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。     

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。     

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.     

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...     

麻醉监测诱发脑电信号检测技术研究

阐述相干平均技术、加权平均技术和小波变换技术用于麻醉监测诱发脑电信号的基本原理和具体实现过程，通过仿真实验实现用这3种方法来滤除被测信号的强噪声成分，提取中潜伏期听觉诱发脑电信号．相干平均技术简单明了，硬件容易实现；加权平均技术可以有效地减少叠代次数，但它们都需要上百次甚至上千次刺激才能提取出有效的诱发脑电信号，得到的信号有时还可能是畸变信号；而小波变换技术则在单次刺激的情况下，就能获得较高的信噪比及满意的波形特征，得到的信号的噪声仍然是白噪声，具有较高的可信度．     

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.     

时频测试方法在脑电信号分析中的应用

脑电波反映了通过感觉器官的各种信息的传递和处理过程，具有非常大的信息量。越来越多的证据表明，脑电波异常与脑病变具有密切的关系，临床上也越来越多地借助于脑电图来对癫痫、脑肿瘤、智力状况等疾病进行诊断。而脑电信号特征波的有效提取可以为医生的临床诊断提供更多的依据，以提高诊断的准确性。在对脑电的研究过程中，人们已经在临床上使用了各种时域和频域测量与分析方法，在理论上探讨了某些时频测试方法应用于脑电信号特征波形提取和分析的有效性，但临床应用未见报道。从临床应用及科学研究的目的出发，在“虚拟式脑电测量与分析仪”中集成了Gabor变换、Wigner分布、Choi—Williams分布、小波变换等各种时频测试分析方法来提取脑电信号中的特征波。分析表明，针对不同的目的和不同的特征波，选用不同的时频测试分析方法，可以获得满意的结果。     

FOURIER变换在脑电信号处理中的应用及其局限

介绍了Ｆｏｒｉｅｒ变换在脑电信号处理中的应用，分析了Ｆｏｕｒｉｅｒ变换存在的局限，指出解决的途径。     

表情驱动下脑电信号的建模仿真及分类识别

针对自发型脑电信号识别率低、个体差异度大等问题,提出了一种新的基于表情驱动脑电信号的脑机接口方式,并进行了建模仿真及实验验证。利用神经元集群模型对表情驱动脑电信号进行机理建模与仿真分析,得到自发表情的相关脑区及表情驱动脑电信号的频率分布特性;提出了一种基于小波变换和人工神经网络模型映射的表情驱动下脑电信号分析识别方法,有效提高了表情驱动下脑电信号的识别率。从神经生理学角度验证了表情驱动脑电信号的特征来源是受大脑前额叶皮层和边缘系统相互协调共同控制的,并通过实验验证了所提脑电信号分类识别算法切实有效,其最高分类准确率可达85%。     

离散小波变换结合二阶盲辨识的眼电伪迹自动去除方法

针对传统去除眼电伪迹的方法极易丢失潜在脑电信号的问题,提出一种离散小波变换(DWT)与二阶盲辨识(SOBI)结合的眼电伪迹自动去除方法(DSOBI)。首先将多通道脑电和眼电信号进行多层DWT得到多尺度下的小波系数,在小波域利用SOBI消除小波系数统计上的相关性,有效分离脑电和眼电伪迹,根据相关系数识别出眼电伪迹源分量并置零,再依次重构得到干净的脑电信号(electroencephalography,EEG)。方法对构造的数据进行去伪迹处理,均方误差为1.93,信噪比为14.32,与传统方法相比具有显著优势;对10位被试的真实脑电数据进行处理,利用相关系数验证本方法去除眼电伪迹的有效性,同时保留更多脑电信息。     

小波变换模极大值重建方法消除胃电检测中的运动伪迹

在体表测得的胃电信号受到被试身体移动的影响会产生运动伪迹;这些高幅值的运动伪迹给胃电信号的提取带来了不稳定性。该文引入小波变换模极大值重建方法去除信号中的运动伪迹。采用多孔算法对信号进行小波变换,根据筛选准则去除运动伪迹对应的小波变换模极大值点,再根据标架理论,采用共轭梯度算法由模极大值重建信号,就达到了去除运动伪迹的目的。实验表明,此方法可以有效去除胃电信号中的运动伪迹。结果也说明在胃电信号的提取中,该方法可以作为一种有效的预处理方法,促进胃电在研究和临床中的应用。     

小波变换模极大值重建方法消除胃电检测中的运动伪迹

在体表测得的胃电信号受到被试身体移动的影响会产生运动伪迹;这些高幅值的运动伪迹给胃电信号的提取带来了不稳定性。该文引入小波变换模极大值重建方法去除信号中的运动伪迹。采用多孔算法对信号进行小波变换,根据筛选准则去除运动伪迹对应的小波变换模极大值点,再根据标架理论,采用共轭梯度算法由模极大值重建信号,就达到了去除运动伪迹的目的。实验表明,此方法可以有效去除胃电信号中的运动伪迹。结果也说明在胃电信号的提取中,该方法可以作为一种有效的预处理方法,促进胃电在研究和临床中的应用。     

连续小波变换在生物医学信号处理中的应用

小波由于同时具有空间域与频率域的局部性，而成为描述、检取函数奇性的局部性质的有效工具。探讨了连续小波变换在生物医学信号特征提取中的精确检测机理。由于Mexican hat小波特有的时域特性，对诸如心电信号中的QRS波群、脑电信号中的棘、尖波具有很好的定位特性和分析精度，因此选用Mexfican hat函数作为小波基。对临床实测数据分析表明，即使在有严重噪声干扰的情况下，此方法也很容易实现对QRS波群、癫痫样渡等生物医学信号中的特征信息进行准确检测和精确定位，从而在作者研制的“虚拟式心电记录分析仪”和“虚拟式脑电记录分析仪”中获得了实际和有效的应用。     

脑电信号的现代分析方法

脑电图（EEG）是脑神经细胞电生理活动在大脑皮层或头皮表面的总体反映。临床实践表明，脑电信号中包含了大量生理与疾病信息，通过对脑电信号的处理，不仅可以为医生提供临床诊断依据，而且可以为某结脑疾病提供有效的治疗手段。作者从脑电信号的分析出发，论述了频域分析、时域分析等脑电图分析中常用的信号分析方法和特点，特别介绍了Wigner分布、小波变换和匹配跟踪等时频分析方法、人工神经网络和非线性动力学方法在脑电信号分析和处理中的应用情况。     

基于样本熵的睡眠脑电分期

运用样本熵从波士顿Beth Israel睡眠脑电实验数据中提取睡眠特征值,对睡眠分期进行研究.针对脑电属于微弱非平稳随机信号、难于提取特征的特点,利用小波变换先有效地消除脑电信号中的噪声,再计算其样本熵用以表征睡眠各分期.计算结果表明,由清醒期到非快速眼动的Ⅳ期过程中,其样本熵值呈规律性逐渐变小,与该库中专家评定的结果相符.这说明经过小波消噪和样本熵处理的脑电信号能准确地反映睡眠各期的变化特征,比用近似熵表征睡眠分期更准确、运算速度更快,完全适用于非平稳随机信号的处理.