python小波包分解_脑电数据的Python小波分析,中小,工具,pywt,EEG

小波作为一种信号处理的工具在脑波分析中应用很多，常用的有连续小波变换、小波包分析等等。小波涉及的相关介绍和公式推导有很多资料，文章末尾推荐了几个链接。本文主要介绍连续小波变换，小波包分解重构，对应频段能量计算这3种应用在Python中的实现。

数据来源为BCI竞赛公开数据集中的部分数据，剔除了无效数据。有关数据的描述见链接：

1、连续小波变换(主要用于时频域分析)

这里使用连续小波变换进行时频域分析，数据只是示例，代码中的参数在实际应用的时候需要根据实际情况进行调整。代码中有关小波尺度的计算很有意思，这里单独拿出来详细说明下。

一般用小波的尺度来衡量小波的频率，两者之间的转换关系为：

其中Fs为采样频率，wcf为小波的中心频率。

我们以下文代码中的参数为例，当一共想要分析totalscal个频率的时候，第i个频率

对应的是

，带入上面的等式中

该部分对应的代码如下：

import numpy as np

import matplotlib.pyplot as plt

import pywt

import mne

mne.set_log_level(False)

######################################################连续小波变换##########

# totalscal小波的尺度，对应频谱分析结果也就是分析几个(totalscal-1)频谱

def TimeFrequencyCWT(data,fs,totalscal,wavelet='cgau8'):

# 采样数据的时间维度

t = np.arange(data.shape[0])/fs

# 中心频率

wcf = pywt.central_frequency(wavelet=wavelet)

# 计算对应频率的小波尺度

cparam = 2 * wcf * totalscal

scales = cparam/np.arange(totalscal, 1, -1)

# 连续小波变换

[cwtmatr, frequencies] = pywt.cwt(data, scales, wavelet, 1.0/fs)

# 绘图

plt.figure(figsize=(8, 4))

plt.subplot(211)

plt.plot(t, data)

plt.xlabel(u"time(s)")

plt.title(u"Time spectr