摘要：本文提出了一种基于自适应的脑电滤波技术，即用LMS自适应预测滤波器来分离脑电中的平稳和不平稳成分，提取非平稳成分来压缩脑电处理数据量。为进一步设计脑电图的计算机自动分析和诊断系统，打下基础。

中图分类号：R318.6文献标识码: A

文章编号:1005-202X（1999）04-0237-02

A filter technology of EEG based on adaptive filter

WANG Zhao-yuan¹, ZHOU Long-qi²

(1.The NanFang Hospital, The First Military Med. Univ; 2.The Biomed.Eng.Dept.,The First Military Med. Univ., Guangzhou 510515,China)

Abstract: The article proposed a nonlinear digital filter which separates nonstationary waves from stationary background waves of the EEG. It can reduced raw data for computerized EEG analysing. This filter composed of a LMS prediction filter and a simple nonlinear function. Some examples showing the separation of spikes and slow waves from EEG data of epileptic patients are given.

Key words:electroencephalography;digital filter;LMS algorithm

引言：由脑电图机记录下来的脑电信号，是进行神经系统疾病，特别是癫痫病诊断的主要依据。临床脑电图的分析大多是脑电图专家通过阅读记录纸上的多导脑电图来完成的，即用目测标注的方法来理解和评价EEG。但是由于脑电图要求记录时间长(一般为20分钟左右，动态脑电监护则时间更长)，波形复杂，容易引起误差和疲劳。另外脑电图医师们的知识水平、工作经验和主观认识也有差异, 这就使得临床上多导EEG的“数据压缩”和“特征提取”一直停留在主观处理水平上。60年代后，随着计算机技术的发展，人们期望能从繁冗的EEG信号的阅读理解中，把脑电图师们解脱出来, 开始研究计算机辅助EEG分析及后来开始研究的EEG自动分析系统。本文介绍一种脑电数字滤波方法，直接从原始输入信号出发进行滤波，分离脑电中的平稳和非平稳成分，得到了较好的效果。

1原理

图1是滤波器的结构^［1］。

图1自适应预测滤波器框图

图1中，原始输入EEG信号可以看作平稳的背景波上叠加非平稳的发作波。我们用一个自回归（AR）预测滤波器（prediction filter）来预测原始输入信号的平稳成分，用含参数ε的一个简单非线性函数F（·）将预测误差信号分为小幅度部分（平稳成分）和大幅度部分（非平稳成分）。

预测滤波器对估计的平稳信号做自回归预测：

这里，a_k是自回归模型的系数，M是阶数。

从图1可知，滤波器的平稳输出和非平稳输出分别为：

其中，是预测滤波器的输出，e_n= x_n－ 是预测误差，F（·）是一个非线性函数。当F（·）为如图2所示的形式时，得到：

图2非线性函数F（·）的定义

可见，这种滤波器的原理是对信号做自适应预测滤波，当预测误差较小时（｜e_n｜≤ε₁），认为信号是平稳的，没有非平稳输出；当预测误差较大时（｜e_n｜＞ε₂），以预测值作为信号的平稳部分，预测误差作为信号的非平稳部分输出；在这两种情况之间是一个过渡带（ε₁＜｜e_n｜≤ε₂）^［2］。

自适应预测滤波器采用LMS算法^［3，4］。

是时刻滤波器的权重，是t时刻的输入矢量；平稳成分的输出作为滤波器输入；是滤波器的输出，它是的最佳最小均方估计。

2结果与讨论

本滤波器的性能与滤波器各项参数的选取有直接关系。滤波器的主要参数有k,ε₁，ε₂和μ。对于k的取值，一般越大分辨率越好，但k较大时会使自回归模型的预测结果不稳定，而且计算量也会增大，本系统滤波器阶次k选为7阶。ε₁、ε₂的取值是影响非平稳成分检测效果的至关重要的因素。ε₁或ε₂取得过大，会使非平稳成分表现不出来或是不突出从而造成漏检；ε₁或ε₂过小，又可能造成虚警。在这里ε₁和ε₂经实验分别取为经验值4和10。（输入脑电的动态范围－128～+127）。滤波器权重收敛因子μ的大小决定了权重的收敛速度，μ过小，权重收敛慢，不利于跟踪小幅度信号的平稳成分；μ过大却又可能造成遇到高大的癫痫波时，权重会发散，本系统中μ取值为1×10^-8。

实际处理脑电图的结果如下图3所示。其中x_n代表原始输入脑电信号，代表滤波器的平稳输出，代表滤波器的非平稳输出。

（a）棘波的滤波效果

（b）慢波的滤波效果

图3EEG信号的滤波效果

参考文献：

1Kaoru Arakawa，Fenden D.H., Hiroshi Harashima，et al. Separation of non-Stationary component from the EEG by a nonlinear digital filter［J］. IEEE Trans Biomed Eng，1986，33（7）：724-726.

2许小汉，王旭高，等. 用稳态-非稳态数字滤波器分离信号和背景噪声的技术［J］. 中国生物医学工程学报, 1995, 14（4）：313-318.

3张彤，杨福生，唐庆玉. 脑电中癫痫波的自动检测与分类-一种分层次、多方法整合的途径［J］. 中国生物医学工程学报, 1998，17（1）：1-11.

4Widrow B，et al. Stationary and Non-stationary Learning Characteristics of the LMS Adaptive Filter［J］. IEEE Proc, 1976, 64: 1151-1155.

收稿日期：1999-04-12