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:
W
s
(
a
,
b
)
=
∣
a
∣
1
/
2
∫
R
s
(
t
)
Ψ
ˉ
(
t
−
b
a
)
d
t
Ws(a,b) = {\left| a \right|^{1/2}}\int\limits_R {s(t)\bar \Psi ({{t - b} \over a})dt}
Ws(a,b)=∣a∣1/2R∫s(t)Ψˉ(at−b)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)');