基于小波分析的脑电信号特征提取..docVIP

基于小波分析的脑电信号特征提取 摘要：在脑机接口研究中,针对脑电信号的特征抽取,提出一种基于小波包分解的方法, 该方法首先采用 AR 模型功率谱估计法对想象左右手运动的 C3,C4 通道信号进行频谱分析，确定 事件相关同步/去同步（ERD/ERS） 较明显的频率范围，并采用小波包对脑电信号进行分解，然后重构 8～13Hz、18～23Hz 频段的事件相关同步/去同步（ERD/ERS ）信号，滤除其他频段信号。最后分别求得想象左手、右手运动时 C3、C4 通道相对应的能量，提取通道能量差作为分类器的特征输入值。为脑机接口研究中脑电信号的模式识别提供了新的思路.此外,该方法的识别率高,复杂性低,适合应用于在线脑机接口。 关键词：脑机接口；运动想象；小波包分解；事件相关同步/去同步；频谱分析；子带能量 EEG feature extraction method based on wavelet packet energy Abstract: In the study of brain-computer interface (BCI), a novel method of extracting motor imagery electroencephalography (EEG) features based on the wavelet packet transform and is proposed. First the EEG signals sampled from the C3and C4positions of the brain are decomposed to two levels , and the features of the wavelet are computed. Then, the fifth-order AR coefficients of the EEG signals are estimated by the Burg s algorithm. Finally, by combining the two kinds of features, the combination features are used as the input vectors for classifier. The experimental results show that the eigenvector extracted by the This method provides a new idea for the EEG pattern recognition in BCI research. In addition, this method has a high recognition rate and low complexity. It is suitable for the application in online BCI systems. Key words: brain-computer interface (BCI); motor imagery; wavelet packet transform; event-related desynchronization (ERD) / synchronization (ERS); spectral analysis; band energy 1.引言 人在接受外界刺激或主动思维中,能够产生特定模式的脑信号。脑机接口(brain computer interface, BCI)正是利用这种可区分的脑信号,实现利用思维控制外设的目的。脑机接口研究在康复医学工程等领域具有重要意义。近年来,在国际上引起极大的重视,成为目前生物医学研究的一个热点。BCI的研究涉及多个学科,大量复杂的问题有待解决,特征抽取就是其关键技术之一。 从处理算法层次上讲,主要的研究方向包括脑电数据预处理、特征抽取、特征选择及分类预测等.其中,特征抽取是本文关注的重点.特征抽取就是以特征信号作为源信号,确定各种参数并以此为向量组成表征信号特征的特征向量。特征 抽取作为脑电数据分类处理的关键步骤,对最后的分类结果有着重要的影响,国内外很多研究人员都在进行不懈地探索[2~13].目前己有的特征抽取方法有经典的时域、频域和时-频域结合分析方法.由于仅使用单一的时域或频域信息来提取EEG特征,使得EEG识别率通常不高.而时-频域结合的方法相对于单一类别信息法则提供更多的信息,常见的方法有:时-空模式分析、统计分析、混沌分析、信源分解、空间滤波方法、利用特定频带的功率谱、自回归模型、快速傅里叶变换、小波变换以及小波包变换等.基于小波包分解的小波包基和小波熵脑电信号EEG特征抽取提供了一种更加精细的分析方法,是