汽车驾驶时脑电干扰的去除方法研究

引言 [1]

小波变换和独立分量分析是近年来研究较多的两种信号处理方法，在脑电信号的预处理和特征提取方面都有应用。但是在脑电信号的测量过程中存在的不同的干扰信号，到底哪种信号处理方法处理效果更好，它们各自的应用条件是什么，都需要在实际实验中进行分析研究。本文在进行汽车驾驶员脑电特性研究实验中，用两种方法对驾驶中2类常见的脑电干扰信号进行了分析和去除，分析了两种方法在脑电信号干扰去除中的优缺点和各自的应用条件。

1 小波变换和独立分量分析

小波变换[1,2]（Wavelet Transform）是一种典型的时频分析方法，其基本思想是用一组小波函数来表示或逼近信号，这组小波函数是通过一个小波基函数的平移和伸缩得到的，其分析窗口面积固定，但其形状可改变，即时间窗和频率窗都可以改变，在信号的低频部分，小波变换具有较高的频率分辨率和较低的时间分辨率，在信号的高频部分，小波变换具有较高的时间分辨率和较低的频率分辨率。近年来小波变换在脑电等非平稳信号的分析中得到了广泛的应用。

独立分量分析[3,4,5]（Independent Component Analysis 简称ICA）是近年来发展起来的一种新的盲源分离方法（BlindSource Separation 简称BSS）。该方法在信号处理的很多领域都有很大的应用潜力，其理论的发展可追溯到上个世纪80年代初期。但直到90年代中期，ICA 理论和算法的研究才真正得以发展并受到国际信号处理界的广泛关注，并且在生物医学信号处理、混合语音信号分离、图象的消噪等方面也已取得了较好的应用效果。ICA 处理的对象是相互统计独立的信源经线性组合而产生的一组混合信号。最终目的是从混合信号中提取出各独立的信号分量。

在EEG信号的记录过程中往往会混入非脑电活动所引起的信号，这些信号称为伪差。EEG中的伪差有很多种类型，较常见的有心电、肌电、眨眼、眼动、出汗，以及工频干扰等。因为脑电信号是由大脑皮层神经元活动产生的，而眼活动、肌肉活动、工频干扰、心电信号等通常是不受脑活动限制的,所以满足ICA可分离条件，对于脑电信号，从皮层内部到头皮电极处的传导被认为是近似线性的，所以也可以认为脑电是各个独立源信号线性组合到记录电极处的。此时，应用ICA方法能从多道脑电信号中分离出来自其它生物电信号的干扰成分，以及其它外界环境的干扰，达到消噪的目的。

2 汽车驾驶时的脑电干扰

汽车驾驶环境下的脑电测量不同于医院和实验室环境下的脑电测量，传统的脑电测量一般都是在专门的电磁屏蔽的环境下进行，同时要求环境的安静，要求被试者保持静止不动。但是在实际的汽车驾驶时进行脑电测量却不能达到这样的要求，实际驾驶时的脑电干扰主要有周围环境的电磁干扰，如手机干扰，还有驾驶员自身的干扰，如眼电干扰。

本文用实际的驾驶脑电实验中得到的干扰脑电信号作为分析对象，说明两种信号处理方法的处理效果和应用范围。图1中（a）和（b）分别给出了受到手机干扰和眼电干扰的脑电信号。

（a）受到手机干扰的脑电信号                    （b）受到眼电干扰的脑电信号

图1 干扰脑电信号

图中共给出了10个脑电通道的信号，每个通道均为6秒的数据，采样频率500Hz，共3000个数据点。横坐标为脑电采样的时间（s），纵坐标为各个脑电通道的脑电幅值（μv）。

下面用小波变换和独立分量分析两种方法对上面的两种干扰信号分别进行分析和去除。

3 小波变换去除干扰

小波变换首先涉及到小波的选取问题。脑电信号处理中用的最多的是db（Daubechies）小波，通常Daubechies 系中的小波基记为dbN，N为序号，N = 1 , 2 , ⋯, 10。dbN系列小波中，N越小，也就是支撑长度越小，可以检测的尺度越小，所以要针对脑电信号的实际频率范围选择合适的尺度来进行检测，通过对比，本文使用db5小波对脑电信号进行分析。

再就是小波分解层数的确定。脑电信号的采集频率为500Hz，根据采样定理，脑电信号的表示范围为0～250Hz。所以对脑电进行6层分解，可以得到7个分解后的信号，按照频率从高到低的顺序，依次为：cd1：125～250Hz；cd2：64～125Hz；cd3：32～64Hz；cd4：16～32Hz；cd5：8～16Hz；cd6：4～8Hz；ca6：0～4Hz。

