基于LabVIEW的EEG信號采集與處理系統設計

毛麗民, 朱培逸, 劉叔軍, 楊 自

(常熟理工學院 電氣與自動化工程學院，江蘇 常熟 215500)

基于LabVIEW的EEG信號采集與處理系統設計

毛麗民, 朱培逸, 劉叔軍, 楊 自

(常熟理工學院 電氣與自動化工程學院，江蘇 常熟 215500)

針對Emotiv Epoc采集的腦電信號，提出了一種基于LabVIEW的EEG信號的處理方法。應用LabVIEW軟件平臺，對采集的信號進行解析獲取EEG信號，捕捉受試者的當前狀態，同時對解析出的EEG數據進行保存與讀取。首先利用傅里葉變換進行分析，得出在某段時間范圍的頻域信息，然后在此基礎上進行小波分析，捕捉某一通道的某一信號出現的時間，結合這2種方法，更好地分析EEG信號。通過大量實驗測試，提出的基于LabVIEW的EEG信號處理方法，能篩選出識別率較高的信號，從而對基于腦電控制的研究提供了一種有效途徑。

LabVIEW; 腦電圖描訪器信號; 傅里葉變換; 小波分析; 識別

0 引 言

人類在腦機接口方面的研究已有40多年，開辟很多生物學與醫學的新道路。除了對腦電的獲取之外，腦機接口也包含著對頭部肌電的采集，人類大腦控制面部肌肉活動，肌肉的運動伴隨著肌電的變化，用設備將肌電及時地采集與分析可得出受試者的面部具體表情，甚至眨眼等細微動作也可以被準確地捕捉。

國外已有較多的研究經驗，入侵式是將部分設備植入皮層神經系統，在這方面可以重建盲人視覺，也可以幫助癱瘓病人重建運動功能，這些研究已經取得了成功案例[1-2]。早在1978年國外就已經成功研制了光幻視，用電子攝像頭代替眼睛幫助失明的病人重見光明。然而侵入式也有一些難以避免的缺點，會導致生理系統體內排斥反應從而對于受試者造成傷害。

而非侵入式則要安全許多，只需要將設備戴在頭部指定位置，使傳感器與皮膚接觸良好即可。但是由于穿過皮層的腦電信號已經有所衰減，所以從精度上會有所不足。在國內，對這方面的研究正在蓬勃發展，很多大學在從事腦電波方面的研究并取得了突破性進展,例如，浙江大學在2012年就已經通過實驗研發出捕捉手指運動信號的腦機接口裝置，可以捕捉猴子的手指信息來控制機械手[3]。

1 腦電信號采集裝置

非侵入式的腦機接口設備需要有與頭皮接觸良好的電極作為采集入口，將采集的微弱電壓信號放大、濾波、降噪、靜電保護等處理，得到較為優質的EEG信號。Emotiv Epoc頭盔采用3.7 V鋰電池供電，16個電極采集腦電肌電信號，通過藍牙將所有通道的信號發送到開發平臺[4](見圖1)。

圖1 腦電信號采集裝置

多路數據實時地發送到接收端，對信號傳輸速度便有較高的要求，故Emotiv采用了2.4G的無線傳輸，足以達到要求，具體參數見表1。

表1 Emotiv Epoc參數

2 基于LabVIEW的EEG信號采集

先要將設備開啟，調用動態鏈接庫并初始化，得到原始數據[5-6]，再將數據以表格的形式存到CSV文件中，共14個通道，每個通道以列的形式保存，程序如圖2、3所示。

由于小波分析適用于單個通道的波形分析，本文采取逐個單一的分析方式，對每個通道單獨分析，再進行結合。保存的CSV文件部分內容如圖4所示。以微笑時F7通道為例，將該通道的數據提取出來，繪出波形，程序見圖5。

