用熵的方法在癫痫脑电信号中预测发病
一、本课题选题依据
各种脑疾患和神经系统疾患问题的增多和严重化、以及社会老龄化问题，使脑科学成为21世纪挑战性的研究。大脑电生理信号是反映大脑活动状态的重要信号，主要包括自发脑电信号(EEG)和诱发脑电信号(EP)。如何有效地处理和分析脑电信号，对于脑科学研究和脑部疾病的临床诊断都具有重要意义。小波变换是信号分析和特征提取的重要工具，它在时域和频域同时具有良好的局部化性质。基于小波变换与复杂性测度方法，针对脑电信号的检测技术和分析处理方法，对以下几个方面进行了研究与讨论。脑诱发电位的提取：脑诱发电位是脑科学研究和临床诊断中的重要特征，但是传统的叠加平均方法提取诱发电位往往会造成瞬态信息的丢失，增加受试者的痛苦，降低准确率。因此诱发电位的快速提取一直是国内外学者研究的重点。本课题研究了小波多尺度分解与重构技术在脑电信号基本节律提取及诱发电位提取中的应用，并将小波多尺度分解与重构与模糊聚类技术相结合，提出了诱发电位快速提取的新方法，并通过实验证明了此方法的有效性。
这次毕业设计主要是理解诱发脑电的概念及其传统提取方法的缺点，了解提取诱发脑电的新算法，并与传统的提取诱发脑电的算法进行比较，并得出结论。
二、本课题国内外发展状况
Hans Berger于1924年首次发现了脑电波，但长期以来，对于脑电的研究却相当匾乏。主要原因在于脑电产生于人的大脑之内，机理复杂，并且强度很小，只有几十V，不容易获得。近十几年来，随着科学技术的发展，出现了先进的脑电采集设备，可以方便的获取人的头皮脑电电位；同时于1997年在美国启动的人类脑计划也给全球的脑电研究工作者带来了鼓舞，对脑电的研究在近十几年来逐渐增多。
脑电去噪是进行脑电处理的一项重要内容，普遍采用的方法是在信号处理领域占主导的傅立叶变换。但是，脑电信号属于随机性非平稳信号，应用傅立叶变换进行去噪有很大的缺陷。后来随着小波理论不断发展与完善，小波在脑电信号去噪方面得到应用。Cannona，R.A.与Hudgins，LH.两人在1994年把小波变换比较早的应用于脑电噪，Zikov，T，Kalpakarm，N.V，Ramanan，S.V等人用小波对眼动干扰实现了很好的分离，Zhou，Weidong等人运用小波与独立分量分析ICA相结合从脑电中分离出了肌电与心电干扰信号。国内在这方面的研究比较少，比较早的有吴小培等人在2000年做的脑电去噪研究，2002年吴小培又用多维统计分析方法进行了脑电去噪的工作，2006年吴平等人在脑电去噪中采用了AR，近两年在脑电去噪方面发表的文章不是太多。因此，本文的研究具有一定的探索意义。
三、本课题设计的必要性与可行性
选择的必要性：脑电信号是脑神经细胞电生理活动在大脑皮层或头皮表面的总体反映。临床实践表明脑电信号中包含了大量生理与疾病信息，所以我们通过对脑电信号的处理不仅可以为医生提供临床诊断依据而且可以为某些脑疾病（比如癫痫、脑肿瘤、智力状况等）提供有效的治疗手段。脑电图仪是临床上检查脑疾病的重要辅助工具，在临床上获得了广泛应用，成为诊断癫痫、极度兴奋、注意力不集中、酒精、药品依赖、脑外伤、失眠、睡眠紊乱等的重要辅助手段。在工程应用方面人们也尝试利用脑电信号实现大脑计算机接口(BCI)，利用人对不同的感觉、运动或认知活动的脑电信号的不同，对脑电信号的有效的提取和分类，从而将对脑电信号特征信息的提取和分析起到一定的推动作用，同时也为这些方法向实际应用迈出了一步，为最终研制出高性能的脑电信号处理和分析仪器提供了重要的功能资源，同时也为实际的生产生活中（比如通讯、医学、电子学、雷达或无线电天文学等领域）提供更多的帮助。
