自由活动动物的脑电信号分析与识别
脑电信号的分析和识别方法
脑电信号的分析和识别方法一、前言脑电信号（Electroencephalogram, EEG）是一种测量记录脑活动的重要信号，它反映了人类大脑的电生理活动情况、特征及其变化，对于研究大脑及其相关机能、分析脑疾病、探索人脑的智能特性等方面具有重要意义。
脑电信号具有具有复杂性、时变性、噪声干扰等特点。
因此，如何从复杂的脑电信号数据中提取有价值的信息，一直是脑科学、神经科学等领域中的难题之一。
本文将从脑电信号分析和识别方法的角度出发，探讨一些相关问题。
二、脑电信号的信号处理方法在脑电信号信号处理过程中，常涉及到一些基本的方法，下面列举几种常见的方法：1.时间和频率分析时间和频率分析是分析复杂信号（如脑电信号）的有效方法。
它将时间域和频率域这两个相互独立的分析方法相结合，以获得信号的时域特征和频域特征。
常见的时间和频率分析方法有时域上的平均与滤波、时频分析、小波变换等。
2.独立成分分析（Independent Component Analysis, ICA）ICA是一种常用的信号处理方法，它能将混合信号分离为互相独立的成分。
在脑电信号的处理中，ICA可以用于分离脑电信号中相互独立的生理信号、噪声信号等，以提高信号的质量和可靠性。
3.空间滤波空间滤波是一种基于矩阵计算的方法，用于脑电信号数据的频域滤波。
它可以用于消除EEG信号中的噪声干扰、改善信噪比、增强目标信号等。
三、基于机器学习的脑电信号分析方法近年来，随着机器学习技术的发展，基于机器学习的脑电信号分析方法得到了迅速发展。
利用机器学习技术，可以从复杂的脑电信号中提取出有价值的信息，并用于脑功能研究、脑疾病的诊断与治疗等方面。
机器学习可分为监督学习、非监督学习和半监督学习等多种类型。
在脑电信号的分析中，常用的机器学习方法包括支持向量机（SVM）、决策树、神经网络等。
以脑电信号的分类为例，采用机器学习的流程通常如下：1.数据预处理数据预处理是机器学习的前置任务。
运动想象脑电的ERD/ERS分析
和 ERD / ERS 的对比有助于深刻认识事件相关 EEG 变化的特点、产生机制和应用范围。
一个内部或外部的同步事件既可以导致 ERP 发生，也能以 ERD / ERS 的形式使 EEG 发生改变。 ERP 和 ERD / ERS 从两个不同方面反映大脑内部的 神经结构。最重要的区别是 ERD / ERS 与特定的频 带紧密相关，前者与事件相位相关，因此相同或不 同的头皮位置能够同步显示量化的 ERD / ERS。许 多种类的事件（最明显的是感官刺激），能够引发 神经元群体的时间同步活动变化，称为事件相关电 位（ERPs）。探测 ERPs 多采用平均技术。假设诱 发事件或感兴趣的信号相对刺激信号有固定的、或 多或少的时间延迟，此时 EEG 被认为是附加噪声。 平均处理技术有利于提高信噪比。然而这个简单、 常用的模式仅仅是真实情况的近似。1930 年 Berger 发现一定事件能够使脑电频率中α波活动产生阻断 （或称为去同步）。这类变化相对于事件时间同步， 而非相位同步，因此不能用简单的线性方法（如平 均法）提取，但可用频率分析法检测。这意味着事 件相关现象表现了 EEG 频率的精确变化，即特定 频带中能量的升高或降低，是基础神经元群体同步 性升高（ERS）或降低（ERD）的结果。
脑电波信号分析与识别技术
脑电波信号分析与识别技术近年来，随着人工智能、机器学习等技术的快速发展，脑电波信号分析与识别技术成为了研究热点之一。
脑电波信号是大脑神经元在工作过程中产生的电活动信号，包含着人体各种思维状态的信息，如专注、冷静、惊恐、快乐等。
通过对脑电波信号的采集、传输、分析和处理，可以实现对人体思维状态的识别和预测，进而为智能医疗、智能交通、智能家居等行业提供更加智能化的服务。
