CN113907768A - 一种基于matlab的脑电信号处理装置 - Google Patents
一种基于matlab的脑电信号处理装置 Download PDFInfo
- Publication number
- CN113907768A CN113907768A CN202111185158.7A CN202111185158A CN113907768A CN 113907768 A CN113907768 A CN 113907768A CN 202111185158 A CN202111185158 A CN 202111185158A CN 113907768 A CN113907768 A CN 113907768A
- Authority
- CN
- China
- Prior art keywords
- data
- time
- matlab
- unit
- electroencephalogram
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
- A61B5/165—Evaluating the state of mind, e.g. depression, anxiety
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/25—Bioelectric electrodes therefor
- A61B5/279—Bioelectric electrodes therefor specially adapted for particular uses
- A61B5/291—Bioelectric electrodes therefor specially adapted for particular uses for electroencephalography [EEG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7253—Details of waveform analysis characterised by using transforms
- A61B5/7257—Details of waveform analysis characterised by using transforms using Fourier transforms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
- G06F17/141—Discrete Fourier transforms
- G06F17/142—Fast Fourier transforms, e.g. using a Cooley-Tukey type algorithm
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
- G06F17/148—Wavelet transforms
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03H—IMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
- H03H17/00—Networks using digital techniques
- H03H17/02—Frequency selective networks
- H03H17/04—Recursive filters
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03H—IMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
- H03H17/00—Networks using digital techniques
- H03H2017/0072—Theoretical filter design
- H03H2017/009—Theoretical filter design of IIR filters
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Heart & Thoracic Surgery (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Psychiatry (AREA)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Signal Processing (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Algebra (AREA)
- Psychology (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Developmental Disabilities (AREA)
