脑电信号分析

背景介绍

  脑电一般指大脑皮层产生的连续节律性变化，广泛用于神经科学研究、临床诊断和治疗等领域。科研人员根据频率可以将脑电分为四种：α波、β波、θ波、δ波，不同的脑电波代表了人体不同的精神状态：当人们处于比较紧张的情况时，人脑中能够检测到更多的 β 波；变得瞌睡的时候，会检测到更多的 θ 波；睡眠比较深入的时候，检测到的主要是 δ 波；而处于比较轻松的状态，脑袋也比较灵活，出现α波。

脑电信号处理

  脑电采集过程中会不可避免地引入各种噪声，主要包含生物电噪声和环境噪声两种。其中，生物电噪声主要包含心电、肌电和眼电等；环境噪声主要包含工频干扰、电子噪声以及电极接触不良引起的噪声等，我们可以通过滤波器、独立成分分析（ICA）等方式进行预处理。

小波变换

  工程中能够通过Fourier 变换将传感器采集的数据转化到频域，进而获取隐含的数据价值。该方法广泛应用于信号滤波、图像增强以及音视频处理等领域。然而实践中发现，Fourier变换不具备局部化分析能力、不能分析非平稳信号（地震信号、脑电信号）等。
  调研发现，脑电信号一般采用小波分析来提取信号特征，具体的数学原理为：假定 s ( t ) 是一个变量为时间 t 的连续函数，那么他的小波变换就可以表达为：
$$Ws(a,b)={\left|a\right|}^{1/2}\underset{R}{\int }s(t)\bar{\Psi }(\frac{t-b}{a})dt$$  小波变化的具体过程为：将信号通过不同频率的滤波器，分别得到高频和低频两种分量。将每一层高通滤波后得到系数称为细节系数，低通后得到的系数称为近似系数。其中，低频成分蕴含着序列的特征，高频成分可以给出序列变化的细节。

  小波变换中主要的参数主要包含小波类型和分解层数两种。调研相关资料发现，小波函数主要有 Haar 小波、Morlet 小波、Daubechies（DB）小波等，使用过程中需要依据应用场景进行动态调整。分解层数一般依据信号的采样频率，分辨率以及计算量大小等。

小波包变换

  当我们采用小波变换时，我们很难求取Alpha波的能量（频率范围为9-14Hz），我们只能采用D5（8-16Hz）来近似替代，该方法具有一定的误差。因此我们可以采用小波包分解的方法，设置足够的分解层数，后续通过重构获取目标频率的信号。

wpt = wpdec(shuju,7,'db4','shannon');

ee=wenergy(wpt);
xiaobochangdu=2^7;
% plot(wpt)
%% Read packet coefficients. 

for m=1:1:xiaobochangdu
  temp=[7,m-1];
  cfs(m,:) =wpcoef(wpt,temp);
end

subplot(211); 
plot(cfs(1,:)); title('Packet (7,0) coefficients');
%% Reconstruct packet 
for m=1:1:xiaobochangdu
  temp=[7,m-1];
  rcfs(m,:) =wprcoef(wpt,temp);
end
subplot(212); 
plot(rcfs(1,:)); title('Reconstructed packet (7,0)');