视觉诱发电位提取解读

视觉诱发电位提取解读 目录 摘要 .................................................. 4 abstract .............................................. 5 第一章 前言 ........................................... 6 1.1课研究的背景和意义 ............................. 6 1.2课题研究概况 .................................... 6 1.3小波分析的优势 .................................. 7 1.4本文研究与结构安排 ........................... 8 1.5总体实验及软件 ............................... 9 第二章 数据采集....................................... 11 2.1大脑各个分区功能................................ 11 2.2电极帽 ......................................... 11 2.3测试环境及对象 ................................. 13 2.4 采集设备....................................... 14 第三章 小波分析去噪 ................................... 17 3.1视觉诱发的电位的主要提取方法 .................... 17 3.2累加平均法 ..................................... 17 3.3小波分析法 ..................................... 18 3.4实验思路 ....................................... 19 3.5实验结果 ....................................... 20 3.6实验分析 ....................................... 23 第四章 视觉诱发电位的识别 ............................. 25 4.1 SVM分类器 ..................................... 25 4.2 SVM的分类器的基本原理 .......................... 25 4.3 RBF核函数 ..................................... 27 4.4 libsvm工具箱 .................................. 27 4.5实验过程及结果分析 .............................. 27 第五章 总结与展望 ..................................... 29 参考文献 ............................................. 30 致谢 ................................................. 31 摘要 基于瞬态视觉诱发电位在脑-机接口研究的中，通过视觉诱发电位信号的提取与识别产生脑-机接口控制信号。在强噪声环境下利用累加平均法和小波滤波提取微弱的视觉诱发电位。在小波变换域中计算特征向量，特征向量输入SVM分类识别，判断是否为视觉诱发电位。实验结果明，小波分析法和累加平均法相结合可以有效的去除噪声得到视觉诱发电位信号;SVM分类器识别算法可以有效识别视觉诱发电位。 