引言 [1]

小波變換和獨立分量分析是近年來研究較多的兩種信號處理方法，在腦電信號的預處理和特征提取方面都有應用。但是在腦電信號的測量過程中存在的不同的干擾信號，到底哪種信號處理方法處理效果更好，它們各自的應用條件是什么，都需要在實際實驗中進行分析研究。本文在進行汽車駕駛員腦電特性研究實驗中，用兩種方法對駕駛中2類常見的腦電干擾信號進行了分析和去除，分析了兩種方法在腦電信號干擾去除中的優缺點和各自的應用條件。

1 小波變換和獨立分量分析

小波變換[1,2]（Wavelet Transform）是一種典型的時頻分析方法，其基本思想是用一組小波函數來表示或逼近信號，這組小波函數是通過一個小波基函數的平移和伸縮得到的，其分析窗口面積固定，但其形狀可改變，即時間窗和頻率窗都可以改變，在信號的低頻部分，小波變換具有較高的頻率分辨率和較低的時間分辨率，在信號的高頻部分，小波變換具有較高的時間分辨率和較低的頻率分辨率。近年來小波變換在腦電等非平穩信號的分析中得到了廣泛的應用。

獨立分量分析[3,4,5]（Independent Component Analysis 簡稱ICA）是近年來發展起來的一種新的盲源分離方法（BlindSource Separation 簡稱BSS）。該方法在信號處理的很多領域都有很大的應用潛力，其理論的發展可追溯到上個世紀80年代初期。但直到90年代中期，ICA 理論和算法的研究才真正得以發展并受到國際信號處理界的廣泛關注，并且在生物醫學信號處理、混合語音信號分離、圖象的消噪等方面也已取得了較好的應用效果。ICA 處理的對象是相互統計獨立的信源經線性組合而產生的一組混合信號。最終目的是從混合信號中提取出各獨立的信號分量。

在EEG信號的記錄過程中往往會混入非腦電活動所引起的信號，這些信號稱為偽差。EEG中的偽差有很多種類型，較常見的有心電、肌電、眨眼、眼動、出汗，以及工頻干擾等。因為腦電信號是由大腦皮層神經元活動產生的，而眼活動、肌肉活動、工頻干擾、心電信號等通常是不受腦活動限制的,所以滿足ICA可分離條件，對于腦電信號，從皮層內部到頭皮電極處的傳導被認為是近似線性的，所以也可以認為腦電是各個獨立源信號線性組合到記錄電極處的。此時，應用ICA方法能從多道腦電信號中分離出來自其它生物電信號的干擾成分，以及其它外界環境的干擾，達到消噪的目的。

2 汽車駕駛時的腦電干擾

汽車駕駛環境下的腦電測量不同于醫院和實驗室環境下的腦電測量，傳統的腦電測量一般都是在專門的電磁屏蔽的環境下進行，同時要求環境的安靜，要求被試者保持靜止不動。但是在實際的汽車駕駛時進行腦電測量卻不能達到這樣的要求，實際駕駛時的腦電干擾主要有周圍環境的電磁干擾，如手機干擾，還有駕駛員自身的干擾，如眼電干擾。

本文用實際的駕駛腦電實驗中得到的干擾腦電信號作為分析對象，說明兩種信號處理方法的處理效果和應用范圍。圖1中（a）和（b）分別給出了受到手機干擾和眼電干擾的腦電信號。

（a）受到手機干擾的腦電信號??????????????????? （b）受到眼電干擾的腦電信號

圖1 干擾腦電信號

圖中共給出了10個腦電通道的信號，每個通道均為6秒的數據，采樣頻率500Hz，共3000個數據點。橫坐標為腦電采樣的時間（s），縱坐標為各個腦電通道的腦電幅值（μv）。

下面用小波變換和獨立分量分析兩種方法對上面的兩種干擾信號分別進行分析和去除。

3 小波變換去除干擾

小波變換首先涉及到小波的選取問題。腦電信號處理中用的最多的是db（Daubechies）小波，通常Daubechies 系中的小波基記為dbN，N為序號，N = 1 , 2 , ?, 10。dbN系列小波中，N越小，也就是支撐長度越小，可以檢測的尺度越小，所以要針對腦電信號的實際頻率范圍選擇合適的尺度來進行檢測，通過對比，本文使用db5小波對腦電信號進行分析。

再就是小波分解層數的確定。腦電信號的采集頻率為500Hz，根據采樣定理，腦電信號的表示范圍為0～250Hz。所以對腦電進行6層分解，可以得到7個分解后的信號，按照頻率從高到低的順序，依次為：cd1：125～250Hz；cd2：64～125Hz；cd3：32～64Hz；cd4：16～32Hz；cd5：8～16Hz；cd6：4～8Hz；ca6：0～4Hz。

