基于小波变换的脑电信号分析

介绍小波变换的基本概念和Mallat快速小波变换算法，并探讨了小波变换在脑电信号分析中的应用这一课题。实验结果表明，小波变换是检测脑电信号中的瞬态脉冲以及脑电基本节律的有效工具。     

脑-计算机接口系统中诱发脑电信号的小波分析

针对特定思维诱发脑电信号的特点,提出一种确定其分布情况及提取其波形的方法·首先采用离散小波变换对脑电信号进行分解,然后使用小波奇异点检测和小波统计分析相结合的方法进行特征分析,确定特定思维诱发脑电信号处于小波变换的哪个尺度上,并根据分析结果重构出诱发脑电信号·结果表明,这种方法能够有效地消除脑电信号中的常见噪声,尤其适用于对诱发脑电信号的提取·     

基于小波变换的脑电噪声消除方法

分析了基于传统陷波器的脑电消噪方法,根据脑电噪声所处频带及陷波器原理,设计了一种陷波器.并提出了基于小波变换的脑电信号分析方法并利用它来消除脑电信号中的噪声干扰.小波变换是一种多分辨率的时间-尺度分析方法,它能够将信号划分为不同频段的子带信号.根据小波变换的这一特性,对采样获得的脑电信号进行各尺度分解及消噪分析,并给出了各尺度分解结果及消噪结果.最后对这两种方法的消噪结果进行比较.分析表明:利用小波变换能更有效、灵活地检测并去除脑电信号中的噪声干扰.     

应用多分辨率小波变换提取脑电信号异常节律

脑电信号是非平稳的随机信号，其中包含了大量的生理和疾病信息，对于医生判断脑都是否有器质性的病变具有重要作用。因此对脑电信号的分析和处理一直是人们努力研究的领域。考虑到小波变换良好的时频局部化特性，利用多分辨率小波变换方法来实现脑电信号异常节律的提取，脑电信号经多分辨率小波变换后所得到的各个尺度的信号不仅反映了信号的频率信息，即尺度越大，对应信号的频率越低，同时也反映了信号的时间信息，即反映此时的EEG状态，实验结果表明，选择合适的小波基，可以有效地提取脑电信号中的异常节律。     

基于小波变换的ERP信号分析

介绍多分辨率小波变换的基本概念,并介绍多分辨率小波变换在诱发脑电信号（ERP）分析中的应用以及如何应用多分辨率小波变换提取脑诱发电位的各频段信号。实验表明：该方法应用于脑诱发电位的分析是十分有效的。     

用提升小波变换提取诱发脑电

提出了一种利用小波分解和重构进行诱发脑电信号的有效提取方法.改变了小波变换的Mallat算法运算量较大,难于满足某些实时性较高的系统需求,采用提升小波变换进行诱发电位的提取,其运算量只有传统方法的一半左右,有助于提高系统的实时性.实验结果表明:用提升小波变换提取诱发脑电信号,能有效的改进实验曲线的信噪比、缩短信号的处理时间,将可以提高BCI系统的通信速率.     

基于小波包能量的脑电信号特征提取方法

在脑机接口研究中,针对运动想象脑电信号的特征抽取,提出了一种基于小波包变换和AR模型的特征提取方法.该方法首先利用小波包变换对大脑C3和C4处采集的2路运动想象脑电信号进行3层分解,抽取小波系数的能量特征;然后,利用Burg算法提取脑电信号的5阶AR模型系数;最后,将这2类特征组合,使用基于马氏距离的线性判别分类器对左右手运动想象脑电模式进行分类,正确率达到91.43%.该方法提取的特征向量较好地反应了运动想象脑电信号的事件相关去同步和事件相关同步的变化时程,为BCI研究中脑电信号的模式识别提供了新的思路.此外,该方法的识别率高,复杂性低,适合应用于在线脑机接口中.     

关于脑电信号分析方法的探讨

阐述了傅里叶变换(FFT)、短时傅里叶变换(STFT)以及小波变换的理论,并在MATLAB中对实验中自由活动大鼠运动皮层放电过程中采集到的数据进行了分析.实验表明,小波变换为脑电信号处理领域的研究提供了一个更加有效的方法.     

小波包变换和极限学习机相融合的脑电信号识别方法

为了提高脑电信的识别效果,提出一种小波包变换和极限学习机相融合的脑电信号识别方法.采用傅里叶变换对采集的脑电数据进行去噪处理,用小波包变换方法提取小波节律能量均值和小波包能量熵作为特征量,并用极限学习机进行分类.仿真实验结果表明,极限学习机分类速度快、泛化性能好,相对于其他脑电信号识别方法,能有效地提高脑电信号识别的正确率.     

小波变换在脑电信号瞬态特征提取中的应用

小波变换在脑电信号瞬态特征提取中的应用吴小培黄立霞（安徽大学电子系合肥２３００３９）脑电信号分为自发脑电信号与诱发脑电信号（ＥＰ）；它包含了大量的生理与病理信息，在临床医学中起着非常重要的作用。但脑电信号的非平稳性与背景噪声都很强，因此对它的分析与处...     

