论文部分内容阅读
脑科学是21世纪研究的前沿科学和热门领域,受到很多国家的重视,成为抢占战略制高点的关键项目。脑电(Electroencephalography,EEG)是通过电极帽采集大脑皮层或头皮自发性、节律性运动而产生的电生理信号,它是由大量大脑皮层神经元突触后电位共同作用产生的,是大脑神经活动的外在表现。EEG具有很高的时间分辨率,可以在毫秒级上记录大脑的信息加工过程,成为研究脑科学最常用的方式之一。然而,通常情况下EEG会不可避免的引入异常值(Outliers),如眼电伪迹,这些噪声会严重干扰脑电信号的分析和处理。当用系统辨识中的自回归各态历经(AutoRegressive eXogenous,ARX)模型估计脑电信号时,传统的基于最小二乘法的求解方法虽然具有一定的平滑性,但是会倍化 Outliers噪声的能量,无法消除其对信号的干扰。因此,本论文提出一种基于LP(P≦1)范数的ARX(Lp-ARX)模型,该方法将ARX模型的目标函数用LP(P≦1)范数进行约束,并用BFGS算法求解模型参数。实验结果显示该方法可以有效的抑制Outliers噪声的干扰,从而表明其具有重大的理论和实践意义。本论文的主要工作如下: 第一,提出基于LP(P≦1)范数的 ARX模型。针对脑电信号中的 Outliers噪声问题,基于最小二乘法的模型框架无法抑制 Outliers噪声对信号的影响,从而使得脑电信号在信号预测和模型估计方面会出现扭曲和误差,干扰脑电信号的后续应用。理论研究证明,基于LP(P≦1)范数理论构造的算法在应对Outliers噪声方面比L2范数具有明显的优势。本文将 LP(P≦1)范数应用于ARX模型的目标函数,替换原来的基于最小二乘法的ARX模型目标函数。通过仿真实验,用ARX模型的参数误差和预测误差作为评判指标,发现基于LP(P≦1)范数的单输入单输出ARX模型和多输入单输出ARX模型在抑制Outliers噪声上均具有不错的效果。 第二,Lp-ARX模型的应用研究。EEG具有较强的随机性和非平稳性。当EEG遭到眼电伪迹干扰或者由于电极脱落而无法采集数据时,会使得采集的脑电数据无法使用。本文首先应用Lp-ARX模型对EEG进行估计,将电极脱落的脑电数据恢复出来。其次由于颅内压数据是非常重要的生理信号,且获取不易,常常通过开颅手术获取,给患者造成不必要的伤害,因此通过无损的方式来获取颅内压数据极其重要。本文通过当前颅内压和动脉压数据,用Lp-ARX模型进行估计,预测未来颅内压数据。该方法对离群值具有较强的抑制作用,并具有较好的鲁棒性。