关键词:视觉诱发电位;脑-机接口;小波变换;SVM分类器 abstract Based on the transient visual evoked potential in the study of brain computer interface, the control signal of brain computer interface was produced by the extraction and recognition of visual evoked potential signal. This experiment used averaging method and wavelet filter to extract weak visual evoked potential in the strong noise environment. Feature vectors are calculated in wavelet transform domain and they are input to SVM classification, to determine whether the signals are the visual evoked potential or not. The experimental results show that the combination of wavelet analysis and the cumulative average method can effectively remove the noise and get the visual evoked potential signal;.SVM classifier recognition algorithm can effectively identify the visual evoked potential. Key words: visual evoked potential; brain computer interface; wavelet transform; SVM classifier 第一章 前言 1.1课题研究的背景和意义 诱发电位(Evoked Potentials):人体的神经中枢在受到外界的刺激后会在大脑皮层所对应的区域发生的特定和刺激有关的生物电位变化，这种生物电变化就 [1]是诱发电位。自发脑电信号是人体在无刺激时头皮上能够采集到的所有电位的 [2]变化—自发脑电信号。由于医学近年来的突飞猛进，关于诱发电位的各种研究也越来越多，给神经系统的病变检测提供了可靠，高效的检测方法。诱发电位是临床神经生理学在近现代取得的重大进展，可以用于帮助医生确定患者的神经系 [3]统功能是否正常，同时也可以用于检测一些神经网络的状态。 视觉诱发电位(Visual Evoked Potentials,简称VEP):大脑皮层诱发电位中的一种，对脑部枕叶区上的视觉诱发电位的检测，可以准确反应视觉灵敏度，准确显示是否有病变存在于视觉通路。在临床上可以已经在应用于帕金森症火视神经压迫性病变和代谢性疾病的检测判断，VEP也能够对不能合作检查的婴幼儿进行简单高效的检测。在手术中视觉诱发电位也用于前视通路的检护，防止手术中病人出现视神经的损伤。 数据显示，自发脑电电压50μV左右，而视觉诱发电位一般较弱，电压小于25μV，所以再采集过程中很容易混入自发脑电(EEG)，，影响检测数据的分析，所以传统一般采用叠加平均的方法，通过增加叠加次数取平均值，提高信号的信噪比。一般情况下想得到理想的实验结果，可能需进行几百次，乃至上千次的累 [4]加，然而过多的实验次数会导致人脑神经的疲劳和视觉诱发电位改变。因此，何在少量刺激次数提高获取波形质量是近期的研究重点。 随着科技的进步与发展，计算机更加广泛的用于脑电信号的分析识别，但多数针对于研究脑电与脑机接口，对于VEP研究分类较少。在医疗中，对VEP的是否正常的判断多半通过有经验的医生进行经验判别，判别效率低准确率得不到保证。为了帮助医生预测，诊断疾病，对VEP的提取方法的研究是非常有意义的。 1.2课题研究概况 从七十年代起国外将各式滤波方式用于VEP的提取，早期是主成分分析法，AR模型，子空间法，到后来的独立分量分析法，自适应滤波，累加平均法，混 [5]沌分析法，小波分析等。