脑电监护分析系统的软件设计与实现

脑电信号在外围设备采样后,由计算机通过软件系统以波形图形式进行实时播放.本文以脑电波监护与分析的系统给出计算机技术在工程领域的应用实例.首先介绍涉及的脑电生物及数字信号处理技术的背景知识,然后讨论软件体系结构、子系统划分及功能模块,包括脑电信号的监护、数字滤波器及信号分析,并以数据采集、滤波与分析算法为重点.     

EEG Signal Denoising and Feature Extraction Using Wavelet Transform in Brain Computer Interface

Electroencephalogram (EEG) signal preprocessing is one of the most important techniques in brain computer interface (BCI). The target is to increase signal-to-noise ratio and make it more favorable for feature extraction and pattern recognition. Wavelet transform is a method of multi-resolution time-frequency analysis, it can decompose the mixed signals which consist of different frequencies into different frequency band. EEG signal is analyzed and denoised using wavelet transform. Moreover, wavelet transform can be used for EEG feature extraction. The energies of specific sub-bands and corresponding decomposition coefficients which have maximal separability according to the Fisher distance criterion are selected as features. The eigenvector for classification is obtained by combining the effective features from different channels. The performance is evaluated by separability and pattern recognition accuracy using the data set of BCI 2003 Competition, the final classification results have proved the effectiveness of this technology for EEG denoising and feature extraction.     

基于时窗复杂度序列的睡眠脑电分析

运用时窗复杂度序列来分析睡眠脑电,减少了非平稳性及状态空间的不均匀性造成的脑状态信息的丢失,在一定程度上克服了复杂度的自身的局限,有助于不同睡眠期状态特征的提取.另外本文采用ICA、小波变换等方法对脑电进行预处理,实验表明它们能有效地去除脑电中的一些生理干扰,有利于提高复杂度算法在睡眠分期应用中的精确度.     

多通道脑电信号眼电伪迹自适应去除方法

针对现有方法在眼电伪迹自动去除中存在有用信息丢失,伪迹分量识别困难的问题,提出了一种结合粒子群优化算法、独立成分分析和小波变换的伪迹自适应去除算法。首先,采用均方根误差和Pearson相关系数设计了粒子群优化算法的适应度函数,利用优化算法实现了两个样本熵阈值的自适应设置;然后利用快速独立成分分析算法将脑电信号分解为统计独立分量,根据第一个样本熵阈值自动识别含伪迹分量,含伪迹分量经过四层小波分解得到五个小波分量,根据第二个样本熵阈值自动识别伪迹分量,将识别的伪迹分量置零;最后经过小波重构和逆变换,获得去除眼电伪迹的脑电信号。采用Graz data set A数据集进行实验验证,结果表明提出的方法能够实现多通道脑电信号伪迹的自动去除;采用Klados数据集进行实验验证,结果表明,与SE-CEEMDAN方法相比,采用提出方法实验获得的均方根误差降低了4.816,约38.2%,Pearson相关系数提高了0.025,约2.97%。     

思维脑电信号的近似熵分析

计算了5种不同思维作业时脑电信号的近似熵.计算结果表明,当进行不同思维作业时脑电数据的近似熵存在着较大的差异.这提示可以利用近似熵作为思维脑电信号的特征实现对思维作业的分类.对于不同的受试者,即使是同一种思维作业、同一个电极上脑电数据的近似熵也存在着较大的差异.这提示在利用近似熵作为思维脑电信号的特征对心理作业进行分类时应当充分考虑不同受试者的个体差异.     

基于脑电的实时疲劳监测算法的研究

疲劳驾驶是造成交通事故的一个重要因素。基于脑电波传感器采集到的脑电(EEG)信号,提出了一种基于特征节律波样本空间距离的实时驾驶疲劳监测算法。该算法通过提取脑电特征信号并建立相应的特征样本空间,然后通过将实时采集的脑电信号与样本空间之间的距离来判别驾驶员是否处于疲劳状态;并结合多次实验结果,使用ROC曲线分析方法获得确定疲劳判别的阈值,由此实现对驾驶者疲劳状态的实时监测。实验结果显示,该算法能有效地、实时地对疲劳进行监测,且具有较好的鲁棒性和准确性。     

K-means聚类神经网络分类器在睡眠脑电分期中的应用研究

利用近似熵的方法对睡眠EEG信号进行分期,但睡眠Ⅲ期和Ⅳ期近似熵值非常接近,靠近似熵值无法区分,对分期结果中的Ⅲ期和Ⅳ期EEG信号进行AR(自回归)建模,作为该段EEG信号的特征属性,利用K-means聚类的神经网络分类器对睡眠Ⅲ期和Ⅳ期进行分期,达到了很好的分期效果.     

基于脑电波复杂度的麻醉深度监测

脑电(EEG)是能反映麻醉深浅程度的电生理信号，为了能从非线性、非平稳的脑电信号中提取与麻醉深度相关的有效信息，笔者采用由Lempel和Ziv提出的复杂度算法，对实测SD大鼠在不同麻醉状态下脑电信号的复杂度进行计算，比较了不同麻醉深度下脑电复杂度的变化情况．从实验观察的现象与数据比较结果可见，利用复杂度来表征脑电信号的特征值可以很好地反映麻醉的深浅程度，而且算法简单、实时性好，是一种量化庆醉深度的新方法．