脑电信号理论资料.pdfVIP

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

（1）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。

（2）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。

（3）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。

（4）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。

（5）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。

（6）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(