为了扬长避短，提高提取的效率，已经有众多学者将多种方式相结合，能够改变单一方法的局限性。刘洋团队在使用遗传算法的同时结合独立分量分析实现了快速准确的提取诱发电位;袁建萍团队结合小波变换对信号进行分解重构去除噪声尺度实现了动态中可采集听觉诱发电位;陈亚光团队先使用子空间法去噪，再使用小波滤噪后提取诱发电位信号，提取效率是传统方式的五倍。随着信号处理技术的提高和成熟，多种提取方法的结合也在进一步改善和提高中。 1992年S.L.Swihart团队使用相互交替闪烁的三种不相同的颜色图像作为视 [6]觉刺激，分别采集色盲患者和正常人的视觉诱发电位。然后先将采集到的波形与振幅做归一化的处理，并使用神经网络构筑分类器对信号进行分类，此方法可以辨别是否为色盲。2011年HubertCecotti设计在两个隐藏层之间的傅里叶快速变化组成了一种新的卷积神经网络结构。该系统优于其他很多经典神经网络，他不用网络拓扑知识或特殊的预处理在信号分类的时候，对不同的五种类型的视觉诱发电位识别准确率高达95.61%。Aysegul guven使用广义判别分析对视觉诱发电位信号进行预处理从而提升了神经疾病分类辨别的准确度，其中采用了现行判别分析(LDA)，准确率93.86%;人工免疫识别系统(AIRS)，准确率81.25%; [7]C4.5决策树分类器，准确率93.75%;LM反向传播算法，准确率93.75%。 伴随计算机技术愈发快速的发展和使用，含有各种生理和病理信息的脑部诱发电位的采集，提取和研究也会愈加凸显它的应用价值，愈加完善和精准的信号处理采集技术也会广泛应用在临床医学诊断与病人的医疗中。 1.3小波分析的优势 不管是在生物医学领域中的脑电，心电等信号的提取，还是大型设备状态监测，故障信号诊断时的信号获取时，都会因为噪声的干扰造成所需信号的严重变形，使获得的信号不能作为诊断依据不能实现监测诊断的功能，因此，需要先将所需信号从复杂的噪声环境中单独提取出来，才能对它的特点和属性加以利用。所以去除噪声是现实环境提取目标信号的首要任务。依据噪声环境的统计数据和频谱分析的可以得出噪声的特性:噪声的能量一般比较集中且多数存在于高频段的有限区域内。傅里叶变换在去除掺杂有白噪声的原信号时，容易出现处理噪声后的信号的噪声变化更加尖锐，信号的边沿变的更加模糊。对于提取信号的局部化特征保存困难，而小波变换具有“数学显微镜”的功能，能够较好反映信号在 不同频段的局部特点，在去除噪声的时候保留细节信息。 小波分析去噪相比于傅里叶变换有许多特性和优势: 1(低熵特性:小波系数的分散特征能够相对减弱使用小波变换信号熵的产生。 2(多分辨率性:能够良好的表现信号的非平稳特性，列如断点等。 3(去相关特性:对比于在时域分析去噪时，小波分析能够有信号良好的相关特性，同时能够使采取变换后的噪声白化的特性明显。 4(小波基的多样性:小波分析能够根据信号的特性和特定的分离噪声的需求， [8]在各种小波基函数中选择最优解。 小波分析信号去噪声的方式是从含有噪声的信号X(X=y+m,m为噪声信号)变换后得到信号y的逼近信号y’，同时使得y’在特定的误差估计中为y的最优逼近。小波变换的方式属于线性变换，在去除噪时选择恰当的小波变换尺度，对含有噪的的信号先采取小波变换处理，再依据对原信号X的具体实验要求选取各个尺度下的小波系数，把噪声能量主要集中的频段去除，然后将弃除噪声后剩下的频段逆变换，重建信号，最终可以得到去噪结果。 1.4本文研究内容与结构安排 在基于脑机-接口视觉诱发电位(VEP)提取研究中，要求尽可能准确，快速的采集到VEP信号，同时要将噪声分离。为提VEP信号，需先将信号利用小波分析分解到多个尺度，分析噪声能量主要分布频段和视觉诱发电位能量主要集中频段，选取能够良好反应特性且能量相对集中的频带设计小波时频滤波器。同时运用较少次数的累加平均，以增强信号的性噪比，得到视觉诱发电位信号。 第一章:绪论，简要的介绍视觉诱发电位信号研究的背景，意义和国内外研究概况。 第二章:实验VEP数据的采集方法。 第三章:对信号进行小波分析去噪。 第四章:使用SVM分类器对去噪后的信号进行辨别，判断是否为视觉诱发电位信号。 