腦電信號處理與分析方法研究進(jìn)展

韓偉，卓雁文，李艷,3，湯池，劉娟，周聲毅，謝康寧

1. 空軍軍醫(yī)大學(xué) 軍事生物醫(yī)學(xué)工程學(xué)系，陜西 西安 710032；2. 聯(lián)勤保障部隊(duì)第九八七醫(yī)院 醫(yī)學(xué)工程科，陜西 寶雞 721000；3. 華僑大學(xué) 信息科學(xué)與工程學(xué)院，福建 廈門 362021

引言

腦電是人體中樞神經(jīng)系統(tǒng)中神經(jīng)元細(xì)胞的自發(fā)性、節(jié)律性電生理活動(dòng)，腦電信號是大量神經(jīng)元細(xì)胞群的同步活動(dòng)在大腦皮層和頭皮表面的整體反應(yīng)，可以通過植入或外置電極記錄得到，稱為腦電圖。任何神經(jīng)系統(tǒng)生理或病理性的改變引起的腦功能變化，都會(huì)影響神經(jīng)元的電活動(dòng)特性，進(jìn)而反映為腦電信號的變化。目前，臨床上使用腦電圖可以完成許多神經(jīng)系統(tǒng)疾病的輔助檢查，比如癲癇等發(fā)作性疾病、慢性硬膜下血腫等顱內(nèi)占位性病變。腦電還廣泛應(yīng)用于人體狀態(tài)監(jiān)測，比如腦外科術(shù)后監(jiān)測、睡眠監(jiān)測和麻醉深度監(jiān)測等。此外，腦電還廣泛用于心理和行為方面的研究，比如抑郁癥、精神分裂癥、注意缺陷和多動(dòng)障礙等。因此，對腦電信號進(jìn)行深入處理與分析，對人們了解大腦工作機(jī)制，研究大腦功能，診斷和治療神經(jīng)系統(tǒng)疾病具有十分重要的意義。傳統(tǒng)的腦電信號分析方法主要有時(shí)域分析、頻域分析和譜分析等。近些年，隨著非線性動(dòng)力學(xué)研究的深入和神經(jīng)網(wǎng)絡(luò)的廣泛運(yùn)用，許多新穎的方法逐步被用于腦電信號分析。本文整理了國內(nèi)外近五年來腦電信號分析方面的文獻(xiàn)，對常用的分析方法及研究成果進(jìn)行了綜述總結(jié)，并簡要探討了腦電信號分析研究的發(fā)展趨勢。

1 常用分析方法

1.1 時(shí)頻方法

腦電信號具有隨機(jī)、非平穩(wěn)等特點(diǎn)，其頻率成分隨時(shí)間的變化而變化，這就使得單一的時(shí)域或者頻域分析存在很大的局限。使用時(shí)域分析指標(biāo)，如均值、方差或偏度等，能得到的信號信息極為有限，而頻域分析方法應(yīng)用的前提是信號是平穩(wěn)信號。對于腦電信號而言，將全部信號從時(shí)域變換到頻域則會(huì)丟失全部的時(shí)變信息，難以解釋頻域的結(jié)果。時(shí)頻分析方法則將信號的頻率特性在時(shí)域上展示出來，對于描述信號的局部頻率和幅值特性具有獨(dú)特的優(yōu)勢。常用的時(shí)頻分析方法有小波變換、Wingner-Ville分布、Choi-Williams分布、Hilbert-Huang變換及短時(shí)傅里葉變換等。其中，小波變換由于其時(shí)域分辨率和頻域分辨率上的雙重優(yōu)勢，在時(shí)頻分析方法中占有重要地位。

