脑电信号的最优分数阶傅里叶变换

发布时间：2022-02-14 08:05

　　为消除噪声影响、准确提取信号特征,提出了对脑电信号进行最优阶次的分数阶傅里叶变换,以对脑电信号进行时频域分析.首先采用二维峰值搜索算法得出最优变换阶次,然后基于最优变换阶次对脑电信号进行分数阶傅里叶变换.实验结果表明,基于二维峰值搜索算法的最优分数阶傅里叶变换能更好地去除脑电信号的噪声,使信号具有非常好的能量聚集性,为脑电信号的特征提取以及进一步分析研究打下良好的基础. 

【文章来源】：沈阳大学学报(自然科学版). 2019,31(06)

【文章页数】：7 页

【部分图文】：

各个数据段叠加平均后的时域波形

图2为上述5个波段信号的二维峰值搜索及其一维峰值搜索的结果.由图2可见,二维搜索能得出唯一的峰值,而一维搜索有可能出现多个峰值,较难得出最优分数阶.图2 各波段信号一维和二维峰值搜索对比图

图2 各波段信号一维和二维峰值搜索对比图对选取的各个数据段的脑电信号进行了最优分数阶傅里叶变换与普通阶次傅里叶变换,其结果如图3所示.由图3可以看出,与进行普通阶次变换的脑电信号相比,进行最优分数阶变换的脑电信号的时频域波形较为平稳,表明噪声得到了抑制.基于最优分数阶傅里叶变换处理后的脑电信号可以进行大脑的生理状态判别.例如,图3a所示为ephochs 3进行最优分数阶傅里叶变换的时频域波形,显然,0～0.8 s之间的波形为θ波,表明此时个体处于睡眠或者回忆状态;0.8～1.2 s之间的波形为α波, 表明此时个体处于安静或者闭眼状态;1.2～1.8 s之间的波形为β波,表明个体处于较激动亢奋的状态.而图3b所示的普通阶次变换下的脑电波形较难提取其节律波.

【参考文献】：
期刊论文
[1]基于脑电信号的情绪特征提取与分类[J]. 柳长源,李文强,毕晓君.  传感技术学报. 2019(01)
[2]脑-机接口系统关键技术研究[J]. 周福超,徐进,廖文.  国外电子测量技术. 2018(05)
[3]基于脑电样本熵和小波熵的麻醉深度监测[J]. 丁正敏,熊冬生,陈宇珂,张兴安,窦建洪,谌雅雨.  中国医学物理学杂志. 2018(02)
[4]基于MSE-PCA的脑电睡眠分期方法研究[J]. 刘雪峰,马州生,赵艳阳,余传奇,范文兵.  电子技术应用. 2017(09)
[5]脑电信号中眼电伪迹自动识别与去除方法研究[J]. 李佳庆,李海芳,白一帆,阴桂梅,孙丽婷.  计算机工程与应用. 2018(13)
[6]基于蚁群优选的半监督主动协同睡眠分期方法研究[J]. 金纯,岳宗田,邱灿.  计算机应用研究. 2018(05)
[7]脑电情感信号正确提取仿真[J]. 谭志伟,谢云,苏镜.  计算机与现代化. 2017(01)
[8]基于互信息与主成分分析的运动想象脑电特征选择算法[J]. 徐佳琳,左国坤.  生物医学工程学杂志. 2016(02)
[9]基于拟牛顿迭代的分数阶Fourier变换最佳阶次的搜索方法研究[J]. 陈蓉,马菊红.  江苏科技大学学报(自然科学版). 2015(01)
[10]脑电信号多重粗粒化复杂度分析方法研究[J]. 肖毅,陈善广,韩东旭,王春慧.  电子科技大学学报. 2013(03)



本文编号：3624288