腦電信號的自適應分段和分類存檔

李紅宇 劉慶江 常曉娟 趙薇

摘要：基于相關函數中的腦電信號基礎，對其適應分段及分類存檔的方法進行分析和探究，并依據相關理論內容，首次提出了有關最小差別判決法，通過相關實驗，證明腦電信號的自適應分段及分類存檔的方法符合設計的需要。本文以文獻對比法和案例分析法，以多類運動腦信號的分析為例，對自適應分段的內容及分類存檔的相關方法進行闡述。

關鍵詞：腦電信號;自適應分段;分類存檔

中圖分類號：TP274 文獻標識碼：A 文章編號：1007-9416（2019）10-0079-02

0 引言

對于腦電信號受眼動信號和對應的肌電干擾的相關影響來看，要多余的特征分析，實現對有損分類器的相關狀態進行有效性的分析，如果在網絡出現過對應的擬合，要依據特征化的分析原理，結合分類器所采用的相關算法，對傳統的算法和相關信息論證法進行分析，以保證相關特征方法的有效利用。本研究中提出的自適應級聯神經網絡系統中的相關算法的學習中，將輸入層的相關神經元數目在有效的學習過程中獲取相關輸入特征的合理應用，并在學習的過程中，結合相關特征，實現對分類有效性的應用。

1 分段方案的選擇

對于腦電信號的處理來說和國內外的相關文獻要求看，由于典型的AR模型所建立腦電信號的過濾及處理過程，可以通過不同的方法呈現出來。對于因為檢測過程導致的相關分段的準確性的應用，結合相關函數的基礎內容，進行分段方法的合理化分析。為了達到相關方法使用的精確度，在此基礎上，應充分的結合相關數據的采集、處理，借助“最小差別判決法”，對實現8通道腦電信號的自適應分段的處理方法進行研究。

2 自相關函數的估計

離散隨機信號的自相關函數中，對應的函數如下：

其中對于以上函數中的取值范圍，針對有限的長度信號結構，對可以利用的相關數據信息進行評估，且在0～（N-1）的范圍內時，對應實際計算的過程中，可以利用數據的直接估算進行合理化的分析與應用。

本章節以多類運動想象識別率比較低的問題為主，結合利用小波的分析方法和GSP的特征，采用小波包分解（WPD）實現快速時頻的計算分析，在分析算法的過程中，結合GSP所缺乏的信息缺陷，與實際的小波包的特定的頻段WPV進行算法間的相互結合。

3 算法的基本理論

對于小波包分解來說，其能夠依據信號更為精細的分析方法，結合分析信號的相關特征，依據自適應的選擇對應的頻段，并能夠提高時頻的分辨率，進而在特征提取的過程中，依據CSP實現對腦電信號的特征的有效提取。特別是在對整體二分類方法和相關問題的分析中，運用的已經相當成熟，且隨著相關誤差信息，誤差理論等內容的合理化應用，實現采用結構風險最小化的理論，兼顧訓練的狀態及程度，對向量機采用結構風險最小的相關原理，并結合泛化的能力，對于小的樣本結構及高維數的分類方法及問題進行分析，將分類問題的顯著性表達出來。

3.1 分類算法

分類算法的基本應用原理中，對于線性結構不可分的樣本數據來說，通過定義一個非線性的映射關系，從而形成一個最優的分類界面，使目標樣本的結構及正負兩類的樣本體系能夠正確的進行識別，判斷出對應隔離邊緣的最大化內容。

3.2 腦電信號的預處理

對于腦電信號的預處理過程來說，應首先根據其預處理的過程，實現對整體系統的濾波合理化應用。并結合腦電系統中的噪聲，盡可能的減少相關后續處理事宜的相關基礎性內容，并通過相關的研究表明，在大腦皮層結構中，對應神經活動所能夠體現的相關事件的基本理論中，可以通過利用內在的刺激對所產生的電波變化進行合理化分析，并利用大腦進行相關運動現象的分析，結合現有的知識體系，在特定頻段結構內，依據腦電的功率實現對相關信號增強或減弱的分析。

4 自適應分段

4.1 實現的方法

EEG信號可以通過相關標準的移動窗結構，結合移動窗的長度以檢測的形式確定變化程度的快慢等，同時以變化的速度來衡量整個波形的結構等。通過實驗，分析出取窗長度為1s，參考窗結構的固定形式，針對固定分段結構體系中的相關起始位置，對分段內的相關非平穩化的移動窗和相關信息系統的合理化分析。當對應的差別大于一定的預置門限時，一個新的段界就可以實現了，并且在新的參考窗的體系結構中，對應分段的起始位置，結合實現信號的自適應階段的內容分析，來實現和證明分段方法的整體結構。

4.2 非平穩的檢測

在實際的臨床觀察的過程中，由于EEG信號結構中的主要信息和幅度都可以通過不同的頻率進行體現，同時對應的差別數量級別也是不同的，因此在相關差別量中，對于不同變量的度量，可以通過實驗的過程進行合理的發現，使得變化的相關頻率更加顯著化。在對應幅值的分類的過程中，可充分的結合采用頻率的相關性，結合對應幅度的百分比，對于所體現的度量的差別化內容進行合理化分析，并利用矩形結構，對所產生的相關數據理論等內容進行合理化應用，促進和提升整體結構體系的可視化分析。并利用矩形窗將1s的數據信息進行截止，從而對不同頻率的百分比進行合理分析，實現對數據結構及數據理論的可視化，則對相應函數的系數取值為8。

4.3 數據的分類

在腦電信號處理的自適應階段中，相關信息基礎的確定上，依據分段數據中的相關分類存檔化分析，結合分類和分類穿插的過程，開展對分段中相關分類數據、分類體系和分類內容的合理規劃，結合分類存檔工作的內容和體系要求，實現數據的科學分類。

5 結語

綜上所述，本研究所涉及到的分段方法的應用相對簡易，可以借助百分比的形式進行有效的評估，同時利用最小差別判決法可給出精確化的數據分段與數據的準確化應用，實現對整個數據內容的采集、分析與計算過程的驗證。

參考文獻

[1] 李明愛，崔燕，楊金福，郝冬梅.基于HHT和CSSD的多域融合自適應腦電特征提取方法[J].電子學報，2013，41（12）：2479-2486.

[2] 李明愛，田曉霞，孫炎珺，楊金福.基于改進GHSOM的運動想象腦電信號自適應識別方法[J].儀器儀表學報，2015，36（05）：1064-1071.

[3] 趙云，于毅，閆岑，司雅靜，張紅星，史麗娟.精神分裂癥患者腦電信號中眼電偽跡自動去除方法[J].新鄉醫學院學報，2016，33（02）：113-115+119.

[4] 尹海娥，曾衍鈞，張建華，潘映輻.基于ANFIS的自適應噪聲消除方法在視覺誘發腦電信號的單次提取中的應用[J].中國生物醫學工程學報，2005（03）：324-329.