20xx年醫(yī)學(xué)專題—基于小波變換的腦電信號(hào)特征提取-wenkub.com
2024-11-09 03:10 本頁面
【正文】 可見，連續(xù)小波變換的結(jié)果可以表示為平移因子(yīnzǐ)a和伸縮因子(yīnzǐ)b的函數(shù),第三十頁，共三十頁。號(hào)進(jìn)行多尺度的細(xì)化分析，解決了Fourier變換不能解決的許多困難問題。,內(nèi)容(n232。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)的差別。ngli224。ng)右手運(yùn)動(dòng),圖A 小波系數(shù)的能量均值,第二十七頁，共三十頁。,三、基于小波變換(bi224。同時(shí)，為了進(jìn)一步突出想象單側(cè)手運(yùn)動(dòng)引起的FCFC6通道腦電信號(hào)的幅值差 異，本次實(shí)驗(yàn)還提取了小波系數(shù)的能量均值差PS作為特征量，即 PS = PFC5 – PFC6 式中，PFC5為FC5通道的能量均值，PFC6為FC6通道的能量均值。n)的EEG特征提取,表1 小波分解(fēnjiě)的各層頻帶范圍 Table 1 Frequency band range of each level of wavelet decomposition,第二十五頁，共三十頁。因此，本文選用db5小波對(duì)腦電信號(hào)進(jìn)行3層分解，即x(n) = A3 + D3 + D2 + D1，則各分量對(duì)應(yīng)的子頻帶見表1。n)的EEG特征提取,將信號(hào)進(jìn)行(j236。,式中，L為分解層數(shù)，AL為低通逼近分量，Dj為不同尺度下的細(xì)節(jié)分量。n)的EEG特征提取,設(shè)x (n)表示實(shí)驗(yàn)采集的EEG離散(l237。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)。guǒ)對(duì)于所有的待分析信號(hào)滿足 框架條件，那么DWT就是可逆的,第二十二頁，共三十頁。,離散小波變換（DWT）： 定義為：對(duì)尺度參數(shù)按冪級(jí)數(shù)進(jìn)行離散化處理，對(duì)時(shí)間進(jìn)行均勻離散取值（要求采樣率滿足(mǎnz)小波的逆變換：,二、小波變換(bi224。nhu224。,第十九頁，共三十頁。nhu224。n),第十八頁，共三十頁。nhu224。 連續(xù)小波變換（CWT）： 定義為：,二、小波變換(bi224。nhu224。由此可見，小波變換有以下特點(diǎn)： 多尺度/多分辨率的特點(diǎn)，可以由粗及細(xì)地處理信號(hào)。n),第十四頁，共三十頁。在不同尺度下小波的持續(xù)時(shí)間隨值的加大而增 寬，幅度則與反比減少，但波的形式保持不變。nx249。,二、小波變換(bi224。n),第十二頁，共三十頁。n),第十一頁，共三十頁。nsh249。,二、小波變換(bi224。n),第九頁，共三十頁。這正是時(shí)間頻率分析所 希望的。從 而克服了上面所述的第二個(gè)不足。,第八頁，共三十頁。 傅立葉變換沒有反映出隨著時(shí)間的變化信號(hào)頻率成分的變化情況。,二、小波變換(bi224。通過伸縮和平移等運(yùn)算功能可對(duì)函數(shù)或信 號(hào)進(jìn)行多尺度的細(xì)化分析，解決了Fourier變換不能解決的許多困難問題(w232。)小波變換CWT（ continuous wavelet transform ） 1986：Y.Meyer——提出了第一個(gè)正交小波Meyer小波
數(shù)學(xué)相關(guān)推薦
鄂ICP備17016276號(hào)-1