吴文淑1 吴烁1 顾家军1 唐琛慧1
1.深圳技术大学健康与环境工程学院 广东深圳 518118
摘要：人体生理信号能有效的反映人体的活动情况，但人体生理信号普遍存在信号幅度小，容易受干扰等问题，因此生物医学信号处理在人体生理参数信息处理中具有广泛的应用。脑电是人脑神经细胞电生理活动在大脑皮层以及头皮的总体反映，与各种生理活动密切相关。本文通过使用生物医学信号的处理方法如自适应阈值滤波、小波变化、低通滤波、高通滤波等方法，可以有效的滤除干扰信号，得到较为纯净的脑电信号。本文选取了一段麻醉深度由深转浅的脑电信号，通过双谱分析发现该段脑电信号集中于10Hz以下的低频段，通过计算各频段在脑电信号中占比情况，发现随着麻醉深度越来越浅，脑电信号中波段占比呈现下降的趋势，波呈现逐渐上升的趋势。本文揭示了生物医学信号在脑电信号处理中具有广泛的应用。
关键词：脑电信号；去噪；频谱分析
Application of biomedical signal processing in EEG
Wu Wenshu1, Gu Jiajun*1，Wu Shuo 1 ， Tang Chenhui1
(1.College of Health Science and Environmental Engineering, Shenzhen Technology University, Shenzhen Guangdong, 518118)
Abstract：Human physiological signals can effectively reflect the activity of the human body, but human physiological signals generally have problems such as small signal amplitude and easy interference. Therefore, biomedical signal processing has a wide range of applications in human physiological parameter information processing. EEG is the overall reflection of the electrophysiological activities of human brain nerve cells in the cerebral cortex and scalp, and is closely related to various physiological activities. This article uses biomedical signal processing methods such as adaptive threshold filtering, wavelet change, low-pass filtering, high-pass filtering and so on, which can effectively filter out interference signals and obtain relatively clean EEG signals. This article selects a segment of EEG signal whose depth of anesthesia changes from deep to shallow. Through bispectrum analysis, it is found that this segment of EEG signal is concentrated in the low frequency band below 10 Hz. By calculating the proportion of each frequency band in the EEG signal, it is found that with the anesthesia the depth is getting shallower, the proportion of the delta band in the EEG signal shows a downward trend, and the beta wave shows a gradual upward trend. This article reveals that biomedical signals have a wide range of applications in EEG signal processing.
Key words;EEG; denoising; Spectrum analysis
脑电（EEG）是大脑皮层神经细胞群突触电位变化的综合反映，有反映意识活动的优势及无创性特点[1]。EEG 如图1所示，可分为为四个频段，波：0.5~4Hz；波：4~8Hz,振幅为10~20μV；波：8~12Hz，振幅为10~100μV ；波：8~12Hz，振幅为10~100μV。EEG信号频率较低，一般在0.5 ~35Hz之间。EEG信号很微弱，易受多种噪声的干扰。EEG是一个非线性、非平稳的多维随机信号 [2]。
.png)
目前EEG信号的研究方法较多，这些方法大多建立在信号分析的基础之上。常用且被证明有效一些主要方法有：功率谱估计、双谱分析、自适应处理、小波变换、非线性动力学及人工神经网络等方法。
1 脑电信号预处理
本文选取麻醉过程中的脑电信息，因为麻醉过程中的脑电信号受人体其他信号的感染相对较小，脑电也可以作为评价麻醉深度的基础信号[3]。
（1）在手术室等场所，脑电信号易受高频电刀等设备所带来的脉冲干扰。自适应阈值法是在阈值法的基础上，通过阈值不断调整以适应整个信号的变化，能够较好的克服因偶然因素引起的脉冲干扰。自适应阈值法首先将EEG信号以每段含有0.5s的数据进行分段。并计算一段数据的方差值，将该方差值乘以比例系数作为下一段数据的阈值，当下一段数据的方差值小于阈值时，保留数据，同时修改阈值，否则删除这段数据。如图2所示，脑电信号经自适应阈值滤波后，脉冲干扰信号得到了明显的抑制。
.png)
（2）除了自适应阈值法，也可以采用小波变换抑制脑电信号中脉冲干扰。小波变换在局部性方面的优质特性在时域频域都有体现，在边缘处的信息得到保留[4]。平移不变量法对平移后的信号用阈值进行去噪平均处理，能够有效的降低阈值法去噪带来的伪吉布斯现象的影响[5]。根据脑电信号波形的特点，选取db 4小波变换。db 4波形与脑电信号最为相似，而且 db4小波对正交小波的紧支集以及平滑性方面都有照顾到，能够较好的运用于非平稳信号的分析中。因此本文采用4阶的db4的小波变换，使用平移不变量法。如图3所示，脑电信号经db4小波处理，干扰信号得到了明显的抑制。