脑电波信号分析与识别技术的研究领域十分广泛，包括信号预处理、特征提取、分类识别等方面。
首先，信号预处理是对采集到的脑电波信号进行滤波、去噪等处理，以保证信号的质量和可靠性。
滤波可以去除不必要的高频和低频成分，从而保留脑电波信号中的有价值信息，并减少离散噪声对识别准确性的干扰。
去噪则主要是针对脑电波信号中的各种干扰成分，如眼电、肌电等，通过数字信号处理方法进行分离和去除，以得到较为纯净的脑电波信号。
其次，特征提取是对预处理后的脑电波信号进行特征提取，以提取脑电波信号中的有用信息，并消除数据冗余。
特征提取方法的好坏直接影响到分类识别的准确性和效率。
目前，常见的特征提取方法主要包括时域特征、频域特征、时频域特征等。
时域特征主要是通过统计时间序列的各种统计量（如均值、方差等）来表征脑电波信号的特征，更能反映脑电波信号的时间演变过程。
频域特征则是通过对时域信号进行傅里叶变换，将其转换到频域进行分析和处理，反映信号在不同频段上的分布情况。
时频域特征则综合了时域特征和频域特征的优点，考虑到时间与频率因素的影响，效果更为优秀。
最后，分类识别则是将预处理后的脑电波信号进行分类和识别，以实现对人体思维状态的判断。
分类识别的方法包括传统的机器学习方法和深度学习方法。
传统机器学习方法主要包括支持向量机、决策树、朴素贝叶斯等，通过构建分类器模型来实现对脑电波信号的分类和识别。
深度学习则是利用神经网络等模型，通过对大量数据的训练，实现对脑电波信号的分类识别。
近年来，深度学习在脑电波信号分析和识别领域取得了较为显著的成果，成为该领域的研究热点之一。
脑电信号特征提取及运动识别技术
脑电信号特征提取及运动识别技术随着人类对大脑的认识日益深入，脑电信号成为了研究人类脑部活动的重要工具。
脑电信号是通过电极记录到的大脑神经元活动的电流变化，这些信号包含了大量宝贵的信息，对于理解人类的认知功能以及疾病的诊断和治疗起着重要作用。
脑电信号的特征提取是脑电信号处理中的关键环节，它通过对脑电信号进行分析和计算，提取出能够反映脑活动特征的参数。
常用的特征包括时域特征、频域特征和时频域特征等。
时域特征是对脑电信号在时间上的特性进行分析，比如振幅、波形、幅度等。
这些特征可以反映出脑电信号的振幅随时间的变化规律，从而为脑电信号的运动识别提供参考依据。
频域特征则是通过对脑电信号进行频谱分析，提取出频率分量的特性。
例如，主导频率反映了大脑神经元的同步活动状态，频谱能量反映了不同频段的能量分布情况。
通过对这些特征的提取和分析，可以准确判断脑电信号的频域特性，进而用于运动识别。
时频域特征结合了时域和频域的特性，通过在时间和频率两个维度上同时进行分析，更全面地了解脑电信号的特征。
时频域特征包括小波变换系数、经验模态分解等方法，可以提取出脑电信号在不同时间和频率上的特征，从而实现更精确的运动识别。
运动识别是脑电信号特征提取的重要应用之一。
通过分析脑电信号，可以准确捕捉到人类的运动意图，进而控制外部设备的运动。
例如，通过提取脑电信号特征来识别上肢运动的动作模式，可以为假肢、康复装置等提供精准的运动控制。
在近年来，脑电信号特征提取及运动识别技术取得了不少重要的进展。
随着计算机算力和运算速度的提升，研究者们能够利用更复杂、更精确的算法来实现脑电信号特征提取。
例如，深度学习方法的兴起，为脑电信号的特征提取和运动识别带来了全新的思路。
通过搭建深度神经网络模型，可以更有效地提取脑电信号中的抽象特征，并实现更高准确率的运动识别。
脑电信号特征提取及运动识别技术的应用潜力巨大。
它在医疗领域中有着广泛的应用前景。
例如，对于肌萎缩性侧索硬化症等运动神经元疾病的患者来说，通过分析脑电信号，可以实现准确的运动识别，从而辅助病情的判断和治疗的规划。
