本文關(guān)鍵詞：基于小波包分解的意識腦電特征提取，由筆耕文化傳播整理發(fā)布。

當前位置：文庫下載 > 所有分類 > 工程科技 > 信息與通信 > 基于小波包分解的意識腦電特征提取_顏世玉

第8期顏世玉等:基于小波包分解的意識腦電特征提取1749

［4-6］。壯大，已經(jīng)舉辦過3次BCI的國際會議

BCI的關(guān)鍵技術(shù)在于如何快速有效地提取EEG的特

3小波包變換

征和如何提高分類正確率。目前常用的特征提取和分類的方法大致有線性和非線性2類，其中特征提取的方法

［7］

快速傅里葉變換(fastFouriertrans-主要有功率譜法、form，F(xiàn)FT)法、AR)模型法［8］;共自回歸(autoregressive，［9］同空間模式(commonspatialpattern，CSP)法，以及小

［10-11］［11］

、波(包)分析法混沌分析法等;使用的分類方法

小波變換是由傅里葉變換發(fā)展起來的一種多尺度的

信號分析方法，在時間、尺度兩域都具有表征信號局部特征的能力，因此非常適合分析非平穩(wěn)腦電信號的瞬態(tài)和時頻特性。

信號f(t)的連續(xù)小波變換定義為:

1

Wx(a，b)=f(t)Ψt－bdt

a主要有線性判別法、k-最近鄰規(guī)則法、人工神經(jīng)元網(wǎng)絡(luò)

［12］

法、支持向量機(supportvectormachine，SVM)法等。本文提出一種基于小波包變換的特征提取方法。該方法將大腦C3和C4處采集的2路信號利用小波包分解到4層，通過計算特征頻帶(8～12Hz)的小波包系數(shù)方差和相對小波包能量作為特征，使用最簡線性分類方法，以分類正確率作為標準，經(jīng)檢驗，較好地反映了腦電信號的事件相關(guān)去同步化(ERD)/事件相關(guān)同步化(ERS)［13］，為BCI研究中運動想象腦電的模式識別提供了新的思路。

∫

()

(1)

b)為小波變換系數(shù)，a為伸縮因子或尺度因式中:Wx(a，

b為平移因子，子，Ψ(t)為小波函數(shù)，t為時間。二進離散小波變換的定義為:

Cj，k=

∫

∞

－∞

f(t)Ψj，k(t)dt

(2)

=2－j/2Ψ(2－jt－k)。式中:Ψj，k(t)

在實際應(yīng)用中，通常采用Mallat快速分解算法。相對于小波變換，小波包變換對上層的低頻部分和高頻部分，都進行了再分解，提高了時頻分辨率，為腦電信號提供了更為精細的分析方法。

在滿足測不準原理的條件下，小波包能將運動腦電信號x(t)按任意的時頻分辨率分解到不同的頻段，并將信號x(t)的時頻成分相應(yīng)的投影到所有代表不同頻段的正交小波包空間上。設(shè)腦電信號屬于尺度空間V，對其進行3Vi表示第i尺層空間劃分的過程示意如圖2所示。圖中，1，2，…，2i－1)個小波包子空間

。度的第n(n=0，

n

2數(shù)據(jù)描述

本文的腦電數(shù)據(jù)來源于2003年BCI競賽數(shù)據(jù)集

［14］Ⅲ，由奧地利GRAZ大學提供。實驗是由一個帶有反饋的在線BCI系統(tǒng)組成，所執(zhí)行的任務(wù)是通過想象左右手運動來控制光標的移動，其時序如圖1所示

。

圖2

圖1

腦電實驗時序圖

Fig．1TimingsequencediagramofEEGexperiment

小波包分解示意圖

Fig．2Sketchdiagramofwaveletpacketdecomposition

0～2s為休息時間，實驗持續(xù)9s，在第2s時有一提示聲提醒被試注意，然后屏幕中央出現(xiàn)一個固定的十字，持續(xù)1s;第3s開始屏幕上出現(xiàn)一個向左或向右的連續(xù)移動的箭頭，同時要求受試者想象左手或右手運動。實由差分電極從國際標準的驗數(shù)據(jù)來源于同一個被試，

10/20導聯(lián)系統(tǒng)的C3和C4通道獲得，采樣頻率128Hz，共280次實驗，每次實驗9s包含1152個數(shù)據(jù)。其中有140次實驗是經(jīng)過出題者標記的，，即已知該次實驗是左手運動還是右手運動，這部分數(shù)據(jù)作為訓練集，另外140次沒有給出運動方式，作為測試集。

由圖2可知，經(jīng)Mallat小波包分解，信號在低頻和高

頻部分都進行進一步地分解，這使得腦電信號x(t)經(jīng)過變換之后，信息量保存相對完整，損失很少。

4特征考慮

當大腦皮質(zhì)某區(qū)域被激活時，該區(qū)域的代謝和血流增加，同時進行性的信息加工可以導致腦電波Alpha節(jié)律(指EEG的8～13Hz成分)和Beta節(jié)律(14～30Hz成分)幅度的降低，稱為事件相關(guān)去同步(ERD)。Alpha節(jié)律和Beta節(jié)律在大腦靜息或惰性狀態(tài)下表現(xiàn)出幅度

Word文檔免費下載：基于小波包分解的意識腦電特征提取_顏世玉（下載1-5頁，共5頁）

我要評論

相關(guān)主題

相關(guān)文檔

基于小波包分解的腦電信號特征提取_圖文

基于小波包分解的腦電信號特征提取吳 婷, 顏國正, 楊幫華上海 200240) (上海交通大學電信學院儀器系 摘 要: 在腦機接口研究中, 針對腦電信號的特征抽取, 提出...

