腦干聽覺誘發(fā)電位的提取分析方法研究.pdf

1、腦干聽覺誘發(fā)電位（Brainstem Auditory Evoked Potential，BAEP）是腦誘發(fā)電位（Evoked Potentials，EP）的一種，它所包含的時域、頻域信息對于評價人體聽覺功能、診斷神經(jīng)系統(tǒng)疾病等方面具有重要意義。目前臨床上常用的腦干聽覺誘發(fā)電位由于疊加平均而喪失了大量的動態(tài)信息，無法準確描述腦干功能的動態(tài)特性。因此，BAEP的單次（或少次）動態(tài)提取是近年來腦干聽覺誘發(fā)電位提取技術研究的熱點與難點。

2、 許多研究者將新的數(shù)學方法應用于誘發(fā)電位的動態(tài)提取當中，但多數(shù)研究都假設噪聲和信號間為加法關系，這具有一定的不合理性，存在一定的缺陷。隨著數(shù)學和計算機科學的不斷進步，有研究者將小波變換（Wavelet Transform，WT）引入到腦干聽覺誘發(fā)電位的非線性提取中，不但摒棄了先前的假設，而且在信噪比較高時取得了良好效果。但由于小波變換本身的特性，在低信噪比（Signal Noise Ratio，SNR）情況下，其性能得不到較好發(fā)揮，使

3、得提取效果存在缺陷。 BAEP信號中所含噪聲具有一定的隨機性和不均衡性。為了提高BAEP信號的信噪比，以利于小波變換方法的實施，本文除了借助一定次數(shù)的疊加平均，還引入粗集理論對BAEP信號進行預處理。根據(jù)粗集理論（Rough Sets Theory， RST）的基本原理，利用腦干聽覺誘發(fā)電位信號的關鍵特征對信號進行分類，針對不同部分進行相應的預處理操作，得到信噪比較高的預處理后信號。然后運用小波變換對其進行分解、分析、去噪和重

4、構，以獲得BAEP的提取結果。粗集分類法和小波變換都是非線性的數(shù)學方法，因此，本文研究是對BAEP的非線性動態(tài)提取。論文的主要工作如下： （1）首先將含噪BAEP序列作10次疊加平均，然后運用粗集理論對含噪BAEP信號進行動態(tài)粗分析和特征識別，按照其特征參數(shù)閾值進行分類，將含噪BAEP序列分為三個不同的部分：N1、N2和N3。針對不同的部分進行相應的操作，以實現(xiàn)對含噪BAEP序列的非線性初步濾波（即預處理）。其中運用遺傳算法對分類

5、閾值進行尋優(yōu)，使粗集分類過程更具科學性。 （2）運用離散小波變換對預處理后的含噪BAEP信號進行多分辨率分解，將原BAEP信號分解為概貌和細節(jié)兩部分。保留全部細節(jié)系數(shù)和最高層概貌系數(shù)，之后對細節(jié)系數(shù)包含的信號信息進行相關性分析，用統(tǒng)計檢驗方法考查其相關程度和顯著性水平，并選取相關性較好的項，剔除其余項，達到去噪目的。根據(jù)相關性分析中各細節(jié)系數(shù)的相關程度，將去噪后的細節(jié)系數(shù)進行篩選，運用最高層概貌系數(shù)和細節(jié)系數(shù)重構波形，重構后的BA