本發(fā)明涉及腦電信號分析領(lǐng)域，適合含有不同頻域的復(fù)雜信號及關(guān)于信號的非線性研究。

背景技術(shù)：

對于腦電信號的研究，以往主要集中在時頻特征的傳統(tǒng)分析方法上，近幾年越來越多的研究采用非線性方法。非線性動力學(xué)方法具有非隨機性、非周期性、非線性等特點，非常適合分析時變、非穩(wěn)態(tài)、復(fù)雜的非線性時間序列信號，由于大腦神經(jīng)活動是極為復(fù)雜的動態(tài)過程，極易受到不同思維狀態(tài)和外部環(huán)境的影響，所以腦電信號有明顯的隨機性和非線性特征。運用非線性動力學(xué)方法對eeg進行特征提取和分析，是一條新的途徑。

復(fù)雜度是反映一個時間序列中，新模式數(shù)量隨序列長度的增加而增長速率的指標。復(fù)雜度越小，時間序列新模式增長的越慢，說明時間序列的規(guī)則性越強，其周期性越大、隨機性越?。粡?fù)雜度越大，時間序列新模式增長的越多，說明時間序列的規(guī)則性越弱，其周期性越小而隨機性越大。復(fù)雜度最早是由kol-mogorov提出的，它定義了給定的“0”、“1”序列所需最少計算程序的比特數(shù)。但是這種定義無法用具體算法實現(xiàn)。lempel和ziv提出了一種簡單易行的復(fù)雜度算法，稱為lempel-ziv復(fù)雜度算法，由于lempel-ziv算法操作計算簡單等優(yōu)點，因此近年廣泛應(yīng)用到生物醫(yī)學(xué)信號中。

lz復(fù)雜度算法首先對一個序列信號進行二值化處理，傳統(tǒng)方法是以均值為閾值，大于均值的二值化為1，小于二值化為0，但傳統(tǒng)的二值化方法存一個很重要的缺點：用平均值來劃分將會使原始信號序列的許多細節(jié)無法體現(xiàn)出來。如圖1，以均值為0的序列，前半部分全部粗?；枮?，后半部分粗粒化為1。顯然，這是一種極規(guī)則的形式，與實際序列本身的動力學(xué)特性不符。這種現(xiàn)象稱之為“過分粗?；?。我們知道，腦電信號的頻率與賦幅值大體成反比，低頻段的幅值要大于高頻段的幅值，這樣低頻段幅值的變化對整體信號的均值將會其主導(dǎo)作用，也就是說，高幅值的低頻信號在整個序列的均值上下偏移，而低幅值的高頻信號將在離均值更遠的地方波動，二值化的結(jié)果更多由低頻信號所決定。低頻幅值的變化更有可能影響lz復(fù)雜度值，即傳統(tǒng)的以整體信號均值為閾值的計算方法將這將會忽略掉高頻信號的信息。如圖1所示。

技術(shù)實現(xiàn)要素：

為了克服上述現(xiàn)有技術(shù)的不足，本發(fā)明提供了一種基于多尺度窗口為閾值的復(fù)雜度分析方法。以不同長度的窗口中值來取閾值tw。由于單個幅值過大的異常值對均值影響的較大，因此用中值來代替均值。對于信號上每一個點x(n)，均有自己單獨的閾值tw。這樣，取不同的窗口，二值化后的序列將會體現(xiàn)不同頻段的特性。即所取的窗口尺度越大，那么二值化后呈現(xiàn)01交替的頻率將會越低，窗口尺度取的越小，二值化后01交替的頻率將會越大。假設(shè)取長度為l的窗口，以窗口內(nèi)的序列求中值tw，如果x(n)大于tw，則x(n)為1，否則，x(n)為0。這樣，從序列開始到序列結(jié)束的每一點，均計算獨自的閾值，分別進行二值化操作，這樣下來就可以得到窗口尺度為l的二值化序列。

本發(fā)明采用了如下的技術(shù)方案及實現(xiàn)步驟：

(1)需先將原始信號進行二值化處理。假設(shè)取長度為l的窗口，以窗口內(nèi)的序列求中值tw，如果窗口正中位置x(n)大于tw，則x(n)為1，否則，x(n)為0。并將窗口順序后平移滑動，以此求出每個x(n)的值。將總體信號進行二值化處理。

(2)計算二值化后的腦電序列的復(fù)雜度。設(shè)給定的序列為s和q，用sq表示把s，q兩個符號串拼接成的總字符串，sqπ表示把sq中最后一個字符刪去所得的字符串(π表示去掉它前面的符號串的最后一個符號的操作)。假設(shè)v(sqπ)為sqπ中所有不同的子序列.開始的時候，c＝1，s＝s(1)，q＝s(2)，因此sqπ＝s(1)；