圖2 EEG信號獲取程序

圖3 EEG信號保存程序

圖4 CSV文件內容

圖5 文件讀取與顯示程序

圖6中橫坐標的時間刻度為采集單個點的時間，當微笑時會出現明顯的波峰。

圖6 文件讀取的波形

3 腦電信號的傅里葉變換研究

3.1 傅里葉變換

本文主要用傅里葉變換(Fourier Transformation，FT)處理EEG信號，在時域信號的基礎上分析出某一段信號所包含的頻率與峰值情況，從而判斷一些特殊信號的是否出現。

腦波信號與肌電信號是隨著時間變化的，傅里葉變換只能得出在某個范圍內的頻域信號，卻不能得知某段頻率的波出現時間。此時需要用到加窗傅里葉變換(Windowed Fourier Transform，WFT)，具體分析某一段時間的波形，從而把每一段時間的信號分別進行傅里葉變換，得出具體時間上的對應信號[7]。

標準傅里葉變換公式為

其中,f(t)為信號函數。

加窗傅里葉變換將整個時域的變化過程分解為多個等長的較小的過程，每個較小的過程可以近似地看為穩定的，將這些信號與具有一定寬度的窗函數相成，然后再進行傅里葉變換，得出相應時間的相應頻率。

加窗傅里葉變換可以用以下過程實現：

其中:f(t)是信號函數;g(t)為窗函數。

將傅里葉變換在時域與頻域上的形式離散，即對時域信號的采樣變為在頻域上的離散采樣，形成離散傅里葉變換(Discrete Fourier Transform，DFT)。為了達到快速且高效的效果，往往運用快速傅里葉變換(Fast Fourier Transform，FFT)。

對于非周期連續的時域上的信號，傅里葉變換時式為

而通過計算機采集的信號是離散的采樣值x(nT)，故上式需做一定的改變，即

3.2 EEG信號的快速傅里葉變換實現

通過FFT得出在整個采樣范圍內EEG所包含頻率的范圍與對應峰值，通過對7F通道波形的采樣與分析，得出在采樣時間內EEG的頻域信息。而在CSV文件中保存的為離散的點信號，如需得到具體的對應時間，需要用LabVIEW構建函數，將離散的點信息轉換為時域信息。由于對EEG的采樣頻率為128 Hz，故可算得采樣周期為1/128 s=7.812 5 ms，構造函數的程序圖如圖7所示。

圖7 構造時域函數

將構造的函數進行快速傅里葉變換可得到該采樣時間內EEG的頻域信息見圖8。

圖8 某段時間的EEG波形

圖9 FFT得到的頻域圖

從圖9中可見經過FFT后，得到的頻域圖中在50 Hz出有個明顯的波峰，通過多次試驗，它依然存在，因為此時得到的波形并沒有排除220 V、50 Hz市電的干擾，故每次試驗都會存在噪聲。為了能降低噪聲，進行中值濾波，頻域圖如圖10所示。

圖10 中值濾波后的FFT

從圖中可見50 Hz的峰值消失，而其它頻率的峰值基本不變，證實了中值濾波的實用性，在此基礎上可進一步進行小波分析。

4 腦電信號的小波分析研究

4.1 小波分析

由于加窗傅立葉變換需要在時域信號上分成一段段的窗，窗雖解決了時間上的問題，卻帶來了分辨率或者說準確性的問題。若加的窗太窄，那么相當短的一段信號可獲取的頻率信息變少，則頻率的分辨率變差；若加的窗太寬，則時域上就變得不夠精細，導致時間分辨率變差。而小波分析能很好地解決該問題[8-11]。首先，小波變換最大的不同在于它不像傅里葉變換那樣有無限長的三角函數基，小波變換是有一個有限長的衰減的小波基，這正解決了頻率與時間的問題。

連續小波變換(CWT)公式：

由上式可見，與只有單一的變量ω的傅里葉變換不同，小波變換有兩個變量，尺度a和平移量τ，a決定小波函數的伸縮量，τ決定了小波函數的平移量。

小波變換的重構

其中 需要滿足條件：

小波分析有它的優點，同時也有不足。對于連續小波變換來說，在尺度和時間上存在著大量的信息冗余，而離散小波變換恰好能解決這個問題，它將尺度參數與平移參數進行了離散化，那么得到的公式如下：