最后分析分解后的小波分量，去除干扰。因为课题实验中脑电仪器设定的采集频率为0.53～60Hz，所以cd1和cd2分量为虚假分量，可以直接去掉。手机信号对脑电的干扰主要是高频干扰，集中在cd3分量上，但这一频段的数据也许还有需要用到的脑电信息，因此，应选取适当的阈值进行处理。对比无干扰时脑电的小波分解的cd3分量的均值，确定阈值hcd3，大于hcd3的认为是高频干扰，常用的阈值函数有硬阈值和软阈值两种[6]，本文采取硬阈值的方法，直接置零，因此，去除手机干扰后的脑电信号为y=cd4+cd5+cd6+ca6+cd3，其中当cd3绝对值超过hcd3时为零。眼电的干扰频率一般为4Hz左右，一般处于ca6分量，但如果眨眼速度比较快，可能大于4Hz，所以也可能处于cd6分量，所以，利用小波变换对眨眼的干扰去除需要对ca6和cd6两个分量进行阈值的设置，同样根据没有干扰时脑电小波分解的ca6和cd6分量的均值，确定阈值分别为hca6和hcd6。同样采取硬阈值的方法，去除眼电干扰后的脑电信号为y=cd3＋cd4+cd5+cd6＋ca6，其中当ca6和cd6分别超过阈值hca6和hcd6时为零。

在实验信号中共有10个通道的脑电信号，小波变换方法对每一个通道的处理方法都是相同的，方便起见，本文只给出了F4通道信号的小波去除结果。图2中（a）（b）分别给出了小波变换对手机干扰和眼电干扰脑电信号的去除结果。

（a）手机干扰去除结果  

（b）眼电干扰去除结果

图2 小波变换去除结果

4独立分量分析去除干扰

独立分量分析方法需要用到多个通道的脑电信号，然后把各个通道的信号分成各自独立的信号，根据干扰的特点，找出干扰信号的独立分量进行去除，剩余独立分量再重新组合，得到去除干扰后的信号。图3中（a）（b）分别给出了用独立分量分析方法对电磁干扰和眼电干扰脑电信号的去除结果。

（a）电磁干扰去除结果                       （b）眼电干扰去除结果

图3 独立分量分析去除结果

5 两种方法去除结果对比和分析

比较手机干扰的去除效果：对比图2（a）和图3（a），小波变换方法去除效果要好于独立分量分析方法。原因在于手机干扰属于高频干扰，小波变换方法可以比较明确的把脑电中的高频部分提取出来，然后进行去除。而独立分量分析方法分解得到的各个独立分量中，不能明确的判断哪个分量是手机干扰引起的，因此效果不太理想。

比较眼电干扰的去除效果：从图2（b）中看到，小波变换在眼电干扰的去除过程中把脑电原来的一些低频波也去除了，显然这些并不是眼电干扰；从图3（b）中看到，独立分量分析方法则较好的把各个通道的眼电干扰都去除了，而且没有对其它脑电产生影响。原因在于眼电干扰的频率是不太固定的，和脑电的有用频带是重合的，所以在去除的时候不可避免的会出现误去除现象，而眼电干扰在独立分量分析方法分解出来的独立分量中是很明确的一个分量，所以可以很准确的把眼电干扰去除。

通过分析可以得到如下结论：

       （1）小波分析和独立分量分析都可以应用于脑电信号干扰的去除。

（2）小波变换对于手机等电磁干扰的去除效果要好于独立分量分析方法，而对于眼电干扰的去除是独立分量分析的效果要好于小波变换。

（3）小波分析优点在于算法成熟，计算量小，但需要分别处理每一脑电通道数据。适用于所需脑电通道少，而实时性要求高的情况。

       （4）独立分量分析的优点在于利用了脑电的空间信息，可以同时去除多通道的干扰，但计算量大。因此适用于所需脑电通道多的情况。

6 结论

本文通过对汽车驾驶时脑电的手机干扰和眼电干扰信号同时用小波变换和独立分量分析方法进行分析比较，得到了两种方法在汽车驾驶时脑电干扰去除中的特点和应用条件。为驾驶员脑电信息的提取和进一步应用打下了基础。

本文作者创新点：

通过对比小波分析和独立分量分析两种方法在汽车驾驶时脑电干扰信号去除中的效果，明确了两种方法在脑电信号预处理中应用的优缺点和各自的适用范围。