- Educational Technology (AREA)
- Hospice & Palliative Care (AREA)
- Child & Adolescent Psychology (AREA)
- Social Psychology (AREA)
- Computer Hardware Design (AREA)
Abstract
本发明公开了基于matlab的脑电信号处理装置,包括数据获取计算模块和数据展示模块,数据获取计算模块的设计方法包括以下步骤:S11,基于TCP的Java Socket设置服务端,服务端从本地测试文件获取数据;S12,TCP Socket服务端利用线程控制,按照每秒50至100条交易记录的随机速度,发送给以Spark Streaming客户端进行数据实时计算处理;S13,客户端接收到数据利用MapToPair算子进行数据分组,再利用updateStateByKey算子进行数据有状态计算;当下一批数据计算完后,更新在缓存区与其key相同的状态的值;S14,由客户端将计算的数据按批次写入数据库,并且数据库按照key持续更新状态值。
Description
技术领域
本发明属于信号分析技术领域,涉及一种基于matlab的脑电信号处理装置。
背景技术
脑电信号是人类头皮表面的由神经元自发产生的、有节律的生物电活动。德国神经病学家Hans Berger在1926年第一次采集到电信号,由于脑电信号能够反映人类的认知与情绪状况,一直以来就受到人类的关注。在癫痫等脑部疾病以及焦虑、抑郁等精神疾病有着广泛的应用。
由于计算机的兴起,人们利用计算机进行脑电信号的分析已经成为了了一种潮流。计算机能够快速处理大量数据的优越性催生了研究脑电信号的新算法。
(1)C4.5决策树算法
决策树是在已知各种情况分别发生的概率的基础上,通过构成决策树来求取净现值的期望值大于等于零的概率,是能够直观运用分析概率的一种图解法。这种决策峰值画成的图形像一棵树,因此被称为决策树,他在机器学习中是一个预测值,代表对象属性和对象值之间的一中映射关系[13]。他的优点在于分类规则易于理解,准确率比较高。缺点在于在制造树的过程中,需要对数据进行多次顺序扫描和排序,导致算法低效,如果训练集大得在内存容纳时程序无法运行。
(2)朴素贝叶斯算法
朴素贝叶斯算法的核心是贝叶斯公式,是应用比较广泛的分类模型。来源于古典数学理论,通常能够在分类问题上带来稳定的分类效率。不需要太多的估计参数,而且可以对缺失数据进行处理。相对于其他的分类理论,朴素贝叶斯算法具有最小的错误率,在相关性较小的情况下,朴素贝叶斯模型的性能最为良好。但由于这种分类所需的估计参数,导致对于数据的缺失不够敏感,计算方法也相对简单,同时如果数据的相关性较高,朴素贝叶斯算法的分类效率不如决策树算法。
发明内容
鉴于以上情况及问题,本发明的技术方案包括基于matlab的脑电信号处理装置,包括数据采集器、去噪单元、非线性单元和时频域单元,数据采集器的输出连接去噪单元的输入,去噪单元的输出分别连接非线性单元和时频域单元的输入,其中,
所述数据采集器包括采集脑电信号的三个电极:Fp1、Fpz、Fp2和作为回路的耳廓电极;
所述去噪单元采用小波三层分解,包括将数据采集器采集到的信号进行小波变换,得到小波系数;在小波变换域上,通过信号和噪声的不同特点来对信号进行去噪;将去噪后的信号进行重建;
所述非线性单元包括计算关联维数、Co复杂度和Renyi熵;
所述时频域单元为通过IIR四阶滤波器对得到的信号进行分段处理。
优选地,所述数据采集器的采样频率为250Hz。
优选地,所述去噪单元中包括使用wden函数对信号进行自动降噪,采用thselect命令进行阈值处理,通过ddencomp命令对信号噪声的强度求阈值。
优选地,所述关联维数是动力学复杂性的一个几何度量,用于相空间的近四位数,反映脑电信号的动态特征和脑电序列本身的相关程度,通过以下计算得到:脑电数据序列用n个数据点的{xi,i=1,……N},取等间隔量τ,使用m维欧式空间得到其元素维:
X(i)={x(i),x(i+τ),…,x[i+(m-1)τ]},i=1,2,…N-(m-1)τ
相关的积分函数
r是每个参考点x(i)周围的径向距离,M是相空间中数据点的个数,X(i)-X(j)是欧几里得形式,θ(x)表示阶跃函数;
关联维数CD的计算公式为:
优选地,所述Co复杂度反映不规则程度,为序列随机性的一种表示,将复杂序列分解为规则活动和随机活动,在数值上等于随机活动序列与时间轴之间的面积比,以及整个复杂活动序列与时间轴之间的面积比,通过以下计算得到:
设EEG信号的时间序列为x(n){x(0),x(1),……,x(N-1)},n=0,1,2,……,N-1,n个样本点;
先将x(n)做快速傅里叶变换FFT:
求X(k)的均方值GN,
将小于或等于X(k)的替换为0,得到一个新的频谱级数Y(k):
然后通过Y(k)的逆FFT得到Y(n),Co复杂度定义为:
其中,y(n)定义为脑电规则活动部分,x(n)-y(n)定义为脑电序列随机部分。
优选地,所述Renyi熵包括信号的振幅信息和频率信息,Renyi熵用来分析非平稳过程或非高斯过程的时间序列,通过以下计算得到:
