通向大脑之路:脑电信号处理与特征提取

生物科学最前沿的领域之一是探索意识产生的生物学基础以及我们感知、行为、学习和记忆的心理过程(www.qidw.cn)。我们的大脑就是这些过程的核心。

这一观点始于这样一个事实,即大脑仅重约 2.5 磅(2.25千克),却消耗了人体 40%~60%的血糖(Squire & Zola-Morgan,1988)和相当数量的氧气(等同于我们肌肉运动的每日耗氧量)。为什么会有如此不成比例的能量消耗?答案是这些能量的绝大部分被用于产生脑内电信号,其中包含由轴突和树突连接的大大小小的神经元的同步集群电活动。每个神经元就像一个不断充电的动态振荡电池(Steriade,1995)。这些局部连接的神经元会引发邻近神经元依次产生电势变化。

图片来源:Pixabay

140 多年前,理查德 · 卡顿(Richard Caton)发现了这种大脑电活动的存在(Caton,1875)。他的工作被认为是对大脑电生理学的首次探索,标志着脑电(electroencephalography,EEG)技术的诞生(Kelly,1962)。早在 20 世纪 20 年代,汉斯· 伯杰(HansBerger)就证明脑电活动可以直接从人 的 头 皮 测 量 到 , 而 无 须 打 开 颅 骨 ( Berger , 1929) 。随 后 ,“electroencephalogram”一词被提出,用来描述人脑的电活动。

1934 年,阿德里安(Adrian)和马修斯(Mathews)证实了大脑的“α节律”由 10~12Hz的规律性振荡组成。然而,当时人们对α节律的神经源仍然一知半解。直到43 年后,Da Silva 和 Van Leeuwen 通过研究狗的脑电信号证明α节律是在视觉皮层内的不同深度区域产生的(Da Silva & Van Leeuwen,1977)。

尽管对于脑电的功能、意义和产生机制在很长一段时间内仍存在诸多争议,但鉴于其内在的神经基础和容积传导的复杂性,这一点也不令人感到奇怪。根据目前的理解,脑电通常被定义为从人脑头皮记录到的电活动,由脑内神经元放电产生(Niedermeyer & Da Silva,2005)。

图中显示了三种不同类型的大脑电活动记录技术的差异。EEG 电极放置于头皮上,ECoG 电极置于大脑皮层表面或硬脑膜上,LFP/MUR 电极则置于大脑皮层内部

迄今为止,已经有超过150 000项使用 EEG 技术的研究被发表,并且该领域的研究数量每年仍在持续增长。

为什么脑电技术如此备受欢迎?正如我们目前所知,感觉、知觉、语言、情感和运动过程是非常迅速的,其发生时间往往在几十到几百毫秒。脑电的高时间分辨率特性使其非常适合捕获这些快速、动态且具有时序性的认知事件。几十年来,关于人脑实时电活动的测量方法不断发展,促进了一系列EEG 信号处理技术的开发。脑电信号处理与特征提取》旨在以全面、简单且易于理解的方式系统总结 EEG 和 EEG 信号处理相关的概念、数学和应用知识(例如,通过MATLAB 编程),为脑电相关的科研工作者或兴趣爱好者提供技术支持。

本书的写作意图

诚然,现今有大量网络资源及在线教程(例如,EEGLAB网站)可用于脑电技术和分析方法的学习(Regan,1989;Handy,2004;Luck &Kappenman,2011;Sanei & Chambers,2013;Cohen,2014),它们涵盖了脑电软件工具的使用介绍以及分析结果的呈现和解释。然而,一方面,这些资源对于理解脑电分析方法的数学原理或可能的缺陷并不系统和深入,难以为那些希望通过自学掌握这些分析方法的读者提供充分的指导;另一方面,有些资源包含许多数学或物理方面的背景知识,对于初学者而言往往晦涩难懂,尤其是对于那些没有数学或工程学科背景的初学者而言更是如此。此外,上述资源大多缺乏实用的操作方法,例如,如何进行数据统计或对小样本量数据进行处理,使得那些未经正规数学培训的读者难以真正掌握和灵活运用这些分析方法。

因此,作者试图通过系统总结当前主流的脑电信号处理和特征提取技术以拓展本书的广度,并通过将每章的方法原理与实践操作相结合的策略来增加本书的深度。读者可以逐章阅览本书,并使用相关章节提供的示例数据和软件/代码进行练习,从而更好地理解有关 EEG 信号处理的原理和操作方法。

