【技术实现步骤摘要】
本专利技术涉及脑电信号处理领域，尤其涉及一种基于dwt-eemd的运动想象脑电信号特征提取方法。
技术介绍
1、特征提取是将原始eeg信号转化为具有信息含量的数学特征的关键步骤。在这方面，有许多方法被广泛探索和应用。脑电信号具有非线性、非平稳性的特点，使得脑电信号解析难度较高。因此，获取高质量的脑电信号成为推动脑电信号处理技术发展的必要条件。为了提高运动想象脑电信号的特征识别率，当前研究依靠先进的信号处理技术，如离散小波变换(dwt)和经验模态分解(emd)等，以更准确的捕捉信号中的时频特征，提升对脑电信号的分析能力。
2、小波变换(wt)是一种时频分析方法，能够综合反映信号在时域和频域的信息，在eeg信号这类非线性信号的分析处理中更为有效。考虑到计算机数值计算的可行性和快速性，对wt中的尺度和平移参数进行离散化处理，由此引入离散小波变换(dwt)的概念。dwt相比一般小波变换具有多分辨率得特点，在低频范围内，其在时域上的分辨率较低，在频域上的分辨率较高；在高频范围内，其在时域上的分辨率较高，但在频域上的分辨率较低。因为这个特性，该方法适用于提取类如脑电信号这样的非平稳信号的特征信息。它的实质是对基本小波的尺度与平移进行离散化，令信号变化更明显的展现在时域和频域上。同时，dwt可以将信号分解成不同频带的子带信号，有助于将信号的能量集中在特定频带，提高信号的特征显著程度。但是，dwt对信号的边界效应敏感，且对信号的平移和尺度变化不够稳定，会导致信号提取出现完全不同的特征表示。
3、经验模态分解(eemd)是
4、总之，由于脑电信号本身所具有的特性，仅通过使用单一传统的算法难以实现理想的特征提取效果。因此，本专利技术提出了一种结合dwt算法和eemd算法的特征提取方法。
技术实现思路
1、本专利技术的目的在于提供一种基于dwt-eemd的运动想象脑电信号特征提取方法，目的从原始脑电信号中提取出关键的生理学特征，以实现对脑部神经活动的精准量化，提高脑电信号分析的精度和可靠性，从而解决现有技术中存在的前述问题。
2、为了实现上述目的，本专利技术采用的技术方案如下：
3、一种基于dwt-eemd的运动想象脑电信号特征提取方法，步骤100、对预处理后的脑电信号进行离散小波变换，实现多尺度分解，将脑电信号分解成一系列窄带信号，以获取不同频率范围内的局部时频特征；
4、步骤200、利用eemd对dwt得到的子带信号进行分解，将每个子带信号分解成若干个固有模态函数imf；
5、步骤300、将选定的imfs组合进行重构，利用整合后的特征向量建立分类器或回归模型，用于脑电信号的分析、分类或预测；
6、步骤400、利用建立的模型进行性能评估，使用交叉验证方法验证模型的泛化能力；
7、步骤500、输入支持向量机svm进行分类，验证交叉融合算法的特征提取性能。
8、进一步的，定义窗函数ψ(t)满足条件：
9、
10、引入窗函数ψ(t)，经过平移和伸缩后可生成连续小波：
11、
12、已知经过预处理后的脑电信号为x(t)，对信号x(t)的连续小波变换的定义为：
13、
14、其中a表示位移尺度，s表示时间位移，ψ(i)为小波基函数。
15、进一步的，由于脑电信号具有离散性，因此需要离散进行小波变换，与连续小波变换相比，dwt是将小波基函数的位移尺度a和时间位移s限制为离散点进行离散化，离散小波变换的基函数为：
16、
17、其中j∈z,k∈z,j和k分别为频率分辨率和时间平移量，则存在对信号x(t)的离散小波定义：
18、
19、进一步的，对信号x(t)进行有限层分解，设信号x(t)的采样频率为ts，根据采样定理，信号的整个频带被分割为多个子频带，各个子频带t依次为：