國內(nèi)使用時(shí)頻方法分析腦電信號的研究中，陳宏銘等[1]采用小波變換的方法配合快速獨(dú)立分量分析，在降低腦電信號隨機(jī)噪聲的同時(shí)，保留了信號的細(xì)節(jié)信息。徐潔等[2]構(gòu)造了一種任意階均可導(dǎo)的小波閾值函數(shù)，配合平移不變的策略，對傳統(tǒng)小波閾值法去噪進(jìn)行了改進(jìn)，在去除腦電噪聲的性能方面優(yōu)于傳統(tǒng)小波閾值法。任通等[3]提出了一種基于SA4多小波的腦電消噪方法，采用SA4小波函數(shù)進(jìn)行小波分解與重構(gòu)計(jì)算，并使用軟閾值對噪聲信號進(jìn)行處理，在處理效果上優(yōu)于傳統(tǒng)的db4小波。閆國強(qiáng)等[4]將中介真值程度度量與小波硬閾值相結(jié)合構(gòu)建新的閾值函數(shù)，取得了更好的消噪效果。鄭佳佳等[5]使用總體經(jīng)驗(yàn)?zāi)B(tài)分解、Hilbert-Huang變換結(jié)合小波包分析對含噪的腦電信號進(jìn)行處理，獲得了更高的信噪比。崔剛強(qiáng)等[6]提出了一種基于小波分析和極限學(xué)習(xí)機(jī)的癲癇腦電分類方法，其中采用小波分解的方法提取多頻段的腦電信號以供進(jìn)一步的非線性處理。李昕等[7]結(jié)合小波分析與經(jīng)驗(yàn)?zāi)B(tài)分解，先使用小波分解的策略提取不同腦區(qū)的目標(biāo)頻段腦電信號，再使用經(jīng)驗(yàn)?zāi)B(tài)分解的方法提取特征值。楊建平等[8]運(yùn)用小波包變換獲取EEG信號中δ、θ、α、β等節(jié)律成分，來構(gòu)建低覺醒狀態(tài)識別的特征向量。吳林彥等[9]使用小波包分析的方法，計(jì)算小波包熵對給定的腦電信號進(jìn)行特征提取，并與共空間模式分析法進(jìn)行了比較，取得了更好的特征提取效果。雷夢穎等[10]通過具有B樣條小波基函數(shù)對時(shí)變系統(tǒng)參數(shù)進(jìn)行展開，通過時(shí)不變回歸模型估計(jì)可描述腦電信號的模型參數(shù)，并且效果優(yōu)于經(jīng)典的最小二乘算法。Fu等[11]采用Hilbert-Huang變換和支持向量機(jī)結(jié)合的策略對癲癇信號進(jìn)行識別，在實(shí)驗(yàn)中發(fā)現(xiàn)該算法對θ波的的識別精度可以達(dá)到99%。

國外研究中，Grubov等[12]基于連續(xù)小波變換和經(jīng)驗(yàn)?zāi)B(tài)分解的方法對癲癇腦電信號進(jìn)行分析，提出了一種進(jìn)行自動(dòng)模式檢測的組合方法。Fektane等[13]使用離散小波分解從不同頻段的分量中提取Renyi熵后再進(jìn)行體征提取和分類，較好地分離了癲癇的腦電片段。Lal等[14]基于時(shí)頻空間小波相位相干分析的方法，研究靜息狀態(tài)下閉眼和睜眼信號的相位相干性，探究了大腦顳葉腦電信號的動(dòng)態(tài)特性。Mohammadi等[15]提出了一種奇異譜的處理方法，進(jìn)行了單通道腦電信號的自動(dòng)分解與成分分離，然后再使用支持向量機(jī)的策略對信號進(jìn)行分類，實(shí)現(xiàn)了睡眠信號的自動(dòng)評分，準(zhǔn)確率達(dá)到了80%以上。Colominas等[16]使用時(shí)頻復(fù)雜度分析癲癇腦電信號特征，采用Renyi熵配合主成分分解等降維預(yù)處理的方法，對接受精神類藥物治療的癲癇患者治療前后的腦電信號進(jìn)行對比分析，拓展了腦電信號分析新的應(yīng)用場景。