對離散小波做逆變換

其中參數j適用于調節頻域上的量，而k則用于調節時域方面的量。

綜上所述，用小波變換在處理時變頻信號與突變信號時都明顯優越于加窗傅里葉變換，而在處理EEG時對信號的時域于頻域的分析都有較高的要求，同時一些大腦的思考與頭部肌肉的運動會產生較強的突變信號，用小波分析會有立竿見影的效果。

4.2 EEG信號的小波分析實現

微笑時有明顯的峰值，在此基礎上進行小波分析，以得出突變信號出現的時間。小波分析時可借助一個母波，將現有信號與母波疊加，可得到更好的分析效果。同時，在程序中加了一個中值濾波，以消除市電噪聲，其中程序如圖11所示，分析結果見圖12。

從圖12中可見，小波分析指出了各個突變點的位置，在時間軸的364處有明顯的深度標記，且在所有的突變點中，364處的小波系數最高，與預期結果一致。繼續保存多組微笑時的EEG數據進行分析比較，結果如圖13所示。

圖11 小波分析程序

圖12 小波分析結果

(a) 微笑捕捉測試1

(b) 微笑捕捉測試2

(c) 微笑捕捉測試3

(d) 微笑捕捉測試4

從圖13多組實驗結果(a)、(b)、(c)、(d)中可以看出，在波形幅值突然變大或突然變小時，小波分析可準確捕捉到其變化的時間，同時以不同顏色表示出其變化的陡峭成度，紅色表示變化率很大、波形很陡，黃色、綠色、藍色依次降低，紫色最低。小波分析可以準確有效地得出突變信號的所在時域位置以及頻域的相應信息，從而識別了在某個時間短的特定動作。

5 實驗結果測試

5.1 EEG的信號識別

判斷EEG解析后所識別出的動作，并將動作與數字對應【12-15】。識別的動作將數值轉化為十進制字符串見表2，程序如圖14所示。

5.2 測試結果

本文識別出的動作有眨眼、微笑、大笑、嘴角左上揚微笑(下文簡稱“左笑”)、嘴角右上揚微笑(下文簡稱“右笑”)、左看、右看等，將這些動作編成數字，再換算成字符串。各類表情識別效果如圖15所示。

表2 動作與其對應數字

圖14 信號識別程序

(a) 無動作

(b) 左笑

(c) 右笑

(c) 眨眼

(d) 左看

(e) 右看

試驗結果統計見表3。由表可以看出，本文對于一些動作信號的識別存在著誤識別，而對于不同的信號識別準確率也有所不同，準確率較高的“眨眼”、“左笑”與“右笑”。另外，有些動作是瞬間的，比如“眨眼”，這樣的信號不存在保持的情況，故準確率基本不變。而對于“左笑”這樣的可以一直保持的動作，動作程度越夸張、保持的時間越長，則識別準確率就會越高。同時也需要指出的是，對于設備的接觸良好與否、受試者對設備的熟悉度、受試者所在的環境等因素也會影響著信號識別的準確度。

表3 測試結果分析比較

6 結 語

本文使用LabVIEW對EEG原始信號進行信號處理與分析，將時域上的數據分析與頻域結合，完成傅里葉分析與小波分析的分析，達到了預期效果。在調試過程中，LabVIEW可以實時監測數據流，同時方便設置波特率、校驗位等參數，提高了開發效率，對后續腦電控制的研究，提供了很好的途徑。

[1] 孔麗文,薛召軍,陳 龍,等. 基于虛擬現實環境的腦機接口技術研究進展[J].電子測量與儀器學報，2015,29(3):317-324.

[2] 高上凱.淺談腦一機接口的發展現狀與挑戰[J]. 中國生物醫學工程學報，2007,26(6):801-803.