20、
21、在经过步骤200中的离散小波分解后，挑选出在8至30hz范围内的子频带信号，利用emd算法进行经验模态分解，由此可得到一系列的固有模态函数imfs，其中s为固有模态函数的阶数；在脑电信号处理中，信号x(t)都会分解为多个imf和残差信号r(t)，并且x(t)可以通过这些imf和残差信号之和进行重建，重构信号得公式如下：
22、
23、进一步的，模态函数imfs需满足两个条件：即信号x(t)的幅值最大值等于整个信号时域的过零点数，以及对上下包络线进行约束，并设置其值为0；脑电信号x(t)的极大值和极小值通过曲线连成上下包络线，两条包络线包含x(t)的所有采样点，由上包络线emax(t)和下包络线emin(t)构成的平均值m(t)的计算公式为：
24、
25、将脑电信号x(t)与平均值m(t)相减，得到中间信号f(t)的计算公式为：
26、f(t)＝x(t)-m(t)； (9)
27、进一步的，判断中间信号f(t)是否满足固有模态函数imfs的条件，若不满足，则继续重复步骤400和步骤500操作，直至第n次操作使得中间信号满足分量条件，得到脑电信号x(t)的第一个imf分量f1(t)和残差分量r1(t)，重复上述步骤即可得出剩余imf分量fi(t)，其中i＝1,2...n。
28、进一步的，当信号小于两个极值点时，保留残差分量ri(t)，分解结束；将脑电信号x(t)分解为i个imfs分量和i个残差分量，此时脑电信号可被重构表示为：
29、
30、其中，p为imf数量，脑电信号的每一元imf分量在各个通道中按照频率尺度对齐，形成多元通道，进而重构脑电信号。
31、进一步的，已知emd的处理流程后，后续对信号进行eemd处理；将原信号记录为x(t)＝[x1(t),x本文档来自技高网...
【技术保护点】
1.一种基于DWT-EEMD的运动想象脑电信号特征提取方法，其特征在于：
2.根据权利要求1所述的基于DWT-EEMD的运动想象脑电信号特征提取方法，其特征在于，
3.根据权利要求2所述的基于DWT-EEMD的运动想象脑电信号特征提取方法，其特征在于，
4.根据权利要求3所述的基于DWT-EEMD的运动想象脑电信号特征提取方法，其特征在于，
5.根据权利要求4所述的基于DWT-EEMD的运动想象脑电信号特征提取方法，其特征在于，
6.根据权利要求5所述的基于DWT-EEMD的运动想象脑电信号特征提取方法，其特征在于，
7.根据权利要求6所述的基于DWT-EEMD的运动想象脑电信号特征提取方法，其特征在于，
8.根据权利要求7所述的基于DWT-EEMD的运动想象脑电信号特征提取方法，其特征在于，
9.根据权利要求8所述的基于DWT-EEMD的运动想象脑电信号特征提取方法，其特征在于，
10.根据权利要求9所述的基于DWT-EEMD的运动想象脑电信号特征提取方法，其特征在于，<...
【技术特征摘要】
1.一种基于dwt-eemd的运动想象脑电信号特征提取方法，其特征在于：
2.根据权利要求1所述的基于dwt-eemd的运动想象脑电信号特征提取方法，其特征在于，
3.根据权利要求2所述的基于dwt-eemd的运动想象脑电信号特征提取方法，其特征在于，
4.根据权利要求3所述的基于dwt-eemd的运动想象脑电信号特征提取方法，其特征在于，
5.根据权利要求4所述的基于dwt-eemd的运动想象脑电信号特征提取方法，其特征在于，
6...
【专利技术属性】
技术研发人员：耿晓中，汪林恩，张茜，于萍，张欣彤，户唯新，梁起鹏，陈成，
申请(专利权)人：长春工程学院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。