本书的构架

本书共 18 章。

第一章至第三章,重点阐述了有关脑电技术的基础知识。第一章主要介绍了脑电的电生理特性和数据采集方法。第二章详细论述了广泛应用于心理学、精神病学和神经工程等领域的诱发电位(evoked potentials,EP)、事件相关电位(event-related potentials,ERP)。第三章侧重于讨论如何根据特定研究或临床目的来设计实验以诱发 EP 或 ERP。这三章不仅适用于刚开始从事 EEG 研究且没有任何数学或工程学科背景的初级研究人员,还适用于那些熟悉基础知识但又希望深入理解原理和方法的高级研究人员。如果能够通读上述每一章,将有助于对后续章节所列的方法的学习。

第四章和第五章,重点介绍了最常见和经典的 EEG 信号处理方法和流程。其中,第四章全面阐述了EEG 信号的预处理流程,第五章则主要介绍了 EEG 的频谱分析和时频分析。这两章的内容是脑电信号处理的基础,必不可少,对于具有脑科学或工程学背景的初学者来说非常有用。

第六章至第十三章,全面介绍了几乎所有主流 EEG 信号处理和特征提取方法,包括盲源分离(第六章)、微状态分析(第七章)、源分析(第八章)、单试次分析(第九章)、非线性神经动力学(第十章)、连通性分析(第十一章)、空间复杂脑网络(第十二章)和时间复杂网络分析(第十三章)。对其中某一特定主题感兴趣的读者可以从相关章节中获得有用的信息。

第十四章至第十八章,重点关注机器学习(包括深度学习)和 EEG 相关的统计分析。这些方法通常被用于探索不同条件或群组之间的 EEG 特征差异或分类,越来越受到 EEG 相关的科研工作者的重视。第十四章介绍了机器学习的基本概念和经典算法。第十五章简要阐述了深度学习在脑电技术中的应用。第十六章旨在提供有关统计的基本概念。第十七章和第十八章分别用于介绍多模态数据 融合,即同步 EEG-fMRI 数据处理和 Letswave 这一非常实用的 EEG 工具箱。最后,我们简要总结了有关 EEG 数据分析和特征提取的研究现状和未来发展方向。

图片来源:Pexels 作者:David Cassolato

《脑电信号处理与特征提取》有两大特点:一是系统性,二是实用性。

系统性。脑电数据分析方法众多,从基础的时域分析、频域分析和时频分析,到高级的单试次分析、源定位、非线性神经动力学和机器学习等。要对脑电信号进行深入挖掘,这些分析方法不可或缺。该书不仅对这些方法做了全面、系统的介绍,还介绍了脑电的生理基础,并重点强调了前期的实验设计、数据采集和数据预处理。这一特点使得阅读该书对于初学者和不同领域的专家来说都有裨益。

实用性。作为一项研究技术,脑电技术对于一般研究者的最大价值在于其应用。光有理论知识,无法应用,难以称为真正理解了脑电技术。该书特别重视脑电技术的实用性,绝大多数章节提供了分析的工具包、代码和示例数据,为读者从零开始,真正应用脑电技术开展研究提供了极大的便利。该书文字流畅、通俗易懂,却不失严谨,是不可多得的脑电教学佳作。

脑电信号处理与特征提取

胡理 张治国 等 著

北京:科学出版社,2020.12

(认知神经科学书系/杨玉芳主编)

ISBN 978-7-03-066713-7

责任编辑:孙文影 高丽丽

内容简介

脑电的独特优势使其在临床和科学研究中广泛应用。随着人脑电活动实时测量技术的逐步提高,一系列脑电信号处理方法得到快速发展,脑电有望成为更有效和通用的研究大脑功能的工具。本书各章由相关领域拥有丰富经验的优秀研究者撰写,旨在以全面、简洁且通俗易懂的方式,呈现作者对脑电技术本身及信号处理方法的深入理解和应用心得,向读者提供覆盖脑电神经基础、主流脑电信号处理和特征提取方法相关的概念、数学及应用知识。大多数章节还链接了MATLAB软件、代码和示例数据。

本书适用于认知神经科学、心理学和生物医学工程等学科的科研工作者,其他有能力理解和掌握数据分析方法却缺乏数学和工程学背景知识的业余爱好者。

目录CONTENTS

丛书序(杨玉芳 吴艳红)

序一(罗跃嘉)

序二(尧德中)