脑电波信号的分析与识别技术研究
脑电波信号的分析与识别技术研究脑电波信号是指人类大脑表面产生的电流/电位变化，可以反映出人类思考、感受、记忆等神经活动。
因此，对脑电波信号进行有效的分析和识别可以为人们了解人类思维行为提供有力的科学依据。
目前，随着计算机技术的快速发展，对脑电波信号的分析和识别技术研究也日益成熟，并被广泛应用于人机交互、医学诊断、神经科学等领域。
本文将重点介绍脑电波信号分析与识别技术，以及其在实际应用中的现状和未来发展趋势。
一、脑电波信号的特点及其分析方法脑电波信号通常具有低幅度、高噪声、频率复杂多变等特点。
这些特点在脑电波信号分析过程中会带来很大的困难。
因此，有效的脑电波信号分析方法必不可少。
目前，根据不同的需求，脑电波信号的分析方法主要包括时间域分析、频域分析和小波分析等。
时间域分析是一种最基本的脑电波信号分析方法，它通过显示信号随时间变化而发生的变化情况来描述信号的一般特征。
这种方法虽然不太灵敏，但是可以用来检测非常突出的特征，如眨眼、咬牙等。
频域分析则根据信号在频域上的变化情况来描述信号的频率成分和能量分布。
这种方法对于频率分布比较均匀的信号有效。
常用的频域分析方法包括功率谱分析、相干分析和谐波分析等。
小波分析则是一种较新的信号分析方法，因其简单、高效、全面而越来越受到广泛的关注。
其主要思想是将信号分解为多个小波分量，再通过对不同小波分量的分析来实现对信号的更精细分辨。
二、脑电波信号识别技术的发展现状目前，脑电波信号识别技术已经被应用于多种领域，例如人机交互、大脑控制技术、医疗诊断、心理控制以及脑机接口等。
其中最具实际应用价值的领域是人机交互和脑机接口技术。
人机交互技术是指利用人体感官和运动系统的特性来设计和开发交互式系统。
脑电波信号可以作为一种无创、可靠的人体交互接口，如基于脑电波的图像搜索、电影选择、视频游戏控制等。
同时，还有一些基于脑电波信号的神经反馈技术，可以帮助患者调整自身心理状态，如采用脑电波信号训练方法来治疗注意力缺陷多动症。
自由活动动物的脑电信号分析与识别
第２ ６卷 第 ３期 ２０ ０ ７年 ８月
Ｖ ２ ３ Ｏｌ ６ Ｎｏ
Ｊ ｕ ｎ ｌ ｆＳｈ ｄ ｎ ｎ ｖ ｒ ｉ ｆＳｃｅ ｃ ｎ ｅ ｈ ｏ ｏ ｙ ｏ ｒ ａ ａｎ ｏ ｇ Ｕ ｉ ｅ ｓ ｔ ｏ ｉｎ ｅ ａ ｄ Ｔ ｃ ｎ ｌ ｇ ｏ ｙ
ｓ ｉｎｃ ｎ ｎ ｏｒ ａ ｉ ｅ ｇｉ ｅ ｉ ｇ ｅ ｈｎ ｑ ． Ｉ ｔ ｓ ｕ ｏ ｃｅ ｅ ａ ｄ ｉ ｆ ｍ ｔｏｎ ｎ ｎｅ ｒｎ ｔ ｃ ｉ ｕｅ ｎ ｈｅ ｔ ｄｙ ｆ ＢＣＩ， ｔ ｓｇｎｉｉａ ｒ ｑｕｉｅ ｅ ｉ ｏ ｎ ｙ ｅ ｈｅ ｈｅ ｉ ｆｃ ｎｔ ｅ ｒ ｍ ｎｔ ｓ ｔ ａ ａｌｚ ｔ
ｆ ｒ ｔ ｅ ｎ ｕ ｏ ｒ ｓ ｈ ｓｓ ｕ ｄ ｒ ｔ ｅ ｃ ｎ ｒ ｌｏ ｏ ０ ｈ ｅ ｒ ｐ ｏ ｔ ｅ ｉ ｎ ｅ ｈ ｏ ｔｏ ｆ ａ ｃ ｍｐ ｔ ｒ ｈ ｓ ｂ ｃ ｍｅ ｔ ｅ ｆ ｃ ｌ ｉ ｔ ｒ ｉｃｐ ｉａ ｙ ｒ ｓ ａ ｃ ｆ ｎ ｕｒ — ｕ ｅ ａ ｅ ｏ ｈ ｏ ａ ｎ ｅ ｄ ｓ ｉ ｌ ｒ ｅ ｅ ｒ ｈ ｏ ｅ ｏ ｎ
Ａｕ ０ ７ ｇ ２ ０
； ０ ０
ｉ 舞 嚣 ，嚣 德 ｉ“ 瓣 ，￣ ， ｉ ；＇ ｉ Ｈ “ ％
自由活动动 物的脑 电信 号分析 与识别
王 敏 张 晓 张 春 峰 张 丽 君。 ， ， ，
（． １ 山东科技 大学 信息与 电气工程 学院 ， 山东 青岛 ２ ６ １ ；． ６ ５ ０ ２ 青岛开发 区第一人 民 医院 小儿科 ， 东 青 岛 ２ ６ １ ） 山 ６５ ０