最后分析分解后的小波分量，去除干擾。因為課題實驗中腦電儀器設定的采集頻率為0.53～60Hz，所以cd1和cd2分量為虛假分量，可以直接去掉。手機信號對腦電的干擾主要是高頻干擾，集中在cd3分量上，但這一頻段的數據也許還有需要用到的腦電信息，因此，應選取適當的閾值進行處理。對比無干擾時腦電的小波分解的cd3分量的均值，確定閾值hcd3，大于hcd3的認為是高頻干擾，常用的閾值函數有硬閾值和軟閾值兩種[6]，本文采取硬閾值的方法，直接置零，因此，去除手機干擾后的腦電信號為y=cd4+cd5+cd6+ca6+cd3，其中當cd3絕對值超過hcd3時為零。眼電的干擾頻率一般為4Hz左右，一般處于ca6分量，但如果眨眼速度比較快，可能大于4Hz，所以也可能處于cd6分量，所以，利用小波變換對眨眼的干擾去除需要對ca6和cd6兩個分量進行閾值的設置，同樣根據沒有干擾時腦電小波分解的ca6和cd6分量的均值，確定閾值分別為hca6和hcd6。同樣采取硬閾值的方法，去除眼電干擾后的腦電信號為y=cd3＋cd4+cd5+cd6＋ca6，其中當ca6和cd6分別超過閾值hca6和hcd6時為零。

在實驗信號中共有10個通道的腦電信號，小波變換方法對每一個通道的處理方法都是相同的，方便起見，本文只給出了F4通道信號的小波去除結果。圖2中（a）（b）分別給出了小波變換對手機干擾和眼電干擾腦電信號的去除結果。

（a）手機干擾去除結果??

（b）眼電干擾去除結果

圖2 小波變換去除結果

4獨立分量分析去除干擾

獨立分量分析方法需要用到多個通道的腦電信號，然后把各個通道的信號分成各自獨立的信號，根據干擾的特點，找出干擾信號的獨立分量進行去除，剩余獨立分量再重新組合，得到去除干擾后的信號。圖3中（a）（b）分別給出了用獨立分量分析方法對電磁干擾和眼電干擾腦電信號的去除結果。

（a）電磁干擾去除結果?????????????????????? （b）眼電干擾去除結果

圖3 獨立分量分析去除結果

5 兩種方法去除結果對比和分析

比較手機干擾的去除效果：對比圖2（a）和圖3（a），小波變換方法去除效果要好于獨立分量分析方法。原因在于手機干擾屬于高頻干擾，小波變換方法可以比較明確的把腦電中的高頻部分提取出來，然后進行去除。而獨立分量分析方法分解得到的各個獨立分量中，不能明確的判斷哪個分量是手機干擾引起的，因此效果不太理想。

比較眼電干擾的去除效果：從圖2（b）中看到，小波變換在眼電干擾的去除過程中把腦電原來的一些低頻波也去除了，顯然這些并不是眼電干擾；從圖3（b）中看到，獨立分量分析方法則較好的把各個通道的眼電干擾都去除了，而且沒有對其它腦電產生影響。原因在于眼電干擾的頻率是不太固定的，和腦電的有用頻帶是重合的，所以在去除的時候不可避免的會出現誤去除現象，而眼電干擾在獨立分量分析方法分解出來的獨立分量中是很明確的一個分量，所以可以很準確的把眼電干擾去除。

通過分析可以得到如下結論：

?????? （1）小波分析和獨立分量分析都可以應用于腦電信號干擾的去除。

（2）小波變換對于手機等電磁干擾的去除效果要好于獨立分量分析方法，而對于眼電干擾的去除是獨立分量分析的效果要好于小波變換。

（3）小波分析優點在于算法成熟，計算量小，但需要分別處理每一腦電通道數據。適用于所需腦電通道少，而實時性要求高的情況。

?????? （4）獨立分量分析的優點在于利用了腦電的空間信息，可以同時去除多通道的干擾，但計算量大。因此適用于所需腦電通道多的情況。

6 結論

本文通過對汽車駕駛時腦電的手機干擾和眼電干擾信號同時用小波變換和獨立分量分析方法進行分析比較，得到了兩種方法在汽車駕駛時腦電干擾去除中的特點和應用條件。為駕駛員腦電信息的提取和進一步應用打下了基礎。

本文作者創新點：

通過對比小波分析和獨立分量分析兩種方法在汽車駕駛時腦電干擾信號去除中的效果，明確了兩種方法在腦電信號預處理中應用的優缺點和各自的適用范圍。