基于小波變換的腦電信號(hào)特征提取(完整版)
【正文】 1988： Stephane Mallat——Mallat快速算法〔塔式分解和重構(gòu)算法〕 二、小波變換 第七頁，共三十頁。 第四頁，共三十頁。 第三頁，共三十頁。人腦是一個(gè)龐大而復(fù)雜的系統(tǒng)，按生理功能可分為許多根本環(huán)節(jié)，這些根本環(huán)節(jié)的生理活動(dòng)相互影響、相互滲透地交織在一起，而其中存在的聯(lián)系、制約關(guān)系及活動(dòng)規(guī)律還沒有被我們清楚地認(rèn)識(shí)。因而，腦電信號(hào)表現(xiàn)出明顯的隨機(jī)性，一般不能用數(shù)學(xué)函數(shù)來準(zhǔn)確表達(dá)，它們的規(guī)律主要從大量的統(tǒng)計(jì)結(jié)果中反映出來。 重慶郵電大學(xué) 4 一、腦電信號(hào)特點(diǎn)及一般處理流程 ?頻率低。 重慶郵電大學(xué) 5 一般處理流程： 一、腦電信號(hào)特點(diǎn)及一般處理流程 采集：各種腦電采集的電極帽。 重慶郵電大學(xué) 8 小波變換與傅里葉變換的比較： 小波分析是在傅里葉分析的根底上開展起來的，但小波分析與傅里葉分析存 在著極大的不同，與 Fourier變換相比，小波變換是空間〔時(shí)間〕和頻率的局部變 換，因而能有效地從信號(hào)中提取信息。 第八頁，共三十頁。根據(jù)小波變換的 “時(shí)間 — 頻率窗〞 的寬度可變的特點(diǎn)，為了克服上面所 述的第三個(gè)缺乏，只要不同時(shí)檢測(cè)高頻與低頻信息，問題就迎刃而解了。 重慶郵電大學(xué) 13 小波變換的定義： 小波變換是一種信號(hào)的時(shí)間 —— 尺度〔時(shí)間 —— 頻率〕分析方法，它具有多 分辨分析的特點(diǎn)，而且在時(shí)頻兩域都具有表征信號(hào)局部特征的能力，是一種窗口 大小固定不變但其形狀可改變，時(shí)間窗和頻率窗都可以改變的時(shí)頻局部化分析方 法。 重慶郵電大學(xué) 15 可以這樣；理解小波變換的含義：打個(gè)比喻，我們用鏡頭觀察目標(biāo)信 號(hào) f〔 t〕， Φ〔 t〕代表鏡頭所起的變化， b相當(dāng)于使鏡頭相對(duì)于目標(biāo)平行移 動(dòng)〔代表時(shí)域的變化〕， a的作用相當(dāng)于鏡頭向目標(biāo)推進(jìn)或遠(yuǎn)離〔代表頻域 的變化〕。 重慶郵電大學(xué) 18 伸縮因子對(duì)小波的作用： 二、小波變換 第十八頁，共三十頁。而小 波變換能把信號(hào)的整個(gè)頻帶劃分為多個(gè)子頻帶，因此可使用小波變換來分析左 右運(yùn)動(dòng)想象腦電信號(hào)。 第二十四頁，共三十頁。從圖 4可以看出想象左手運(yùn)動(dòng)時(shí)， FC5通道的能量均值 PFC5大于 FC6通道的能量均值 PFC6；想象右手運(yùn)動(dòng)時(shí)， FC5通道的能量均值 PFC5小于 FC6通道的能量均值 PFC6。小波分析是在傅里葉分析的根底上開展起來的，但小波分析與傅里葉分析存。傅里葉分析是將信號(hào)分解成一系列不同頻率的正弦波的疊加，同樣小波分析。從圖 B 可知，利用小波系數(shù)的能量均值差提取得到的特征很好地反映出了左右手運(yùn)動(dòng)想象腦電信號(hào)的差異。 重慶郵電大學(xué) 26 小波系數(shù)能表達(dá)信號(hào)在時(shí)域和頻域的能量分布，因此利用小波系數(shù)的能量能 反映出腦電信號(hào)的時(shí)域和頻域特征。 三、基于小波變換的 EEG特征提取 設(shè) x (n)表示實(shí)驗(yàn)采集的 EEG離散信號(hào)，那么 x(n)的離散小波變換定義為： 其中 為小波基函數(shù)， j、 k分別代表頻率分辨率和時(shí)間平移量。 第十九頁，共三十頁。 可以看成用根本頻率特性為的帶通濾波器在不同尺度 a下對(duì)信號(hào)做濾波
高考資料相關(guān)推薦
鄂ICP備17016276號(hào)-1