.png)
（3）脑电信号是0.5 ~35Hz之间的低频信号。根据脑电信号频率的特征，本文采用：
（a）在保留脑电信号低频有效信号的基础上，采用4阶47Hz的巴特沃斯低通滤波器，滤除高频干扰信号。
（b）因脑电信号采集过程中易受到国内市电50Hz工频信号的干扰，通过采用4阶50Hz的陷波器，通带衰减30dB，阻带48-52Hz，阻带衰减0.5dB来滤除工频信号的干扰。
（c）在脑电信号的采集过程，易受人体移动的干扰，会使EEG信号产生上下漂移的基线漂移，通过设计2阶0.5Hz巴特沃斯滤波器的高通滤波器可以有效的去除其干扰。
脑电信号经上述信号处理流程后的信号如图4所示，脑电信号经处理后表现较为纯净。
.png)
2 脑电信号特征分析
2.1脑电信号频谱分析方法
常见的脑电信号的频谱计算主要有周期图法、Welch法、AR模型、最大熵、双频谱等[6]。
（1）周期图法
当信号序列是有限长度时，周期图谱估计：
.png)
虽然周期图法计算简单，但是它在计算中把观察到的有限长的N个数据以外都认为是零，因此卷积结果必然出现失真[7]。所以周期图作为功率谱估计具有频率分辨率低的缺点。
(2) Welch法
Welch法是对周期图法分辨率低这一缺点的改进。Welch法在计算一个信号序列的自功率谱和两个信号序列的互功率谱时，采用信号重叠分段、加窗函数以及FFT等[8]。适当的窗函数在重叠分段的基础上，进行周期图计算中，得到每一段周期图。
.png)
最大熵通过对信号序列“截断”或加窗后丢失的“窗口”以外的信息进行最大限度的保留，使得估计谱的熵最大。
四种功率谱计算结果如图5所示，从图中可以看出AR模型和最大熵频谱更光滑，但是在细节保留上Welch法更好。
.png)
（5）双频谱分析
EEG信号具有典型的非线性随机性，高阶累计量的高阶谱包含通过常规谱分析无法获得高斯性的偏离度和非线性信息。双谱是高阶谱中计算量最小且阶数最低的，但它包含了高阶谱的所有特性[10]。所以利用双阶谱可以获取到常规谱分析无法获取的信息。
（
.png)
2.2脑电信号频谱分析步骤
根据上文，在功率谱计算上，本文选择Welch法。本文所用脑电模块采样率为fs = 256Hz，窗函数长度为M=256，快速傅里叶变换FFT点数为N=1024。
P（k）为傅里叶变换的功率谱，求0～30Hz波形的总功率的计算公式为：
.png)
取一段麻醉深度由深到浅的脑电信号，该段脑电信号经Welch法计算功率谱，并计算各频段的占比，如图7所示。从图中可以看出，随着麻醉深度逐渐变浅，波段占比呈现下降的趋势，波呈现逐渐上升的趋势。醉深度具有一定的关系，
.png)
3 结论
本文通过研究生物医学信号在麻醉过程中脑电信号中的应用，从中可以看出了应用阈值自适应滤波或小波变化可以滤除脉冲信号的干扰，通过设计相应的低通滤波器和高通滤波器及陷波器，能够得到较为纯净的脑电信号。本文在比较几种功率谱计算法在脑电上的应用后，最终选择Welch法，并且通过Welch法计算出脑电中各频段的占比情况，从中可以看出，随着麻醉深度由深转浅，脑电信号中波段占比呈现下降的趋势，波呈现逐渐上升的趋势。证明了脑电信号与麻醉深度存在一定的关系。通过本文的探索表明，生物医学信号在脑电信号的处理过程中具有广泛的应用。
参考文献:
[1] Ellen R. Grass Lecture: Extraordinary EEG[J]. William O. Tatum. The Neurodiagnostic Journal . 2014 (1)
[2] Towards automated quality assessment measure for EEG signals[J]. Shady Mohamed,Sherif Haggag,Saeid Nahavandi,Omar Haggag. Neurocomputing . 2017
[3] Kortelainen J, Seppanen T. Electroencephalogram-based depth of anaesthesia measurement: Combining opioids with hypnotics[J]., 2013, 3(5): 270-278.
[4]An efficient EEG based deceit identification test using wavelet packet transform and linear discriminant analysis[J] . Shubham Dodia,Damodar Reddy Edla,Annushree Bablani,Dharavath Ramesh,Venkatanareshbabu Kuppili. Journal of Neuroscience Methods . 2019
[5]Feature extraction and classification for EEG signals using wavelet transform and machine learning techniques[J] . Hafeez Ullah Amin,Aamir Saeed Malik,Rana Fayyaz Ahmad,Nasreen Badruddin,Nidal Kamel,Muhammad Hussain,Weng-Tink Chooi. Australasian Physical & Engineering Sciences in M . 2015 (1)
[6]顾家军,叶继伦. 麻醉深度监测过程中脑电信号特征提取方法[J]. 中国医学物理学杂志,2016,02:157-161.
[7]基于能量特征的脑电信号特征提取与分类[J]. 黄思娟,吴效明. 传感技术学报. 2010(06)
[8]脑电信号的特性分析与特征提取[D]. 白冬梅.大连理工大学 2006
[9]基于时变AR模型和小波变换的时变参数识别[J]. 陈宇,陈怀海,李赞澄,贺旭东. 国外电子测量技术. 2011(07)
[10]双谱分析方法在脑电信号分析中的应用[J]. 许崇涛,沈民奋,李慧,朱国平. 中国行为医学科学. 2004(03)
[11]杜英举. 脑电双谱分析与特征分类识别[D].西安电子科技大学,2014
基金项目：2020年深圳技术大学实验室与设备管理研究基金项目（JS20200004）
作者简介：吴文淑，本科生，wuwenshu@emial.sztu.edu.cn
通讯作者简介: 顾家军,实验师,，gujiajun@sztu.edu.cn.