运动起止电位脑电信号的特征提取分析报告.doc

课程设计报告 题 目：专 业： 班 级： 学 号： 姓 名： 指导教师： 天津医科大学 生物医学工程2014年 月 日 5.1.去基线 在MATLAB平台上，打开读取数据文件。由于采集到的原始脑电信号的信噪比不高，并且可能存在基线漂移，直接对其进行分析存在一定困难，因此编程对脑电数据进行去基线处理，程序如下： index=[3 4 7:26 28:32 34:36]; yourdata=data_down.data(index,:); for j=1:30 yy=smooth(yourdata(j,:),1000); mydata(j,:)=yourdata(j,:)-yy; figure(j); subplot(311); plot(yourdata(j,:)); subplot(312); plot(yy); subplot(313); plot(mydata(j,:)); end 此程序得出30个导联的基线与去除基线后的脑电数据，由于结果图形太多，这里以O2导联的脑电的处理结果为例，如图5.1： 图5.1 O2导联的脑电，基线和去基线后的脑电 5.2.低通滤波 对去基线后的脑电数据进行低通滤波，通带截止频率为14Hz ，阻带截止频率为15 Hz ，通带波纹为1dB ，阻带波纹为60dB，程序如下： channel={Fp1,Fp2,F7,F3,Fz,F4,F8,FT7,FC3,FCz,FC4,FT8,T3,C3,Cz,C4,T4,... TP7,CP3,CPz,CP4,TP8,T5,P3,Pz,P4,T6,O1,Oz,O2}; d=fdesign.lowpass(14,15,1,60,1000); Hd = design(d, butter); for j=1:30 hisdata(j,:) = filtfilthd(Hd,mydata(j,:)); figure(j); plot(hisdata(j,:)); ylabel(\muV);xlabel(time ms);title(channel(1,j)); end 此程序得出30个导联去除基线的脑电低通滤波后的脑电数据，由于结果图形太多，这里以O2导联的脑电数据滤波结果为例，如图5.2： 图5.2 O2导联去基线脑电数据低通滤波后的脑电 对图5.2进行局部放大，结果如图5.3： 图5.3 对图5.2进行局部放大的结果 同时也做出滤波前O2导联的脑电与滤波后的脑电进行对比。滤波前O2导联的脑电，如图5.4： 图5.4 滤波前O2导联的脑电 为方便观察比较也对滤波前O2导联的脑电进行局部放大，结果如图5.5： 图5.5 对图5.2进行局部放大的结果 将图5.5与图5.3比较可知，滤波前脑电信号毛刺较多，滤波后脑电信号变得平滑无毛刺，说明滤波效果较好。 做了以上两步预处理后就可以保证时域分析中潜伏期（诱发电位的反应时间，临床上称为潜伏期）的精确性。 5.3.叠加平均法提取N200特征信号 从脑电中提取诱发响应是一个从强背景噪声中提取信号的问题，叠加平均是解决这类问题最基本的方法。单次实验产生的诱发响应信噪比低，如果直接用来进行数据分类或研究时空分布特征不太现实。因此目前采用多次重复刺激的方法，假设每次刺激时产生的响应都是相位锁定和幅度锁定的，就可以把多次刺激的响应与时间基准点对齐后进行叠加平均，从而得到更高信噪比的信号。 此方法的优点是实现简单且效果稳定，缺点是这种信噪比的增加是以牺牲了时间并且忽略了单次响应的样本差异为代价。 这里我们主要关注叠加次数的不同比较N200特征信号潜伏期与幅度的变化，潜伏期反映心理加工的过程，波幅反映大脑兴奋的强度。 运行程序得出叠加平均后的脑电信号，并改变叠加次数（即程序中变量t的循环次数，这里为4,8,12,16,20,24,28,32）比较N200特征信号潜伏期与幅度的变化，程序如下： i=0; a(1,32)=0; for n=1:64 if(data_down.event(1,n).stimtype==255) i=i+1; a(1,i)=data_down.event(1,n).offset; end; end; for j=1:30 herdata(j,:)=zeros(1,800); for t=1:32 herdat