脑电信号处理方法
基于Matlab的脑电波信号处理
做脑电波信号处理滴嘿嘿。。Matlab addicted Codes %FEATURE EXTRACTER function [features] = EEGfeaturetrainmod(filename,m) a = 4; b = 7; d = 12; e = 30; signals = 0; for index = 1:9; % read in the first ten EEG data because the files are numbered as ha11test01 rather than ha11test1. s = [filename '0' num2str(index) '.dat']; signal = tread_wfdb(s); if signals == 0; signals = signal; else signals = [signals signal]; end end for index = 10:1:m/2; % read in the rest of the EEG training data s = [filename num2str(index) '.dat']; signal = tread_wfdb(s); if signals == 0;
signals = signal; else signals = [signals signal]; end end %%%%% modification just for varying the training testing ratio ------ for index = 25:1:25+m/2; % read in the rest of the EEG training data s = [filename num2str(index) '.dat']; signal = tread_wfdb(s); if signals == 0; signals = signal; else signals = [signals signal]; end end %%%%%end of modification just for varying the training testing ratio----- for l = 1:m % exrating features (power of each kind of EEG wave forms) [Pxx,f]=pwelch(signals(:,l)-mean(signals(:,l)), [], [], [], 200); % relative power fdelta(l) = sum(Pxx(find(f
基于Mu_Beta节律想象运动脑电信号特征的提取
中国组织工程研究与临床康复
第 14 卷 第 43 期 2010–10–22 出版
October 22, 2010 Vol.14, No.43
Journal of Clinical Rehabilitative Tissue Engineering Research
基于Mu/Beta节律想象运动脑电信号特征的提取*★
黄思娟，吴效明
Feature extraction of electroencephalogram for imagery movement based on Mu/Beta rhythm
Huang Si-juan, Wu Xiao-ming
Abstract
BACKGROUND: Different sports produce different electroencephalogram (EEG) signals. Brain-computer interface (BCI) utilized characteristics of EEG to communicate brain and external device by modern signal processing technique and external connections. The speed of EEG signals processing is important for BCI online research. OBJECTIVE: To investigate a rapid and accurate method for extracting and classifying EEG for imagery movement. METHODS: Using the attribute of event-related synchronization and event-related desynchronization during imagery movement, the BCI dataset of 2003 was processed. Mu/Beta rhythm was obtained from bandpass filtering and wavelet package analysis. Then feature was formed by the average energy of lead C3, C4, and was sorted out by the function classify of matlab. RESULTS AND CONCLUSION: Appropriate parameters were obtained by detection of training data and used for identification of training data and testing data, with a correct rate of classification of 87.857% and 88.571%. Huang SJ, Wu XM. Feature extraction of electroencephalogram for imagery movement based on Mu/Beta rhythm.Zhongguo Zuzhi Gongcheng Yanjiu yu Linchuang Kangfu. 