基于小波包分解的脑电信号分类方法研究

发布时间：2017-04-22 19:08

  本文关键词：基于小波包分解的脑电信号分类方法研究，由笔耕文化传播整理发布。

【摘要】：脑电接口(Brain-Computer Interfaces,BCI)为脑和外界提供了直接的交流工具,已经被学者们广泛研究。脑电信号(electroencephalogram,EEG)因为研究成本低而成为研究BCI的主要数据来源。因此,EEG在生活和科学研究中扮演重要角色。对于BCI的研究,EEG的不稳定性和非线性为其带来了巨大的挑战与困难。从原始信号中提取有效的特征对分类起着至关重要的作用。特征提取和特征分类是脑电信号处理的主要内容。特征提取可以采用某种单一的算法,比如自回归模型、样本熵、近似熵、小波包分解、快速傅里叶变换、希尔伯特变换等;也可以是两种算法的结合,比如经验模态分解和固有模态函数的结合、阶段封锁值和希尔伯特变换、小波和熵的结合等。本文针对各特征提取算法和分类器展开研究,主要工作如下:1.单一算法提取特征。本文对单一特征提取算法进行了实验对比,特征提取算法分别采用了样本熵和自回归模型,分类器采用了支持向量机,并对参数进行了寻优。在五种思维数据集上进行了验证,实验结果表明,两种特征提取方法的处理时间短,相比于样本熵选取参数的繁琐,自回归模型取得了更好的分类结果。2.两种算法结合提取特征。针对EEG信号的非稳定和非线性特性,本文提出了一种新的脑电信号分类方法,以提高分类准确率和处理时间。本文将小波包分解和样本熵结合起来,提出了一种基于小波包分解的样本熵特征提取方法。在分类器的选择上,该方法运用了极限学习机。为了验证提出方法的有效性,本文做了大量的对比实验,与下列方法进行了对比:基于小波包分解的近似熵为特征提取方法,极限学习机为分类器;基于小波包分解的样本熵为特征提取方法,支持向量机为分类器。实验在癫痫数据集和五种思维数据集上分别进行了验证。实验结果表明本文提出的特征提取方法取得了较好的分类性能,具有较高的分类精度和较少的训练时间。
【关键词】：分类 特征提取 小波包分解 支持向量机 极限学习机 脑电信号
【学位授予单位】：辽宁师范大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TN911.7
【目录】：

• 摘要4-5
• Abstract5-9
• 1 绪论9-15
• 1.1 研究背景及意义9-11
• 1.2 国内外现状11-13
• 1.2.1 国外现状11-12
• 1.2.2 国内现状12-13
• 1.3 本文的主要研究内容13-14
• 1.4 本文结构框架14-15
• 2 相关工作15-26
• 2.1 脑电信号特征提取的方法15-20
• 2.1.1 近似熵15-16
• 2.1.2 样本熵16-17
• 2.1.3 自回归模型17-19
• 2.1.4 小波包分解19-20
• 2.2 分类方法20-22
• 2.2.1 支持向量机20-21
• 2.2.2 极限学习机21-22
• 2.3 有效性评价指标22-26
• 3 基于SampEn和AR的脑电信号分类26-38
• 3.1 引言26
• 3.2 五种思维任务数据来源26-27
• 3.3 算法设计与描述27-31
• 3.3.1 算法描述27-28
• 3.3.2 去噪28-29
• 3.3.3 特征提取29-31
• 3.4 实验结果及分析31-37
• 3.4.1 基于SampEn的特征提取方法分析31-34
• 3.4.2 基于AR的特征提取方法分析34-37
• 3.5 小结37-38
• 4 基于小波包分解的样本熵和极限学习机的脑电信号分类方法38-53
• 4.1 引言38
• 4.2 癫痫数据来源38-39
• 4.3 算法设计与描述39-41
• 4.4 特征提取方法参数的选取41-45
• 4.4.1 样本熵与近似熵标准差的选取41-43
• 4.4.2 小波基与分解层数的选取43-45
• 4.5 实验结果及分析45-52
• 4.5.1 基于癫痫信号的实验分析45-49
• 4.5.2 基于五种思维任务的实验分析49-52
• 4.6 小结52-53
• 5 结论与展望53-55
• 参考文献55-60
• 攻读硕士学位期间发表学术论文情况60-61
• 致谢61

