基于DWT和EMD融合样本熵的脑电信号分类方法技术

本发明专利技术提供一种基于DWT和EMD融合样本熵的脑电信号分类方法，首先对预处理后信号进行小波分解，根据子带的频谱选择子带信号，再经过经验模式分解，根据各阶固有模态函数的频谱分析筛选出集中在想象运动频段的前2阶固有模态函数，对其进行样本熵计算，通过支持向量机进行特征选择得到最终分类结果。本发明专利技术利用三个通道小波分解后的子带信号进行EMD分解，对固有模态函数进行样本熵计算，在EMD的基础上加入DWT，很好地解决EMD分解时频带涵盖宽泛的问题。

EEG Signal Classification Method Based on DWT and EMD Fusion Sample Entropy

【技术实现步骤摘要】
基于DWT和EMD融合样本熵的脑电信号分类方法
本专利技术涉及智能信息处理领域，特别涉及一种基于DWT(DiscreteWaveletTransform，离散小波变换)和EMD，同时融合样本熵的脑电信号分类方法。
技术介绍
脑机接口是一种基于脑电信号实现人脑与计算机或其他设备之间通信和控制的接口，通过大脑活动产生的脑电信号(Electroencephalogram,EEG)为人类和环境之间提供了新的通信和控制渠道，拓宽了人类的控制能力，具有广泛的应用前景。该领域的发展不仅帮助瘫痪病人使用计算机、神经假体、机器臂等电子设备，也实现了包括：运动恢复、通信、环境控制甚至娱乐等其他功能。脑机接口技术主要包含信号采集、预处理、特征提取、特征分类和接口设备控制等五个步骤。其中，由特征提取得到的特征信号可以标识不同想象运动脑电信号的判别信息，对后续的分类识别有很大的影响，因此特征提取在BCI(BrainComputerInterface，脑机接口技术)研究界受到广泛的关注。有效的特征提取方法是改善识别精度的关键，目前，时间-频率方法被广泛应用于脑信号的研究。传统的时间-频率方法包括：短时傅里叶变换(Short-timeFourierTransform,STFT)，小波变换(WaveletTransform,WT)等，但是这些方法的本质都是基于傅里叶变换，根据海森堡不确定性原理，该方法不可能同时得到时间-频率的良好分辨率。近年，希尔伯特黄变换(Hilbert-HuangTransform,HHT)作为另一种时间-频率分析法已经变得越来越流行，同时它也十分适合分析非线性和非平稳信号。原信号经过经验模式分解(EmpiricalModeDecomposition,EMD)被分解为一系列固有模态函数(IntrinsicModeFunctions,IMFs)，随后对每个固有模态函数进行希尔伯特黄变换，求其相应的能量谱和边际谱，作为特征进行分类。HHT不涉及海森堡不确定性原理可以获得时域和频域的高分辨率。目前被广泛应用于许多信号处理领域，如雷达探测、地震信号和生物医学信号等。由于生理系统的非线性性质，因此采用非线性分析方法可能有助于更好的揭示其特性和机理。样本熵是在近似熵的基础上提出的一种新的时间序列复杂性的度量方法，它解决了近似熵中统计量的不一致性问题，因此比近似熵精度更高。采用非线性动力学参数“样本熵”作为脑电特征进行分类，样本熵的值反映所测时间序列中出现新模式的概率，样本熵值与出现产生新模式的概率成正相关。这正好能够用来衡量运动想象过程中大脑感觉运动皮层被激活EEG信号的复杂性变化。
技术实现思路
专利技术目的：针对上述现有技术，提出一种基于DWT和EMD，同时融合样本熵的脑电信号分类方法，大大提高了模式识别的准确率。为实现上述目的，本专利技术采用如下技术方案：基于DWT和EMD融合样本熵的脑电信号分类方法，包括如下步骤：步骤1：采集脑电信号，并对所述脑电信号进行预处理，所述脑电信号来自左手想象运动C4通道，以及右手想象运动C3通道；步骤2：对预处理后的脑电信号进行离散小波分解，得到子带信号；步骤3：对子带信号进行经验模式分解，得到一系列固有模态函数IMFs；步骤4：将所述固有模态函数IMFs的前S阶IMFs分量合并，构成一个(2*K*S)*T的矩阵Xi，i＝L表示想象左手运动，i＝R表示想象右手运动，2*K*S为通道数，其中2为脑电信号通道数，K表示子带信号通道数，T为采样点个数；计算矩阵Xi的样本熵；步骤5：以样本熵为训练样本训练支持向量机；步骤6：计算待分类脑电信号的样本熵，并输入训练好的支持向量机中，得出待分类脑电信号的类别。优选的，所述子带信号为频率在8-30Hz的子带信号D4、D3。优选的，D4的频率为7.8-15.6Hz、D3的频率为15.6-31.2Hz。优选的，所述S为2。有益效果：1、本专利技术利用三个通道小波分解后的子带信号进行EMD分解，对固有模态函数进行样本熵计算，在EMD的基础上加入DWT，很好地解决EMD分解时频带涵盖宽泛的问题。2、本专利技术选用样本熵作为分类特征，相比于其他非线性参数其具备以下几个优点：(1)样本熵值的计算量小，不依赖数据长度。这有助于减少BCI的训练时间，提高系统实时性。(2)对丢失数据不敏感，具有很好的抗干扰能力。这对分析信噪比极低的EEG信号是非常有利的，可增强BCI的实用性。(3)可分析包含确定成分和随机成分的信号，这非常有利于非平稳高复杂EEG信号的分析。附图说明图1本专利技术方法流程图。具体实施方式下面结合附图对本专利技术做更进一步的解释。如图1所示，本专利技术所述方法包括如下步骤：步骤1：采集各位受试者的脑电信号。选取9位受试者的脑电信号作为训练集和测试集，分别对单个受试C3、C4两个通道中的信号进行预处理；包括基线校正、ICA去伪迹、5-30Hz带通滤波；步骤2：对预处理后的EEG信号x(t)进行4阶小波分解，得到一系列子带信号A4，D4，D3，D2，D1，信号x(t)的小波变换定义为：其中，a代表尺度位移，τ代表时间位移，Ψ(t)为小波基函数，选取频率在8-30Hz的子带信号D4，D3；由于脑电信号是离散型信号，因此需要对其进行离散小波变换，离散小波变换相较于连续小波变换就是将小波基函数ψ(a,τ)的a、τ限定在离散的点上取值，即对尺度和位移进行离散化，离散小波基函数为其中j∈Z,k∈Z，则离散小波变换为设数字信号的采样频率为fs，由采样定理可知，信号的最高频率为fs/2，利用Mallat算法，如对信号进行L阶分解，则信号的整个频带被分解为L+1个子带，即[0，fs/2L+1][fs/2L+1，fs/2L]…[fs/22，fs/2]。步骤3：采用EMD算法对所选取的子带信号D4，D3进行经验模式分解，得到一系列固有模态函数IMFi(i为固有模态函数的阶数)，并绘制所有固有模态函数能谱图；EEG信号进行经验模式分解的具体步骤如下：(1)判断每个脑电信号x(t)的局部极值，用三次样条曲线进行曲线拟合，局部极大值形成上包络emax(t)，局部极小值形成下包络emin(t)。(2)求emax(t)和emin(t)的均值：(3)计算输入信号x(t)和m(t)的差值:c(t)＝x(t)-m(t)(3)如果c(t)不能满足IMF的定义截至条件，重复上述过程(1)-(3)，否则，提取c(t)作为固有模态函数，剩余量r(t)计算如下：r(t)＝x(t)-c(t)(4)(4)x(t)剩余量作为一个新的数据经过相同的筛选过程以获得下一个更低频率的固有模态函数。直到剩余函数r(t)为一个单调函数或者仅有一个极致时，分解过程停止。假设原始信号被分解为N个固有模态函数和一个剩余函数量r(t)，可以得到重构信号：步骤4：将单次试验的C3，C4通道前2阶IMF分量合并，构成一个8*2000的矩阵Xi，i＝L表示想象左手运动，i＝R表示想象右手运动，其中，8可看作通道数(2(C3，C4通道)*2(D4，D3子带)*2(2阶IMFs))，2000为一次试验的采样点个数，计算样本熵时，采用时间滑窗，窗长500个数据点，每次移动1个数据点，共得到1500个样本熵，将8个IMFs在同一滑动窗的近似熵值作为一组特征向量用本文档来自技高网...