2010;14(43): 8061-8064. [https://www.360docs.net/doc/9614909578.html, https://www.360docs.net/doc/9614909578.html,]
School of Bioscience and Bioengineer, South China University of Technology, Guangzhou 510006, Guangdong Province, China Huang Si-juan★, Studying for master’s degree, School of Bioscience and Bioengineer, South China University of Technology, Guangzhou 510006, Guangdong Province, China huangsijuan123@ https://www.360docs.net/doc/9614909578.html, Correspondence to: Wu Xiao-ming, Doctoral supervisor, School of Bioscience and Bioengineer, South China University of Technology, Guangzhou 510006, Guangdong Province, China bmxmwus@scut. https://www.360docs.net/doc/9614909578.html, Supported by: the Science and Technology Development Program of Guangdong Province, No. 2009B030801004* Received: 2010-05-17 Accepted: 2010-07-13
摘要
背景：不同的运动会产生不同的脑电信号，脑机接口技术就是利用脑电信号的特异性，通过现代信号处理技术和外部的连 接实现人脑与外部设备的通信。以实现脑机接口在线研究的目标，首先要解决的是脑电信号处理的速度问题。 目的：研究快速、准确地提取脑电信号特征及分类的方法。 方法：充分利用想象运动过程中，脑电信号中 Mu/Beta 节律的事件相关同步化和去同步化特性，以 2003 年 BCI 竞赛数据 为处理对象，采用带通滤波和小波包分析的方法提取 Mu、Beta 节律，提取 C3、C4 两通道上的能量平均值形成二维特征 向量，利用 matlab 自带的 classify 函数进行分类。 结果与结论：通过对训练数据进行测试得到较为合适的参数，利用该参数对同等条件下的训练数据和测试数据分别进行判 别，分类正确率分别达到 87.857%和 88.571%。 关键词：特征提取与分类；脑电信号；事件相关同步化/去同步化；想象运动；小波包分析 doi:10.3969/j.issn.1673-8225.2010.43.021 黄 思 娟 ， 吴 效 明 . 基 于 Mu/Beta 节 律 想 象 运 动 脑 电 信 号 特 征 的 提 取 [J]. 中 国 组 织 工 程 研 究 与 临 床 康 复 ， 2010 ， 14(43):8061-8064. [https://www.360docs.net/doc/9614909578.html, https://www.360docs.net/doc/9614909578.html,]
(slow cortical potential, SCP)、Mu或Beta节律 0 引言 脑-机接口(brain-computer interface， BCI) 是指在不依赖于外周神经和肌肉组织等常规大 脑信息输出通路，运用工程技术在人脑和计算 机或其他电子设备之间建立能直接“让思想变 成行动”的对外信息交流和控制新途径[1-2]。该 技术不仅可以为思维正常但运动功能残缺的人 (如肌萎缩性(脊髓)侧索硬化患者、严重脊髓损 伤或完全瘫痪患者)提供一种新型的辅助运动 和对外信息交流手段，还可为人们提供无需体 力操作的新的人机交互通讯方式，尤其适用于 特殊环境下。同时，脑-机接口为人们提供一种 新的娱乐方法—思维游戏。 目前，脑-机接口系统主要采用以下4类信 号：P300、稳态视觉诱发电位(steady-state visual evoked potential, SSVEP)、慢皮质电位 等。Mu节律是在感觉运动区记录到的8~12 Hz 脑电波，与alpha节律区别在于Mu节律不受视 觉影响，但会因动作、动作准备或运动想象发 生变化[1]。