1.2 高階譜分析

傳統(tǒng)的腦電信號分析通常提取信號的二階統(tǒng)計(jì)信息作為分析工具，例如功率譜分析。假如信號所包含的信息全部包含在其自相關(guān)函數(shù)中，則功率譜分析可以準(zhǔn)確得到信號的全部信息。如果腦電是單純的高斯分布，則二階譜分析完全可以滿足信號的譜分析要求。然而，腦電是一個(gè)隨機(jī)的非高斯的過程，采用二階譜分析的情況下，會(huì)丟失包含相位、高斯偏離度等非線性高階信息，這些信息對于腦電信號分析有時(shí)卻很有意義。高階累積量，或者高階自相關(guān)函數(shù)，可以從更高階概率描述隨機(jī)信號，提供諸如信號相位、偏離高斯分布的程度等更多的非線性信息，并且在理論上高階譜可以完全抑制高斯噪聲，從而提高信號參數(shù)估計(jì)的效能。

一般情況下腦電的高階譜分析采用雙譜分析策略，雙譜是計(jì)算最簡單的高階譜，利用雙譜分析正常人的腦電信號，可以發(fā)現(xiàn)腦電信號表現(xiàn)出明顯的非高斯特性和相位耦合現(xiàn)象，部分腦電信號的功率譜相似但雙譜結(jié)果存在顯著差異[17]。在利用雙譜法分析腦電信號的研究中，國內(nèi)學(xué)者杜英舉等[18]對受試者不同注意力的腦電信號進(jìn)行分析，發(fā)現(xiàn)大腦在同一電極的不同狀態(tài)下和相同狀態(tài)的不同電極上，信號的非線性耦合特征均存在顯著差異。劉海紅等[19]利用雙譜分析提取不同意識狀態(tài)下的腦電雙譜切片，發(fā)現(xiàn)不同腦電部位的信號在相同注意力狀態(tài)下的非線性耦合特性存在差異性，表明了雙譜分析在腦電分析中的潛在價(jià)值。

國外研究中，Yuvaraj等[20]綜合考慮信號的高階譜和功率譜特征，使用k近鄰和支持向量機(jī)算法對帕金森患者的情緒狀態(tài)進(jìn)行分類識別，發(fā)現(xiàn)高階譜指標(biāo)的準(zhǔn)確性明顯優(yōu)于功率譜分析，并基于此提出了一套對帕金森患者情緒進(jìn)行量化評分的系統(tǒng)。Hadjileontiadis等[21]提出了一種使用小波高階譜特征對強(qiáng)直性冷痛表征的新方法，在相位未知的情況下捕捉疼痛導(dǎo)致的小波雙譜-雙相干域中的二次相位耦合改變，來構(gòu)建不同的疼痛表征場景，并通過人體實(shí)驗(yàn)證明了該策略的有效性。Nitin等[22]構(gòu)建了Valence-Arousal情緒模型探索雙譜特征在量化情緒評分方面的潛力，通過后向搜索的策略獲取特征向量，并通過一個(gè)公認(rèn)的情感計(jì)算數(shù)據(jù)庫進(jìn)行了交叉驗(yàn)證，所得分類精度與文獻(xiàn)報(bào)道相當(dāng)。另外，Hadjileontiadis[23]綜合運(yùn)用連續(xù)小波分解和三階譜特征提取，構(gòu)建了一種時(shí)間-雙頻域，將三階譜分析對非穩(wěn)態(tài)系統(tǒng)的特征提取能力和小波的時(shí)頻分析能力相結(jié)合，為通過腦電信號研究疼痛程度提供了新的解決思路。Sharma等[24]基于雙譜分析的方法進(jìn)行癲癇病灶的定位，使用雙譜最高的二十五度征作為分析指標(biāo)來進(jìn)行敏感度分類分析，達(dá)到了96.2%的病灶識別準(zhǔn)確率。

1.3 非線性動(dòng)力學(xué)