第五章:总结与展望。 1.5总体实验流程及软件 MATLAB:是一个包含大量计算算法的集合。其拥有大量实际工作中经常用到的运算函数，能够快速的帮助使用者完成的多种多样的运算任务。并且在各种函数中采用的运算方法都是科学研究中的前沿的科研成果，并且进行了大量检验和优化。在同样的运算要求中，运用MATLAB进行编程可以大大减轻工作量，提高工作效率。MATLAB中包含大量函数集和工具包，比如矩阵，傅里叶变换，小波分析，神经网络等。 图1-1 整体实验流程图 1.先将实验采集到的数据导入matlab，进行数据处理，去除前51253个采样 点的无数据段，再将每1500个采样数据作为一个列向量的数据段。 2.已经对齐的十个数据段进行累加平均，得到初步去噪信号。 3.将初步去噪信号小波分解到七级，并画出细节信号，逼近信号。 4.去除噪声频段，提取d5,d6,d7的细节系数重构信号并绘图。 5.将采集到的数据每五段累加去并小波去噪得到的40个训练样本集信号标为1，采集40段非VEP信号作为错误样本标记为0。 6.将信号输入SVM分类器，利用RBF核函数进行识别。 7.当输入信号与视觉诱发电位信号特征相似时训练后的分类器会判定为1，反之当输入信号与非视觉诱发电位相似时，分类器会将其标零。 8.将预测值的标签与原信号的标签比对，得到预测的准确率。 第二章 数据采集 2.1大脑各个分区功能 基于运动起始视觉诱发电位的脑机接口，特征为在闪烁的图像对视觉进行刺激后，脑皮层会发生与之对应的电位变化，再通过采集数各种数据，判别出与之对应的响应发送给相应的设备执行。 所以要在自发脑电干扰的复杂噪声环境中提取视觉诱发电位信号需要先对大脑不同功能区进行了解，找出与视觉功能对应的区域，方便使用电极帽采集世界电位信号。 图2-1 大脑皮层功能分区 根据以往研究资料表明，与视觉功能相关的为枕叶区如图2-1。当眼睛受到光线和事物运动变化的刺激时会产生视觉信号的神经冲动传输到大脑皮层的枕叶区。所以数据采集时的脑机接口应设大脑皮层该区域，使用电极帽时即为电极帽的o,o,o极。 12z 2.2电极帽 图2-2 电极帽电极分布 实验数据采集使用的设备为Brain Products公司的电极帽，该电极帽共包含六十四个通道，电极帽的电极分布如图所示。由大脑各部分功能分布可知，视觉诱发电位信号多数集中在人体后脑枕叶部分，因此实验时只用使用三个波形相似的Oz,O,O。由于O电极位于人体枕叶区中部，测量精确度最好，所以实测时一12Z 定要保证Oz的连接良好以确保测量的准确度。同时也要连接接地与参考电极，保持测量值得准确性。其他电极在本次实验中与视觉诱发电位信号没有关联，为了简化数据，不予连接。 由于脑电信号比较微弱，所以采集时为了减小大脑皮层与电极帽各个电极之间的电阻，需要仔细涂抹导电胶，导电胶涂抹的好可以将电阻减小到要求范围内，提高采集信号的信噪比。 图2-3 涂抹前的电极 图2-4涂抹后的电极 本次实验主要采集数据最准确的电极Oz数据，将O数据作为对比组.在涂抹2 导电胶后，Oz，O与大脑皮层间阻抗减小达到实验要求。 2 2.3测试环境及对象 本次数据采集时，受试对象为23岁男性，视力正常无色盲等疾病。测试环境为较为昏暗，安静的实验室中，受试者主要精力要集中与面前显示屏。实验时 屏幕上会出现重复闪烁的图像刺激，300ms一次闪烁，一组十次闪烁，收集十组每组测试中间休息一分钟左右。 2.4 采集设备 脑电数据的采集根据Brain Products公司的设备(如图2-5)组成: (1)两个32通道的信号放大器。 (2)光纤信号转换器USB Adapter。 (3)一台直流稳压电源供电 (4)一台记录数据的主机(Recorder软件)。 图2-5 设备组成 图2-6 实验调试中 图2-7 Oz与O信号 2 使用 Recorder 软件进行数据记录采集过程如图所示，每1500点会标记一个 mark，以便于数据的处理分析。图2-7中为O信号，信号干扰较大，Oz为下 2 方信号信噪比较高。 第三章 小波分析去噪 3.1视觉诱发的电位的主要提取方法 相比于自发脑电，脑诱发电位可以提供更具体，更多的脑部信息，所以诱发电位有良好的临床研究前景，但因为在提取诱发电位信号时信号微弱，不但有较强的自发脑电还有环境噪声混杂其中严重影响提取与分辨。