Mu节律与18~26 Hz的Beta节律存在 紧密的联系，Beta节律中部分频率是Mu节律的 谐波， 同样与运动或运动想象存在联系[3]。 研究 显示， Mu/Beta节律与运动或运动想象的联系表 现为：想象某侧肢体的运动可导致同/对侧感觉 运动皮层的Mu/Beta节律幅度的升高/降低，称 之 为 事 件 相 关 同 步 化 (event-related synchronization ， ERS)/ 事 件 相 关 去 同 步 化 (event-related desynchronization，ERD)[4]。本 文利用Mu/Beta节律的ERS/ERD特性进行脑机接口的研究，以 2003年脑-机接口竞赛的想 象左右手运动数据为处理对象。离线分析结果 表明，该方法非常简单，且在分类准确率上有 一定的提高。
ISSN 1673-8225
CN 21-1539/R
CODEN: ZLKHAH
8061
脑电信号功率谱
数字信号处理作业 1.两个导联C3,C4位置的脑电信号（已预处理），实验采样频率为 250Hz，每次实验采集8秒数据，总共做了36次实验。依次求出C3,C4位置第1秒~第8秒数据的功率谱。 clc clear load('C:\Users\刘冰\Desktop\数字信号处理\matlab\C3C4.mat') a(1:8,1:512)=zeros(); for j=1:8 for k=0:35; z=fft(Left_C3(((j-1)*250+1+2000*k):(2000*k+j*250)),512); %截取特定的一段数据进行傅里叶变换 a(j,:)=p(j,:)+z.*conj(z)/512; %求其功率谱end a(j,:)=p(j,:)./36;%求平均值 end p(1:8,1:512)=zeros(); for j=1:8 for k=0:35; z=fft(Left_C4((j-1)*250+1+2000*k:2000*k+j*250),512); 、%截取特定的一段数据进行傅里叶变换 p(j,:)=q(j,:)+z.*conj(z)/512; end p(j,:)=q(j,:)./36; end for i=1:8 w=0:2*pi/255:2*pi; figure plot(w/pi,p(i,1:256),'b',w/pi,q(i,1:256),'r')%在一幅图里面显示C3C4功率谱，因为其结果是对称的，所以只取前一半结果 legend('C3','C4');%线段标题
title(['第',num2str(i), '秒 C3、C4脑电功率谱对照']) end 0.20.40.60.81 1.2 1.4 1.6 1.82 0100 200 300 400 500 600 700 第1秒 C3、C4脑电功率谱对照
实验一 低通滤波平滑脑电信号
实验一低通滤波平滑脑电信号 生物医学工程系罗融编一、实验目的： 1．掌握平滑滤波器的原理及设计方法。 2．学习用MATLAB语言编写平滑滤波器程序。 3．观察用平滑滤波器处理脑电信号的效果。 二、实验原理： 最常遇见的信号处理任务之一是平滑数据以抑制高频噪声。如数据采集时开关动作产生的毛刺。求几个数据点的平均值的方法是减弱高频噪声的一种简单方法。这种滤波器被称为移动平均滤波器。 汉宁移动平均滤波器是最简单的平滑滤波器之一。可以使用matlab的函数hanning（N）求出滤波器的脉冲响应h（n），其中N为脉冲响应的长度。为了使频率响应H(e jω)在ω=0时为1，对h（n）归一化即除以hanning（N）的和。可以使用sum（）函数。 三、实验内容： 1．分别求N=3，5，9时汉宁滤波器的归一化脉冲响应h1（n）、h2（n）、h3（n）并在一个图片框中做图（用stem及subplot函数）。 2．求N=3，5，9时汉宁滤波器的频率响应H(e jω)（可使用freqz函数，fs=250Hz）。 并在一个图片框中绘出幅频特性曲线图（可使用plot与figure及subplot函数）。3．分别用N=3，5，9时的汉宁滤波器处理脑电信号（filter或conv函数），要求显示处理前脑电信号与处理后脑电信号的时域波形（可使用plot与figure及subplot函数）。脑电信号由数据文件shiyanyieeg.mat提供，用load shiyanyieeg 命令后，shiyanyieeg数据文件中的变量eeg即在matlab工作空间中，可用plot （eeg）语句观察该脑电信号。 四、报告要求： 要求报告格式如下 西安交通大学实验报告 成绩 课 程_医学信号处理_ 第 页 共 页 系 别__生物医学工程____________实 验 日 期 年 月 日 专业班级___医电 班___组别________交 报 告 日 期 年 月 日 姓 名__ __学号__ ______ 报 告 退 发 ( 订正 、 重做 ) 同 组 人_ 教师审批签字 报告内容应包含实验名称，实验目的，实验内容及结果，实验结果分析与讨论等。附录： 1.conv函数：
基于MATLAB的脑电信号处理
南京航空航天大学基于Matlab的脑电信号处理 姓名陆想想 专业领域生物医学工程 课程名称数字信号处理 二О一三年四月