大量的神經(jīng)元電活動(dòng)傳遞到頭皮表面形成腦電信號，因此腦電信號具有來源的復(fù)雜性和不規(guī)則性，難以使用完全確定的系統(tǒng)對腦電信號進(jìn)行分析。近些年的研究表明大腦是一個(gè)非線性動(dòng)力學(xué)系統(tǒng)，腦電可以視為系統(tǒng)的輸出[25]。隨著非線性動(dòng)力學(xué)理論的發(fā)展，研究人員將分維數(shù)、Lorenz散點(diǎn)圖、Lyapunov指數(shù)、關(guān)聯(lián)維數(shù)、復(fù)雜度、奇異譜等非線性方法應(yīng)用到腦電信號分析中，研究腦電的動(dòng)力學(xué)特性，獲取常規(guī)分析方法無法得到的信息。其中，復(fù)雜度方法主要包括自相似、相空間吸引子以及基于熵的各類度量，比如樣本熵、近似熵、多尺度熵等。

國內(nèi)研究中，黃瑞海等[26]觀察受試者癲癇發(fā)作期間關(guān)聯(lián)維數(shù)、Lyapunov指標(biāo)和近似熵三個(gè)非線性動(dòng)力學(xué)指標(biāo)的變化，證明腦電節(jié)律波的非線性動(dòng)力學(xué)指標(biāo)可以用于癲癇發(fā)病的腦電鑒別。路英智等[27]使用關(guān)聯(lián)維數(shù)和點(diǎn)關(guān)聯(lián)維數(shù)方法對失眠癥患者和正常人在安靜狀態(tài)下不同的思維過程中的腦電數(shù)據(jù)進(jìn)行了分析，發(fā)現(xiàn)失眠癥患者在非線性動(dòng)力學(xué)指標(biāo)上均顯著降低，該結(jié)果有助于進(jìn)一步了解失眠癥認(rèn)知過程中大腦的工作機(jī)制。劉桂珍等[28]構(gòu)建了LILEY腦電信號動(dòng)力學(xué)模型計(jì)算相關(guān)維數(shù)和Lyapunov指數(shù)，研究了腦電信號模型中的混沌現(xiàn)象。黃曉真[29]以近似熵和關(guān)聯(lián)維度為指標(biāo)研究淺針干預(yù)下受試者的大腦活動(dòng)度，發(fā)現(xiàn)以上指標(biāo)在特定腦區(qū)有明顯的變化，證明了通過非線性方法研究淺針干預(yù)對腦中樞影響及其效應(yīng)腦區(qū)是適用可行的。黃瑛等[30]通過計(jì)算關(guān)聯(lián)維數(shù)、柯爾莫戈洛夫熵以及Lempel-Ziv復(fù)雜度，發(fā)現(xiàn)精神分裂癥患者的非線性動(dòng)力學(xué)指標(biāo)在部分腦區(qū)有顯著變化，并經(jīng)治療后逐漸恢復(fù)正常。李冬梅[31]基于Hurst指數(shù)、Lyapunov指數(shù)、樣本熵、排列熵、小波熵指標(biāo)，對癲癇腦電信號進(jìn)行了有效識別，并對致癇灶的初步定位及發(fā)作時(shí)間做了預(yù)測，結(jié)果具有一定的實(shí)用價(jià)值和社會(huì)意義。李樹春等[32]通過計(jì)算老年人和年輕人腦電信號的關(guān)聯(lián)維數(shù)和Lyapunov指數(shù)，發(fā)現(xiàn)老年人的腦功能和能量發(fā)放均弱于年輕人，證明了使用非線性動(dòng)力學(xué)指標(biāo)可以對老年人和年輕人的腦電進(jìn)行區(qū)分。丁正敏等[33]針對腦電信號的非線性和不穩(wěn)定性，采用樣本熵和小波熵對麻醉手術(shù)病人不同意識狀態(tài)的腦電信號進(jìn)行評估，發(fā)現(xiàn)樣本熵和小波熵的值與病人的清醒狀態(tài)密切相關(guān)，可用于麻醉深度監(jiān)測。陳萌等[34]基于排列熵、樣本熵的計(jì)算優(yōu)勢，提出了等分符號化熵的指標(biāo)，并將其用于情感腦電信號分析，發(fā)現(xiàn)該指標(biāo)可以有效提取腦區(qū)中不同情感類型的信號特征。

