脑电位信号与视觉刺激之间的相关性研究

VIP免费

3.0 侯斌 2024-11-19 6 4 11.66MB 52 页 15积分

侵权投诉

摘要

为研究小鼠视觉感受区的脑电位信号与视觉刺激之间的关系，本文综合运用，

时间序列法、小波分析法，盲源分离等方法对小鼠处于清醒有视觉状态下的脑信

号进行分离，分离出与视觉刺激相关的局部脑电位信号，以及与呼吸相关的局部

脑电位信号，并建立相关模型分析视觉感受区脑电波与呼吸曲线之间的相关性。

首先采用盲源分离技术，对小鼠处于清醒有视觉刺激状态下的局部脑电位信

号进行分离，再运用 daubechies（bd）小波，对小鼠处于清醒有视觉刺激状态下

的局部脑电位信号进行分离，分离出与视觉刺激相关的脑电位信号，以及与呼吸

相关的脑电位信号。

通过对分离出的与视觉刺激相关的脑电位信号、与呼吸相关的脑电位信号和小

鼠处于清醒有视觉刺激状态下的脑电位信号建立误差修正（error correction

model，VEC）模型，首先对小鼠在清醒状态下的视觉感受区局部电位信号、与呼

吸相关的脑电位信号以及与视觉刺激相关的脑电位信号进行时间序列平稳性的增

广的迪基—福勒（Augmented Dickey fuller ，ADF）检验。然后对原序列进行一阶

差分，差分后的序列是平稳的，对差分后的序列建立误差修正模型。并采用脉冲

响应分析，方差分解等方法对分离出的与视觉刺激相关的脑电位信号、与呼吸相

关的脑电位信号和小鼠处于清醒有视觉刺激状态下的脑电位信号进行定性分析。

由分析可以得出，小鼠处于清醒有视觉刺激状态下的脑电信号对自身的冲击

反应最大，视觉刺激对小鼠脑电位信号产生正相关性影响，视觉刺激越强烈，小

鼠脑电位信号越强烈，即小鼠视觉感受区的局部脑电位信号受视觉刺激的影响；

与呼吸相关的脑电信号对小鼠的脑电位信号产生影响，是负相关关系；与刺激相

关的脑电信号对与呼吸相关的脑电信的影响较大，呈现正效应，与刺激相关的脑

电信号增强会促进与呼吸相关的脑电信的增强，视觉刺激对呼吸频率有影响，且

视觉刺激越强，小鼠呼吸就会越快；与呼吸相关的脑电信号对与刺激相关的脑电

信号的影响较大，当呼吸增强，与呼吸相关的脑电信号会促进与刺激相关的脑电

信号的增强，即当呼吸越快与刺激相关的脑电信号的越强。

与呼吸相关的脑电信对与刺激相关的脑电信号互为因果关系，与呼吸相关的

脑电信对与刺激相关的脑电信号之间互相具有预测作用；与刺激相关的脑电信号

是小鼠处于清醒有刺激状态下的脑电信号的苏格兰因，对小鼠脑电位信号具有预

测作用，与呼吸相关的脑电信和小鼠处于清醒有刺激状态下的脑电信号不存在因

果关系，互相没有预测作用。

关键词：盲源分离小波分解 VEC 模型脉冲响应函数方差分解

ABSTRACT

To research the relationship between the brain potential signals of the visual

perception in mice and the visual stimulation, the time series method, wavelet analysis

method, blind source separation method and so on are used to separate the brain signal

when the visual mice is under the state of awake. The separation come to partial brain

potential signals related to visual stimulus, partial brain potential signals associated with

breathing; and then the related model will be established to analyze the correlation

between the visual perception area brain waves and the respiration.

Firstly, use the blind source separation technology to separate the partial brain

potential signals of the visual mice under a state of awake. Secondly, use the daubechies

(bd) wavelet to separate the partial brain potential signals of the visual mice under a

state of awake. By doing these, the brain potential associated with visual stimulation

signals, and the brain potential associated with respiratory signal will be separated.

According to the separation of the brain potential associated with visual

stimulation signals, the brain potential associated with respiratory signal and the partial

brain potential signals of the visual mice under a state of awake ，the error correction

(VEC) model will be built. First of all, carry on the time series stationary of augmented

dickey fuller (ADF) test of the partial brain potential signals of the visual mice under a

state of awake, brain potential associated with visual stimulation signals and the brain

potential associated with respiratory signal, then, let the original sequence be first order

difference; after that, the VEC model will be built. Lastly , use the impulse response

analysis , variance decomposition methods and so on to qualitative analysis among the

separation of the brain potential associated with visual stimulation signals 、 the brain

potential associated with respiratory signal and the partial brain potential signals of the

visual mice under a state of awake .