摘要：脑电信号属于非平稳随机信号，且易受到各种噪声干扰。本文基于Matlab仿真系统，主要研究了小波变换在脑电信号处理方面的应用，包括小波变换自动阈值去噪处理、强制去噪处理，以α波为例，提取小波分解得到的各层频率段的信号，并做了一定的分析和评价。关键词：脑电信号；小波变换；去噪重构；频谱分析 0引言 脑电信号EEG(Electroencephalograph)是人体一种基本生理信号，蕴涵着丰富的生理、心理及病理信息，脑电信号的分析及处理无论是在临床上对一些脑疾病的诊断和治疗，还是在脑认知科学研究领域都是十分重要的。由于脑电信号的非平稳性且极易受到各种噪声干扰，特别是工频干扰。因此消除原始脑电数据中的噪声，更好地获取反映大脑活动和状态的有用信息是进行脑电分析的一个重要前提。本文的研究目的是利用脑电采集仪器获得的脑电信号，利用Fourier变换、小波变换等方法对脑电信号进行分析处理，以提取脑电信号α波的“梭形”节律，并对脑电信号进行功率谱分析和去噪重构。 1实验原理和方法 1.1实验原理 1.1.1脑电信号 根据频率和振幅的不同，可以将脑电波分为4种基本类型[1]，即δ波、θ波、α波、β波。4种波形的起源和功能也不相同，如图1所示。 图1脑电图的四种基本波形 α波的频率为8~13Hz，振幅为为20~100μV，它是节律性脑电波中最明显的波，整个皮层均可产生α波。正常成人在清醒、安静、闭目时，波幅呈现有小变大，再由大变小，如此反复进行，形成所谓α节律的“梭形”。每一“梭形”持续时间约为1~2s。当被试者睁眼、警觉、思考问题或接受其他刺激时，α波立即消失而代之以快波，这种现象称之为“α波阻断”。一般
脑电信号特征提取及分类
脑电信号特征提取及分类
第 1 章绪论 1.1引言 大脑又称端脑，是脊椎动物脑的高级的主要部分，由左右两半球组成及连接两个半球的中间部分，即第三脑室前端的终板组成。它是控制运动、产生感觉及实现高级脑功能的高级神经中枢[1]。大脑是人的身体中高级神经活动中枢，控制着人体这个复杂而精密的系统，对人脑神经机制及高级功能进行多层次、多学科的综合研究已经成为当代脑科学发展的热点方向之一。 人的思维、语言、感知和运动能力都是通过大脑对人体器官和相应肌肉群的有效控制来实现的[2]。人的大脑由大约1011个互相连接的单元体组成，其中每个单元体有大约104个连接，这些单元体称做神经元。在生物学中，神经元是由三个部分组成：树突、轴突和细胞体。神经元的树突和其他神经元的轴突相连，连接部分称为突触。神经元之间的信号传递就是通过这些突触进行的。生物电信号的本质是离子跨膜流动而不是电子的流动。每有一个足够大的刺激去极化神经元细胞时，可以记录到一个持续1-2ERP的沿轴突波形传导的峰形电位-动作电位。动作电位上升到顶端后开始下降，产生一些小的超极化波动后恢复到静息电位（静息电位（Resting Potential，RP）是指细胞未受刺激时，存在于细胞膜内外两侧的外正内负的电位差）。人的神经细胞的静息电位为-70mV（就是膜内比膜外电位低70mV）。这个变化过程的电位是局部电位。局部电位是神经系统分析整合信息的基础。细胞膜的电特性决定着神经元的电活动[3]。当神经元受到外界刺激时，神经细胞膜内外两侧的电位差被降低从而提高了膜的兴奋性，当兴奋性超过特定阈值时就会产生神经冲动或兴奋，神经冲动或兴奋通过突触传递给下一个神经元。由上述可知，膜电位是神经组织实现正常功能的基本条件，是兴奋产生的本质。膜电位使神经元能够接收刺激信号并将这一刺激信号沿神经束传递下去。在神经元内部，树突的外形就像树根一样发散，由很多细小的神经纤维丝组成，可以接收电信号，然后传递给细胞体。如果说树突是树根的话，那么细胞体就是树桩，对树突传递进来的信号进行处理，如果信号超过特定的阈值，细胞体就把信号继续传递给轴突。轴突的形状像树干，是一根细长的纤维体，它把细胞体传递过来的信号通过突触发送给相邻神经元的树突。突触的连接强度和神经元的排列方式都影响着神经组织的输出结果。而正是这种错综复杂的神经组织结构和复杂的信息处理机制，才使得人脑拥有高度的智慧。我们的大脑无时无刻不在产生着脑电波，对脑来说，脑细胞就像是脑内一个个“微小的发电站”。早在1857年，英国的青年生理科学工作者卡通（R.Caton）就在猴脑和兔脑上记录
基于matlab的脑电信号处理
航空航天大学基于Matlab的脑电信号处理 陆想想 专业领域生物医学工程 课程名称数字信号处理
二О一三年四月
摘要：脑电信号属于非平稳随机信号，且易受到各种噪声干扰。本文基于Matlab仿真系统，主要研究了小波变换在脑电信号处理方面的应用，包括小波变换自动阈值去噪处理、强制去噪处理，以α波为例，提取小波分解得到的各层频率段的信号，并做了一定的分析和评价。关键词：脑电信号；小波变换；去噪重构；频谱分析 0 引言 脑电信号EEG(Electroencephalograph)是人体一种基本生理信号，蕴涵着丰富的生理、心理及病理信息，脑电信号的分析及处理无论是在临床上对一些脑疾病的诊断和治疗，还是在脑认知科学研究领域都是十分重要的。由于脑电信号的非平稳性且极易受到各种噪声干扰，特别是工频干扰。因此消除原始脑电数据中的噪声，更好地获取反映大脑活动和状态的有用信息是进行脑电分析的一个重要前提。本文的研究目的是利用脑电采集仪器获得的脑电信号，利用Fourier变换、小波变换等方法对脑电信号进行分析处理，以提取脑电信号α波的“梭形”节律，并对脑电信号进行功率谱分析和去噪重构。 1 实验原理和方法 1.1实验原理 1.1.1脑电信号 根据频率和振幅的不同，可以将脑电波分为4种基本类型[1]，即δ波、θ波、α波、β波。4种波形的起源和功能也不相同，如图1所示。 图1 脑电图的四种基本波形 α波的频率为8~13Hz，振幅为为20~100μV，它是节律性脑电波中最明显的波，整个皮层均可产生α波。正常成人在清醒、安静、闭目时，波幅呈现有小变大，再由大变小，如此反复进行，形成所谓α节律的“梭形”。每一“梭形”持续时间约为1~2s。当被试者睁眼、警觉、思考问题或接受其他刺激时，α波立即消失而代之以快波，这种现象称之为