ｉ ｏ ． Ｔｈｅ ｏｐ ｒ ｔ ｘ ｒ ｃ ｅ ｃ ａｒ ｃ ｅ ｉｔｃ ｂｒ ｉ ｉ ｎｇ ｆ ｏｄ ｅ ａｏｒ ｅ ｔ ａ ｔ ｄ ｈ ａ ｔ ｒｓ ｉ ａｎ ｓｇｎａｓ ｌ ｗｈｉｈ ｗ ｅ ｅ ｃ ｃ ｒ ｏｎｎｅ ｔ ｄ ｃ ｅ ｗｉｈ ｂｅ ａ ｏｒ ａ ｈｉ ｙｓｅ ｔ ｈ ｖｉ ， ｎｄ ｔ ｓ ｓ ｔ ｍ
脑电图信号分析及其应用研究
脑电图信号分析及其应用研究随着科技的发展，脑电图技术在医疗和科学领域中的应用越来越广泛。
脑电图信号是一种非侵入性的测量方法，可以记录到脑部神经元活动的电信号，并且可以在许多疾病诊断和治疗中发挥关键作用。
本文将深入探讨脑电图信号的分析及其应用研究。
一、脑电图信号的基本原理脑电图信号是一种记录脑部神经元活动的电信号。
在人类和动物的脑部中，神经元的电信号形成了一系列的脑波，并且它们可以通过头皮上的电极来测量。
一个脑电图信号包含了一系列电信号，这些信号对应着神经元的活动情况。
根据脑波的频率，可以将脑电信号分为不同的波段，例如五种主要的波段：δ波（频率在1-4 Hz）、θ波（频率在4-8 Hz）、α波（频率在8-13 Hz）、β波（频率在13-30 Hz）和γ波（频率在30-120 Hz）。
每种脑波的频率和特征表明着与之相关的神经元活动。
二、脑电图信号分析方法脑电图信号分析方法是用于对脑电图信号进行处理和分析的方法。
目前，常用的脑电图信号分析方法包括时间域分析、频域分析和时频分析。
时间域分析主要对脑电图信号进行时间序列分析，例如平均值、标准差、自相关、互相关等。
这种方法适用于对脑电图信号的基本状态和变更进行统计分析。
频域分析主要对脑电图信号进行频率分析，检测脑波的存在频率和功率。
这种方法适用于提取特定频率段的脑波信息。
时频分析则是一种联合时间域和频域分析方法，它可以给出脑电图信号在时间和频率上的详细变化。
三、脑电图信号分析的应用1. 脑电图信号在临床上的应用脑电图信号在临床上的应用非常广泛。
医生们可以通过脑电图信号检测患者的脑波状态，分析脑电波的特征和频率，从而对许多疾病进行诊断、治疗、评估和监测。
一些脑电波异常和频率的变化与多种疾病相关，例如：脑震荡、帕金森病、抑郁症和癫痫等。
2. 脑电图在认知科学中的应用脑电图可以通过记录脑波的特征来研究人类和动物的认知行为。
认知科学家们通过脑电图信号揭示脑部神经元的活动，比如研究注意力、感知、学习、记忆、意识和智力等功能。
脑电生物信号的分析与处理
脑电生物信号的分析与处理脑电生物信号是指由大脑神经元发出的电信号，这些信号可以通过脑电图（EEG）进行测量与分析。
脑电生物信号的研究涉及到多个学科领域，包括生物医学工程、神经科学、心理学等。
本文将从脑电生物信号的信号采集、信号处理、信号特征提取等方面进行分析和探讨。
一、脑电信号采集脑电信号采集是指通过脑电图仪器对人体的大脑神经元发出的电信号进行记录和采集。
脑电图的原理是利用电极来记录头皮表面上的电位变化。
在记录脑电图时，需要使用一定数量的电极，并将它们安置在头部上以测量大脑中不同区域的电信号。
同时，还需要使用一定数量的参考电极，并将它们放在身体其他部位的表面上，以便计算不同电极间的电位变化。
脑电信号采集对电极的数量、离散度以及电极的布置有严格的要求。
一般来说，采集信号的电极数量越多，能够捕捉到的脑电信号就越精细。
此外，为了防止干扰信号，需要将电极布置在头皮上，从而避免身体的其他部位对信号的干扰。
二、脑电信号处理脑电信号采集后需要对信号进行处理，以便进一步分析和提取特征。
信号处理的方法有多种，其中常用的方法包括时频分析、小波变换、频率滤波等。
时频分析是一种将时域和频域相结合的信号分析方法。
通过时频分析，可以将脑电信号分解为不同的频段，并且可以确定在不同频段内的信号能量大小。
通过时频分析可以更好地了解脑电信号在不同频段内的分布特征，从而便于更深入地了解大脑的功能。
小波变换是一种对信号进行频域分析的方法。