It can be concluded from the analysis that the mice reaction to EEG is biggest

when the mice are under the state of vision and awake. The effect of visual stimuli to

Little mouse potential signal is positive correlation .The more visual stimulation, the

more intense to the little mouse potential signal, That is to say ,the mice of partial brain

potential signals in the visual perception is affected by the visual stimuli .While the

impact of the brain potential associated with respiratory signal to the little mouse

potential signal is negative correlation ;and there is a big effect of the brain potential

associated with visual stimulation signals to the brain potential associated with

respiratory signal ,to be a positive effect .the brain potential associated with visual

stimulation signals can enhance the brain potential associated with respiratory

signal ;Visual stimulus has an influence to the breathing rate, and the stronger the visual

stimulation, the faster the mice breathing .there is also a big effect of the brain potential

associated with respiratory signal to the brain potential associated with visual

stimulation signals ; When the breath enhances ,the brain potential associated with

respiratory signal can enhance the brain potential associated with visual stimulation

signals ;In a word ,The faster the breathing , the bigger the brain potential associated

with visual stimulation signals.

There a causal relationship between the brain potential associated with respiratory

signal and the brain potential associated with visual stimulation signals. It can predict

each other between the brain potential associated with respiratory signal and the brain

potential associated with visual stimulation signals .the brain potential associated with

visual stimulation signals is the Granger of the partial brain potential signals of the

visual mice under a state of awake and can predict little mouse potential signal. It

doesn’t have causal relationship and can’t predict each other between the brain potential

associated with respiratory signal and the partial brain potential signals of the visual

mice under a state of awake.

Keywords:   blind   source   separation,   wavelet   decomposition,   VEC
model, Impulse response function, Variance decomposition
目  录
中文摘要
ABSTRACT
第一章 绪论......................................................................................................................1
1 课题背景.................................................................................................................1
2 国内外研究现状......................................................................................................2
3 本文主要研究内容..................................................................................................5
第二章 相关基础理论......................................................................................................6
1 盲源分离..................................................................................................................6
1.1 盲源分离的定义...............................................................................................6
1.2 盲源分离的步骤...............................................................................................8
2 时间序列分析..........................................................................................................9
2.1 时间序列的基本模型.......................................................................................9
2.2 极大似然估计法.............................................................................................13
2.3 脉冲响应分析.................................................................................................17
2.4 方差分解.........................................................................................................19
2.5 Granger 因果检验法.......................................................................................20
3 小波分解与降噪....................................................................................................20
3.1 小波降噪原理.................................................................................................20
3.2 信号降噪准则.................................................................................................21
3.3 小波降噪过程.................................................................................................21
3.4 小波降噪模型.................................................................................................21
3.5 阈值的确定.....................................................................................................22

第三章 脑电位信号的盲源分离和小波分解................................................................24
1 脑电位信号的盲源分离........................................................................................26
1.1 脑电位信号的小波分解与降噪.....................................................................26
1.2 降噪后的脑电位信号的盲源分离.................................................................27
2 脑电位信号的小波分解........................................................................................28
3.1 提取脑电位信号节律.....................................................................................28
3.2 分离出的滤波结果.........................................................................................28
3.3 DB10 小波分解信号.......................................................................................30
3 盲源分离与小波分解效果的比较........................................................................33
第四章 脑电位信号分量的相关性分析........................................................................37
1 脑电位信号分量的降噪........................................................................................37
2 脑电位信号分量模型的建立................................................................................39
2.1 变量平稳性检验.............................................................................................39
2.2 Johansen 协整检验..........................................................................................40
2.3 模型滞后阶数的确定—AIC 准则.................................................................40
2.4 模型参数估计.................................................................................................41
2.5 模型稳定性的检验.........................................................................................42
3 脑电位信号分量的脉冲响应分析和方差分解....................................................43
3.2 脑电位信号分量的脉冲响应分析.................................................................43
3.3 脑电位信号分量的方差分解.........................................................................46
4 脑电位信号分量的因果检验................................................................................48
第五章 总结与展望........................................................................................................49
参考文献.........................................................................................................................50