基于小波的脑电信号处理
基于小波分析的脑电信号处理 董盟盟，仲轶，徐洁，戴体俊，刘功俭 （徐州医学院麻醉学院，江苏徐州221004） 摘要：为去除脑电信号采集过程中存在的噪声信号，提出了基于小波阈值去噪的脑电信号去噪。以小波阈值降噪为基础，首先利用db4小波对脑电信号进行5尺度分解，然后采用软、硬阈值与小波重构的算法进行去噪。通过对MIT 脑电数据库中的脑电信号进行仿真，结果表明，采用软阈值方法有效去除了噪声，提高了脑电信号的信噪比。关键词：脑电信号；小波阈值去噪；阈值函数；信噪比中图分类号：TP391.9 文献标识码：A 文章编号：1674－6236（2012）24-0059-03 Analysis of EEG signals based on wavelet threshold de -noising DONG Meng -meng ，ZHONG Yi ，XU Jie ，DAI Ti -jun ，LIU Gong -jian （School of Anesthesia ，Xuzhou Medical College ，Xuzhou 221004，China ） Abstract:To remove the noise signal existing in the course of EEG signal data collecting ，we proposed a method based on wavelet shrinkage to denoising EEG signal.First ，the EEG signal was decomposed through the db4wavelet ，secondly ，the denoising of soft and hard thresholding and the wavelet reconstruction algorithm were used to remove the main noise.The MIT EEG database was used ，which prove that the de -noising method adopting the soft thresholding could remove the noise effectively ，and increase the SNR of EEG signal. Key words:EEG signal ；wavelet shrinkage ；thresholding function ；SNR 收稿日期：2012-08-28 稿件编号：201208155 基金项目：国家自然科学基金（30872432）；江苏省2011年大学生实践创新训练计划（1009）作者简介：董盟盟（1989—），男，江苏徐州人。研究方向：麻醉深度监测。 麻醉深度监测是临床麻醉中极为重要的问题，关系到手术成败、病人安危。由于脑电是皮质锥体细胞顶树突产生的树突电位与突触后电位的总和，能直接反映出中枢神经系统的活动，因此脑电检测分析是确定麻醉深度的最佳方法[1]。但是，在实验中提取到的脑电信号非常微弱（μV 级），极易受到各种噪声干扰，主要有工频干扰、肌电干扰、心电伪迹等，对脑电信号的后续分析和处理很不利，因此，脑电信号消噪成为一个必要且关键的步骤。目前，针对各个具体问题，常用自适应滤波、独立量分析、主成分分析等方法进行脑电信号的去噪[2-3]，小波分析理论是近年发展起来的一门新理论，它可以对信号在时频两域进行分析，很适合探测信号的瞬时状态，对微弱生命信号可以进行有效去噪和提取[4]。文中在matlab 平台上将小波变换应用于脑电信号的预处理降噪，取得较好的效果，为下一步脑电信号特征提取提供了基础。 1非线性小波变换阈值法 非线性小波变换阈值法[5]也称为“小波收缩”（wavelet shrinkage ），就是按照一定的预设阈值压缩信号的小波变化系 数，然后用被压缩后的系数重构以达到降噪的目的。目前应用最广泛的是Donoho 提出的硬阈值和软阈值降噪方法。因为在小波域中，信号的能量相对集中在某几个位置上，而噪声的分布一般比较广，根据瞬时性的特点，信号表现为一些大的系数，而一些小的系数则更多的是由噪声和信号能量的突变所产生的，所以小波阈值去噪主要是利用了有效信号和噪声信号在小波变换下奇异性截然不同的表现特征来去除噪声，保留有效信号。脑电信号的主要频率成分在30Hz 以下，而工频干扰为50Hz ，肌电干扰噪声在5~2000Hz ，所以相对于EEG 信号来说，肌电等信号是一种高频干扰。所以先通过小波分析多分辨率分析方法将显现于小波分解小尺度上的高频干扰直接去除，实现对高频干扰的滤除，然后通过阈值法将与脑电信号频带重叠部分的干扰消除。然后对处理过后的小波系数进行小波重构后得到EEG 波形图象。主要步骤如下： 1）计算含噪声信号的正交小波变换。选择合适的小波和 小波分解层数j ，将含噪信号进行小波分解至j 层，得到相应的小波分解系数。 2）对分解得到的小波系数进行阈值处理，其阈值的处理 方法有2种： 硬阈值法s= x |x |＞t 0|x |≤t ≤软阈值法s=sgn （x ）（|x |-t ） |x |＞t |x |≤t ≤其中s 表示阈值处理后的信号，t 表示阈值。 3）进行小波逆变换。将经阈值处理过的小波系数进行重 电子设计工程 Electronic Design Engineering 第20卷Vol.20第24期No.242012年12月Dec.2012 －59－
