脑电信号中眼电伪迹自动去除方法的研究

 针对实际采集的脑电信号受眼电干扰较大,提出一种基于离散小波变换(DWT)与独立分量分析(ICA)的自动去除眼电伪迹的方法(DWICA).对采集的多导脑电和眼电信号进行离散小波变换,获取多尺度小波系数,将串接小波系数作为ICA的输入;利用基于负熵判据的FastICA算法实现独立成分的快速获取,引入夹角余弦准则自动识别眼迹成分,并经过ICA逆变换将剔除眼迹后的独立成分投影返回到原脑电信号各个电极;通过DWT逆变换重构信号,即可得到去除眼迹的各导脑电信号.实验结果表明,DWICA方法极大地提高了脑电信号的信噪比,抗噪能力强且实时性好,为脑电信号的在线预处理提供了新思路.     

单通道脑电信号中眼电干扰的自动分离方法

当前主流的眼电(EOG)去除方法需要利用多通道脑电的相关性,难以在单通道的便携式脑机接口(BCI)中应用。该文提出一种基于长时差分振幅包络与小波变换的眼电干扰自动分离方法。首先在原脑电信号的长时差分振幅包络上实施双门限法来精确检测眼电的起止点,然后利用sym5小波对脑电进行分解并引进Birg_Massart策略来自适应地确定小波重构系数阈值,最后通过小波重构精确地估计眼电,实现单通道上眼电与脑电的自动分离。大量实验证明,该方法与主流的平均伪迹回归分析和基于独立成分分析(ICA)的方法相比,能够获得更好的估计眼电与原眼电的相关性,保证更高的校正信噪比和较强的实时性,能够满足脑机接口多方面的需要。     

基于小波收缩的改进阈值脑电信号去噪方法研究

脑电（EEG）信号是脑神经细胞的电生理活动在大脑皮层的反应,但采集到的脑电信号一般都含有大量噪声信号。为了有效去除噪声信号并保留有用信息,在经过研究分析后提出一种基于小波收缩的改进阈值去除脑电信号噪声的方法,改进的阈值可以随着分解层数的变化而变化,在实际中可灵活应用。首先利用小波变换对脑电信号进行分解,得到多层的高频系数和低频系数;然后根据分解层次的不同,对小波系数进行自适应的阈值处理;将缩放后的小波系数重构,得到去噪声后的脑电信号。以信噪比（SNR）、均方根误差（RMSE）作为去噪效果的定量指标,通过实验对比了改进阈值法和软硬阈值法以及自适应阈值法,实验结果表明基于小波收缩改进的阈值法去噪效果优于其他三种阈值法。     

基于DSP Builder的脑电信号小波处理

针对脑电信号非平稳性特点,利用小波变换对采集到的脑电信号进行滤波处理。然而小波变换巨大的计算量限制其在高速实时信号处理领域的应用,FPGA器件兼具并／串行工作方式,具有较高的并行计算能力,在现场数字信号处理领域具有较强的实时性。提出基于FPGA的小波变换系统设计方法,首先利用DB2小波对脑电信号按Mallat算法进行分解,然后采用小波重构算法去噪。试验结果表明,运用小波分解重构算法,可以对脑电信号进行实时滤波。     

基于DSP Builder的脑电信号小波处理

针对脑电信号非平稳性特点,利用小波变换对采集到的脑电信号进行滤波处理.然而小波变换巨大的计算量限制其在高速实时信号处理领域的应用,FPGA器件兼具并/串行工作方式,具有较高的并行计算能力,在现场数字信号处理领域具有较强的实时性.提出基于FPGA的小波变换系统设计方法,首先利用DB2小波对脑电信号按Mallat算法进行分解,然后采用小波重构算法去噪.试验结果表明,运用小波分解重构算法,可以对脑电信号进行实时滤波.     

基于AR模型的小波变换在脑电信号消噪中的应用

提出了基于自回归模型(ARM)与小波变换的脑电信号分析方法,并利用他来消除脑电信号中的噪声干扰。小波变换是一种多分辨率的时间尺度分析方法,他能够将信号划分为不同频段的子带信号。根据小波变换的这一特性,对采样获得的脑电信号进行各尺度分解及消噪分析,并给出了各尺度分解结果及消噪结果。利用小波变换能有效去除脑电信号中的噪声干扰。     

EEG信号中癫痫棘波的小波变换检测

基于小波变换良好的时频局部化特性,研究了一种利用连续小波变换提取脑电信号中的癫痫棘波的方法,实验结果表明这种方法能够方便而有效地对脑电信号中的癫痫棘波进行检测。     

在线脑机接口中脑电信号的特征提取与分类方法

在脑机接口研究中,针对运动想象脑电信号的特征抽取,提出了一种基于离散小波变换和AR模型的方法.利用Daubechies类小波函数对脑电信号进行3层分解,抽取小波变换系数的统计特征;利用Burg算法提取脑电信号6阶AR模型系数.将这两类特征进行组合后使用神经网络、支持向量机、马氏距离线性判别进行分类并比较分析.采用BCI...     

