小波分析的脑电信号特征提取系统设计(附件)
人类的大脑显然是一个复杂的系统，在探索人类大脑动力学的非侵入性技术中，脑电图(electroencephalogram,EEG)提供了一个直接的测量方法-皮质活动以毫秒为时间的分辨率。因为各种脑电信号错综复杂的混合在一起，光靠专家对脑电图信号的视觉分析是不够的。因此，设计一种系统对癫痫病患者的脑电信号进行特征提取，进而对其进行分类，这样得出的结果就会相对简明一点，对癫痫的诊断起到有效的辅助判断作用。首先，本文先简单阐述了脑电信号产生原理，并介绍国内外对于EEG特征提取的研究现状。然后，再详细的介绍了小波变换(Wavelet transform,WT)的原理及优越性。它通过伸缩平移对源信号进行对尺度分解细化，达到高频时间细分，低频频率细分。从而可聚焦到信号的任意细节。最后，通过MATLAB实验仿真验证小波分析脑电信号的特征提取的有效性。关键词 脑电信号，小波变换，特征提取
目 录
1绪论 1
1.1课题研究的背景及意义 1
1.2国内外研究现状 1
1.3课题的主要工作与要求 3
2脑电信号及其分类 4
2.1脑电信号产生的原理 4
2.2脑电信号的分类和特点 4
3小波分析 7
3.1小波分析概述 7
3.2傅里叶变换和小波变换 8
3.3小波变换定义与原理 9
3.3.1Daubechies(dbN)小波系 9
3.3.2离散小波变换 9
4.SVM原理 10
4.1SVM的基本原理 10
4.2最优分类面 11
4.3核函数 12
5基于小波分析的脑电信号特征提取系统设计 13
5.1脑电数据处理 16
5.2脑电信号特征提取 17
5.3实验仿真 18
结论 24
致谢 25
参考文献 26
1绪论
课题研究的背景及意义
大脑是人体内最复杂的器官，大脑皮层中分布着大量的神经元。当大脑通过感官不断地接收外界刺激时，受到刺激的某些特定的细胞群就会增强产生放电，但是其幅值大概只有 *好棒文|www.hbsrm.com +Q: ^351916072*
几十微伏，非常微弱。而这种活动具有自发性和节律性，是细胞群生命活动的外在表现，脑电图就是通过放置在头皮上的外部电极将脑部的自发性生物电位放大记录得到的波形图[1]。脑电信号是大脑神经元工作放电的总体反应，其中包含着人体活动方方面面的信息，这些脑电信息对于脑科疾病的诊断有着举足轻重的作用。因此，脑电图已经成为医生检查诊断脑科疾病的一种常规手段。但由于脑电信号极弱，具有幅度小的特性，所以极易受到外部环境的干扰，而且信号数据量很大，医务人员只能通过目视检查脑电数据从中获得最有效和直接的信息。这种方法的有效性很大的取决于医生的经验，很容易造成误判。因此，需要寻找一种客观的方法来处理脑电数据。
20世纪初，就已经开始着手于研究人的脑电信号，经过这么多年的深刻研究，已经有了许多脑电信号的处理的方法，然而对其产生的原理并不是十分清楚，正是由于缺乏对这方面的了解，所以吸引着人们对其进行展开研究[2~3]。
国内外研究现状
目前脑电信号特征提取方法主要有以下几种。
时域分析法：依据脑电信号的波形特征的不同，来自动检测识别各种不同情况下的脑电信号。以癫痫疾病为例，患者发病时脑电图上就会出现很多的棘波和尖波，波形顶端尖锐不规则，与正常情况存在明显区别，所以时域方法用于检测波形特征比较明显的信号比较有效[4]。常用的时域方法就是基于自回归模型的方法，AR模型计算简单，参数容易估计。但是时域方法只是针对于时域信号，对频域信息统计不够充分，会遗漏许多其他的变化，如癫痫疾病发作时的所产生的慢波。
频域分析法：就是利用傅里叶变换获得信号的整体频谱[5]。EEG中包含多种频率成分，而对众多不同信号的频率进行逐一分解，就可以多方面的了解该信号的特征。以癫痫病为例，与发作间期对比，患者在疾病发作时，EEG频率幅度都会呈现明显的变化。高阶谱分析是目前频域剖析方式中比较受青睐的方法之一。但是频域分析法也受到一定的条件限制，对信号的要求较高，要求信号的线性及平稳性比较好，但现实中采集到的信号平稳性都比较差。所以，在没有对脑电信号进行平稳化处理之前，只通过频域分析所得到的结果不会理想。