【技术保护点】
1.基于DWT和EMD融合样本熵的脑电信号分类方法，其特征在于，包括如下步骤：步骤1：采集脑电信号，并对所述脑电信号进行预处理，所述脑电信号来自左手想象运动C4通道，以及右手想象运动C3通道；步骤2：对预处理后的脑电信号进行离散小波分解，得到子带信号；步骤3：对子带信号进行经验模式分解，得到一系列固有模态函数IMFs；步骤4：将所述固有模态函数IMFs的前S阶IMFs分量合并，构成一个(2*K*S)*T的矩阵Xi，i＝L表示想象左手运动，i＝R表示想象右手运动，2*K*S为通道数，其中2为脑电信号通道数，K表示子带信号通道数，T为采样点个数；计算矩阵Xi的样本熵；步骤5：以样本熵为训练样本训练支持向量机；步骤6：计算待分类脑电信号的样本熵，并输入训练好的支持向量机中，得出待分类脑电信号的类别。

【技术特征摘要】
1.基于DWT和EMD融合样本熵的脑电信号分类方法，其特征在于，包括如下步骤：步骤1：采集脑电信号，并对所述脑电信号进行预处理，所述脑电信号来自左手想象运动C4通道，以及右手想象运动C3通道；步骤2：对预处理后的脑电信号进行离散小波分解，得到子带信号；步骤3：对子带信号进行经验模式分解，得到一系列固有模态函数IMFs；步骤4：将所述固有模态函数IMFs的前S阶IMFs分量合并，构成一个(2*K*S)*T的矩阵Xi，i＝L表示想象左手运动，i＝R表示想象右手运动，2*K*S为通道数，其中2为脑电信号通道数，K表示子带信号通道数，T为采样点个...

【专利技术属性】
技术研发人员：董卉，张学军，马亮，吉娜，王龙强，霍延，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：江苏,32