为了能够获得高质量低噪声的诱发电位信号本文采取传统的小波分析同时运用累加平均法进行去噪 [9]提取。 3.2累加平均法 目前普遍的应用于临床诊断与研究，对受到刺激后每一次收集到的信号多次的累加加平均，一般情况下伴随累加的次数的增加，信号的信噪比会逐步增高。但需要满足条件: (1)原信号的噪声为随机信号并且方差确定。 (2)视觉诱发信号相互不相关。 (3)每次刺激所产生的刺激与电位是时间直接锁定的。但在实际情况下，多次刺激人体感官，易发生疲劳反应，且同时有诸多外界干扰银锁，难以满足条件，因此叠加平均法有非常大的局限性。 方法:保证实验，环境和方法一致时对人体进行多次刺激同时收集每一次诱发电位，将各次收集的波形在时间轴上对齐同时累加平均。 第i次得到信号的累加平均: r(t),s(t)，n(t)ii i,1,2,3？N (3.1) s(t)为视觉诱发电位信号，ni(t)表示第i次所收集到的噪声信号，i为所收集到信号的序号。N次累加平均信号为: NNN11r(t),(s(t)，n(t)),,,iiNN,,,111iii (3.2) 3.3小波分析法 1t,b,,wt(a,b),m(t),dt,,m(t),,(t),(3.3),,mab,aa,, 小波分析法中，小波指的是小的波形，小为描述的是衰减性，小波变换是时间(空间)频率局部化得分析，广泛用于模式识别，奇异值检测，频域去噪等领域，通过伸缩平移运算对信号采取不同尺度的细化，以实现低频段对频率的细分，高频段对时间的细分。小波分析优点是能够将期望信号体现在少数系数上，能够把目标信号能量集中，可以在一定程度上减少噪声能量，增强最终结果的信噪比，特别适用于如脑电信号常随环境，及精神因素发生瞬态变化的信号的处理。 设m(t)是可积函数，y(t)为小波基的函数有 1t,b,,,(),(3.4)t,,,abaa,, 上式表示的时m(t)的小波变换，其中位移因子b的值时可正可负的，a是尺度因子要求a>0，为内积。 为尺度伸缩和小波的位移;尺度因子a的变化会导致窗口的形状，宽窄变化，并且会使波函数的频谱构造发生变化;而随着b的变化，能够在不同时段分析信号的成分，所以能够在时域和频域分析局部信号。不同尺度的小波变换相当于在用多个不同频段的带通滤波器对输出信号滤波 , 频带宽度会伴随着中央频率的变化而随之进行调节, 中央频率越低则其频带宽度越小 ,中央频率越高则其频带宽度越大, 能够同步分辨出出信号的低频缓变部分和高频突变部分。 信号f(x)从j尺度到，j+1尺度逐步分解的过程 ddAf,h(k,2n)Af(3.5) ,j，1j k dDf,g(k,2n)Af,j，1j (3.6) k df(x),Af设原始信号f(x)?Vo，即， 通过逐步分 解可得到: 0 jddfx(),Af,Af，Df,j01 (3.7) j,1 dddfA和可重构即上AfDfAf,h(n,2k)Af，g(n,2k)Dfj，1jjj,,，1j，1j，1kk 述小波分解是一个递推分解的过程，如图，图中和分别表示J尺度上分解ADjj [10]得到的逼近信号。 图3-1 小波分析示意图 3.4实验思路 提高信噪比是视觉诱发电位信号提取的核心。 一般情况下小波分析中常使用的去噪方式为阈值去噪 , 对于原始信号实行小波分解 ,然后在信号重构的同时将所小于阈值的小波系数置为0。 然而阈值去噪的方法并不适用于视觉诱发电位的去噪 , 由于视觉诱发电位的能量较小，幅值较低，远远小于自发脑电信号和环境噪声 。因此在视觉诱发电位的提取中 ,比较快速简洁的方法时把噪声主要集中的尺度丢弃，选取能够反映视觉诱发电位主要特性的几个尺度上的细节或逼近信号重构，以此来提取目标信号,去除环境噪声和自发脑电提高信噪比 。 视觉诱发电位信号(VEP)与外界刺激之间存在对应关系，实验时基本每一次刺激都会使波形产生变化。一般情况下VEP信号与环境噪声不相关(去噪前提) 每次刺激激发的视觉诱发电位信号波形较为类似 。因而在时间轴上先对齐各次VEP并采取累加平均处理, 能够在一定水平上改善信噪比。