HHT變換及其在腦電信號處理中的應(yīng)用研究.pdf

1、本文研究的內(nèi)容是國家自然科學(xué)基金“視覺聽覺跨模態(tài)相干性協(xié)同學(xué)習(xí)算法研究”(60873139)中的重要組成部分，旨在探索人類認(rèn)知環(huán)節(jié)中的視覺模態(tài)和聽覺模態(tài)的相干性問題。人類對環(huán)境的認(rèn)識，80％是通過視覺來實現(xiàn)的，同時，聽覺也起著不可替代的作用。那么在視覺模態(tài)和聽覺模態(tài)之間到底有無關(guān)系，以及有著怎樣的關(guān)系，這是一個非常值得研究和關(guān)注的問題。當(dāng)前，在多個學(xué)科對這一問題都展開了研究，本文以希爾伯特-黃變換(HHT)和腦電信號處理技術(shù)為研究手段，

2、分析了視覺誘發(fā)腦電、聽覺誘發(fā)腦電以及視聽覺一致時腦電和視聽覺不一致時腦電數(shù)據(jù)的關(guān)系，從信號相關(guān)系數(shù)的數(shù)值比較方面得出了視聽覺模態(tài)具有相干性的結(jié)論。在此過程中，解決了希爾伯特-黃變換在腦電信號處理中的一系列相關(guān)技術(shù)問題，具體來說，圍繞著以下四個方面來展開：
　　 (1)腦電信號是一種典型的非線性、非平穩(wěn)信號，小波變換和希爾伯特-黃變換都可以對其進(jìn)行時頻分析處理，但哪種方法分析效果更好，這至關(guān)重要。文中對這兩種方法進(jìn)行了多角度的對比

3、，并以實際的腦電數(shù)據(jù)做仿真，得出希爾伯特-黃變換更適合分析腦電信號的結(jié)論。
　　 (2)運用HHT變換處理腦電信號的過程中，容易因為端點效應(yīng)的問題而影響信號分解的效果。本文詳細(xì)分析了端點效應(yīng)產(chǎn)生的原因以及現(xiàn)有的幾種端點效應(yīng)的抑制方法，對這些方法的效果進(jìn)行了比較，并在此基礎(chǔ)上提出了一種相似波形加權(quán)平均的延拓算法。
　　 ①在衡量評價多種端點效應(yīng)的抑制方法時，提出了一種考慮了分解效果和分解效率的綜合評價體系。分解效果通過兩個

4、方面得以體現(xiàn)：其一，比較分解后得到的有效分量和分解前原信號的相關(guān)系數(shù)；其二比較原信號分解前后的能量差值；分解效率通過計算抑制算法的運算時間來評估。
　　 ②在對現(xiàn)有端點效應(yīng)處理辦法分析的基礎(chǔ)上提出了一種相似波形加權(quán)平均的端點延拓算法，用若干個相似子波的加權(quán)對信號的端點處進(jìn)行延拓，這樣處理后的信號更加符合原信號的發(fā)展趨勢。從對仿真數(shù)據(jù)和真實的腦電數(shù)據(jù)處理的效果來看，該方法能夠解決端點飛翼的問題，使得腦電信號處理的效果比較令人滿意。

5、
　　 (3)傳統(tǒng)EMD方法對腦電信號分解會產(chǎn)生模態(tài)混疊的問題，本文提出了用EEMD的方法改善模態(tài)混疊的影響，用CUDA的計算模式提高EEMD的分解效率。
　　 ①EEMD是一種噪聲輔助分析的技術(shù)，通過在原信號中加入了若干組白噪聲信號，使得信號在時間尺度上保持了連續(xù)。同時由于噪聲的零均值特性，經(jīng)過多次平均后，噪聲將相互抵消，從而達(dá)到改善模態(tài)混疊的效果。
　　 ②多個白噪聲信號的加入，使得分解算法的時間復(fù)雜度大大增

6、加，這會使得EEMD不適合一些實時腦電信號分析的場合。對此，本文又提出了一種基于GPU+CPU計算模式的EEMD，從而大大提高了EEMD的計算效率。
　　 (4)為得到視覺聽覺跨模態(tài)相干的證據(jù)，設(shè)計了視聽覺相干的腦電實驗，采集實驗數(shù)據(jù)，對數(shù)據(jù)進(jìn)行處理分析。考察了以下兩個角度的信號相關(guān)性：
　　 ①考察視覺單模態(tài)腦電信號、聽覺單模態(tài)腦電信號和視聽一致的腦電信號以及視聽不一致的腦電信號的相關(guān)性，對相關(guān)系數(shù)的值作比較，得到視聽