【脑电信号】基于matlab小波变换脑电信号特征提取【含Matlab源码 511期】

海神之光

已于 2023-10-27 19:22:51 修改

阅读量9.4k

点赞数 6

分类专栏： Matlab信号处理（进阶版）文章标签： matlab

于 2021-03-13 13:18:02 首次发布

代码事宜私信博主

本文链接：https://blog.csdn.net/TIQCmatlab/article/details/114743331

版权

Matlab信号处理（进阶版）专栏收录该内容

366 篇文章 437 订阅

订阅专栏

✅博主简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，Matlab项目合作可私信。
🍎个人主页：海神之光
🏆代码获取方式：
海神之光Matlab王者学习之路—代码获取方式
⛳️座右铭：行百里者，半于九十。

⛄一、小波变换简介

小波变换是从20世纪80年代起逐渐发展成熟的一项数学应用技术，具有对时间—频率的双重分析和多分辨率分析能力，目前已经广泛应用于图像处理、模式识别等多个领域。小波变换的窗口大小固定但形状可改变，因此能够满足时域—频域局部化分析要求[22]。离散小波变换比连续小波变换的去噪效果更好，更适用于实际应用。

小波变换首先通过分解信号，使信号的能量集中在一些大的小波系数中，而噪声的能量分布于整个小波域内；然后通过阈值降噪，选择合适的阈值将有用信号的系数保留，将噪声信号的系数置零，从而去除噪声；最后再对经过阈值降噪后的系数进行重构，得到去除噪声后的信号。

常用的小波基函数有Meyer小波、Coiflet(coif N）小波、Daubechies(db N）小波等[9]。为得到较好的去噪效果，所选取的小波基函数在对心电信号进行分解时，应尽量保留心电信号中的有用分量，同时使噪声分解对应的小波系数差异尽可能大。Coiflet4小波基与心电信号的波形最为相似，同时与输出信号具有良好的相关性，重构后的信号信噪比大、均方误差小，因此本文选用Coiflet4小波基进行小波分解。

⛄二、部分源代码

% Extract Discrete Wavelet Transform (DWT) Feature
close all; clear; clc;

load dataset_BCIcomp1.mat
Y=y_train;

% Range is 0 to 9 sec
startS=0;
endS=9;
wStep=1;
wRange=9;

X=extractDWT(x_train,startS,endS,wStep,wRange);
T=extractDWT(x_test,startS,endS,wStep,wRange);
save dataDWT.mat X Y T

color_L = [0 102 255] ./ 255;
color_R = [255, 0, 102] ./ 255;

pos = find(Y==1);
plot(X(pos,1),X(pos,2),‘x’,‘Color’,color_L,‘LineWidth’,2);

hold on
pos = find(Y==2);
plot(X(pos,1),X(pos,2),‘o’,‘Color’,color_R,‘LineWidth’,2);
function X=extractDWT(x_train,startS,endS,wStep,wRange)
% x_train = input signal
% startS = from second
% endS = end second
% wStep = overlapping
% wRange = window size
FS=128;

N=size(x_train,3);
sz=floor((endS-(startS+wRange))/wStep)+1;
X=zeros(sz*140,2);
cn=0;
for i=1:N

for sig=startS:wStep:endS-wRange
    
    sW=sig*FS+1;
    eW=(sig+wRange)*FS;
    
    C3Sig=x_train(sW:eW,1,i);
    C4Sig=x_train(sW:eW,3,i);
    
    waveletFunction = 'db4';
    waveletLevel=3;
    [wCoe,L] = wavedec(C3Sig,waveletLevel,waveletFunction);
    C3D3 = detcoef(wCoe,L,3);   % Mu
    
    
    [wCoe,L] = wavedec(C4Sig,waveletLevel,waveletFunction);
    C4D3 = detcoef(wCoe,L,3);  % Mu

⛄三、运行结果

在这里插入图片描述

⛄四、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1]宋玉龙,赵冕,郑威.基于小波变换和样本熵的脑电信号癫痫特征提取[J].计算机与数字工程. 2020,48(06)

3 备注
简介此部分摘自互联网，仅供参考，若侵权，联系删除

🍅 仿真咨询
1 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化

2 机器学习和深度学习方面
卷积神经网络（CNN）、LSTM、支持向量机（SVM）、最小二乘支持向量机（LSSVM）、极限学习机（ELM）、核极限学习机（KELM）、BP、RBF、宽度学习、DBN、RF、RBF、DELM、XGBOOST、TCN实现风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

3 图像处理方面
图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

4 路径规划方面
旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、车辆协同无人机路径规划、天线线性阵列分布优化、车间布局优化

5 无人机应用方面
无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配

6 无线传感器定位及布局方面
传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化

7 信号处理方面
信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化

8 电力系统方面
微电网优化、无功优化、配电网重构、储能配置

9 元胞自动机方面
交通流人群疏散病毒扩散晶体生长

10 雷达方面
卡尔曼滤波跟踪、航迹关联、航迹融合