平均信号的波形可以在一定程度上表现VEP的波形特点 。实验中选取的小波为正交小波 Daubechies 5阶。Db5小波波形特征和视觉诱发电位信号相似程度较高。 3.5实验结果 图3-2 原信号(三段) 1.先对实验采集到的信号对齐如图3-2，进行 10次累加平均得到初步去噪信号如图3-3 图3-3 10次累加平均 2.对累加后的初步信号采取小波分解，分解级数为7级得到逼近信号和细节信号。(如图所示 , 纵轴为幅值 , 横轴为采样点数) 图3-4逼近信号(从上至下依次是小波分解后d1-d7级) 图3-5细节系数低频信号(从下上为a1-a7级) 图3-6 小波去噪后的信号 图3-7

标准

excel标准偏差excel标准偏差函数exl标准差函数国标检验抽样标准表免费下载红头文件格式标准下载

视觉诱发信号 从小波分解的后波形特征可以看出,在高频段 (d1 , d4)主要是自发脑电频段,a1-a7为低频段的噪声干扰。依据得到的累加平均信号和VEP信号的特点能够了解到，刺激后的视觉诱发电位主要能量集中于d5- d7。这三段频带能够良好的体现视觉诱发电位信号的特点。所以小波时频滤波器的具体设计思路是，使用Mallat 算法对原始信号先采取小波分解 ,分解级数为 7 级 ,再去除其中环境噪声和自发脑电的频段，选取细节信号d5,d6,d7的小波系数重够信号。在一般情况下脑机接口研究, 并不需要精确重构原始信号波形 ,因此本实验的采用较窄的滤波频带 。因为采集到的每一次的原始信号噪声比较大,所以使用单次原始信号提取视觉诱发单位难以实现，为了能够进一步稳定，准确提取视觉诱发信号 ，结合传统方法先采用较少次数的累加平均，提高一定信噪比, 在对初步处理的信号上再进行小波分析，会有更好的提取效果。 3.6 实验分析 用上述的小波分析结合累加平均方法对原始信号进行处理提取视觉诱发电位信号。所有图中纵轴是幅值 , 横轴是采样点数，原始信号通过 10 次的累加平均处理 , 再进行小波分解重构。从最初信号波形不难看出视觉诱发电位信号 被噪声和自发脑电覆盖，难以辨别和提取。累加平均10次后 , 波形毛刺变少，信号的信噪比有一定增强,但仍有一部分噪声存在信号辨别。第一次处理后的信号通过采取小波分解，去噪，重构后。视觉诱发电位波形特点明显, 可以轻松辨认出视觉诱发电位信号 。 第四章 视觉诱发电位的识别 4.1 SVM分类器 支持向量机(support vector machine),。支持向量指的是支撑面上的向量点，其功能为将两类类别区分开;机，表示的一个算法。支持向量机是基于统计需建立起来的机器学习方法，以寻求风险最小的机构化为核心来提高机器学习能力。SVM能够最小化经验风险，缩小置信区域，可以实现当样本容量较少时，也能取得较好的统计规律。 4.2 SVM的分类器的基本原理 SVM的基础是分类边界。当数据划分时先训练所有分布在平面上点，各个点依照其分类特性分布在不同位置，经过训练寻找到不同类别的边界线。当边界线是直线时为线性划分，当边界线是曲线时为非线性划分。 对于线性不可分时，采用把低围输入空间曲线映射到高维的空间，在高维空间使用线性算法实现其对样本的线性可分。 (1)线性最优分类超平面 最初SVM的提出是为了解决模式识别中的线性可分问题。设样本集为 n，,依据n的类别分为两个子集。若存在,,(m,n)(i,1,2,...N,X,R,n,,1.1)m,mii ，,,一个单位向量和一个常数c满足式4.1，则对于超平面可分。 m,m ,,mc,,,,(4.1) ,，mc,,,,, ,对于向量可以得到式4.2 ，,c,,m,()min，1,(4.2), ,cm(,),min，,,2, 寻找一个a，使(4.3)最大 c,c12,(,),,,,1(4.3)2 根据上式确定超平面分开两类样本，具有最大间隔，称为最大间隔超平面， 如图4-1。 图4-1 线性可分问题的最优超平面 (2)支持向量模型 实际情况中有许多问题都是线性不可分的，根据线性可分问题进行推广，可以将非线性样本输入高维空间p，在高维空间p中求最大间隔超平面。