基于小波变换的脑电信号特征提取.pptVIP

重庆邮电大学 * 复旦大学 姓名: 学号： 基于小波变换的EEG（脑电信号）特征提取 一、EEG特点及一般处理流程 三、基于小波变换的EEG特征提取 Contents 二、小波变换 一、脑电信号特点及一般处理流程 脑电信号特点： 随机性及非平稳性相当强。人脑是一个庞大而复杂的系统，按生理功能可分为许多基本环节，这些基本环节的生理活动相互影响、相互渗透地交织在一起，而其中存在的联系、制约关系及活动规律还没有被我们清楚地认识。因而，脑电信号表现出明显的随机性，一般不能用数学函数来准确表达，它们的规律主要从大量的统计结果中反映出来。 脑电信号具有非线性。脑电信号是大脑中各种神经元之间相互作用的信号的复杂组合，组合的非线性导致脑电信号具有非线性的特点。 信噪比低。在维持正常生理活动的条件下，生物体的各个基本系统之间存在着有机的联系，因而在脑电信号中存在着严重的背景噪声，而且噪声常常超过信号，导致信噪比很低。 信号微弱。人体脑电信号的强度很微弱，一般在微、毫伏级。 一、脑电信号特点及一般处理流程 频率低。脑电信号是低频率的慢变信号，通常频率范围0.5—100Hz。 根据频率可把脑电信号分为以下几个基本节律： δ波：频率：0.5~4Hz，振幅：20~200μV。 θ波：频率：4~7Hz，振幅：20~150μV。 α 波：频率：8~13Hz，振幅：20~100μV。 β 波：频率：14~30Hz，振幅：5~20μV。 γ波：频率：30~45Hz，振幅：一般不超过30μV。 一般处理流程： 一、脑电信号特点及一般处理流程 采集：各种脑电采集的电极帽。 例如有：ECI 公司的 128 通道 Ag/AgCl 电极帽，还有如图所示 的Emotiv SDK Headset采集帽， 常用采样频率为128Hz。 小波变换 CSP AR 特征提取的主要方法（滤波器）： AAR FFT HHT 一、脑电信号特点及一般处理流程 模式分类的主要方法（分类器）： LDA SVM BP人工神经网络 贝叶斯分类法 最后，将分类好的EEG信号以指令形式用于控制外部设备。 小波发展史： 小波变换是近十几年新发展起来的一种数学工具,是继一百多年前的傅里叶 (Fourier)分析之后的又一个重大突破,它对无论是古老的自然学科还是新兴的高 新应用技术学科均产生了强烈的冲击。 1909: Alfred Haar——发现了Haar小波。 1980：Morlet——Morlet小波，并分别与20世纪70年代提出了小波变换的概念， 20世纪80年代开发出了连续小波变换CWT（ continuous wavelet transform ） 1986：Y.Meyer——提出了第一个正交小波Meyer小波 1988： Stephane Mallat——Mallat快速算法（塔式分解和重构算法） 二、小波变换 小波变换与傅里叶变换的比较： 小波分析是在傅里叶分析的基础上发展起来的，但小波分析与傅里叶分析存 在着极大的不同，与Fourier变换相比，小波变换是空间（时间）和频率的局部变 换，因而能有效地从信号中提取信息。通过伸缩和平移等运算功能可对函数或信 号进行多尺度的细化分析，解决了Fourier变换不能解决的许多困难问题。小波变 换联系了应用数学、物理学、计算机科学、信号与信息处理、图像处理、地震勘 探等多个学科。 二、小波变换 傅里叶闭环具有一定的局限性。 用傅立叶变换提取信号的频谱需要利用信号的全部时域信息。 傅立叶变换没有反映出随着时间的变化信号频率成分的变化情况。 傅立叶变换的积分作用平滑了非平稳信号的突变成分。 由于上述原因，必须进一步改进，克服上述不足，这就导致了小波分析。 （1）克服第一个不足：小波系数不仅像傅立叶系数那样，是随频率不同而变 化的，而且对于同一个频率指标j， 在不同时刻 k，小波系数也是不同的。 （2）克服第二个不足：由于小波函数具有紧支撑的性质即某