第一章绪论

1.1 课题背景

脑电波（Electroencephalogram,EEG）是大脑在活动时，脑皮质细胞群之间形

成的电位差，从而在大脑皮质的细胞外产生电流。它们是脑神经细胞的电生理活

动在大脑皮层或头皮表面的整体反映，将大脑活动时这种电波的变化记录下来就

可以得到脑电图。

脑电波是一种比较敏感的客观指标，不仅用于脑科学的理论研究，而且还应

用于临床实践。诊断神经性疾病的重要依据是通过脑电波来分析的，而且对于各

种的颅内病变，如脑瘫、脑膜炎、脑肿瘤、等神经性疾病的诊断，也是有非常大的

帮助；另外，脑电波也是人们认知活动的体现。人的大脑平均每天会产生七万个

想法，且每次神经活动时都会产生轻微的放电行为[1]。我们测量得到的脑电波是由

多个神经共同放电产生的集体神经活动决定的。经过很长时间的科学实验，神经

系统科学领域的专家们已经发现了大脑中控制具体活动的部位，例如负责视力的

区域主要位于大脑的后部，而控制四肢的区域主要是位于大脑的顶部。从进化论

的角度看，多数动物的大脑也具备着这些功能。所以在研究人脑思维活动的时候

可以借助于动物实验[2]。

自从 1924 年德国精神病学家和生理学家Hans Berger 首次成功记录脑电活动

开始，人类便开始了对脑电位信号的深入探索。随着社会的发展，科学技术的日

益月薪，人类对各种精神疾病的治疗方法的探究也在不断更新，脑计划是一项值

得人类不断探索的基因计划，人类的大脑控制着人类的行为活动，人的大脑是复

杂的，大脑内部结构更是复杂的，这是一项国际性科研计划，值得全球该领域的

专家对其进行深入的探索和研究。然而，说到底，神经信息学(Neuroinformatics)是

主要研究的内容，是其核心内容。人类脑计划的目的是对脑内部成千上万的神经

元进行探究，神经元是控制人类一切活动的主体，只有对大脑内部的神经元有了

更多的了解，才能更好的对由大脑控制的人类的思维、活动以及意识等有深入的

了解。只有通过对大脑的进一步的了解，才可能更深入的对像老年痴呆、帕金森综

合症等疾病进行治疗。此外，人脑计划不仅可以为治疗某类疾病服务[3]，还可以更

好地为人工智能服务。支配人以及高级动物活动的主要控制中心和信息中心的就

是大脑，神经系统主要承担着感受外界的刺激，以及对信号的一系列反应过程，

例如从产生到处理、传导，最后进行整合，来实现多种认知活动（如睡觉、知觉、

看书、记忆、思维、语言、运动和哭笑等），和运动控制等众多功能。神经系统可以

看成是一个复杂的信息网络，其通过对信息的一系列处理，最后转变为传出冲动

以达到对各系统以及器官功能的联络和调节。神经元集群一起完成神经元对信息

的处理以及加工等一系列活动，而神经元集群的同步形成较强的电信号就是脑电

波。科学家们一直对电信号是如何影响人们，使得精确的表达一系列复杂动作这

个问题感兴趣，虽然大家知道电信号是大脑意识和神经冲动的基础，但是想要真

正完全的探索出其中的奥妙，还是需要人类的不断努力、不断探索，这可能需要

花费很长时间和精力的[4]。只要探索出这种藏在神经元中的信息密码，人类就可以

实现人机互动，甚至用电脑来控制动物和人类的思维、行为、意识等。

上海理工大学硕士学位论文

经过现代科学对脑的研究，人们已经发现人脑在工作的时候会不时的产生自

己的脑电波信号，且大脑存在着多个不同波段的脑电波信号。实际，脑电波信号

是一系列自发有节律的、频率在每秒 1－30 次之间的神经电活动，可将其划分为

四个不同频率的波段，即频率在 1Hz－3Hz 的δ波、频率在 4Hz－7Hz 的θ波、频率

在8Hz－13Hz 的α波、频率在 14Hz－30Hz 的β波。当成年人在极度疲劳或智力发

育不成熟、昏睡状态下和人在婴儿期，可出现 δ波（1Hz－3Hz）；精神病患者、年

龄在10 岁-17 岁的少年以及成年人在受到打击和心情抑郁的时候θ波（4Hz－

7Hz）极为明显。正常人在安静并闭眼、清醒时的脑电波的基本节律是 α波（8Hz－

13Hz），平均数为 10 次左右，在没有外加的刺激的情况下，其频率是基本稳定的。

