学位论文 > 优秀研究生学位论文题录展示

基于希尔伯特—黄变换的高阶听觉诱发电位提取研究

作　者: 张爱桃
导　师: 王涛；李彬
学　校: 南方医科大学
专　业: 生物医学工程
关键词: 听觉诱发电位高刺激率经验模态分解闭值滤波总体相关
分类号: R764
类　型: 硕士论文
年　份: 2011年
下　载: 10次
引　用: 0次
阅　读: 论文下载

内容摘要

听觉诱发电位(Auditory evoked potentials, AEP)是听觉系统受到特定的声音刺激后中枢神经系统产生的与外界刺激相关的生物电变化。目前AEP已广泛的应用于评价婴幼儿听力、鉴别诊断听神经病变等方面。临床上的AEP记录主要采用刺激间间隔(Stimulus onset asynchrony, SOA)相等的低刺激率方案并通过总体平均方法提高信号的信噪比。当刺激率过高,刺激间间隔小于诱发反应的潜伏期时,相邻刺激所诱发的AEP波形就会出现首尾重叠的现象,这种AEP称为高刺激率AEP (High stimulus rate AEP, HSR-AEP),其所包含的暂态AEP成分称为高阶AEP (High-order AEP, HO-AEP)。高刺激率条件下由于听神经负荷加重从而有助于听觉系统适应性的评估以及一些听觉系统疾病的机理研究和临床诊断,并且HO-AEP有利于麻醉深度监测和睡眠状态评估。考虑到在给予相同刺激个数的情况下,高刺激率记录比常规记录的时间要短许多,人们也期望高刺激率记录可以减少记录时间。因此HO-AEP的研究具有广阔的临床应用前景。然而,HSR-AEP的瞬时分量产生重叠的问题是无法通过传统的平均方法解决的,其重叠过程在工程学上可视为HO-AEP与刺激序列的循环卷积效应所导致。基于这一模型,人们对刺激序列中的各个SOA采用抖动(Jitter)技术,即应用不规则的SOA代替相等的SOA,以便对HSR-AEP去卷积还原HO-AEP。一种抖动较小的刺激序歹(?)——CLAD (Continuous loop averaging deconvolution)去卷积方案,被广泛的应用于重建HO-AEP。但是该方案去卷积过程是在频域中进行的,会对某些频带的噪声进行放大,从而影响高刺激率记录的效率。如何在少次平均的情况下获得较高质量的去卷积前的信号是目前研究的热点,因此本文的主要研究工作包括：1、运用希尔伯特-黄变换(Hilbert-Huang transform, HHT)与非线性阈值滤波相结合方法提高信号的信噪比,减少平均次数。HHT包括经验模态分解(Empirical mode decomposition, EMD)和Hilbert变换两部分,其中EMD能够根据脑电信号的局部特征尺度将其分解为一组频率由高到低的固有模态函数(Intrinsic mode functions, IMFs),通过对每个IMF进行Hilbert变换就能确定其频率范围。EMD相当于一个带通滤波过程,能够将不同频率的信号和噪声相对分离,但是它本身并不能区分混叠在同一频率段的有用信号和噪声,因此本文提出了对IMFs进行进一步的阈值滤波处理方法。因为本文所感兴趣的AEP的频率范围是20-100Hz,所以将包含主要AEP频率成分的IMFs分为有用信号层,高频的IMFs归为噪声层,低频的包含较少信息的IMFs归为趋势层。由于相应频带的IMFs的幅值分布近似于均值为零的高斯分布,因此本文根据其标准差和分类来决定相应层的阈值。对噪声层IMFs选取较小滤波阈值,尽可能的去除较多的噪声,加强高频信号的平稳性。信号层包含了主要的AEP成分,但是仍然包含了大量的瞬态干扰,阈值滤波主要是去除对平均处理影响较大的大幅值的干扰。对于信号层本文提出了两种滤波方法：整体滤波和区间滤波。整体滤波是当某个IMF中出现大于所设定阈值的波幅时将整个IMF全部去除。区间滤波是将IMF中出现的大于所设定阈值的波峰去除,保留IMF的其余部分。基于上述思想该部分设计了三种滤波方案：(1)直接提取信号层的IMFs重建信号；(2)对噪声层采用类似软阈值的处理方法,对信号层分别采取整体滤波和区间滤波的方法处理。最后将重建后的EEG信号分别做总体平均处理,得到估计的HSR-AEP。通过三个受试者的临床数据对以上的滤波方法进行验证,并计算信噪比作为评价标准,结果表明上述的三种滤波方法都能够有效的提高信号质量,减少平均次数。2、运用HHT与总体相关技术(Ensemble correlation, EC)相结合的方法提取暂态AEP。在EMD分解时,先将连续的EEG数据按一个周期刺激序列对应时间分段,形成一组等长的EEG数据段(称为EEG扫程)。由于每个EEG扫程是由相同刺激序列所诱发,故在背景噪声的掩盖下含有相同的AEP成分。经过EMD分解后,各层IMF的信噪比不同。信噪比较高的IMF之间存在一定的相关性。因此不同EEG扫程经EMD分解后IMF之间的EC函数可以作为一维滤波函数,对IMF进行加权滤波。为了强化这种相关性,我们在EMD分解前先对EEG扫程进行适当的分组平均,以提高EEG扫程的信噪比。与阈值法相比,采用EC滤波法处理的IMF信号,无需人为对IMF进行分类和确定阈值,减少了主观因素的影响。通过对相同的数据集进行检验,结果表明该方法能有效的抑制噪声提高诱发信号的信噪比,并且不需要信号的先验知识和人为干预,具有广泛的应用范围。

全文目录

摘要  3-6
ABSTRACT  6-11
第一章绪论  11-17
  1.1 背景和意义  11-12
  1.2 听觉诱发信号基础  12-13
  1.3 脑电信号的处理方法  13-15
  1.4 本文的研究内容  15-17
第二章高阶诱发脑电与希尔伯特—黄变换的背景知识  17-29
  2.1 高阶听觉诱发脑电及其重建方法  17-19
  2.2 高阶AEP的数学模型  19-20
  2.3 去卷积技术  20-22
  2.4 HHT方法  22-29
    2.4.1 EMD方法  23-27
    2.4.2 Hilbert变换  27-29
第三章基于HHT的高阶AEP阈值去噪算法  29-45
  3.1 整体算法流程  29-30
  3.2 高刺激率记录模式  30-31
  3.3 数据采集方案  31
  3.4 IMFs分类  31-33
  3.5 直接拒绝噪声层(DRS)  33
  3.6 阈值滤波  33-37
    3.6.1 信号层整体滤波(WRG)  34-35
    3.6.2 信号层局部滤波(LRG)  35-37
  3.7 信噪比估计  37
  3.8 结果分析  37-42
  3.9 讨论  42-45
第四章 HHT与总体相关平均相结合的算法研究  45-53
  4.1 总体相关技术及其在脑电中的应用  45-47
  4.2 滤波方法  47-49
  4.3 实验结果  49-51
  4.4 讨论  51-53
第五章总结和展望  53-55
参考文献  55-58
攻读硕士期间发表或完成的论文  58-59
致谢  59-60
统计学证明  60-61

基于希尔伯特—黄变换的高阶听觉诱发电位提取研究

内容摘要

全文目录

相似论文