通过小波变换，可以将脑电信号分解为多个不同频率的信号，每个分解分量都包含不同频率范围内的信号信息。
小波变换可以进一步提取不同频段内的信号特征，从而更好地研究脑电信号的时域特性。
频率滤波是一种对信号进行去除干扰的方法。
在采集脑电信号时，由于身体其他部位的生理活动和环境噪声等因素，会产生一些干扰信号。
通过频率滤波可以将这些干扰信号去除，从而保证采集的脑电信号的真实性和精准度。
三、脑电信号特征提取脑电信号经过采集和处理后，需要进一步进行特征提取。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
Vol. 26 No. 3 Aug. 2007
Journal of Shandong University of Science and Technology
44
N a t u r a l S c ie n c e
自由活动动物的脑电信号分析与识别
王 敏 ,张
成为神经科学与信息工程技术交叉学科的热点课题 , 分析行为 活动中的 脑电特 征是 BCI 研 究中的 一个重 要内容 。 利用 自制金属微电极通过多道生理信号采集处理系统采集大鼠脑电局部放电 , 提取出与特 定行为 ( 抓食 ) 相关的 脑 电活动特征信号 , 为大脑对行为的控制研究提供 了一个有效的方法 。 关键词 : 脑电信号 ; 微电极 ; 局部场电位 中图分类号 : T N98 文献标识码 : A 文章编号 : 1672 - 3767( 2007) 03 - 0044 -04
中 , 需要视具体情况每隔 30~ 60 min 补充一次麻醉 剂 , 以维持动物的麻醉深度。之后将大鼠头部固定 在立体定位仪上 , 剪去头皮上 的毛发, 切开头部皮 肤 , 暴露颅骨 , 用手术刀刮去颅骨覆着的骨膜暴露颅 骨。待颅骨表层完全干燥后 , 用立体定位仪准确定 位。前肢 运 动 区 M 1: 中 线 旁 2 0 m m, 前 囟 1 0 m m 。在定位点处用直径为 1 mm 的颅骨钻打孔[ 6] , 以刚穿透颅骨为度, 将自制的微电极推进器缓慢植 入。此时可以连接多道生理信号采集系统以观察脑
2
数据采集和信号处理
试验记录时 , 大鼠脑电经微电极导线连接到多
道生理信号采集处理系统 ( 成都仪器厂制造) , 经电 脑显示波形, 采样频率为 40 kH z 。由于脑电信号非 常微弱 , 一般在 2~ 300 V, 且信号的源阻抗高, 易 于受外界的干扰, 因此在微电极放大器后要加高通 滤波, 这样可以将直流分量滤除 , 以避免直流分量在 后面电路的放大。同时 , 由于脑电波中含有大量的
山东科技大学学报
自然科学版
50 H z 工频干扰 , 必须予以滤除。上面参数均可在 多道生理信号采集处理系统的 软件界面中予 以设 置。本试验选择扫描速度为 100 ms/ div; 时间常数 0 02 s, 即高通滤波的截止频率为 8 H z, 尽可能多的 保留了低频成分 ; 由于信号的有效成分较低, 故低通 滤波的截止频率选择 10 kH z, 以滤除高频干扰。 通过多次与图像采集系统记录的大鼠行为图像
Abstract: Br ain - computer interface focused on r eco gnizing the featur es of cognit ion and generat ing co mmand sig nals for t he neur opro sthesis under the co nt rol of a computer has beco me t he focal interdisciplinar y research of neur o science and infor mation eng ineering