基于DSP的癫痫脑电信号处理

介绍了基于TI公司高速DSP芯片TMS320VC5402的开发平台对癫痫患者的脑电信号进行小波分解,滤除分解后的部分小尺度(高频)成分,保留大尺度(低频)成分,然后对处理后的波形进行重构。采用汇编语言实现定点型TMS320C54xDSP的浮点运算,处理结果既保留了脑电信号的主要信息,又可将高频噪声滤除,有利于对癫痫患者进行临床分析。     

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。     

基于小波分析的心电信号去噪算法研究

心电信号在临床诊断上有非常重要的作用,但由于容易受到噪声干扰,采集的心电信号中通常包含很强噪声,为了有效去除噪声干扰,该文提出了一种基于自适应阈值的小波模极大值算法来进行信号去噪.关键点是在每个分解尺度上自适应的选取合适的阈值,用来对小波变换系数的模极大值点进行筛选,以去除噪声极值点.该文采用MIT/BIH数据库中的数据对算法进行仿真验证,结果表明该算法有更好的去噪效果,同时心电信号能被很好的保留.     

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。     

提取脑电信号的新方法研究─—自适应卡尔曼滤波

本文介绍了一种提取脑电信号的自适应卡尔曼滤波算法及其微机处理软件。在实际应用中，此滤波算法实现了在最小信号和噪声模型参数的先验知识下，完全采用时域分析法，对混在噪声或无关信号中的脑电信号进行最优估值。实验证明这种新方法能够有效地提高信噪比15dB。     

脑电信号识别方法的研究

人类对大脑的探索已进入了数字化时代,随着脑信号检测技术的日益成熟以及人工智能算法的研究进展,脑信号的解读研究也展现出越来越多的成果.本文首先介绍当下大脑信号获取的医学方法,而后简述脑电信号的特征提取以及分类识别方法,接着列举脑电识别的前沿研究,最后对脑电信号识别的数据应用领域进行展望.     

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。以小波闽值降噪为基础,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,采用软闽值方法有效去除了噪声,提高了脑电信号的信噪比。     

基于脑电信号的情绪识别装置设计

情绪识别研究成果在医疗辅助、教育、交通安全等方面的应用价值极高。因为人的面部表情具有主观性和可隐藏性,依靠面部表情进行情绪判断过于武断,而人的脑电信号具有客观真实性。因此,文中通过搭建便携式单导脑电采集系统装置,采集了不同情绪状态下的脑电信号,同时通过小波变换提取脑电信号特征值,采用BP神经网络和RBF 神经网络对脑电信号进行分类。通过研究得出,Gamma波在情绪识别中参考价值最大,RBF神经网络算法分类准确率更高。试验结果显示,该装置对情绪分类识别的准确性较高,为未来的实际应用提供了一定的参考基础。     

静息脑电信号频域不对称指数特征识别算法

以实验的方式针对静息脑电信号的频域不对称指数(SASI)进行研究,通过图片诱发被实验者产生正性情绪、中性情绪和负性情绪,并将其脑电信号采集到一起,对采集到的脑电信号的后期正电位段进行处理分析,得到不同脑区在处于正性情绪、中性情绪和负性情绪时产生的不对称指数.实验研究结果表明,相对于中性情绪,实验者处于负性情绪时的静息脑...     

基于最大信噪比盲源分离的脑电信号伪迹滤波算法

心电和眼电伪迹是脑电信号中最常见的干扰,本文提出一种基于最大信噪比盲源分离的伪迹滤波算法.该算法以分离矩阵为变元建立源信号的信噪比目标函数,寻找能使目标函数达到极大(或极小)值的分离矩阵,进而通过分离矩阵求得估计信号.算法的实施过程是,首先利用小波变换去除在原始脑电信号中的部分噪声,然后用基于最大信噪比盲源分离的伪迹滤...