时频分析法：脑电信号中许多病变都是通过瞬时形式展现出来，应对这种情况，仅仅依靠时域或频域方法都无法获得良好的结果。有学者提出将时域与频域相结合的方法，时频分析实现对信号的全方位分解，就能够得到更好地结果，来解决该问题。而小波变换就是时频分析的代表方法，它具有高分辨率特性，带宽相对比较恒定，能够有效分析信号的整体情况和细节。ElisaMagosso[6]等人提出了一种能量计算公式方法，求出在小波变换后的所获得的系数，并利用现有公式提取所需特征，再将其输入分类器进行癫痫脑电信号分类。Derya等人[7]则提出用小波变换对脑电信号进行4级分解的方法，然后计算每级信号的特征，最后分类用多层前馈神经网络。
时域、频域等分析方法都是线性的，但是研究表明EEG中还有非线性元素存在。随着时代的快速进步，在二十世纪末，非线性动力学理论得到了快速发展，该方法也逐步的应用到复杂系统中，也提供了一种全新的方法来处理脑电信号[8]。非线性方法虽然能够较好的刻画人脑这个复杂的生物系统，但是在进行结果解释时，也需要一种严谨的态度，因为以现在的技术还存在一定的问题在从非平稳的脑电信号中得到所需的非线性度量，而且最终所得到的结果也并不一定可以有效的反应系统的信息。与线性方法相比，非线性算法较为复杂，运算时间长，辨识能力也较差。
从上述描述的各种分析方法中可以看出，现在EEG分析方法还处于发展阶段，还需要更加深入的研究。从上述的介绍中我们可以得出线性方法优点是：计算简单，复杂度低，而缺点就是对信号平稳性要求高，无法处理非线性信号。而非线性方法的优点是：EEG的描述是准确的，并且图像描绘形象。缺点是计算成本高，识别能力差，算法复杂[9]。两者是各有千秋，所以当前的对脑电信号的钻研集中在如何能够鱼和熊掌兼得，使得它能够同时具有线性和非线性的长处。“小波变换是一种窗口大小固定，但其形状可以改变。其中时间窗口和频率窗口都可以改变的时频局部分析方法，即在低频部分具有较低的时间分辨率和较高的频率分辨率，并且在较高频率部分具有较高的时间分辨率和较低的频率分辨率。非常适合分析平稳信号和提取信号的局部特征，因此小波变换被誉为信号处理的显微镜”[10]。
目 录
1绪论 1
1.1课题研究的背景及意义 1
1.2国内外研究现状 1
1.3课题的主要工作与要求 3
2脑电信号及其分类 4
2.1脑电信号产生的原理 4
2.2脑电信号的分类和特点 4
3小波分析 7
3.1小波分析概述 7
3.2傅里叶变换和小波变换 8
3.3小波变换定义与原理 9
3.3.1Daubechies(dbN)小波系 9
3.3.2离散小波变换 9
4.SVM原理 10
4.1SVM的基本原理 10
4.2最优分类面 11
4.3核函数 12
5基于小波分析的脑电信号特征提取系统设计 13
5.1脑电数据处理 16
5.2脑电信号特征提取 17
5.3实验仿真 18
结论 24
致谢 25
参考文献 26
1绪论
课题研究的背景及意义
大脑是人体内最复杂的器官，大脑皮层中分布着大量的神经元。当大脑通过感官不断地接收外界刺激时，受到刺激的某些特定的细胞群就会增强产生放电，但是其幅值大概只有 *好棒文|www.hbsrm.com +Q: ^351916072*
几十微伏，非常微弱。而这种活动具有自发性和节律性，是细胞群生命活动的外在表现，脑电图就是通过放置在头皮上的外部电极将脑部的自发性生物电位放大记录得到的波形图[1]。脑电信号是大脑神经元工作放电的总体反应，其中包含着人体活动方方面面的信息，这些脑电信息对于脑科疾病的诊断有着举足轻重的作用。因此，脑电图已经成为医生检查诊断脑科疾病的一种常规手段。但由于脑电信号极弱，具有幅度小的特性，所以极易受到外部环境的干扰，而且信号数据量很大，医务人员只能通过目视检查脑电数据从中获得最有效和直接的信息。这种方法的有效性很大的取决于医生的经验，很容易造成误判。因此，需要寻找一种客观的方法来处理脑电数据。