[3] 孟 飛，黃軍友，高小榕.基于腦-機接口技術的上肢康復訓練系統[J]. 中國康復醫學雜志，2004,19(5):327-329.

[4] 張 毅,張 輝,羅 元,等.采用Emotiv感知的智能輪椅運動控制的研究[J]. 重慶郵電大學學報(自然科學版)，2012,24(3):358-362.

[5] Penny W D,Roberts S J,Curran E A,etal. EEG-based communication: a pattern recognition approach[J]. IEEE Trans. Rehab.Eng.2000,8(2):214-215.

[6] Blankertz Benjamin, Curio Gabriel, Muller Klaus-Robert.Classifying single trial EEG:Towards brain computer interfacing[C]∥ In Advances in Neural Inf.Proc. Systems(NIPS O1) 2002,14: 157-164.

[7] 徐丁峰，程 明，高小榕.數字信號處理器在腦一機接口系統中的應用[J]. 北京生物醫學工程，2002,21(4):257-260.

[8] 何慶華,彭承琳,吳寶明，等.小波變換在視覺誘發電位信號提取中的應用[J]. 重慶大學學報，2003, 26(6): 78-80.

[9] 伍亞舟,何慶華,黃 華，等.基于想象左右手運動腦機接口實驗研究及分析[J]. 生物醫學工程學雜志，2008, 25(5): 983-988.

[10] 吳小培,葉中付.基于腦電四階累積量的運動意識分類研究[J].生物物理學報，2005,21(5): 1-8.

[11] 羅志增，李文國．基于小波變換和盲信號分離的多通道肌電信號處理方法[J]．電子學報，2009，37(4)：823-827．

[12] 耿麗清，趙 麗，崔世剛，等.基于腦電alpha波的便攜式腦-機接口系統研究[J]. 系統仿真學報，2008，20(17)：4748-4750．[13] 李淑芳，周衛東，蔡冬梅，等．EMD和SVM結合的腦電信號分類方法[J]．生物醫學工程學雜志，2011，28(5)：891-894．

[14] 袁 玲，楊幫華，馬世偉．基于HHT和SVM的運動想象腦電識別[J]．儀器儀表學報，2010，31(3)：649-654.

[15] 鄧捷方，楊 勇，王國胤．一種基于局部特征融合的表情識別方法[J]．重慶郵電大學學報(自然科學版)，2011，23(5)：626-630．

[16] 羅志增，李亞飛，孟 明，等.腦電信號的混沌分析和小波包變換特征提取算法[J]. 儀器儀表學報，2011,32(1):33-38.

Design of EEG Signal Acquisition and Processing System Based on LabVIEW

MAO Limin， ZHU Peiyi， LIU Shujun， YANG Zi

(School of Electrical Engineering and Automation, Changshu Institute of Technology, Changshu 215500, Jiangsu, China)

In this paper, a method of EEG signal processing based on LabVIEW is proposed based on the EEG signal collected by Emotiv Epoc. The LabVIEW software platform is used to analyze the collected signal and obtain the EEG signal, to capture the current state of the receiver, and save and read the EEG data. Firstly, the Fourier transform is used to analyze the frequency domain information in a certain period of time, then the wavelet analysis is applied to capture the time of a signal appearing in a certain channel. Combining these two methods, we can get better analying result of EEG signal. Through a large number of experimental tests, the processing method of EEG signal proposed in this paper can filter out the high recognition rate signal,and provide an effective way for the study of EEG based control.

LabVIEW; EEG signal; Fourier transformation； wavelet analysis; recognition

2016-11-15

蘇州市科技計劃項目資助(SYG201504)

毛麗民(1981-)，男，江蘇常熟人， 碩士，副教授，主要研究方向為機器人與目標跟蹤研究。

Tel.：13814928578；E-mail：maolimin_1981@163.com

TP 242.6

A

1006-7167(2017)08-0153-05