选择的可行性：提取诱发电位的方法很多，传统的方法是叠加平均法，但是该放发是通过多次诱发电位而得到，会曾加患者的痛苦，因此，我们可以用独立分量分析和小波变换方法来做。在先验分类信息已知时，神经网络是最优先的选择。神经网络可以把专家只是结合成一个数学框架，并通过训练队专家的经验进行学习，而不需要任何对数据和噪声的先验统计假设，也不需要把专家只是和经验归纳成严密清晰的条文，所以在诱发信号的分类、特征提取和识别中都有广泛应用。ICA是近几年发展起来的盲源分离技术，它是以信号之间的独立性为前提，旨在分离一些相互叠加的独立信号。其基本思想是将多道观测信号按照统计独立的原则通过优化算法分解为若干独立成分，从而实现信号的增强与分离。有关ICA的研究大多采用神经网络自适应学习这一思路。小波变换方法是用一个函数来代替传统的傅里叶级数系数，其基本子波经不同移位和比例尺度变换可分解出原始信号中时域和频域的独立贡献，在时域和频域同时具有良好的局部化性质。小波变换具有多分辨分析的特点，可以由粗到细逐步观察信号，在时域和频域都具有表征信号局部特征的能力，有利于检测信号的奇异点活瞬态，特别适用于动态提取非周期刺激的诱发信号。此外还可以用小波变换和逆小波变换方法设计数字时域滤波器，对脑电信号进行滤波。目前，小波技术已被证实是多种电生理信号分析的有利工具，而且随着研究的深入，越来越多的文献证实其用于诱发电位分析的优势。因此这个课题具有可行性。
四、本课题主要工作与内容
（一）研究主要内容
本课题研究的主要内容是：设计一种快速提取诱发脑电信号的新算法，通常EP信号与EEG信号是同时记录到的，在EP信号的提取中，我们关心的是EP信号，而把EEG信号和其他伪迹信号看成是背景噪声。所以，对于诱发脑电信号的提取，可以看作是对诱发脑电信号的去噪。EP信号较其他噪声信号是十分微弱的，他们之间的信噪比（Signal—to—Noise Ratio，SNR）通常是－10dB左右。传统EP提取方法是叠加平均，这种方法也是目前临床上使用最为广泛的方法，但实际上EP信号是时变的、非平稳的，叠加平均的结果往往使EP信号的高频信息，即信号波形的细节信息被滤除掉了，而这些细节信息很有可能是具有研究价值的。另外，早期常用的相干平均、加权平均和自适应傅里叶估计等方法也属于叠加方法，需要重复多次刺激，但是每次刺激的诱发电位又不能保证相同。所以，人们希望尽量减少累加的次数，最好由单次刺激就能完成。
本文内容安排如下：
(1) 介绍小波变换基本理论。对傅里叶变换和小波变换进行了分析，分析了它们各自之间的区别和联系，指出小波变换适合信号处理的原因讨论小波变换阈值去噪法，最后给出阈值去噪法的Matlab仿真图。
(2) 介绍介绍独立分量分析的基本理论，给出FastICA的基本原理对其原理进行数学推导，同时介绍FastICA消噪的优势、原理以及给出最后的Matlab去噪仿真图。
(3) 对两种算法进行比较，同时与传统的方法比较并突出新算法的优越性。
最后为全文的工作的总结。
（二）研究的重点和难点
图像分割是把图像分成互不重叠的不同区域的过程 ,同一区域内具有特性相似性 ,不同区域间具有特性相异性. 图像分割是图像分析和理解的基础. 图像分割的方法中阈值法为常用方法 ,同时阈值法也是其他许多分割方法的基础[1-2] . 近年来基于熵的方法 ,特别是基于二维熵的方法受到研究者的重视.因为二维熵相对于一维熵除了可以提供图像的灰度信息外,还能够提供图像中位置关系确定的像素间的统计规律. 建立二维熵的方法可以从建立图象二维直方图入手 ,然后对此直方图用矩阵表示 ,对矩阵按阈值分割后选择包含边缘的象限定义二维熵, 当二维熵达到极大值时就可以实现图像的自动分割.建立二维直方图的方法除了利用图像的灰度- 梯度共生矩阵的方法外[3-4], 另一类受关注的方法是 Abutaleb 提出的使用 4 邻域中心的灰度值与其余像素的灰度均值构成二维直方图的方法 ,这种方法把二维直方图的矩阵用阈值分成 4 个象限 ,但在计算中只考虑目标的边缘和背景的边缘所在的两个象限, 而忽略另外两个象限,当二维熵达到极大值时即获得图像的自动分割[5].
