《脑电信号的特征提取与分类》由会员分享，可在线阅读，更多相关《脑电信号的特征提取与分类（8页珍藏版）》请在金锄头文库上搜索。
1、脑电信号的特征提取与分类脑电信号的特征提取与分类 摘 要 脑-机接口（Brain-puter Interface,BCI）可以不依赖外周神经与肌肉组织，把大脑与外界设备连接起来，建立起一条全新的、独立的信息传输通道。以便于直接控制外界设备，为一些障碍患者提供正常的运动能力，提高他们的生活质量。其中，脑电信号（electroencephalogram，EEG）的提取是脑机接口技术的关键，本文对脑电信号进行研究，具体如下： （1）通过设备完成脑电信号提取时信号中通常含有噪声，含有噪声的信号不能进行直接分析p 和使用，因此需要对其进行去噪处理，在本文中采用两种方式进行去噪，分别为硬阈值去噪与软阈值去
2、噪。在进行去噪之前分别进行了两层和三层的分解实验，并对两种结果进行比较最终选择两层小波分解进行处理。最终对硬阈值和软阈值两种去噪方法进行了实验，对实验所得到的信噪比和均方根误差数据进行比较，选用软阈值去噪方法。 （2）由于EEG信号非线性且平稳性不足等特征，在本文对比了小波变换和模糊熵在对信号进行处理时的优势和劣势，结合两种方法对脑电信号特征进行提取，首先对受试者a的C3通道和C4通道所采集的数据进行小波分解处理，随后根据不同层频带提取对应节律，在完成小波分解之后将数据采用模糊熵方法实现特征提取。本文的实验结果表明 ，提取的特征重叠较少，有助于后续进行脑电信号的分类。 （3）就脑电信号的分类而
3、言，在本文中利用当前较为成熟的神经网络以及支持向量机等方法，选择合适的核函数后利用Matlab20a中的工具箱完成信号的处理和分类，分类结果证明，本文所采用的信号分类方法精确度为61，达到预期要求，具有良好的分类效果。 【关键词】：p ：脑电信号；软阈值；小波变换；模糊熵； Abstract Brain-puter Interface (BCI) can connect the brain with eternal deves without relying on peripheral nerves and muscle tissue, and establish a new and inde
4、pendent information transmission channel.In order to directly control the eternal equipment, provide normal eercise capacity for some disabled patients and improve their quality of life.Among them, the etraction of electroencephalogram (EEG) is the key to brain-puter interface technology.This paper
5、studies EEG signals as follows: (1) When the EEG signal is etracted by the deve, the signal usually contains noise, and the signal containing noise cannot be directly analyzed and used.Therefore, it needs to be denoised.In this paper, two methods are used for denoising.Hard threshold denoising and s
6、oft threshold denoising.Two and three layers of deposition eperiments were performed before denoising, and the two results were pared and finally two layers of wavelet deposition were selected for processing.Finally, two denoising methods, hard threshold and soft threshold, were tested.The signal-to
7、-noise ratio and root mean square error data obtained by the eperiment were pared, and the soft threshold denoising method was selected. (2) Due to the nonlinearity and lack of stationarity of the EEG signal, the advantages and disadvantages of wavelet transform and fuzzy entropy in the processing o
8、f signals are pared.bining the two methods to etract the characterists of EEG signals, firstly The data collected by the C3 channel and the C4 channel of the tester a is subjected to wavelet deposition processing, and then the corresponding rhythm is etracted according to different layer bands.After