在高维空 ,间中构建一个函数t使，如此不需要了解法人形式，只m,m,,(m),,(m)ijij 需在高维空间用输入空间的特殊函数中计算其内积。这种特殊函数t——核函数。 目标函数为(a为Lagrange算子) NNN1 maxP(a),a,nnaatm,m4.4，，(),,,iijijij2i,,,111ij N na,0,a,0,a,0,i,1,2...N,iiii i 判别函数为 N** f(x),yatm,m，b(4.5),iii,1i(3)支持向量机分类器的优点 当样本容量较小时，也能够准确地完成线和非线性划分。避免维数灾难，性 依靠靠近边界的支持向量确定边界，不依靠样本空间的维数。根据较少的靠近边界的支持向量做最终决策，能够帮助我们去除冗余样本，只关注关键样本。 4.3 RBF核函数 支持向量机是以统计学习为核心的机器学习算法，能够通过选用核函数在高维空间计算内积，高效的实现对线性不可分的问题的分解。本次实验选用的核函数是径向基核(RBF): 2x,xi (4.6) (,)exp()Kxx,,i2, ,径向基函数的外推能力伴随分母上的变大二减小，径向基函数也可以良好的反应信号局部的特征。 4.4 libsvm工具箱 libsvm为台湾教授林智仁带领团队研发的方便，高效的SVM模式识别工具箱。libsvm工具箱中有系统可执行的编译后的文件，同时也包含源代码方便改进和应用。该工具箱包含了许多默认参数，用户使用时可调用默认参数分析问题，关于SVM的参数调节较少，同时工具箱还具有交互检验的功能。该工具箱能够解决C-SVM、ε-SVR等一系列模式识别问题。 使用步骤: (1)依据实验准备数据集。 (2)进行特征值归一化处理。 (3)选用RBF核函数。 (4)选取交叉验证参数C和g。 (5)将数据输入训练构建支持向量机模型，并进行预测。 4.5实验过程及结果分析 (1)实验过程 1.将原信号每五段做累加平均得到40个样本，再将累加平均的信号进行小波去噪的到40个小波去噪的样本。 2.在MATLAB中选用RBF核函数构建SVM分类器。 3.将采集到数据作为样本信号分为原信号输入SVM将处理后视觉诱发的信号段标1，非视觉诱发电位信号标0供机器识别。 4.将两组数据输入SVM进行训练。 5.得到准确度。 (2)结果分析 图4-2 叠加结合小波的预测实验结果 实验中为了比较累加与小波分析去噪，进行了多次实验如表 叠加1次 叠加2次 叠加3次 叠加4次 叠加5次 叠加结合小波 预测正确率 65% 66% 67.50% 67.5 72.50% 80% 图4-3 预测准确率 图4-2中纵轴为识别率，横轴为实验方法。结果表明用上述方法去噪后，伴随叠加次数的增多分类器的识别率会缓慢增加，为了得到更高识别率需要大量增加叠加次数。而累加平均五次后结合小波分析的方法会，大量减小毛刺，提高信噪比使提取出的视觉诱发电位信号特征值更明显，显著提高识别率到80%。 第五章 总结与展望 在此次的实验中，数据采集时经过多次试验发现若对视觉中枢刺激的时间越短即200ms-300ms时大脑皮层上能采集到的视觉诱发信号峰值较为明显。由于200ms-300ms时与峰值的潜伏期时间抵消，所以为了实现更高效的信息采集本实验选用的刺激时间为200ms一次。去除噪声时，为了提高信噪比进行了多次的累加平均与小波分析滤波结合 ,通过少量累加,就能够高效的提取视觉诱发信号。通过实验平均在刺激次数在 5,10次左右就能够提取出视觉诱发电位信号。提取后的信号通过SVM进行识别，识别率在 70%,80%。 通过信号的采集，累加平均和小波分析去噪本实验成功在强噪声环境下提取出清晰的视觉电位信号，并可以进行对信号的识别，判断其是否为视觉诱发信号达到实验目的。本次实验可以准确的提取和识别视觉诱发电位，可以作为神经系统的病变高效检测方法之一。 参考文献 [l]张军鹏(相干脑电源成像方法研究[D1](电子科技大学，2005( [2] Benkherrat M，Burle B，Allam S，et al。