國外研究中，Mirzaee等[35]提出了一種非線性動(dòng)力多輸入-單輸出模型，通過腦電信號檢測手臂伸展運(yùn)動(dòng)意圖，平均準(zhǔn)確率達(dá)96%，為仿生假肢和外骨骼的運(yùn)動(dòng)控制提供了方法參考。Acharya等[36]采用29種非線性動(dòng)力學(xué)方法對睡眠的五個(gè)不同階段進(jìn)行分析，發(fā)現(xiàn)這些方法均可以有效區(qū)分出個(gè)體的睡眠階段，驗(yàn)證了非線性動(dòng)力學(xué)方法用于睡眠障礙診斷、治療、監(jiān)測和藥物療效評估方面的可行性。Amin等[37]記錄了18名受試者右手握拳想象運(yùn)動(dòng)的腦電圖，然后基于互信息近似和偽近鄰相空間重構(gòu)方法估計(jì)出最大Lyapunov指數(shù)，發(fā)現(xiàn)不同想象狀態(tài)的Lyapunov特征變化顯著，為該方面腦機(jī)接口應(yīng)用提供了研究基礎(chǔ)。Aarón等[38]采用多尺度熵對阿爾茨海默病患者的靜息態(tài)腦電進(jìn)行分析，發(fā)現(xiàn)在每個(gè)時(shí)間尺度上，不同患病程度的群組之間均具有顯著的統(tǒng)計(jì)學(xué)差異，該結(jié)果表明多尺度熵可以反映與癡呆癥發(fā)展相關(guān)的神經(jīng)元紊亂情況，有助于開發(fā)新的工具來跟蹤阿爾茨海默病的進(jìn)展。

1.4 人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)是在認(rèn)識生物體神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上，模仿生物神經(jīng)網(wǎng)絡(luò)和結(jié)構(gòu)的一種并行計(jì)算模型，結(jié)構(gòu)上主要包含輸入層、隱藏層和輸出層。人工神經(jīng)網(wǎng)絡(luò)是對生物體腦功能的數(shù)學(xué)抽象，由大量的神經(jīng)元節(jié)點(diǎn)相互連接構(gòu)成，每個(gè)神經(jīng)元對應(yīng)一個(gè)權(quán)函數(shù)，神經(jīng)元之間的連接對應(yīng)一個(gè)通過該連接的加權(quán)值，神經(jīng)網(wǎng)絡(luò)的信息處理通過權(quán)函數(shù)和加權(quán)值的計(jì)算來實(shí)現(xiàn)。人工神經(jīng)網(wǎng)絡(luò)在計(jì)算功能上具有良好的容錯(cuò)能力和適應(yīng)能力，并且可以通過學(xué)習(xí)而不斷修正，在結(jié)構(gòu)上是對大腦實(shí)際信息處理結(jié)構(gòu)和功能的逼近，因此其適用于腦電信號的分析。早期的人工神經(jīng)網(wǎng)絡(luò)隱藏層較少，結(jié)構(gòu)較為簡單。隨著隱藏層的增多以及各種模型的提出，逐漸發(fā)展出了卷積神經(jīng)網(wǎng)絡(luò)、遞歸神經(jīng)網(wǎng)絡(luò)、長短時(shí)記憶神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)等，從定義上講這些網(wǎng)絡(luò)均屬于人工神經(jīng)網(wǎng)絡(luò)，其中卷積神經(jīng)網(wǎng)絡(luò)在腦電分析領(lǐng)域中運(yùn)用最為廣泛。