毕业设计-脑电信号预处理方法研究-马孝龙
本科毕业设计（论文） 脑电信号预处理方法研究 马孝龙 燕山大学 2013 年 6 月
本科毕业设计（论文） 脑电信号预处理方法研究 学院：信息科学与工程学院 专业：通信工程 学生姓名：马孝龙 学号： 0901******** 指导教师：李段 答辩日期： 2013-6-24
燕山大学毕业设计（论文）任务书
摘要 摘要 脑电信号(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，其中包含了大量的生理和病理信息,并可以用许多特征量来描述其特征信号。通过脑电分析来认识脑的活动是一种有效的无创手段。但是，脑电信号中常常混杂有多种噪声，为了便于阅读和分析脑电信号，必须对脑电信号进行去噪处理。 本文针对脑电信号中的眼电伪迹去除的问题，采用了小波阈值法对脑电信号进行去噪处理。以小波阈值降噪为基础，本文采用db5小波对脑电信进行5尺度分解，其次在对应的子带上采用软阈值法，且阈值原则为对数长度阈值法对小波进行阈值去噪，然后对去噪后的信号进行重构，最后比较原始信号和去噪后的信号。实验结果表明，用小波阈值法可以有效去除脑电信号中的眼电干扰。 关键词脑电信号; 小波变换; 去噪
Abstract Abstract The Electroencephalograph (EEG) is the electro physiological activity of brain cells, it is reflected in the overall pallium or scalp surface, which contains a large number of physiological and pathological information, and can describe the characteristic signal with many features. The EEG analysis to understanding brain activity is an effective noninvasive method. However, EEG is often mixed with a variety of noise, in order to facilitate the reading and analysis of EEG signal denoising, must carry on eeg. According to the problem that removing the EEG of ocular artifacts, this article uses the wavelet threshold denoising method to remove the eye electrical noise (EOG) interference in the EEG. Based on wavelet threshold denoising, firstly, this article selects the db5 wavelet scale decomposition of EEG of 5. Secondly, it uses soft threshold method in the corresponding subband. Then the soft threshold and wavelet reconstruction algorithm for denoising, and the threshold principle for the fixed threshold method of wavelet threshold denoising. Then reconstruct the signal after denoising. Finally, comparison of the original signal and the denoised signal. From the result of experiments, we can see that it is perfectly to remove the eye electrical noise (EOG) by using the wavelet threshold. Keywords EEG; Wavelet transform; noise rejection
基于MATLAB的脑电信号带通滤波器的仿真与比较
