盲源分離算法原理

3.1 lCA算法原理

上述分解過程中,本文認為信源s的各個分量之間是相互獨立的,并且假定:

(1)源信號的分量個數m小于觀察信號分量個數n。也就是說,n個觀察信號最多能分解出m個源信號分量。

(2)源信號s的各個分量最多只能有一個高斯信號。這是因為高斯信號的線性組合仍然是高斯信號,兩個以上的高斯信號的解混問題是病態的。

因為源信號s的各個分量之間是相互獨立的,又要求y近似于s,因而,解混求出的y的分量之間也必須是相互獨立的。采用ICA方法測量生理信號中獨立成份的過程可由圖1表示:

圖1 lCA方法測量生理信號過程分析

3.2 小波去噪算法

小波變換是將時域和頻域結合起來分析的方法,是在傅里葉變換的基礎上發展起來的。主要利用積分將信號按不同頻段、不同時段分解開,通過分析信號的性質和噪聲的奇異性,將信號提取出來。基于小波去噪算法主要有分解和重構法、軟閥值和硬閾值方法,而本文主要去除ICA處理之后殘留的高頻信號,所以采用處理高頻小波的閥值處理方法。

小波去噪算法的閥值處理方法主要是是對小波系數進行門限處理即設置閥值,保留系數高于閾值的信號,置零系數比閾值低的信號,然后再利用新系數對信號進行信號重構。所以其關鍵在于對閥值的選取。

假設測量信號為:

本文采用的小波系數估算公式為:

其它加權因子為:

4 誘發電位提取測試

4.1 誘發電位提取概述

在聽覺誘發電位采集過程中,本文測試是在測試者頭部皮膚清潔(用來減小皮膚與電極之間的阻值,皮膚與電機之間阻值〈=2KΩ)后通過導電膏聯結導聯,并將頭頂電極作為參考電極,兩耳電極作為活動電極通過耳機給測試者耳朵某側以80-90dBHL、10HZ聲音刺激(爆破聲、滴答聲、白噪聲)。電極放置圖如圖2所示:

圖2 聽覺誘發電位采集電極接法

對測試者進行聽覺誘發電位采集,并將采集到的數據分別通過經過MATLAB處理。

4.2 lCA與小波去噪算法結合和lCA算法提取信號比較

圖3是采集信號通過MATLAB分別經過ICA算法和ICA與小波去噪相結合算法處理后的結果如圖3所示:

ICA算法處理過后雖可以清晰顯示PAEP波形,但是在潛伏期和波形的準確度上還是不夠精確。并且由于信號中依然存在大量高頻噪聲未被濾除導致波形不夠光滑,所以需要對數據進行小波濾噪去除高頻噪聲。

圖3 lCA與小波去噪相結合測試結果

由上圖可以看出與單獨使用ICA算法處理結果相比,經過小波濾噪之后的圖像能更清晰的顯示出經聽覺刺激后的5個波峰,并且出現的波形比較平滑,無論是潛伏期時間和峰值都與理想BAEP波形更加接近。

圖4（a）（b）兩種算法頻譜比較

圖5（c）（d）兩種算法功率譜密度比較

4.3 lCA與小波去噪結合與lCA算法提取BAEP頻譜功率譜密度比較

對于信號提取算法來講,頻譜與功率譜密度是兩個很重要的參數,頻譜是頻率的分布曲線,反映出各個頻率的信號震蕩幅值和強度。功率譜密度是每單位頻率波攜帶的功率。這兩個參數可以判斷出濾波效果和濾波后的信號的準確度,下圖是對兩種方法處理的結果進行頻譜比較分析和功率譜密度比較分析如圖4所示:

由圖4中(a)、(b)兩圖可以看出兩種方法處理后的頻譜圖可以看出,只經過ICA算法處理過后依然存在大量的高頻信號,經過小波去噪處理后5000Hz以上的高頻信號基本被濾除。而由圖5(c)、(d)兩圖可以看出經ICA算法處理后的數據在1HZ～3000HZ這個頻帶的功率譜密度保持在-75dB～-45dB之間,而再經過小波去噪后,功率譜密度保持在-55dB～-25dB之間,說明小波濾噪之后去除了更多無效的的信號。由此可以提高所得信號的信噪比。

5 結論

本文運用ICA與小波去噪相結合算法成功的提取了誘發腦電中腦干聽覺誘發電位(BAEP)。并通過對ICA算法和ICA與小波去噪相結合算法分別從從BAEP波形、頻譜、功率譜密度三方面進行比較實驗結果表明單獨用獨立分量分析算法(ICA算法)雖然能夠成功顯示出BAEP波形,過多高頻信號的存在使得波形狀不夠標準,并且存在毛刺。但是通過ICA算法對誘發電位處理之后,再利用小波去噪去除高頻噪聲,得到的信號就更加光滑,并且與標準的BAEP波形更加接近由功率譜密度比較也可以看出,后者更好的保留了所需信號。為臨床醫學提取了更加準確的聽覺誘發電位,也為聽覺神經疾病的檢測和治療提供了更強的技術支持。也為其它誘發電位(視覺、體感)的提取提供了新的思路。

［1］王磊.腦干聽覺誘發電位和中腦形態對重型顱腦損傷昏迷患者預后評估的臨床研究［D］.南方醫科大學,2012.

［2］Kidmose P,Looney D,Ungstrup M,et al.A Study of Evoked Potentials From Ear-EEG［J］.Biomedical Engineering,IEEE Transactions on,2013,60(10):2824-2830.

［3］Mahajan R,Morshed B I.Unsupervised Eye Blink Artifact Denoising of EEG Data with Modified Multiscale Sample Entropy,Kurtosis,and Wavelet-ICA［J］.Biomedical and Health Informatics,IEEE Journal of,2015,19(1):158-165.

［4］王永軒.基于小波分析的腦電誘發電位單導少次提取［J］.中國生物醫學工程報,2011.2.

［5］Casta X F,Eda-Villa N,James C J.Independent Component Analysis for Auditory Evoked Potentials and Cochlear Implant Artifact Estimation［J］.Biomedical Engineering,IEEE Transactions on,2011,58(2):348-354.

［6］陳靜.聽覺誘發電位提取技術進展［J］.北京生物醫學工程,2013.6.

［7］師黎.基于虛擬通道ICA-WT大鼠視覺誘發電位少次提取［J］.中國生物醫學工程報,2010.

［8］崔麗英,劉明生.肌電圖與誘發電位［J］.中國現代神經疾病雜志,2010.10.

溫冰冰（1990—），女，河南許昌人，碩士研究生，主要研究方向：醫療器械設備與嵌入式系統設計。