基于小波分析的脑电信号处理

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。     

一种基于小波变换的脑电信号处理的新方法

文章提出一种利用小波变换对脑电信号瞬态提取的新方法。实验表明基于小波变换的脑电信号瞬态检测法能方便而有效地完成瞬态波形的检测与参数提取。     

小波变换与自适应滤波在脑电信号消噪中的应用

提出了基于AR(自回归)模型的小波变换与LMS(最小均方)自适应滤波相结合的脑电信号分析方法,并利用它来消除脑电信号中的噪声干扰。实验结果表明,利用小波变换与自适应滤波相结合能有效去除脑电信号中的噪声干扰。     

基于小波变换的数字信号符号率估计

小波变换对暂态信号有很好的检测能力。数字信号在其符号边界上具有暂态特性，即有幅度、频率、相位的变化。而且数字信号经过小波变换后其边界仍为暂态。因此利用二次小波变换，在未知信号类型的情况下，可对数字信号进行符号率估计，计算机仿真结果表明，该方法具有较高的精确度及抗噪性。     

Bionic wavelet transform: a new time-frequency method based on an auditory model

In this paper, a new adaptive wavelet transform, named bionic wavelet transform (BWT), is developed based on a model of the active auditory system. The most distinguishing characteristic of BWT is that its resolution in the time-frequency domain can be adaptively adjusted not only by the signal frequency but also by the signal instantaneous amplitude and its first-order differential. The automatically adjusted resolution, even in a fixed frequency along the time-axis, is achieved by introducing the active control of the auditory system into the wavelet transform (WT). Other properties of BWT include that: 1) BWT is a nonlinear transform that has high sensitivity and frequency selectivity; 2) BWT represents the signal with a concentrated energy distribution; and 3) the inverse BWT can reconstruct the original signal from its time-frequency representation. In order to compare these three properties between BWT and WT, experiments were conducted on both constructed signals and real speech signals. The results show that BWT performs better than WT in these three aspects, and that BWT is appropriate for speech signal processing, especially for cochlear implants.     

HHT在脑电信号去噪中的应用

脑电信号在采集过程中极易受到噪声的干扰,如何有效地去除混入脑电信号中的噪声已经成为信号前期处理的难点。根据脑电信号和噪声的特点,使用HHT方法去除脑电信号中的工频噪声,并通过信噪比和均方误差对去噪效果进行了检测。仿真结果表明该方法不仅能够有效地抑制工频噪声,还可以较好地保持脑电信号的波形特征。     

基于DIVA模型的脑电信号去噪方法研究

脑电信号获取过程中,工频噪声干扰现象往往会使所获取的信息产生多种多形态瞬时结构波形,这种现象影响到DIVA(Directions Into Velocities of Articulators)模型对语音的正常处理.为此,本文提出了一种面向特征提取的脑电信号结构自适应稀疏分解模型,并在此基础上,通过采用匹配追踪算法求解最佳原子、使用过完备原子库中原子表示原始脑电信号等方法,实现了信号去噪的目的,效果好于传统的小波变换去噪方法.仿真实验表明,本文提出的方法提高了DIVA模型语音发音的精度.     

小波变换和AR模型在脑电信号处理中的应用

谈论了基于小波变换和AR模型的(EEG)信号的分析方法,在两种方法相结合的情况下,能有效消去(EEG)信号的噪声。用小波变换对含有瞬态干扰的脑电信号进行多尺度分解,在某些尺度下,瞬态信号特征得以明显增强,用简单的阈值比较就可以有效地检测并消除瞬态干扰。最后在Matlab环境下进行仿真实验,验证了此方法在提取脑电信号中的有效性。     

基于解析图像的小波变换光学载频干涉全息图相位重建方法

将解析图像和实数小波变换(WT)相结合应用到光学载频全息图分析中。首先对载频全息图进行希尔伯特变换构造解析图像,然后对解析图像进行WT,提取小波脊处对应的WT系数的相位信息即可得到载频全息图的相位信息。由于母小波优秀的空域局部化能力,使得因全息图边缘不连续引入的误差被限制在局部区域。同时,由于不需要人工滤波操作,所提方法一定程度上解决了载频全息图的频谱混叠问题。给出了严格的理论公式推导、计算机模拟和实验验证。     

Detection the Character Wave in Epileptic EEG by Wavelet

Electro encephalography (EEG) is an important clinical tool in theoretical study, diagnosis and treatment of several neurological disorders such as epilepsy and sleeping disorders. For the most part, human epilepsy is the intrinsic brain pathology. Its major manifestation in the epileptic seizure, which may involve a discrete part of the brain partial or the whole cerebral mass generalized. Ictal EEG is characterized by repetitive high-amplitude activity, either fast spikes, slow waves, or s…