9、 the wavelet deposition is pleted, the data is etracted by the fuzzy entropy method.The eperimental results in this paper show that the etracted features are less overling, whh is helpful for the subsequent classifation of EEG signals. (3) In terms of the classifation of EEG signals, in this paper,
10、the current mature neural work and support vector machine are used to select the ropriate kernel function and then use the toolbo in Matlab20a to plete the signal processing and classifation.It is proved that the accuracy of the signal classifation method used in this paper is 61, whh meets the epec
11、ted requirements and has a good classifation effect. Keywords: electroencephalogram; soft threshold; wavelet transform;fuzzy entropy 目录 第1章绪论 1 1.1 引言 1 1.2.1 BCI系统的组成 2 1.2.2 BCI系统的分类 3 1.3 国内外研究现状及存在问题 4 第2章脑电信号 6 2.1 脑电信号概述 6 2.1.1 脑电信号的产生机理 6 2.1.2 脑电信号的特点与分类 6 2.2 脑电信号分析p 方法 7 2.2.1 时域分析p 7 2.2
12、.2 频域分析p 7 2.2.3 时频分析p 7 2.2.4 多维统计分析p 7 2.2.5非线性动力学分析p 7 2.3 本章小结 8 第3章脑电信号的预处理 9 3.1 常用的脑电信号去噪方法 9 3.1.1 希尔伯特黄变换 9 3.1.2 独立分量分析p 9 3.1.3 小波分析p 9 3.2 小波阈值去噪 9 3.2.1 硬阈值、软阈值和Garrote阈值去噪 10 3.2.2 小波分解的层数确定 10 3.2.3 实验结果与分析p 12 3.3 本章小结 13 第4章脑电信号的特征提取 14 4.1 基于小波变换和模糊熵的特征提取 14 4.1.1 小波变换原理 14 4.1.2 模
13、糊熵理论 16 4.1.3 基于小波变换和模糊熵的特征提取 18 4.2 本章小结 19 第5章脑电信号的分类 20 5.1 常用分类方法 20 5.2 支持向量机 20 5.2.1 线性支持向量机 21 5.2.2非线性支持向量机 22 5.3 SVM分类结果 23 5.4 本章小结 23 第6章总结和展望 24 6.1全文总结 24 6.2未来展望 25 致谢 27 【参考文献】：p 28 第1章 绪论 1.1 引言 大脑作为神经系统最高级的部分，人们的生理功能、心理活动都离不开大脑，其作为中心枢纽控制着人类的思想、行为、情绪等活动，当接收到外部环境的刺激时，大脑会进行分析p 处理，再通过
14、神经肌肉通路，与外界进行信息交流。所以脑部科学的研究对于人类自身的行为与健康都有着非常重要的意义。但是，每年都有数以万计的意外事故发生，很多人受到了不可预料的意外伤害而成为了残疾人，有的人神经系统受损，有的人肌肉系统受损，这都阻碍了他们通过大脑与外界正常互动，又比如截肢患者，肢体瘫痪等病人，虽然他们的大脑能够正常的思维，但是却不能利用大脑控制他们自己的身体，也就是丧失了正常的活动能力。这给他们的日常生活带来了很大的不便，也就意味着只能卧病在床没有任何的劳动能力，给患者自身、家庭乃至社会都增加了很大的压力。但是随着如今世界科学技术的进步以及医疗学科的发展，使这些患者能够在丧失了活动能力后也能通过
15、大脑控制一些外部设备以实现自主的运动，提高其生活质量让其拥有正常人基本的生活已经成为了脑部科学，医学界研究的重点，其中最引人注目的一项重大突破莫过于脑-机接口（）1。 1.2 BCI系统的组成与分类 1.2.1 BCI系统的组成 首先简单介绍一下BCI产生作用的原理：大脑在进行运动想象或者受到了外部环境的刺激，在大脑的皮层区域电位会产生一定的改变。此时可以借助一些装置如电极帽等，将大脑皮层发生的这种变化进行记录，并对不同刺激所引发的电信号进行归类分析p ，之后，再通过其他技术将这些大脑所产生的电信号翻译成计算机能够听懂的语言，进而来操控外界的相关设备3。BCI技术已经广泛的受到了人们的关注，因
16、为该技术不仅限于残疾人的辅助康复治疗之中，它还能够在各种学科领域中发挥重要的作用，可有效推动各行各业的进一步发展。从构成BCI系统的各个组成成分来看，主要有下列几个过程：采集和处理信号过程，特征提取过程，模式识别过程，控制输出过程和信息反馈过程。 （1）采集和处理信号过程 脑电信号的采集主要有两种方式，一种是有创的电极内置方式，另一种是无创的电极外置方式4。前者在通常情况下需要通过手术将电极植入大脑皮层，该装置主要用于EEG信号的收集，由于直接与大脑皮层相接触，因此通过这种方式收集EEG信号会更加的准确，这对于后续开展的各项研究来说也是极为有利的。然而该方法的缺陷也很明显，那就是收集信号的装置需要通过手术来完成，危险程度较大，并且只能够植入有限数量的电极，另外一点即使所需要的花费也是