龙源期刊网 https://www.360docs.net/doc/9614909578.html, 基于MATLAB的脑电信号带通滤波器的仿真与比较 作者：张井想梁雨许朋 来源：《电子技术与软件工程》2016年第20期 摘要脑电信号的频率范围一般在0.5～35Hz。针对脑电信号的频率特性，用MATLAB的信号处理工具箱的函数设计巴特沃斯、切比雪夫和椭圆函数带通滤波器。通过仿真及结果的分析得出更加适合脑电信号软件处理的带通滤波器。 【关键词】脑电信号MATLAB 带通滤波器仿真 1 引言 脑部疾病长期以来一直威胁着人类的健康，因此对其预防和及时发现在减少脑部疾病危害中极为重要。脑电信号受到工频50Hz信号等噪声及生理信号等干扰，故能够设计一种可以分离出脑电信号的带通滤波器就显得尤为重要。本文从巴特沃斯带通滤波器、切比雪夫带通滤波器和椭圆带通滤波器的MATLAB仿真及结果的分析得出更加适合脑电信号软件编程处理的带通滤波器，从而获取更加纯净的脑电信号。 2 MATLAB简介 MATLAB语言是一种面向工程与科学的计算语言。MATLAB信号处理工具箱提供了设计巴特沃斯、切比雪夫和椭圆函数滤波器等函数，本文利用这些函数，进行了巴特沃斯、切比雪夫和椭圆函数滤波器的程序设计，并通过仿真结果并分析这三种滤波器的优缺点及适用场合。 2.1 巴特沃斯带通滤波器的设计与仿真 2.1.1 butter函数 butter函数是用于设计巴特沃斯的滤波器 [k， l] = butter（n， Wn）； 当Wn = [W1W2]时，它可以设计2n 阶的巴特沃斯带通滤波器，其通带为 W1 < W < W2。 2.1.2 巴特沃斯带通滤波器设计 设计一个巴特沃斯带通滤波器，绘制原始信号、滤波后信号FFT、原始信号FFT和归一 化的信噪比图。20Hz和50Hz 正弦波组成原始信号，将噪声 50Hz 的正弦波滤掉，通过函数
基于matlab的脑电信号处理
基于matlab的脑电信号处理
————————————————————————————————作者：————————————————————————————————日期：
南京航空航天大学基于Matlab的脑电信号处理 姓名陆想想 专业领域生物医学工程 课程名称数字信号处理 二О一三年四月
摘要：脑电信号属于非平稳随机信号，且易受到各种噪声干扰。本文基于Matlab仿真系统，主要研究了小波变换在脑电信号处理方面的应用，包括小波变换自动阈值去噪处理、强制去噪处理，以α波为例，提取小波分解得到的各层频率段的信号，并做了一定的分析和评价。关键词：脑电信号；小波变换；去噪重构；频谱分析 0 引言 脑电信号EEG(Electroencephalograph)是人体一种基本生理信号，蕴涵着丰富的生理、心理及病理信息，脑电信号的分析及处理无论是在临床上对一些脑疾病的诊断和治疗，还是在脑认知科学研究领域都是十分重要的。由于脑电信号的非平稳性且极易受到各种噪声干扰，特别是工频干扰。因此消除原始脑电数据中的噪声，更好地获取反映大脑活动和状态的有用信息是进行脑电分析的一个重要前提。本文的研究目的是利用脑电采集仪器获得的脑电信号，利用Fourier变换、小波变换等方法对脑电信号进行分析处理，以提取脑电信号α波的“梭形”节律，并对脑电信号进行功率谱分析和去噪重构。 1 实验原理和方法 1.1实验原理 1.1.1脑电信号 根据频率和振幅的不同，可以将脑电波分为4种基本类型[1]，即δ波、θ波、α波、β波。4种波形的起源和功能也不相同，如图1所示。 图1 脑电图的四种基本波形 α波的频率为8~13Hz，振幅为为20~100μV，它是节律性脑电波中最明显的波，整个皮层均可产生α波。正常成人在清醒、安静、闭目时，波幅呈现有小变大，再由大变小，如此反复进行，形成所谓α节律的“梭形”。每一“梭形”持续时间约为1~2s。当被试者睁眼、警觉、思考问题或接受其他刺激时，α波立即消失而代之以快波，这种现象称之为“α波阻断”。一
脑电信号特征提取及分类
第 1 章绪论 1.1引言 大脑又称端脑，是脊椎动物脑的高级的主要部分，由左右两半球组成及连接两个半球的中间部分，即第三脑室前端的终板组成。它是控制运动、产生感觉及实现高级脑功能的高级神经中枢[1]。大脑是人的身体中高级神经活动中枢，控制着人体这个复杂而精密的系统，对人脑神经机制及高级功能进行多层次、多学科的综合研究已经成为当代脑科学发展的热点方向之一。 人的思维、语言、感知和运动能力都是通过大脑对人体器官和相应肌肉群的有效控制来实现的[2]。人的大脑由大约1011个互相连接的单元体组成，其中每个单元体有大约104个连接，这些单元体称做神经元。在生物学中，神经元是由三个部分组成：树突、轴突和细胞体。神经元的树突和其他神经元的轴突相连，连接部分称为突触。神经元之间的信号传递就是通过这些突触进行的。生物电信号的本质是离子跨膜流动而不是电子的流动。每有一个足够大的刺激去极化神经元细胞时，可以记录到一个持续1-2ERP的沿轴突波形传导的峰形电位-动作电位。动作电位上升到顶端后开始下降，产生一些小的超极化波动后恢复到静息电位（静息电位（Resting Potential，RP）是指细胞未受刺激时，存在于细胞膜内外两侧的外正内负的电位差）。人的神经细胞的静息电位为-70mV（就是膜内比膜外电位低70mV）。这个变化过程的电位是局部电位。局部电位是神经系统分析整合信息的基础。细胞膜的电特性决定着神经元的电活动[3]。当神经元受到外界刺激时，神经细胞膜内外两侧的电位差被降低从而提高了膜的兴奋性，当兴奋性超过特定阈值时就会产生神经冲动或兴奋，神经冲动或兴奋通过突触传递给下一个神经元。由上述可知，膜电位是神经组织实现正常功能的基本条件，是兴奋产生的本质。膜电位使神经元能够接收刺激信号并将这一刺激信号沿神经束传递下去。在神经元内部，树突的外形就像树根一样发散，由很多细小的神经纤维丝组成，可以接收电信号，然后传递给细胞体。如果说树突是树根的话，那么细胞体就是树桩，对树突传递进来的信号进行处理，如果信号超过特定的阈值，细胞体就把信号继续传递给轴突。轴突的形状像树干，是一根细长的纤维体，它把细胞体传递过来的信号通过突触发送给相邻神经元的树突。突触的连接强度和神经元的排列方式都影响着神经组织的输出结果。而正是这种错综复杂的神经组织结构和复杂的信息处理机制，才使得人脑拥有高度的智慧。我们的大脑无时无刻不在产生着脑电波，对脑来说，脑细胞就像是脑内一个个“微小的发电站”。早在1857年，英国的青年生理科学工作者卡通（R.Caton）就在猴