近期國內(nèi)研究中，王艷娜等[39]利用神經(jīng)網(wǎng)絡(luò)可直接分析原始數(shù)據(jù)的優(yōu)勢，采用卷積神經(jīng)網(wǎng)絡(luò)對煙癮治療患者的腦電特征進(jìn)行了快速提取，可以滿足在需要實(shí)時(shí)反饋的煙癮治療過程中快速獲取分類結(jié)果的需求。董賢光[40]設(shè)計(jì)了一種卷積神經(jīng)網(wǎng)絡(luò)算法模型，利用已有實(shí)驗(yàn)數(shù)據(jù)通過特征學(xué)習(xí)對各隱藏層的神經(jīng)元權(quán)重參數(shù)進(jìn)行優(yōu)化，在運(yùn)動(dòng)障礙病人腦電分類中獲得了比傳統(tǒng)線性算法更好的準(zhǔn)確率。曾慶山等[41]將共空間模式算法與卷積神經(jīng)網(wǎng)絡(luò)算法結(jié)合使用，降低了神經(jīng)網(wǎng)絡(luò)需要大量樣本和充分訓(xùn)練的需求，在運(yùn)動(dòng)想象腦電信號的分類中取得了比一般方法更高的準(zhǔn)確率。王衛(wèi)星等[42]引入卷積神經(jīng)網(wǎng)絡(luò)分析腦電信號，對上肢運(yùn)動(dòng)意圖進(jìn)行識別，獲得了比傳統(tǒng)神經(jīng)網(wǎng)絡(luò)更高的識別精度。楊鑫等[43]基于雙向遞歸神經(jīng)網(wǎng)絡(luò)對單通道睡眠腦電進(jìn)行自動(dòng)分期，準(zhǔn)確率達(dá)到了95%以上。陳宇等[44]使用卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建分類器，通過分析腦電信號判斷大腦是否處于清醒狀態(tài)，實(shí)驗(yàn)表明該方法的分類效果比機(jī)器學(xué)習(xí)更高效更準(zhǔn)確。趙盛杰[45]構(gòu)建了卷積神經(jīng)網(wǎng)絡(luò)與長短期記憶網(wǎng)絡(luò)相結(jié)合的分類模型，對抑郁癥患者的腦電信號進(jìn)行了特征提取，實(shí)現(xiàn)了患者心理狀態(tài)的連續(xù)動(dòng)態(tài)跟蹤評估。Jiang等[46]使用多變量經(jīng)驗(yàn)?zāi)B(tài)分解和樣本熵處理麻醉病人的腦電信號，將計(jì)算得到的特征送入人工神經(jīng)網(wǎng)絡(luò)，并以專家評估的病人意識水平指標(biāo)作為監(jiān)督學(xué)習(xí)標(biāo)簽，以此評估麻醉深度，最終取得了優(yōu)于傳統(tǒng)雙頻指數(shù)的評估效果。Liu等[47]采用了與Jiang類似的思路，所得評估結(jié)果與樣本熵方法相比較具有更好的魯棒性。

國外研究中，Kumar等[48]首先對腦電信號經(jīng)過離散小波變換后的系數(shù)求取近似熵，然后利用前向反饋人工神經(jīng)網(wǎng)絡(luò)進(jìn)行分類，實(shí)現(xiàn)了100%的癲癇信號檢測準(zhǔn)確率。Triggiani等[49]測試了一種基于人工神經(jīng)網(wǎng)絡(luò)分類器的創(chuàng)新方法，該分類器源于eLORETA的靜息態(tài)閉眼線性滯后連接腦電數(shù)據(jù)庫，在實(shí)際測試中達(dá)到了70%以上的阿爾茨海默病患者異常腦電信號識別準(zhǔn)確率。Hramov等[50]基于多層感知器構(gòu)建人工神經(jīng)網(wǎng)絡(luò)，對模糊圖像視覺感知中的不同人腦狀態(tài)進(jìn)行分類，識別準(zhǔn)確率高達(dá)95%。Maksimenko等[51]應(yīng)用人工神經(jīng)網(wǎng)絡(luò)識別和分類未經(jīng)訓(xùn)練的受試者的運(yùn)動(dòng)想象腦電信號，通過對信號進(jìn)行預(yù)處理，以及選擇合適的網(wǎng)絡(luò)結(jié)構(gòu)和腦電通道，最終達(dá)到了90%左右的分類準(zhǔn)確率，該結(jié)果對開發(fā)適用于殘疾人的腦-機(jī)接口具有重大意義。Zhang等[52]應(yīng)用卷積神經(jīng)網(wǎng)絡(luò)模型評估慢性中風(fēng)患者的上肢運(yùn)動(dòng)功能，在不同的受試組中均取得了較高的預(yù)測精度，提供了一種穩(wěn)定、客觀的運(yùn)動(dòng)功能評價(jià)方法。