Individual Evoked Potential Extraction by Multiresolution Wavelets Decomposition[C]Computer as a Tool 2005(EUROCON 2005(The Intemafion Conference on(IEEE,2005:417-420( [3]郁芸，罗建平，王惠南(诱发电位及其在外阴神经系统中的应用[J](科技创 新导报，2008，(4):205—205( [4]曾浩(脑干听觉诱发电位信号特征的单次提取算法研究[D](广东工业大 学(2012( [5]:Kamel N，YusoffM z，Hani A F M(Single-trial subspace-based approach for VEP extraction([J](IEEE Trans Biomed Eng，201 1，58(5):1383-1393( [6]:Cheng M，Gao X，Gao S，et a1(Multiple color stimulus induced steady state visual evoked potentials[J](Engineering in Medicine and Biology Society， rd2001(Proceedings of the 23 Annual International Conference of the IEEE，2001，2: 1012-1014( [7]:Cecotti H(Convolutional neural networks for P300 detection with Application to brain-computer interfaces'[J](Am AnaIy and Maim Nllgn Ranaon on，201l，33(3): 433—445(96( [8]:范夏彬(视觉诱发电位P100的提取与分类识别算法研究[D](山东大学。 2015(5) [9]何庆华.吴宝明.彭承琳.王禾.钟渝.He Qinghua.Wu Baoming.Peng Chenglin.Wang He.Zhong Yu 基 于小波和神经网络的视觉诱发电位识别方法[期 刊论文]-仪器仪表学报 2007(6) [10]何庆华.吴宝明.彭承琳.王禾.钟渝.He Qinghua.Wu Baoming.Peng Chenglin.Wang He.Zhong Yu 基 于小波和神经网络的视觉诱发电位识别方法[期 刊论文]-重庆大学学报 2003(6) 致谢 时光荏苒，岁月穿梭，转眼间四年的大学生活就要结束了，虽然不舍但还是要不断前行。这次的论文和实验就是对我的大学学习的一个总结提升，也是为我大学生活画上了圆满的句号。 在这几个月的毕业设计中，通过本次实验我学习到了很多关于小波分析，支持向量机的知识，也在实验过程中逐步掌握了MATLAB的基本使用。实验中遇到了很多问题比如去噪后的波形错误，分类识别时信号如何分组等，通过询问老师和同学我也掌握了如何挑选数据解决问题。相信在未来的学习和研究中对我会有很大的帮助。虽说实验时有很多不足和要解决的问题，让人焦虑不安，但向困难问题发起挑战并取得成绩时是让人十分喜悦的。在此我要感谢我的导师胡南老师，是老师在我遇到困难时给我答疑解惑，当我懒惰疲惫时，对我不断的敦促。老师的认真负责一直感染着我，在老师的不断敦敦教诲之下，我才能从对论文实验的一无所知到完成实验论文。 此外还要感谢刘大成学长，在百忙之中抽出时间来教我数据的分段与采集，实验时教我带电极帽涂电导胶，帮助我做视觉诱发电位实验采集数据，当我遇到一些程序上的问题是也会帮我一一讲解，细细解答。 正是有了老师和学长的帮助我才能在最好完成我的论文和实验，为我的大学生会划好句号，在此，再次对他们表示感谢。最后感谢，我的家人，朋友他们给予我很大的支持与鼓励，谢谢你们～ 书中横卧着整个过去的灵魂——卡莱尔 人的影响短暂而微弱，书的影响则广泛而深远——普希金 人离开了书，如同离开空气一样不能生活——科洛廖夫 书不仅是生活，而且是现在、过去和未来文化生活的源泉 ——库法耶夫 书籍把我们引入最美好的社会，使我们认识各个时代的伟大智者———史美尔斯 书籍便是这种改造灵魂的工具。人类所需要的，是富有启发性的养料。而阅读，则正是这种养料———雨果