基于小波包技術(shù)的腦電特征波提取分析

!""# 年第 $% "% 期 機電工程技術(shù) 200837 卷第 07 研究與開發(fā) 基于小波包技術(shù)的腦電特征波提取分析 & 張海軍 1,張文慶 2(1.鄭州航空工業(yè)管理學院, ...

基于小波包能量的腦電信號特征提取方法

本文提出了一種基于小波包變換和AR 模型的運動想象腦電信號特征提取 方法。該方法將大腦C3和C4處采集的 2路信號進行小波包分解,利用對應(yīng)頻帶 小波系數(shù)的平均能量,...

基于小波包能量的腦電信號特征提取方法_徐寶國

014 基于小波包能量的腦電信號特征提取方法徐寶國 宋愛國 王愛民 ( 東南大學儀器科學與工程學院 , 南京 210096) 摘要: 在腦機接口研究中 , 針對運動想象腦電...

基于小波包能量的腦電信號特征提取方法

結(jié)合小波包和ICA的腦電信號... 3頁 1財富值 基于小波包熵的運動意識任......腦電信號進行3層分解,抽取小波系數(shù)的能量特征;然后,利用Burg算法提取腦電信號的...

基于小波包分解與能量特征提取的相關(guān)分析法_圖文

2010年第 4 期 聲學與電子工程 總第 100 期 基于小波包分解與能量特征提取的相關(guān)分析法史秋亮 1 林江 2 (1 海軍潛艇學院航海觀通系,青島,266071;2 海軍 ...

【論文】小波包分解腦電復雜性特征提取的注意狀態(tài)實時...

1 ? 小波包分解腦 電復雜性特征提取的注意狀態(tài)實時識別 路 榮 ,黃 力宇 ,晉瑯 (1. 第四 軍 醫(yī)大 學西京 醫(yī)院數(shù) 字化 中心 , 西安 7l0032; 2. ...

基于小波包分解的圖像特征提取及其應(yīng)用_張立

30 N o . 4 基于小波包分解的圖像特征提取及其應(yīng)用張 立 , 趙福才 , 張 玉 ( 解放軍電子工程學院 , 合肥 230037) 摘要 : 提出了一種基于小波包分解的...

【論文】基于小波包分解與能量特征提取的相關(guān)分析法

基于小波包分解與能量特征提取的相關(guān)分析法_專業(yè)資料。針對傳統(tǒng)的相關(guān)分析方法不能真實反映多源噪聲相關(guān)性的弱點,提出了一種基于小波包分解與能量特征提取的相關(guān)分析方...

【論文】基于小波包分解的圖像特征提取及其應(yīng)用

基于小波包分解的圖像特征提取及其應(yīng)用_專業(yè)資料。提出了一種基于小波包分解的提取圖像特征的算法,將圖像在不同尺度下的小波包變換模極大值組成一個矩陣,采用奇異值...

基于小波包變換的說話聲特征提取

進行分析時目前廣泛采用漢明窗(余建潮 2009,顏景斌...本文特征參數(shù)的提取是基于音頻信號的DB6小波包分解,...侯宏花·桂志國(2010), “小波熵在心電高頻噪聲...

教學心得體會

中國糧油供銷體制現(xiàn)狀(油料)

乘、除法的意義和各部分間的關(guān)系

獨立成分分析方法在圖象處理中的應(yīng)用_楊竹青

愛的誓言

油系統(tǒng)堵頭焊接工藝規(guī)程(報批稿)

高考地理綜合題的審題與答題規(guī)范

負荷試車方案

新材料作文審題立意思維訓練講

柱下獨立基礎(chǔ)課程設(shè)計

2015年東奧會計河南省會計繼續(xù)教育考試試題

dcp 7080d清零方法(親試準確)

第五章-貨物的價格

管理智慧王熙鳳協(xié)理寧國府

腦卒中中醫(yī)藥健康管理方案

定西市2016年第2季度實物法調(diào)整的材料預算價格指導價-2

全國2008年7月自考網(wǎng)頁設(shè)計與制作試題

基于廣東CORSS的網(wǎng)絡(luò)RTK測量探討

夢幻西游手游老玩家回歸條件

第二單元位置與方向(二)

圖形運動產(chǎn)生的面積問題(作業(yè)及答案)

附文(我眼中的物聯(lián)網(wǎng)技術(shù))

  本文關(guān)鍵詞：基于小波包分解的意識腦電特征提取，由筆耕文化傳播整理發(fā)布。