基于小波包能量的脑电信号 特征提取方法 电气与自动化工程学院 毛晓前 1014203037 孙犇渊 1014203043.

Presentation on theme: "基于小波包能量的脑电信号 特征提取方法 电气与自动化工程学院 毛晓前 1014203037 孙犇渊 1014203043."— Presentation transcript:

1 基于小波包能量的脑电信号 特征提取方法 电气与自动化工程学院 毛晓前 孙犇渊

2 一、脑电信号产生的机理 二、脑电信号特征提取方法 三、实验结果及分析

3 一、脑电信号产生的机理 大脑半球的分叶图（外面观）

4 一、脑电信号产生的机理 大脑感觉运动皮层与躯体对应关系

5 一、脑电信号产生的机理 国际10/20系统电极位置

6 一、脑电信号产生的机理 1. 频率 　　在只想象肢体运动而没有实际的肢体动作时，大多数人在8-12Hz以及18-24Hz频段的感觉区域的脑电图都会表现出明显的振荡。这种振荡称为Mu/Beta节律。 特点： 因为Mu/Beta节律变化与人类正常的运动/感觉功能相关，所以它们可以作为BCI通信的良好信号特征； 这样，人们在不参与实际运动就可以通过改变这些节律，作为BCI研究的依据。

7 一、脑电信号产生的机理 2. ERD/ERS ERD(event-related desynchronization)：大脑皮层不同的生理状态对应着脑电图不同的波形。当大脑皮层的某个区域被激活时，代谢和血流就会增加，频带内的能量会呈现出降低的趋势，这一电生理现象称为事件相关去同步化。 ERS(event-related synchronization)：EEG的某些频段在大脑惰性或静息状态下表现出波幅增高的电活动，即频带能量的升高，这种电生理活动称作事件相关同步化。

8 一、脑电信号产生的机理 4个通道的ERD/ERS图像与时间过程

9 二、脑电信号特征提取 1. 小波分析 BCI Competition 2003 （fs=128Hz） 第一层： 0~32Hz 32~64Hz
第二层： 0~16Hz 16~32Hz 32~48Hz 48~64Hz 第三层： 0~8Hz 8~16Hz 16~24Hz 24~32Hz …… fs，L层分解：[0,fs/2L+1],[fs/2L+1, fs/2L],…[fs/22, fs/2]

10 二、脑电信号特征提取 2. 小波包变换 特点：在满足测不准原理的条件下，小波包分析能将运动脑电信号y(t)按任意的时频分辨率分解到不同的频段，并将信号y(t)的时频成分相应地投影到所有代表不同频段的正交小波包空间上。 本文采用的是dbN（紧支撑正交小波），其中N取10。 多贝西小波主要应用在离散型的小波变换，是最常使用到的小波变换，通常使用在数位信号分析、信号压缩跟噪声去除。

11 二、脑电信号特征提取 3. 多贝西小波函数 多贝西小波（Daubechies Wavelet）是以英格丽·多贝西命名的一种小波函数，是一种具有阶层性质的小波。 以消失动量的值A（亦为消失动量的个数）为依据分类，调整函式（低通滤波）及小波函式（高通滤波）的平滑度皆会随着消失动量的值增加而增加。 例如，当A=1时，多贝西小波即是哈尔小波（Haar wavelet），调整函式及小波函式都是不连续的；当A=2时，多贝西小波的调整函式及小波函式为不能平滑微分的连续函式。以此类推，当A愈大时，多贝西小波的两个函式平滑度会愈来愈高。 多贝西小波的长度为消失动量值A的两倍；所以当消失动量为A时，多贝西小波的小波滤波器（wavelet filter）及调整滤波器（scaling filter）长度皆为2A（N=2A）。 消失动量(Vanishing Moments)，在连续小波变换(Continuous Wavelet Transform时一项非常重要的参数，用来检视母小波(Mothe rwavelet)是否为高频的函数。

12 二、脑电信号特征提取 4. 能量的提取 l=1,2,…,N C3和C4通道共2*2个特征
为了进一步减少特征向量的维数，提取这2个频段小波系数的平均能量作为特征，其定义为： l=1,2,…,N C3和C4通道共2*2个特征

13 二、脑电信号特征提取 5. AR模型的建立 C3和C4通道共5*2个特征
AR（Auto-Regressive）模型反应了信号的时变特性，数据长度决定了参数估计的分辨率。AR模型参数随每一样本点的输入而改变，因而能够更好地反映大脑的状态。 AR模型的阶数较低，导致AR谱不能准确反映信号的谱峰，从而使信号的部分信息丢失；当AR模型阶数较高时，可能导致AR谱产生分裂，使系数中包含错误信息。 结合经验公式以及大量已有的实验结果，本文选取5阶AR模型，利用Burg算法对运动想象脑电信号进行特征提取分析。 C3和C4通道共5*2个特征

14 二、脑电信号特征提取 6. 模式分类 分类结果：左手或右手 C3和C4通道共2*2个特征 C3和C4通道共5*2个特征
采用判别分析法中常用的马氏距离判别法对左、右手运动想象脑电模式进行分类。 C3和C4通道共2*2个特征 分类结果：左手或右手 C3和C4通道共5*2个特征

15 三、实验结果及分析 1. 小波包分解

16 三、实验结果及分析 1. 小波包分解 能量对比

17 三、实验结果及分析 2. Gabor变换 时间与频率分辨率的矛盾

18 三、实验结果及分析 3. 分类准确率 提取小包波分解后信号的能量，结合AR模型并运用马氏距离判别法对左右手运动想象脑电模式进行分类，最终采用10X10交叉验证，分类准确率达到75%左右。

19 三、实验结果及分析 4. 展望 简单、实用； 快速、准确； 更少的训练次数和训练时间。

20 谢谢！