HHT變換及其在腦電信號(hào)處理中的應(yīng)用研究.pdf

1、本文研究的內(nèi)容是國(guó)家自然科學(xué)基金“視覺(jué)聽(tīng)覺(jué)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(jué)模態(tài)和聽(tīng)覺(jué)模態(tài)的相干性問(wèn)題。人類對(duì)環(huán)境的認(rèn)識(shí)，80％是通過(guò)視覺(jué)來(lái)實(shí)現(xiàn)的，同時(shí)，聽(tīng)覺(jué)也起著不可替代的作用。那么在視覺(jué)模態(tài)和聽(tīng)覺(jué)模態(tài)之間到底有無(wú)關(guān)系，以及有著怎樣的關(guān)系，這是一個(gè)非常值得研究和關(guān)注的問(wèn)題。當(dāng)前，在多個(gè)學(xué)科對(duì)這一問(wèn)題都展開了研究，本文以希爾伯特-黃變換(HHT)和腦電信號(hào)處理技術(shù)為研究手段，

2、分析了視覺(jué)誘發(fā)腦電、聽(tīng)覺(jué)誘發(fā)腦電以及視聽(tīng)覺(jué)一致時(shí)腦電和視聽(tīng)覺(jué)不一致時(shí)腦電數(shù)據(jù)的關(guān)系，從信號(hào)相關(guān)系數(shù)的數(shù)值比較方面得出了視聽(tīng)覺(jué)模態(tài)具有相干性的結(jié)論。在此過(guò)程中，解決了希爾伯特-黃變換在腦電信號(hào)處理中的一系列相關(guān)技術(shù)問(wèn)題，具體來(lái)說(shuō)，圍繞著以下四個(gè)方面來(lái)展開：
　　 (1)腦電信號(hào)是一種典型的非線性、非平穩(wěn)信號(hào)，小波變換和希爾伯特-黃變換都可以對(duì)其進(jìn)行時(shí)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(duì)這兩種方法進(jìn)行了多角度的對(duì)比

3、，并以實(shí)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(hào)的結(jié)論。
　　 (2)運(yùn)用HHT變換處理腦電信號(hào)的過(guò)程中，容易因?yàn)槎它c(diǎn)效應(yīng)的問(wèn)題而影響信號(hào)分解的效果。本文詳細(xì)分析了端點(diǎn)效應(yīng)產(chǎn)生的原因以及現(xiàn)有的幾種端點(diǎn)效應(yīng)的抑制方法，對(duì)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(píng)價(jià)多種端點(diǎn)效應(yīng)的抑制方法時(shí)，提出了一種考慮了分解效果和分解效率的綜合評(píng)價(jià)體系。分解效果通過(guò)兩個(gè)

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(hào)的相關(guān)系數(shù)；其二比較原信號(hào)分解前后的能量差值；分解效率通過(guò)計(jì)算抑制算法的運(yùn)算時(shí)間來(lái)評(píng)估。
　　 ②在對(duì)現(xiàn)有端點(diǎn)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(diǎn)延拓算法，用若干個(gè)相似子波的加權(quán)對(duì)信號(hào)的端點(diǎn)處進(jìn)行延拓，這樣處理后的信號(hào)更加符合原信號(hào)的發(fā)展趨勢(shì)。從對(duì)仿真數(shù)據(jù)和真實(shí)的腦電數(shù)據(jù)處理的效果來(lái)看，該方法能夠解決端點(diǎn)飛翼的問(wèn)題，使得腦電信號(hào)處理的效果比較令人滿意。

5、
　　 (3)傳統(tǒng)EMD方法對(duì)腦電信號(hào)分解會(huì)產(chǎn)生模態(tài)混疊的問(wèn)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(jì)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(guò)在原信號(hào)中加入了若干組白噪聲信號(hào)，使得信號(hào)在時(shí)間尺度上保持了連續(xù)。同時(shí)由于噪聲的零均值特性，經(jīng)過(guò)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(gè)白噪聲信號(hào)的加入，使得分解算法的時(shí)間復(fù)雜度大大增

6、加，這會(huì)使得EEMD不適合一些實(shí)時(shí)腦電信號(hào)分析的場(chǎng)合。對(duì)此，本文又提出了一種基于GPU+CPU計(jì)算模式的EEMD，從而大大提高了EEMD的計(jì)算效率。
　　 (4)為得到視覺(jué)聽(tīng)覺(jué)跨模態(tài)相干的證據(jù)，設(shè)計(jì)了視聽(tīng)覺(jué)相干的腦電實(shí)驗(yàn)，采集實(shí)驗(yàn)數(shù)據(jù)，對(duì)數(shù)據(jù)進(jìn)行處理分析?？疾炝艘韵聝蓚€(gè)角度的信號(hào)相關(guān)性：
　　 ①考察視覺(jué)單模態(tài)腦電信號(hào)、聽(tīng)覺(jué)單模態(tài)腦電信號(hào)和視聽(tīng)一致的腦電信號(hào)以及視聽(tīng)不一致的腦電信號(hào)的相關(guān)性，對(duì)相關(guān)系數(shù)的值作比較，得到視聽(tīng)