【相似文献】

中国期刊全文数据库 前10条

1 南楠;周强;杨辉;王莹;;基于小波包分解的陶瓷裂纹灰色诊断[J];信息与控制;2011年01期

2 王志刚,杨晓元,王育民,秦晴;基于小波包分解和支持向量机的图像隐秘检测算法[J];计算机工程;2005年01期

3 欧阳喜,葛临东;一种基于小波包分解提高数字幅相调制抗干忧性能的方法[J];信息工程学院学报;1998年02期

4 许慰玲,黄静霞,沈民奋;基于小波包分解的时变脑电节律提取[J];数据采集与处理;2004年01期

5 何冬梅,高文;基于小波包分解复杂度可分级的音频编码算法[J];高技术通讯;2000年11期

6 范海宁,郭英,吴剑锋,陈志武;基于小波包分解的声信号特征提取方法[J];现代电子技术;2005年04期

7 钱苏翔;杨世锡;焦卫东;胡红生;;基于独立分量分析与小波包分解的混叠声源信号波形恢复[J];中国机械工程;2010年24期

8 宋友,柳重堪,李其汉;基于小波包分解的早期碰摩故障诊断研究[J];北京航空航天大学学报;2003年01期

9 张立;赵福才;;基于小波包分解和支持向量机的人脸识别[J];通信技术;2006年S1期

10 唐昌令;彭国华;;基于小波包分解的整体变分去噪算法[J];计算机工程与应用;2013年06期

中国重要会议论文全文数据库 前7条

1 范海宁;郭英;吴剑锋;陈志武;;基于小波包分解的声信号特征提取方法[A];信号与信息处理技术第三届信号与信息处理全国联合学术会议论文集[C];2004年

2 陈光军;胡昌华;任章;周志杰;;小波包分解在惯性器件故障诊断中应用研究[A];2004全国测控、计量与仪器仪表学术年会论文集（下册）[C];2004年

3 张志猛;李永刚;张建忠;;基于小波包分解的发电机转子绕组匝间短路故障检测[A];中国高等学校电力系统及其自动化专业第二十四届学术年会论文集（中册）[C];2008年

4 罗忠;孙伟;张帅;韩清凯;;基于小波包分解的不对中转子系统的振动特征分析[A];第9届全国转子动力学学术讨论会ROTDYN'2010论文集[C];2010年

5 赵池航;周百令;李坤宇;赵立业;;小波包分解在高精度海洋重力仪数据处理中的应用研究[A];中国惯性技术学会第五届学术年会论文集[C];2003年

6 王志刚;吕勇;李友荣;李方;;基于自适应谐波小波包分解的齿轮故障诊断方法[A];第六届全国信息获取与处理学术会议论文集（2）[C];2008年

7 付博志;张鸿宾;;基于MPEG-I和小波包分解的语音特征提取[A];2008'中国信息技术与应用学术论坛论文集（二）[C];2008年

中国硕士学位论文全文数据库 前4条

1 魏翔;基于小波包分解和布谷鸟算法的最小二乘支持向量机风速预测模型的研究与应用[D];兰州大学;2015年

2 胡维;不同水温浸泡后花岗岩声发射特征及其信号识别[D];江西理工大学;2015年

3 张玉婷;基于小波包分解的脑电信号分类方法研究[D];辽宁师范大学;2015年

4 付博志;基于MPEG-1和小波包分解的说话人识别[D];北京工业大学;2008年

  本文关键词：基于小波包分解的脑电信号分类方法研究，，由笔耕文化传播整理发布。

本文编号：321067