(3)一般的，q＝s(1)，s(2)，…，s(t)，q＝s(t+1)，于是sqπ＝s(1)，s(2)，…s(t)；如果q屬于v(sqπ)，則q就是sqπ的一個子序列，而不是一個新的序列.則另q＝s(t+1)，s(t+2)，繼續(xù)觀察；

(4)如果q不屬于v(sqπ)，則用添加的操作將s(t+1)加到sqπ后面，即sqπ＝s(1)，s(2)，…，s(t)，s(t+1)，添加次數(shù)c加一(初始值c＝1)；

(5)重復(fù)步驟3)、4)，直到q已包含給定序列的最后一個符號，則程序結(jié)束。

一種基于多尺度窗口為閾值的復(fù)雜度分析方法，其特征在于：

1)需先將原始信號進行二值化處理。假設(shè)取長度為l的窗口，以窗口內(nèi)的序列求中值tw，如果窗口正中位置x(n)大于tw，則x(n)為1，否則，x(n)為0。并將窗口順序后平移滑動，以此求出每個x(n)的值。將總體信號進行二值化處理。

2)計算二值化后的腦電序列的復(fù)雜度。設(shè)給定的序列為s和q，用sq表示把s，q兩個符號串拼接成的總字符串，sqπ表示把sq中最后一個字符刪去所得的字符串(π表示去掉它前面的符號串的最后一個符號的操作)。假設(shè)v(sqπ)為sqπ中所有不同的子序列.開始的時候，c＝1，s＝s(1)，q＝s(2)，因此sqπ＝s(1)；

3)一般的，q＝s(1)，s(2)，…，s(t)，q＝s(t+1)，于是sqπ＝s(1)，s(2)，…s(t)；如果q屬于v(sqπ)，則q就是sqπ的一個子序列，而不是一個新的序列.則另q＝s(t+1)，s(t+2)，繼續(xù)觀察；

4)如果q不屬于v(sqπ)，則用添加的操作將s(t+1)加到sqπ后面，即sqπ＝s(1)，s(2)，…，s(t)，s(t+1)，添加次數(shù)c加一(初始值c＝1)；

5)重復(fù)步驟3)、4)，直到q已包含給定序列的最后一個符號，則程序結(jié)束.

6)根據(jù)lemple和ziv對這種復(fù)雜度的研究，可以知道幾乎所有的s中的c(n)都會以概率趨向于一個固定值：

中基于窗口化lz算法進行粗?；挠嬎惴椒ㄊ?，首先設(shè)窗口尺度為w，從距離起始端w/2的點開始，將每段窗口中的信號點中值最為此信號獨自的閾值tw，如果x(n)大于tw(n)，則x(n)二值化為1，否則為0，然后依次平移窗口，計算每個點特定的閾值并以此二值化處理。

與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果：

基于多尺度窗口化復(fù)雜度算法解決了傳統(tǒng)lz復(fù)雜度以均值為閾值而過分粗?；瘬p失信號有效信息成分的缺點，不同的窗口尺度可以體現(xiàn)不同粗粒化特征的優(yōu)點，可以表征信息不同特性的優(yōu)點。

附圖說明

圖1為本發(fā)明的方法流程圖；

圖2為樣本信號圖像；

圖3為信號以均值為閾值點和以窗口尺度為閾值的序列點；

圖4為噪聲強度為4時不同參數(shù)下各序列的復(fù)雜度值；

圖5為噪聲強度為8時不同參數(shù)下各序列的復(fù)雜度值；

圖6為噪聲強度為12時不同參數(shù)下各序列的復(fù)雜度值；

具體實施方式

為了驗證提出假設(shè)的有效性，運用matlab平臺模擬腦電信號進行測試驗證。分別取高低頻段信號5～11hz,27～33hz兩個頻段，每個頻段上隨機生成10個子信號，在5～11hz的頻率內(nèi)隨機生成含有10個子信號的信號h1，模擬高頻成分，在27～33hz頻率內(nèi)隨機生成含有10個自信號h2，模擬低頻成分。以各頻段內(nèi)均值為0方差為2的高斯白信號h3作為第三個成分，噪聲信號。因此模擬總信號x(n)表達式為：

x(n)＝a*h1+b*h2+c*h3

為了更好的表現(xiàn)腦電信號幅值隨頻率減小的特性，三個頻段的子信號的幅值范圍將依次遞減。設(shè)高中頻信號的幅值不變，低頻信號及噪聲強度改變(模擬抗干擾能力)，根據(jù)三頻段信號疊加過后信號的范圍，設(shè)a為50，b為20,16,12,8,4，c為12,8,4。每個參數(shù)均乘以0.9～1.1之間的隨機數(shù)，保證信號的隨機性。abc之間不同的結(jié)合一共可以模擬15種信號，每種組合分別生成30個獨立信號作為后續(xù)顯著差異檢驗分析，總信號數(shù)為450個。

當a為50，b為20，c為4時信號成分如下圖所示：

表1：模擬信號成分

對模擬信號進行基于窗口lz復(fù)雜度計算的具體過程如下：

首先取尺度w[11,21,```151]中的一個，設(shè)置移動滑動窗，對整體信號進行二值化處理，然后對于每條信號，設(shè)置2000個點的滑動窗口，每次計算2000個點信號的lz復(fù)雜度，重復(fù)覆蓋50％移動，將所求得lz復(fù)雜度進行平均求值，得到一個w尺度下信號的復(fù)雜度。

為了比較傳統(tǒng)二值化算法忽略了信號中的高頻成分，tm，tw分別是以信號均值為閾值以及w窗口尺寸均值為閾值。加入了幾種lzc相關(guān)改進的算法來對比改進算法的有效性，：

設(shè)原始信號x(i),i＝1,2,3``n

(1)：傳統(tǒng)均值，以整體信號的均值為閾值，大于均值的為1，小于均值的為0來二值化信號。設(shè)均值為mean：

(2)：自適應(yīng)lz復(fù)雜度(salz)

該算法根據(jù)每一段序列中相鄰兩點之間的差值求閾值，依據(jù)每段信號的特點自適應(yīng)地調(diào)整閾值，刻畫了序列中前后兩個點相互關(guān)系和細節(jié)信息。閾值t為除去最后一個節(jié)點相鄰節(jié)點差的絕對值平均值。

設(shè)a為x序列的平均值，如果序列的第一個點x1大于整個序列平均值，則將該點二值化值s1賦為1，反之為0。

從序列的第二個點x2開始，二值化的值取決于與前一個點的比較，如果當前值與其前一個值差值的絕對值小于閾值t，則設(shè)置當前值的二值化值與其前一個值相同；反之，則根據(jù)當前值與其前一個值的大小關(guān)系，來確定二值化后的值。

對上一步得到的二值序列s(s1，s2，…，sn)進行復(fù)雜度計算。

將三種算法分別對上述450個信號求值，將最終所有復(fù)雜度值進行相應(yīng)的求平均處理。

當窗口的尺度由小變大時，lz復(fù)雜度總體趨勢由大變小，在窗口尺度為11時候，不同高頻信號總體lz復(fù)雜度在0.9到1左右，差值為0.003，隨著尺度的增大，lz開始下降，低頻幅值較大的信號lz復(fù)雜度值減小的快，坡度較大，在尺度為41達到最大，最大最小值差值為0.33，隨后之間的差值減小，在尺度為121的時候，擁有不同高頻幅值的信號在lz復(fù)雜度上沒有發(fā)現(xiàn)有差異，由于窗口尺度過大時，中值相當于傳統(tǒng)lz復(fù)雜度總體信號的均值。在其他算法得到的結(jié)果中，傳統(tǒng)lz算法之間最大的差異為0.02，自適應(yīng)lz算法之間最大的差異為0.11。因可以得到基于窗口尺度的lz算法能體現(xiàn)出模擬信號中高頻信號之間的差異，而在高頻信號有差異的信號間，其他兩個算法并不能體現(xiàn)出隱藏在高頻信號的差異。

為了探究多尺度lz算法的抗干擾性，對信號添加不同幅值的高斯白信號，即當c取12，8，4時，同樣得到不同尺度下的lz復(fù)雜度，具體的值如下圖4，5，6所示：

由三幅圖整體可以看到，當c取12,8,4值時，包含不同高頻幅值的信號lz復(fù)雜度的整體趨勢是一樣的，隨著窗口尺度由11增加到201，lz大體呈現(xiàn)遞減的趨勢，窗口尺度越小，信號被二值化為01更頻繁，更能體現(xiàn)高頻特性，總體趨勢上可以看到，c為12時，整體lz復(fù)雜度趨于0.37，c為8時，整體lz復(fù)雜度趨于0.29，c為4時，最終整體lz復(fù)雜度趨于0.21，也驗證了隨著噪聲強度的增加，復(fù)雜度值相應(yīng)的增大。此時在窗口為11時，不同信號之間復(fù)雜度有所不同。

從包含不同高頻幅值的信號之間可以看到，在尺度取11到81之間，信號lz復(fù)雜度之間的差值先增大后減小，在w為31或41時候最大，特別是當c為4，w為31時，之間差值達到0.38。

可以得到，不同幅值的高斯白信號干擾，并沒有使信號整體的趨勢改變，只是細節(jié)不同lz值有稍微變化，說明在模擬信號上，基于不同尺度窗口化的lz算法有很強的魯棒性。