脑电信号理论资料.docx

脑电信号：脑电信号：随机性及非平稳性相当强；具有非线性；采集到的脑电信号背景噪声比较复杂，有50Hz的工频干扰。慢波活动频率0.5-2.0Hz，额部导联记录波形峰-缝最小振幅75μV。δ波的频率为0~3.99Hz，幅度为20~200μV。它是在睡眠、深度麻醉、缺氧或大脑有器质性病变时出现。θ波的频率为4~7.99Hz，幅度为20~150μV。它是在困倦时，神经系统处于抑制状态时所记录的波形。ɑ波的频率为8~13Hz，振幅为20~100μV，它是节律性脑电波中最明显的波，整个皮层均可产生ɑ波。正常成人在清醒、安静、闭目时，波幅由小变大，再由大变小，如此反复进行，形成所谓的ɑ节律的“梭形”。每一“梭形”持续时间约为1~2s。当被试者睁眼、警觉、思考问题或者接受其他刺激时，ɑ波立即消失而代之以快波，这种现象称之为“ɑ波阻断”。一般认为，ɑ波是大脑皮质处于清醒安静状态时电活动的主要表现。β波的频率13Hz，幅度为5~20μV，是一种快波。β波的出现以大脑比较兴奋状态下为主。各种脑电特征提取与分类的方法基于能量特征的脑电信号特征提取与分类：该方法采用带通滤波和小波包分析的方法提取Mu、Beta节律对应的脑电信号，在时域范围内，将信号幅度的平方作为能量特征值；在频域范围内，采用AR模型功率谱估计法所得的功率谱密度作为能量特征值。根据运动想象脑电信号特点，构造左右通道信号能量差值的符号特性作为分类判别依据，进行分类测试。基于小波包分析的脑电信号特征提取与分类：该方法基于小波变换法和AR模型法结合线性判别准则对两类思维任务进行特征提取与分类，提出以小波系数均值经K-L变换作为特征，用Fisher判别准则进行分类。结果表明，这种方法可以利用少量的数据提取脑电信号的特征。快速多变量自回归模型的脑电信号的特征提取与分类：该方法利用多变量自回归（MVAR）模型参数和阶数估计，通过QR分解技术减少了多维矩阵求逆的运算量，提高了模型估计的速度，在此基础上进行EEG信号的特征提取，分类的正确率明显高于单变量自回归模型。基于信息约简对脑电信号特征进行提取：该方法利用不同的脑电特征分析方法，提取特征并进行分类；其次把连续的脑电信号离散化，利用脑电信号组建脑电信号信息表，最后利用约简理论，对脑电信号进行特征约简，并利用约简特征进行分类，验证分类准确率。该方法在保证分类准确率的情况下降低了特征的数量。基于相位同步对脑电信号分类：该方法是将相位同步应用于运动意识想象分类，采用希尔伯变换信号处理方法计算脑电信号瞬时相位值。在合适的时间窗下，选取C3、C4电极与中央区电极进行配对并进行锁相值计算，采用支持向量机进行运动意识想象分类，具有较高的准确率。利用能量熵对运动脑电信号分类：该方法通过利用不同运动想象脑电信号能量熵的变换，从能量熵中提取特征，利用自定义基于统计理论分类方法进行分类。matlab小波分析工具箱常用函数?1.Cwt :一维连续小波变换格式：coefs=cwt(s,scales,wavename)coefs=cwt(s,scales,wavename,plot)scales:尺度向量，可以为离散值，表示为[a1,a2,a3……]，也可为连续值，表示为[amin:step:amax]2.dwt:单尺度一维离散小波变换格式：[ca,cd]=dwt(x,wavename)[ca,cd]=dwt(x,lo-d,hi-d)先利用小波滤波器指令wfilters求取分解用低通滤波器lo-d和高通滤波器hi-d。[lo-d,hi-d]=wfilters(haar,d);[ca,cd]=dwt(s,lo-d,hi-d)3.idwt:单尺度一维离散小波逆变换4.wfilters格式：[lo-d,hi-d,lo-r,hi-r]=wfilters(wname)[f1,f2]=wfilters(wname,type)type=d(分解滤波器)、R(重构滤波器)、l(低通滤波器)、h(高通滤波器)5.dwtmode 离散小波变换模式格式：dwtmodedwtmode(mode)mode:zdp补零模式，sym对称延拓模式，spd平滑模式6.wavedec多尺度一维小波分解格式：[c,l]=wavedec(x,n,wname)[c,l]=wavedec(x,n,lo-d,hi-d)7.appcoef 提取一维小波变换低频系数格式：A=appcoef(c,l,wavename,N)A=appcoef(c,l,lo-d,hi-d,N) N是尺度，可省略例：load leleccum;s=leleccum(1:2000)subplot(421)plot(s);title(原始信号)[c,l]=wavedec(s,3,db1);ca1=appcoef(c,l,db1,1);subplot(44