基于小波变换的脑电信号特征提取..ppt

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,—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:~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:——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一区间外为零。
这样在求各频率水平不同时刻的小波系数时,只用到该时刻附近的局部信息。从
而克服了上面所述的第二个不足。
(3)克服第三个不足:通过与加窗傅立叶变换的“时间—频率窗”的相似分
析,可得到小波变换的“时间—频率窗”的笛卡儿积。小波变换的“时间--频率窗”
的宽度,检测高频信号时变窄,检测低频信号时变宽。这正是时间--频率分析所
希望的。根据小波变换的“时间—频率窗”的宽度可变的特点,为了克服上面所
述的第三个不足,只要不同时检测高频与低频信息,问题就迎刃而解了。
二、小波变换
小波是什么?
小波可以简单的描述为一种函数,这种函数在有限时间范围内变化,并且平
均值为0。这种定性的描述意味着