（三）拟解决的关键问题
本文提出一种在振幅-周期二维空间描述波形复杂度的样本熵方法,并通过数据仿真验证这种方法描述波形复杂度时的有效性.当被描述波形的复杂度表现为振幅-周期交互作用时,二维样本熵比单一维度的样本熵更加有效. 基于二维样本熵方法,对抑郁症患者和正常人的脑电进行分析。
四、研究的方法及措施
基于对传统样本熵方法的改进, 提出一种在振幅-周期二维空间描述波形复杂度的方法, 二维样本熵反映波形振动在振幅-周期空间中新模式的生成概率. 通过仿真实验证明这种方法描述波形复杂度的有效性, 当波形的复杂度特征表现为振幅 -周期的交互作用时, 二维样本熵对复杂度的描述比一维条件下的样本熵更加有效.
五、本课题所采用的技术手段及预期成果
(1) 理解诱发电位的主要概念和基本原理，根据对脑电信号的了解，知道在诱发电位快速提取中采用独立变量分析和小波变换方法的原因；
(2) 掌握独立变量分析和小波变换的基本原理后，用Matlab语言完成算法的实现，仿真结果；
(3) 在理解传统算法的原理的基础上，将新算法与其对比出异同；
预期成果：新的方法，如小波变换的方法以其良好的时频局部化特性在脑电信号去噪、诱发电位提取中均取得了明显的成果，在脑电信号的分析和研究中显示出独特的优势。
六、研究工作进度计划
第1-3周 翻译外文资料，撰写开题报告 完成外文资料的翻译开题报告
第4-6周 熟悉EEG
第7-8周 学习信号采集电路熟悉信号采集
第9-10周 matlab编程
第11-12周 完成调试优化
第13-14周 论文基本完成
第15-18周 论文的修改、排版、答辩 修改论文，完成答辩
七、参考文献
[1]龚文青, 诸强. 虚拟现实技术应用于运动障碍康复的研究[J]. 生物医学工程学进展, 2009 (4): 238-241.
[2]吴兆苏, 姚崇华, 赵冬. 我国人群脑卒中发病率、死亡率的流行病学研究[J]. 中华流行病学杂志, 2003, 24(3): 236-239.
[3]世界卫生组织. 世界残疾报告(概要), 2011: 7-10.
[4]Daly J. J., Wolpaw J.R.. Brain-computer interface in neurological rehabilitation[J]. The Lancent Neurology, 2008, 7(11): 1032-1043.
[5]梁天佳, 吴小平, 龙耀斌, 等. 机器人辅助训练对脑卒中患者上肢功能恢复的影响及功能性磁共振分析[J]. 中华物理医学与康复杂志, 2014, 36(011): 844-846.
[6]张丽霞, 王彤. 中枢神经损伤性运动障碍的评估-评估量表的临床应用[J]. 中国康复医学杂志, 2005, 20(8): 627-629.
[7]李烨. 脑科学与教育研究[D]. 南京. 东南大学, 2010.
[8]顾凡及. 尖端创新神经技术脑研究计划:美国脑研究计划评介[J]. 科学（上海）, 2013, 65(5): 19-23.
[9]杨雄里. 对中国脑科学研究的思考[J]. 科技导报, 2013, 31(35): 3.
[10]唐孝威. 脑科学导论[M]. 北京: 北京大学出版社, 2001: 14.
[11]陈顺飞, 罗志增, 周镇定. 改进的双变量收缩函数模型EEG消噪方法[J]. 传感技术学报, 2016, 29(2): 242-247.