20世纪初，就已经开始着手于研究人的脑电信号，经过这么多年的深刻研究，已经有了许多脑电信号的处理的方法，然而对其产生的原理并不是十分清楚，正是由于缺乏对这方面的了解，所以吸引着人们对其进行展开研究[2~3]。
国内外研究现状
目前脑电信号特征提取方法主要有以下几种。
时域分析法：依据脑电信号的波形特征的不同，来自动检测识别各种不同情况下的脑电信号。以癫痫疾病为例，患者发病时脑电图上就会出现很多的棘波和尖波，波形顶端尖锐不规则，与正常情况存在明显区别，所以时域方法用于检测波形特征比较明显的信号比较有效[4]。常用的时域方法就是基于自回归模型的方法，AR模型计算简单，参数容易估计。但是时域方法只是针对于时域信号，对频域信息统计不够充分，会遗漏许多其他的变化，如癫痫疾病发作时的所产生的慢波。
频域分析法：就是利用傅里叶变换获得信号的整体频谱[5]。EEG中包含多种频率成分，而对众多不同信号的频率进行逐一分解，就可以多方面的了解该信号的特征。以癫痫病为例，与发作间期对比，患者在疾病发作时，EEG频率幅度都会呈现明显的变化。高阶谱分析是目前频域剖析方式中比较受青睐的方法之一。但是频域分析法也受到一定的条件限制，对信号的要求较高，要求信号的线性及平稳性比较好，但现实中采集到的信号平稳性都比较差。所以，在没有对脑电信号进行平稳化处理之前，只通过频域分析所得到的结果不会理想。
时频分析法：脑电信号中许多病变都是通过瞬时形式展现出来，应对这种情况，仅仅依靠时域或频域方法都无法获得良好的结果。有学者提出将时域与频域相结合的方法，时频分析实现对信号的全方位分解，就能够得到更好地结果，来解决该问题。而小波变换就是时频分析的代表方法，它具有高分辨率特性，带宽相对比较恒定，能够有效分析信号的整体情况和细节。ElisaMagosso[6]等人提出了一种能量计算公式方法，求出在小波变换后的所获得的系数，并利用现有公式提取所需特征，再将其输入分类器进行癫痫脑电信号分类。Derya等人[7]则提出用小波变换对脑电信号进行4级分解的方法，然后计算每级信号的特征，最后分类用多层前馈神经网络。
时域、频域等分析方法都是线性的，但是研究表明EEG中还有非线性元素存在。随着时代的快速进步，在二十世纪末，非线性动力学理论得到了快速发展，该方法也逐步的应用到复杂系统中，也提供了一种全新的方法来处理脑电信号[8]。非线性方法虽然能够较好的刻画人脑这个复杂的生物系统，但是在进行结果解释时，也需要一种严谨的态度，因为以现在的技术还存在一定的问题在从非平稳的脑电信号中得到所需的非线性度量，而且最终所得到的结果也并不一定可以有效的反应系统的信息。与线性方法相比，非线性算法较为复杂，运算时间长，辨识能力也较差。
从上述描述的各种分析方法中可以看出，现在EEG分析方法还处于发展阶段，还需要更加深入的研究。从上述的介绍中我们可以得出线性方法优点是：计算简单，复杂度低，而缺点就是对信号平稳性要求高，无法处理非线性信号。而非线性方法的优点是：EEG的描述是准确的，并且图像描绘形象。缺点是计算成本高，识别能力差，算法复杂[9]。两者是各有千秋，所以当前的对脑电信号的钻研集中在如何能够鱼和熊掌兼得，使得它能够同时具有线性和非线性的长处。“小波变换是一种窗口大小固定，但其形状可以改变。其中时间窗口和频率窗口都可以改变的时频局部分析方法，即在低频部分具有较低的时间分辨率和较高的频率分辨率，并且在较高频率部分具有较高的时间分辨率和较低的频率分辨率。非常适合分析平稳信号和提取信号的局部特征，因此小波变换被誉为信号处理的显微镜”[10]。
版权保护: 本文由 hbsrm.com编辑，转载请保留链接: www.hbsrm.com/jxgc/zdh/1836.html