technique. I n the study o f BCI, t he sig nificant requir ement is t o analy ze the char acter istic bra in signals. So, w e implanted a m icroelect rode made by o ur selves into rat s br ain pr imary mo vement ( M 1) and established a sy stem to recor d the r at s brain lo cal field po tent ial, w hile the r at was freely mo ving and eating foo d. T he operator ex tracted char acteristic brain sig nals w hich w ere connect ed w it h behavior , and this system supplied a met ho d to research how br ain to contr ol behavio r. Key words: EEG; micr oelectr ode; L FP
1
1. 1
实验材料和方法
金属微电极的装备 微电极 装备包括微电极和微驱动器两部分。
[ 5]
电极丝为直径 30 m 聚酯包被铜丝, 绝缘漆包被后 套入直径 50 m 石英柱。电极尖端斜面 5 ~ 7 , 直 径约 10~ 15 m , 如此细的尖端可以减少植入电极 对脑组织的损伤。植入前用化学镀方法镀银 ( 用自 制电路测量尖端电阻在 0 8~ 1 M ) 。在微电极的 制作过程中, 采用共模输入方式, 即将记录电极与参 考电极的位置紧贴在一起, 仅在露出尖端的长度上 略有差异 , 改变了传统方法中将参考电极紧贴动物 颅骨的做法, 这样既减少了动物活动时肌电带来的 干扰, 又能有效地减少工频电流干扰。微驱动器主 体为长 25 mm 空心圆柱体, 内杆在尼龙螺丝的驱动 下推动包裹在不锈钢管内的微电极上下移动, 微电 极螺杆每旋 360 , 电极向下或向上移动 330 m, 并 可根据需要设定最大推进距离。微驱动器与电极重 量约 0 8 g 。 1. 2 动物准备与外科手术 成年 SD( Sprague - Daw ley) 雌性大鼠( 200~ 250 g, 购自青岛市药检局) , 根据试验要求设计了动物训 练方法 : 训练前 2~ 3 天大鼠限制饮食 , 不限水。训 练期间, 大鼠放在透明塑料试验箱中, 箱内放置一有 1 cm 缝隙的木薄板将箱子隔开, 使动物学会用一侧 前肢经 1 cm 缝隙获得置于木板另一侧平台上的食 丸。如果大鼠 没有抓住食丸或 不是用前肢均 为失 败, 成功率 = 成功用前肢抓取次数 / 总次数。训练时 间为一直到大鼠学会唯一用前肢取食, 再进行下步 外科手术。 外科 手术 首 先用 10% 水 合 氯醛 麻 醉 ( 4 ml/ kg ) , 麻醉深度以用指甲掐大鼠后肢无敏感反 应为 度, 待完全麻醉之后 , 即可开始手术。在手 术过程
1
晓 , 张春峰 , 张丽君
1
1
2
( 1. 山东科技大学 信息与电气工程学院 , 山东 青岛 266510; 2. 青岛开发区第一人民医院 小儿科 , 山东 青岛 266510)
摘
要 : 通过脑电信息识别意识 行为并 控制外 围设备运 行的脑 机接口 ( Brain - com puter interface, BCI) 技术 研究 已
[ 4]
敏 ( 1959 -) , 女 , 山东诸城人 , 教授 , 博士 , 博士生导师 , 主要从事生物医学工程研究 .
