21、脑信号医学应用中的数据分析技术

脑信号医学应用中的数据分析技术

1. 脑信号处理

脑电（EEG）原始数据可通过各种信号处理方法进行转换，以识别疾病、生成有用的通信或控制命令。脑信号通常通过放置在受试者头皮上的电极无创采集，其中 10/20 国际系统是最广泛使用的电极定位方法。电极的数量和位置取决于具体应用类型。采集到的信号会被放大以便进行电子处理，并经过滤波以去除电力线干扰、射频干扰、运动伪影等电噪声。同时，记录的持续 EEG 可能会进行预处理，以去除由眼部、肌肉和心脏活动产生的伪影。

1.1 预处理

在预处理阶段，可使用独立成分分析（ICA）、主成分分析（PCA）、奇异值分解（SVD）、因子分析、非负矩阵分解（NMF）、稀疏成分分析（SCA）等技术从放大后的脑信号中去除伪影，以提高信号的信噪比。下面简要介绍广泛使用的 ICA 和 PCA。
- 独立成分分析（ICA） ：将数据转换为多个独立成分。在脑信号中，每个电极记录来自多个神经源的信号。ICA 假设记录的信号是独立源的线性组合，其表达式如下：
[y_i(t) = a_{i1}s_1(t)+ a_{i2}s_2(t)+ \cdots + a_{in}s_n(t);\quad i = 1,2,\cdots n]
其中 (s_i) 是第 (i) 个源，(a_{in}) 是常数。该式可以矩阵形式表示为：
[y = As]
其中 (A) 是混合矩阵。如果基于源变量 (s) 独立且非高斯的假设计算出混合矩阵，就可以找到源信号。
- 主成分分析（PCA） ：将相关变量转换为不相关变量，在减少数据量的同时尽量减少信息损失。这些不相关变