前言

缩略语表

第一章 脑电的神经起源和测量 001

第一节 脑电的神经起源 001

第二节 脑电测量 005

第二章 脑电、诱发电位和事件相关电位 016

第一节 自发性脑电活动 016

第二节 诱发电位和事件相关电位 017

第三节 EP和ERP的概述 018

第四节 常见的EP和ERP成分 019

第五节 脑电技术的优势和局限性 027

第三章 ERP实验设计 037

第一节 实验设计与认知过程 039

第二节 ERP实验的技术性要求 046

第三节 实验的无关因素 050

第四节 经典实验设计及对应的ERP成分 052

第四章 脑电数据的预处理与降噪 070

第一节 脑电信号中的伪迹 071

第二节 导联方法 073

第三节 滤波 075

第四节 重参考 076

第五节 脑电分段和基线校正 077

第六节 剔除或插值坏导 078

第七节 剔除坏段 078

第八节 基于ICA的伪迹去除 079

第九节 总结 080

第五章 频谱分析和时频分析 084

第一节 简介 084

第二节 频谱估计 085

第三节 时频分析 095

第四节 事件相关同步化/去同步化 104

第六章 盲源分离 112

第一节 盲源分离算法简介 112

第二节 主成分分析与旋转在事件相关电位分析中的应用 114

第三节 独立成分分析在连续脑电中的应用 121

第四节 张量分解在事件相关电位研究中的应用 131

第七章 微状态分析 136

第一节 基础概念 139

第二节 微状态分析中的空间聚类算法 140

第三节 鉴别最优的类别数目 143

第四节 匹配模板图和电压图 144

第五节 经常使用微状态参数 144

第六节 微状态分析中的可用工具 145

第七节 总结 151

第八章 源分析 154

第一节 正问题 155

第二节 逆问题 159

第三节 贝叶斯 166

第四节 未来的发展方向 171

第五节 应用实例 173

第六节 总结 185

第九章 单试次分析 190

第一节 单试次分析简介 190

第二节 如何进行单试次分析 192

第三节 单试次分析的潜在应用 205

第十章 非线性神经动力学 215

第一节 非线性神经动力学简介 216

第二节 复杂度 218

第三节 熵 222

第四节 赫斯特指数 229

第五节 递归图 231

第六节 总结 233

第十一章 连通性分析 239

第一节 共同源问题 240

第二节 EEG连通性分析中的指标 241

第三节 总结 250

第四节 示例 255

第五节 本章结语 262

第十二章 空间复杂脑网络 266

第一节 图论与复杂网络 268

第二节 空间复杂脑网络 270

第三节 总结 279

第十三章 时序复杂网络分析 284

第一节 复杂网络简介 285

第二节 典型复杂网络时间序列分析方法 286

第三节 复杂网络时间序列分析的两种方法 290

第十四章 机器学习 297

第一节 机器学习分析简介 298

第二节 机器学习分析的脑电特征 299

第三节 机器学习分析训练 301

第四节 机器学习分析的特征选择和降维 302

第五节 机器学习分析的选择分类器 304

第六节 机器学习分析的评价结果 307

第七节 机器学习分析的模式表达 309

第八节 展望:深度学习算法 310

第九节 机器学习分析示例 312

第十五章 深度学习 318

第一节 深度学习简介 319

第二节 深度学习模型 319

第三节 在EEG信号中应用的两个示例 321

第十六章 统计分析 326

第一节 统计学基础 326

第二节 假设检验 336

第三节 方差分析 344

第四节 相关分析与回归分析 349

第五节 非参数检验 353

第六节 多重比较问题 359

第十七章 同步脑电-功能磁共振 367

第一节 同步脑电-功能磁共振的硬件系统 368

第二节 伪迹去除 369

第三节 基于fMRI约束的EEG源成像 373

第四节 基于EEG信息的fMRI分析 375

第五节 多模态脑网络 379

第六节 应用实例 382

第七节 总结 388

第十八章 EEG/ERP数据分析工具箱 397

第一节 EEG/ERP数据分析工具箱简介 397

第二节 Letswave介绍 399

第三节 下载和安装 404

第四节 单个被试分析的示例 405

第五节 多个被试分析的示例 414

第六节 绘图和批处理 420

结语 426

想了解更多内容?

科学商城(科学出版社)

京东(科学出版社)

原创好读 科学品味

主营产品:云母电容器,功率单元,叠层母排,电抗器