脑电信号理论资料
脑电信号： 脑电信号： ●随机性及非平稳性相当强； ●具有非线性； ●采集到的脑电信号背景噪声比较复杂，有50Hz的工频干扰。 慢波活动频率0.5-2.0Hz，额部导联记录波形峰-缝最小振幅75μV。 δ波的频率为0~3.99Hz，幅度为20~200μV。它是在睡眠、深度麻醉、缺氧或大脑有器质性病变时出现。 θ波的频率为4~7.99Hz，幅度为20~150μV。它是在困倦时，神经系统处于抑制状态时所记录的波形。 ɑ波的频率为8~13Hz，振幅为20~100μV，它是节律性脑电波中最明显的波，整个皮层均可产生ɑ波。正常成人在清醒、安静、闭目时，波幅由小变大，再由大变小，如此反复进行，形成所谓的ɑ节律的“梭形”。每一“梭形”持续时间约为1~2s。当被试者睁眼、警觉、思考问题或者接受其他刺激时，ɑ波立即消失而代之以快波，这种现象称之为“ɑ波阻断”。一般认为，ɑ波是大脑皮质处于清醒安静状态时电活动的主要表现。 β波的频率>13Hz，幅度为5~20μV，是一种快波。β波的出现以大脑比较兴奋状态下为主。
各种脑电特征提取与分类的方法 （1）基于能量特征的脑电信号特征提取与分类：该方法采用带通滤波和小波包分析的方法提取Mu、Beta节律对应的脑电信号，在时域范围内，将信号幅度的平 方作为能量特征值；在频域范围内，采用AR模型功率谱估计法所得的功率谱 密度作为能量特征值。根据运动想象脑电信号特点，构造左右通道信号能量差 值的符号特性作为分类判别依据，进行分类测试。 （2）基于小波包分析的脑电信号特征提取与分类：该方法基于小波变换法和AR模型法结合线性判别准则对两类思维任务进行特征提取与分类，提出以小波系数 均值经K-L变换作为特征，用Fisher判别准则进行分类。结果表明，这种方法 可以利用少量的数据提取脑电信号的特征。 （3）快速多变量自回归模型的脑电信号的特征提取与分类：该方法利用多变量自回归（MVAR）模型参数和阶数估计，通过QR分解技术减少了多维矩阵求逆的运 算量，提高了模型估计的速度，在此基础上进行EEG信号的特征提取，分类的 正确率明显高于单变量自回归模型。 （4）基于信息约简对脑电信号特征进行提取：该方法利用不同的脑电特征分析方法，提取特征并进行分类；其次把连续的脑电信号离散化，利用脑电信号组建脑电 信号信息表，最后利用约简理论，对脑电信号进行特征约简，并利用约简特征 进行分类，验证分类准确率。该方法在保证分类准确率的情况下降低了特征的 数量。 （5）基于相位同步对脑电信号分类：该方法是将相位同步应用于运动意识想象分类，采用希尔伯变换信号处理方法计算脑电信号瞬时相位值。在合适的时间窗下， 选取C3、C4电极与中央区电极进行配对并进行锁相值计算，采用支持向量机 进行运动意识想象分类，具有较高的准确率。 （6）利用能量熵对运动脑电信号分类：该方法通过利用不同运动想象脑电信号能量熵的变换，从能量熵中提取特征，利用自定义基于统计理论分类方法进行分类。
脑电信号中去除眼电成分
脑电信号中眨眼眼电成分的提取 摘要：眨眼伪迹是脑电信号采集过程中的常见噪声,严重影响其有用信息的提取。该文尝试采用独立成分分析中的快速算法分离脑电信号中的各个独立分量,并通过相关性分析自动识别独立分量中的眨眼伪迹干扰并去除。研究结果表明该方法能有效识别和去除眨眼伪迹,在脑电信号的处理中有重要应用价值,值得深入研究和推广。 目的利用独立分量分析方法(ICA) 将混合在观测信号中相互独立的源信号分出来。方法记录3个正常人自然眨眼和水平扫视条件下7道脑电信号和2道眼电信号，选取7道脑电信号进行处理，2道眼电信号用来指示干扰源的情况。使用扩展相似对角化算法( JADE) 将脑电信号分解成多个独立分量，同时利用伪迹脑地形图特征，判断出与眼电伪迹相关分量并将其去除。结果存在于前额电极的眼电干扰被消除，同时其他电极上的信号细节成分较好地保留下来。独立分量分析方法成功去除了脑电信号中的眼电伪迹。 本文针对脑电信号的眼电伪迹去除的问题，运用ICA（独立分量分析）和小波去噪两种方法实现了眼电伪迹去除，并比较分析了两种方法各自的优点和缺点。 关键词：脑电信号眨眼眼电 ICA 小波去噪 1 引言 脑电( electroencephalogram ，EEG) 信号是一种微弱( μV 级) 的电生理信号，同时具有很强的随机性，极易受其他电生理信号干扰。其中，眼电伪迹是一种最主要的干扰成分。它产生于人体自身，当眨眼( blink) 或是眼球运动( eye movement)时，会在测量电极处引起较大的电位变化形成眼电 ( electro-oculogram，EOG) 。在采集EEG 时，EOG 从其源发出，弥散到整个头皮，导致采集到的EEG 信号产生明显畸变，形成伪迹，其幅度可达到100 mV。为减少EOG 伪迹影响，要求受试者长时间控制自己的眼部运动。但这通常会引起眼部不适，尤其是部分特定人群( 如患有多动症的儿童、精神分裂症患者等) 的无意运动难以控制。采集到的EEG 信号中会包含EOG 伪迹。本文采用了ICA算法和小波去噪算法这两种方法来进行脑电信号中眨眼眼电成分的提取，下文将分别