1.5 其它方法

除了以上四類腦電信號分析方法，還有一些研究采用了其它方法，如基于事件相關(guān)去同步化和同步化的腦電分析[53]，基于稀疏分解的腦電信號成分分析[54-55]，采用Copula模型的因果關(guān)系分析[56]，基于經(jīng)驗(yàn)?zāi)B(tài)分解和隨機(jī)森林的腦電信號分類[57]等。這些方法在一定程度上拓展了腦電信號分析方法的種類和適用場景，取得的研究成果對探索大腦功能和揭示大腦工作機(jī)制同樣起到了積極的推動(dòng)作用。

2 總結(jié)與展望

腦電信號是由大腦皮層眾多神經(jīng)元節(jié)律性電活動(dòng)綜合作用產(chǎn)生，反映了大腦的生理活動(dòng)狀態(tài)和病理發(fā)生過程。研究腦電可以使人們更好地了解神經(jīng)元電活動(dòng)與大腦狀態(tài)以及肢體活動(dòng)之間的關(guān)系，這在醫(yī)療、康復(fù)和軍事等領(lǐng)域均具有極其重要的意義。然而腦電信號具有幅值微弱、背景噪聲強(qiáng)、非線性和非高斯性等特點(diǎn)，是一類典型的非平穩(wěn)的隨機(jī)信號。此外，從頭皮表面記錄到的腦電信號是由大腦不同部位的大量神經(jīng)元的電活動(dòng)疊加形成。因此長期以來腦電信號的分析和處理都是個(gè)難題。在分析腦電信號時(shí)，傳統(tǒng)的時(shí)頻和高階譜分析方法的優(yōu)點(diǎn)是所需數(shù)據(jù)量少，計(jì)算簡單快速，但缺點(diǎn)是容易顧此失彼，丟失一些有用信息。時(shí)頻方法使用最為普遍，更多用于信號的預(yù)處理和特征提取，如降噪、關(guān)鍵成分提取等，在應(yīng)用中一般與其他方法結(jié)合共同使用。非線性動(dòng)力學(xué)方法從整體上分析信號，更多關(guān)注的是信號在全局層面的特性，如分形、混沌、自相似等，因此局部的微小干擾對分析結(jié)果影響較小。但相比時(shí)頻和高階譜方法，非線性方法所需數(shù)據(jù)量較大，且算法也相對復(fù)雜。例如多尺度熵選擇最大尺度為20時(shí)，為保證結(jié)果的穩(wěn)定可靠，每次分析需要至少1萬個(gè)數(shù)據(jù)點(diǎn)，這為需要實(shí)時(shí)監(jiān)測和反饋的應(yīng)用場景帶來了一定困難。人工神經(jīng)網(wǎng)絡(luò)除了可以分析已經(jīng)提取好特征的信號，還可以直接分析原始數(shù)據(jù)而不需要提取特征，該做法的優(yōu)點(diǎn)在于能避免人為選擇導(dǎo)致的信息丟失，從而保留了腦電中的全部信息，但其缺點(diǎn)是需要的數(shù)據(jù)樣本量十分龐大，計(jì)算成本非常之高。

通過文獻(xiàn)回顧發(fā)現(xiàn)，腦電信號的分析研究主要有以下幾個(gè)方面發(fā)展趨勢：一是采用多種分析方法的交叉結(jié)合，各取所長；二是對任務(wù)態(tài)腦電的研究，比如情緒誘發(fā)、工作記憶等，觀察誘發(fā)腦電的變化情況；三是對腦-機(jī)接口的研究，隨著人工智能算法的快速發(fā)展以及醫(yī)療、軍事等領(lǐng)域的應(yīng)用需求，腦-機(jī)接口目前已成為神經(jīng)科學(xué)與信息工程技術(shù)交叉領(lǐng)域的熱點(diǎn)課題，也將是未來腦電信號分析研究的主要發(fā)展方向。