王 敏等 自由活动动物的脑电信号分析与识别
Journal of Shandong University of Science and Technology
45
N a t u r a l S c ie n c e
通过脑电信息识别意识行为并控制外围设备运 行的 脑 机接 口 ( Brain - com put er int er face, BCI ) 技 术 研究已成为神经科学与信息工程技术交叉学科 的热点课题。BCI 研究的关键是检测受试主体在自 主行为及意识的控制下产生的放电 , 对脑电信号与 行为之间相关性进行分析。根据获取脑电活动信号 的方式可以分为有创伤式和无创伤式。目前, 脑电 图是应用最多的无创伤式采集 脑电活动信号 的方 式, 它的优点是无损, 能简单地实现脑机交互, 易于 被用户接受, 但信号模糊 , 不能够精确定位, 受环境 干扰影响大。有创伤式操作[ 2] 基本上都应用于基础 [ 3] 性研究的动物实验中 , 例如 A rieli 等在猫视 皮层 植入单电极记录到频率不超过 20 H z 的局部场电位
图 3 皮层前肢运 动区的脑电信号图 ( 大鼠 1) Fig. 3 Electr ical sig nal fr om r at s fo rear m pr imar y mov ement ( rat 1)
图 4 皮层前肢运 动区的脑电信号图 ( 大鼠 2) Fig. 4 Electr ical sig nal fr om r at s fo rear m pr imar y mov ement ( rat 2)
图2 埋置微电极图
F ig. 2 T he micr oelect rode embedded
1. 3 动物实验 根据前肢运动区与前肢运动的关系, 设计了在 大鼠用前肢抓取食物时记录前置运动区单位神经元 的动作电位信号。大鼠进行手术后恢复 4~ 5 天 , 期 间通过多道生理信号采集处理系统确定电极有稳定 的信噪比、 良好的记录性能。在大鼠进行实验时 , 限 制其进食 12 h, 然后将其放入实验箱 中, 将多通道 采集系统的连接线与大鼠头部的电极连接 , 等大鼠 适应导线后 , 开始记录信号 , 同步记录脑电信号和大 鼠行为图像 , 注意观察脑电信号变化与行为的关系。
收稿日期 : 2007 - 05 - 20 基金项目 : 山东省科技发展计划项目 ( 041120101) 作者简介 : 王
[ 1]
信号 。 研究采用长期植入的金 属微电极采集 神经元 单 ( 多 ) 细胞峰电位以 及局部场电位 ( local field po t ent ials LF P) , 能够精 确地在皮层定 位。利 用自制 的金属微电极经过多道生理信号采集处理 系统试 验记录了大鼠的脑电局部场电位和单或多 细胞放 电峰电位 , 通 过图像 采集系 统研究 动物 在抓取 食 物这一特 定行为 时大脑 活动 电信号 的变化 , 提 取 出与行为 相关的 脑电的 特殊 放电模 式, 能够更 深 入地了解大脑在某一特定行为下相关脑区 的神经 元放电模式和协调机制 , 作为脑机接口 ( BCI) 研究 的初步探索 ( 图 1) 。