当人情绪较为激动和精神紧张，以及当人从梦中惊醒时就会出现频率在 14Hz－

30Hz 之间的 β波[5]。小鼠呼吸周期大概是0.5S，与小鼠呼吸相关联的脑电波信号

频道大概是2Hz-3Hz。

我们知道脑电波信号不是由一个神经放电的结果，而是由成千上个神经放电

构成的，所以我们在通常情况下不需要将单个神经放电分离出来，这样做也是没

有意义的。一系列无数个神经放电的混合、迭加才能控制某个特定活动或意识。

1.2 国内外研究现状

脑电信号分析（EEG)检查方法具有无创和可直接测量的特点，并且它的分辨

率非常高。EEG 通过皮层细胞间动态的相互作用，不同的脑生理活动状态对应不

同的脑电特征，反映了脑内不同的信息加工处理情况。早期的EEG 研究缺陷很多，

主要是通过目测分析，准确率不是很高，并且很容易疲劳；这种定性分析很难诊

断出错综复杂的脑电波中的信息[6]。上世纪六十年代后，伴随着信息时代的到来，

人们利用计算机辅助技术分析脑电信号，挖掘数据，分析数据，提取信息。从此

对脑电波的定量分析成为可能。其中利用的主要方法是通过提取脑电信号中的特

征参数，然后对其进行分类建模处理，从而进行脑功能的研究；目前它成为脑功

能检测的一个重要手段，并已成功将EEG 波形的几何特性和功率谱特性成功地应

用于诊断某些器质性和功能性疾病，如炎症、脑硬化、脑肿瘤等神经性疾病。1988

年，Illinois 大学 Farewella 和Donchin 等人利用脑电信号的诱发脑电 p300 波形设

计了一个虚拟打印机。在 2000 年时候，他们又对上述打印机做进一步的改进，在

Windows95 系统下重新设计了新虚拟打印机，准确率达百分之八十，平均速度提

高到7.8 字符/分钟。在英国《自然》杂志中刊登这样一个报道，美国科学家曾做了

一个实验，就是让猴子凭借它们的“意念”来操作机械臂，来获取食物。由美国

Utah 大学研究小组开发的微电极阵列首次获准在人体上使用，这是一种在金属沉

底上刻出极其细微的微电极。2006 年7月，在 Nature 杂志报道了把上述电极植入

受试者大脑以后，受试者用思维开展研究工作，例如控制计算机及电视机等。

目前，源于傅氏变换的功率谱分析是 EEG 信号处理最常用的工具。但是，它

的使用前提是平稳随机信号；如果是非平稳随机信号，那么在不同时刻的分析结

果都是不一样的。周期法是目前常用的方法之一，它以短时间断的傅氏变换为基

础，具体操作是把实际准信号在时域上进行分段，并看作是准平稳的；每段取傅

氏变换后的幅频特性平方再乘以适当的函数，作为该信号的功率谱估计；可是这

种方法有很大的缺点，如谱估计方差偏、频率分辨率低等问题。脑电信号（EEG）

的随机信号非常平稳，正确表达频域特性及精度、信息的提取、对波形的分析在当

文档加载中……请稍候！
如果长时间未打开，您也可以点击刷新试试。

下载文档到电脑，查找使用更方便

15 积分 4人已下载

立即下载 VIP免费下载

摘要：

摘要为研究小鼠视觉感受区的脑电位信号与视觉刺激之间的关系，本文综合运用，时间序列法、小波分析法，盲源分离等方法对小鼠处于清醒有视觉状态下的脑信号进行分离，分离出与视觉刺激相关的局部脑电位信号，以及与呼吸相关的局部脑电位信号，并建立相关模型分析视觉感受区脑电波与呼吸曲线之间的相关性。首先采用盲源分离技术，对小鼠处于清醒有视觉刺激状态下的局部脑电位信号进行分离，再运用daubechies（bd）小波，对小鼠处于清醒有视觉刺激状态下的局部脑电位信号进行分离，分离出与视觉刺激相关的脑电位信号，以及与呼吸相关的脑电位信号。通过对分离出的与视觉刺激相关的脑电位信号、与呼吸相关的脑电位信号和小鼠处于清醒有视...

展开>> 收起<<

脑电位信号与视觉刺激之间的相关性研究.doc

共52页,预览6页

还剩页未读，继续阅读

脑电位信号与视觉刺激之间的相关性研究

相关推荐

开通VIP享超值会员特权

作者详情

相关内容

推荐作者

热门标签

举报选择: