基于LabVIEW的EEG信号采集与处理系统设计

毛丽民, 朱培逸, 刘叔军, 杨 自

(常熟理工学院 电气与自动化工程学院，江苏 常熟 215500)

基于LabVIEW的EEG信号采集与处理系统设计

毛丽民, 朱培逸, 刘叔军, 杨 自

(常熟理工学院 电气与自动化工程学院，江苏 常熟 215500)

针对Emotiv Epoc采集的脑电信号，提出了一种基于LabVIEW的EEG信号的处理方法。应用LabVIEW软件平台，对采集的信号进行解析获取EEG信号，捕捉受试者的当前状态，同时对解析出的EEG数据进行保存与读取。首先利用傅里叶变换进行分析，得出在某段时间范围的频域信息，然后在此基础上进行小波分析，捕捉某一通道的某一信号出现的时间，结合这2种方法，更好地分析EEG信号。通过大量实验测试，提出的基于LabVIEW的EEG信号处理方法，能筛选出识别率较高的信号，从而对基于脑电控制的研究提供了一种有效途径。

LabVIEW; 脑电图描访器信号; 傅里叶变换; 小波分析; 识别

0 引 言

人类在脑机接口方面的研究已有40多年，开辟很多生物学与医学的新道路。除了对脑电的获取之外，脑机接口也包含着对头部肌电的采集，人类大脑控制面部肌肉活动，肌肉的运动伴随着肌电的变化，用设备将肌电及时地采集与分析可得出受试者的面部具体表情，甚至眨眼等细微动作也可以被准确地捕捉。

国外已有较多的研究经验，入侵式是将部分设备植入皮层神经系统，在这方面可以重建盲人视觉，也可以帮助瘫痪病人重建运动功能，这些研究已经取得了成功案例[1-2]。早在1978年国外就已经成功研制了光幻视，用电子摄像头代替眼睛帮助失明的病人重见光明。然而侵入式也有一些难以避免的缺点，会导致生理系统体内排斥反应从而对于受试者造成伤害。

而非侵入式则要安全许多，只需要将设备戴在头部指定位置，使传感器与皮肤接触良好即可。但是由于穿过皮层的脑电信号已经有所衰减，所以从精度上会有所不足。在国内，对这方面的研究正在蓬勃发展，很多大学在从事脑电波方面的研究并取得了突破性进展,例如，浙江大学在2012年就已经通过实验研发出捕捉手指运动信号的脑机接口装置，可以捕捉猴子的手指信息来控制机械手[3]。

1 脑电信号采集装置

非侵入式的脑机接口设备需要有与头皮接触良好的电极作为采集入口，将采集的微弱电压信号放大、滤波、降噪、静电保护等处理，得到较为优质的EEG信号。Emotiv Epoc头盔采用3.7 V锂电池供电，16个电极采集脑电肌电信号，通过蓝牙将所有通道的信号发送到开发平台[4](见图1)。

图1 脑电信号采集装置

多路数据实时地发送到接收端，对信号传输速度便有较高的要求，故Emotiv采用了2.4G的无线传输，足以达到要求，具体参数见表1。

表1 Emotiv Epoc参数

2 基于LabVIEW的EEG信号采集

先要将设备开启，调用动态链接库并初始化，得到原始数据[5-6]，再将数据以表格的形式存到CSV文件中，共14个通道，每个通道以列的形式保存，程序如图2、3所示。

由于小波分析适用于单个通道的波形分析，本文采取逐个单一的分析方式，对每个通道单独分析，再进行结合。保存的CSV文件部分内容如图4所示。以微笑时F7通道为例，将该通道的数据提取出来，绘出波形，程序见图5。

图2 EEG信号获取程序

图3 EEG信号保存程序

图4 CSV文件内容

图5 文件读取与显示程序

图6中横坐标的时间刻度为采集单个点的时间，当微笑时会出现明显的波峰。

图6 文件读取的波形

3 脑电信号的傅里叶变换研究

3.1 傅里叶变换

本文主要用傅里叶变换(Fourier Transformation，FT)处理EEG信号，在时域信号的基础上分析出某一段信号所包含的频率与峰值情况，从而判断一些特殊信号的是否出现。

脑波信号与肌电信号是随着时间变化的，傅里叶变换只能得出在某个范围内的频域信号，却不能得知某段频率的波出现时间。此时需要用到加窗傅里叶变换(Windowed Fourier Transform，WFT)，具体分析某一段时间的波形，从而把每一段时间的信号分别进行傅里叶变换，得出具体时间上的对应信号[7]。

标准傅里叶变换公式为

其中,f(t)为信号函数。

加窗傅里叶变换将整个时域的变化过程分解为多个等长的较小的过程，每个较小的过程可以近似地看为稳定的，将这些信号与具有一定宽度的窗函数相成，然后再进行傅里叶变换，得出相应时间的相应频率。

加窗傅里叶变换可以用以下过程实现：

其中:f(t)是信号函数;g(t)为窗函数。

将傅里叶变换在时域与频域上的形式离散，即对时域信号的采样变为在频域上的离散采样，形成离散傅里叶变换(Discrete Fourier Transform，DFT)。为了达到快速且高效的效果，往往运用快速傅里叶变换(Fast Fourier Transform，FFT)。

对于非周期连续的时域上的信号，傅里叶变换时式为

而通过计算机采集的信号是离散的采样值x(nT)，故上式需做一定的改变，即

3.2 EEG信号的快速傅里叶变换实现

通过FFT得出在整个采样范围内EEG所包含频率的范围与对应峰值，通过对7F通道波形的采样与分析，得出在采样时间内EEG的频域信息。而在CSV文件中保存的为离散的点信号，如需得到具体的对应时间，需要用LabVIEW构建函数，将离散的点信息转换为时域信息。由于对EEG的采样频率为128 Hz，故可算得采样周期为1/128 s=7.812 5 ms，构造函数的程序图如图7所示。

图7 构造时域函数

将构造的函数进行快速傅里叶变换可得到该采样时间内EEG的频域信息见图8。

图8 某段时间的EEG波形

图9 FFT得到的频域图

从图9中可见经过FFT后，得到的频域图中在50 Hz出有个明显的波峰，通过多次试验，它依然存在，因为此时得到的波形并没有排除220 V、50 Hz市电的干扰，故每次试验都会存在噪声。为了能降低噪声，进行中值滤波，频域图如图10所示。

图10 中值滤波后的FFT

从图中可见50 Hz的峰值消失，而其它频率的峰值基本不变，证实了中值滤波的实用性，在此基础上可进一步进行小波分析。

4 脑电信号的小波分析研究

4.1 小波分析

由于加窗傅立叶变换需要在时域信号上分成一段段的窗，窗虽解决了时间上的问题，却带来了分辨率或者说准确性的问题。若加的窗太窄，那么相当短的一段信号可获取的频率信息变少，则频率的分辨率变差；若加的窗太宽，则时域上就变得不够精细，导致时间分辨率变差。而小波分析能很好地解决该问题[8-11]。首先，小波变换最大的不同在于它不像傅里叶变换那样有无限长的三角函数基，小波变换是有一个有限长的衰减的小波基，这正解决了频率与时间的问题。

连续小波变换(CWT)公式：

由上式可见，与只有单一的变量ω的傅里叶变换不同，小波变换有两个变量，尺度a和平移量τ，a决定小波函数的伸缩量，τ决定了小波函数的平移量。

小波变换的重构

其中 需要满足条件：

小波分析有它的优点，同时也有不足。对于连续小波变换来说，在尺度和时间上存在着大量的信息冗余，而离散小波变换恰好能解决这个问题，它将尺度参数与平移参数进行了离散化，那么得到的公式如下：

对离散小波做逆变换

其中参数j适用于调节频域上的量，而k则用于调节时域方面的量。

综上所述，用小波变换在处理时变频信号与突变信号时都明显优越于加窗傅里叶变换，而在处理EEG时对信号的时域于频域的分析都有较高的要求，同时一些大脑的思考与头部肌肉的运动会产生较强的突变信号，用小波分析会有立竿见影的效果。

4.2 EEG信号的小波分析实现

微笑时有明显的峰值，在此基础上进行小波分析，以得出突变信号出现的时间。小波分析时可借助一个母波，将现有信号与母波叠加，可得到更好的分析效果。同时，在程序中加了一个中值滤波，以消除市电噪声，其中程序如图11所示，分析结果见图12。

从图12中可见，小波分析指出了各个突变点的位置，在时间轴的364处有明显的深度标记，且在所有的突变点中，364处的小波系数最高，与预期结果一致。继续保存多组微笑时的EEG数据进行分析比较，结果如图13所示。

图11 小波分析程序

图12 小波分析结果

(a) 微笑捕捉测试1

(b) 微笑捕捉测试2

(c) 微笑捕捉测试3

(d) 微笑捕捉测试4

从图13多组实验结果(a)、(b)、(c)、(d)中可以看出，在波形幅值突然变大或突然变小时，小波分析可准确捕捉到其变化的时间，同时以不同颜色表示出其变化的陡峭成度，红色表示变化率很大、波形很陡，黄色、绿色、蓝色依次降低，紫色最低。小波分析可以准确有效地得出突变信号的所在时域位置以及频域的相应信息，从而识别了在某个时间短的特定动作。

5 实验结果测试

5.1 EEG的信号识别

判断EEG解析后所识别出的动作，并将动作与数字对应【12-15】。识别的动作将数值转化为十进制字符串见表2，程序如图14所示。

5.2 测试结果

本文识别出的动作有眨眼、微笑、大笑、嘴角左上扬微笑(下文简称“左笑”)、嘴角右上扬微笑(下文简称“右笑”)、左看、右看等，将这些动作编成数字，再换算成字符串。各类表情识别效果如图15所示。

表2 动作与其对应数字

图14 信号识别程序

(a) 无动作

(b) 左笑

(c) 右笑

(c) 眨眼

(d) 左看

(e) 右看

试验结果统计见表3。由表可以看出，本文对于一些动作信号的识别存在着误识别，而对于不同的信号识别准确率也有所不同，准确率较高的“眨眼”、“左笑”与“右笑”。另外，有些动作是瞬间的，比如“眨眼”，这样的信号不存在保持的情况，故准确率基本不变。而对于“左笑”这样的可以一直保持的动作，动作程度越夸张、保持的时间越长，则识别准确率就会越高。同时也需要指出的是，对于设备的接触良好与否、受试者对设备的熟悉度、受试者所在的环境等因素也会影响着信号识别的准确度。

表3 测试结果分析比较

6 结 语

本文使用LabVIEW对EEG原始信号进行信号处理与分析，将时域上的数据分析与频域结合，完成傅里叶分析与小波分析的分析，达到了预期效果。在调试过程中，LabVIEW可以实时监测数据流，同时方便设置波特率、校验位等参数，提高了开发效率，对后续脑电控制的研究，提供了很好的途径。

[1] 孔丽文,薛召军,陈 龙,等. 基于虚拟现实环境的脑机接口技术研究进展[J].电子测量与仪器学报，2015,29(3):317-324.

[2] 高上凯.浅谈脑一机接口的发展现状与挑战[J]. 中国生物医学工程学报，2007,26(6):801-803.

[3] 孟 飞，黄军友，高小榕.基于脑-机接口技术的上肢康复训练系统[J]. 中国康复医学杂志，2004,19(5):327-329.

[4] 张 毅,张 辉,罗 元,等.采用Emotiv感知的智能轮椅运动控制的研究[J]. 重庆邮电大学学报(自然科学版)，2012,24(3):358-362.

[5] Penny W D,Roberts S J,Curran E A,etal. EEG-based communication: a pattern recognition approach[J]. IEEE Trans. Rehab.Eng.2000,8(2):214-215.

[6] Blankertz Benjamin, Curio Gabriel, Muller Klaus-Robert.Classifying single trial EEG:Towards brain computer interfacing[C]∥ In Advances in Neural Inf.Proc. Systems(NIPS O1) 2002,14: 157-164.

[7] 徐丁峰，程 明，高小榕.数字信号处理器在脑一机接口系统中的应用[J]. 北京生物医学工程，2002,21(4):257-260.

[8] 何庆华,彭承琳,吴宝明，等.小波变换在视觉诱发电位信号提取中的应用[J]. 重庆大学学报，2003, 26(6): 78-80.

[9] 伍亚舟,何庆华,黄 华，等.基于想象左右手运动脑机接口实验研究及分析[J]. 生物医学工程学杂志，2008, 25(5): 983-988.

[10] 吴小培,叶中付.基于脑电四阶累积量的运动意识分类研究[J].生物物理学报，2005,21(5): 1-8.

[11] 罗志增，李文国．基于小波变换和盲信号分离的多通道肌电信号处理方法[J]．电子学报，2009，37(4)：823-827．

[12] 耿丽清，赵 丽，崔世刚，等.基于脑电alpha波的便携式脑-机接口系统研究[J]. 系统仿真学报，2008，20(17)：4748-4750．[13] 李淑芳，周卫东，蔡冬梅，等．EMD和SVM结合的脑电信号分类方法[J]．生物医学工程学杂志，2011，28(5)：891-894．

[14] 袁 玲，杨帮华，马世伟．基于HHT和SVM的运动想象脑电识别[J]．仪器仪表学报，2010，31(3)：649-654.

[15] 邓捷方，杨 勇，王国胤．一种基于局部特征融合的表情识别方法[J]．重庆邮电大学学报(自然科学版)，2011，23(5)：626-630．

[16] 罗志增，李亚飞，孟 明，等.脑电信号的混沌分析和小波包变换特征提取算法[J]. 仪器仪表学报，2011,32(1):33-38.

Design of EEG Signal Acquisition and Processing System Based on LabVIEW

MAO Limin， ZHU Peiyi， LIU Shujun， YANG Zi

(School of Electrical Engineering and Automation, Changshu Institute of Technology, Changshu 215500, Jiangsu, China)

In this paper, a method of EEG signal processing based on LabVIEW is proposed based on the EEG signal collected by Emotiv Epoc. The LabVIEW software platform is used to analyze the collected signal and obtain the EEG signal, to capture the current state of the receiver, and save and read the EEG data. Firstly, the Fourier transform is used to analyze the frequency domain information in a certain period of time, then the wavelet analysis is applied to capture the time of a signal appearing in a certain channel. Combining these two methods, we can get better analying result of EEG signal. Through a large number of experimental tests, the processing method of EEG signal proposed in this paper can filter out the high recognition rate signal,and provide an effective way for the study of EEG based control.

LabVIEW; EEG signal; Fourier transformation； wavelet analysis; recognition

2016-11-15

苏州市科技计划项目资助(SYG201504)

毛丽民(1981-)，男，江苏常熟人， 硕士，副教授，主要研究方向为机器人与目标跟踪研究。

Tel.：13814928578；E-mail：maolimin_1981@163.com

TP 242.6

A

1006-7167(2017)08-0153-05