α表示α阶广义熵,pi是每个子区间的概率。
优选地,所述时频域单元中的IIR四阶滤波器的采样频率与采集数据时的频率保持一致,采样点数设为30000。
优选地,所述时频域单元中把IIR四阶滤波器的通带设置为0.5~4Hz,得到Delta波段时域图谱和频域图谱。
优选地,所述时频域单元中把IIR四阶滤波器的通带设置为4~8Hz,得到Theta波段时域图谱和频域图谱。
优选地,所述时频域单元中把IIR四阶滤波器的通带设置为8~14Hz,得到Alpha波段时域图谱和频域图谱。
本发明具有如下具体有益效果:
1)通过时频变换使脑电信号能够更加直观地展现差异;
2)将抑郁组与对照组的脑电信号放在同一张图中直观对比;
3)结合非线性指标与线性指标更加立体地展示两者的差异;
4)通过小波变换利用matlab去除噪声更加高效;
5)分不同波段进行比较研究,使差异更加直观暴露。
附图说明
图1为本发明实施例的基于matlab的脑电信号处理装置的结构框图;
图2为本发明实施例的基于matlab的脑电信号处理装置的脑电信号小波三层分解图;
图3为本发明实施例的基于matlab的脑电信号处理装置的抑郁组与对照组三种脑电通道的非线性(CD、Co、Renyi熵)差值图;
图4为本发明实施例的基于matlab的脑电信号处理装置的抑郁组(MDD)与对照组(HC)Delta波段时域和频域图;
图5为本发明实施例的基于matlab的脑电信号处理装置的抑郁组(MDD)与对照组(HC)Theta波段时域和频域图;
图6为本发明实施例的基于matlab的脑电信号处理装置的抑郁组(MDD)与对照组(HC)Alpha波段时域和频域图;
图7为本发明实施例的基于matlab的脑电信号处理装置的抑郁组(MDD)与对照组(HC)Beta波段时域和频域图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
相反,本发明涵盖任何由权利要求定义的在本发明的精髓和范围上做的替代、修改、等效方法以及方案。进一步,为了使公众对本发明有更好的了解,在下文对本发明的细节描述中,详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明。
本发明采用多尺度小波变换模极大值的去噪,具有多分辨率的特点。本发明的去噪单元在时频两域有表征信号局部特性的能力,相对于傅里叶变化,小波变换有着时间窗可以随平路进行伸缩变化的特点,当分析低频(对应大尺度)信号时,其时间窗很大,而当分析高频(对应小尺度)信号时,其时间窗减小。这恰恰符合实际问题中高频信号的持续时间短、低频信号持续时间较长的规律。
本发明使用matlab对脑电信号进行比较,并将抑郁组与对照组放在同一图中进行比较研究,便于直观地观察。
本发明通过关联维数(CD)、Co复杂度、Renyi熵三个指标结合脑电信号的频域图像对比研究,使结果更加立体具有说服力。
参见图1为本发明实施例的基于matlab的脑电信号处理装置的框图,基于matlab的脑电信号处理装置的结构框图,包括数据采集器10、去噪单元20、非线性单元31和时频域单元32,数据采集器10的输出连接去噪单元20的输入,去噪单元20的输出分别连接非线性单元31和时频域单元32的输入,其中,
数据采集器10包括采集脑电信号的三个电极:Fp1、Fpz、Fp2和作为回路的耳廓电极;
去噪单元20采用小波三层分解,包括将数据采集器10采集到的信号进行小波变换,得到小波系数;在小波变换域上,通过信号和噪声的不同特点来对信号进行去噪;将去噪后的信号进行重建;脑电数据含有各种噪声。可穿戴设备放置在前额的Fp1、Fpz、Fp2的位置,易受到眼电或肌电噪声的影响,除此之外,采集环境周围存在着50Hz的工频干扰。本发明采用Mallat提出的一种多尺度小波变换模极大值的去噪方法,它具有多分辨率的特点,而且在时频两域有表征信号局部特性的能力,相对于傅里叶变化,小波变换有着时间窗可以随平路进行伸缩变化的特点,当分析低频(对应大尺度)信号时,其时间窗很大,而当分析高频(对应小尺度)信号时,其时间窗减小。这恰恰符合实际问题中高频信号的持续时间短、低频信号持续时间较长的规律。基于小波阈值去噪需要以下三步:将信号小波变换,得到小波系数;其次在小波变换域上,通过信号和噪声的不同特点来对信号进行去噪处理;最后需要将我们去噪后的信号重建起来。
在去噪单元中本发明使用wden函数对信号进行自动降噪,阈值处理中本发明选择thselect命令,再通过ddencomp命令对信号噪声的强度求阈值。Matlab中的小波工具包提供了我们所需要的函数和命令。本发明选择用小波三层分解来进行对脑电信号的去噪,为了验证小波去噪的效果随机选择一组获得的数据进行仿真。参见图2的脑电信号三层分解结果,从图中可以看出,依照噪声的特点选择合适的小波基和阈值,就可以达到良好的去噪效果。通过小波对非平稳信号去噪可以达到传统的滤波器所无法比拟的优势,它能够反映出信号中的瞬态反常现象,而且能把信号中的有用成分和噪声有效的分离,是信号降噪过程中一个优越的方法。
非线性单元31包括计算关联维数、Co复杂度和Renyi熵;
时频域单元32为通过IIR四阶滤波器对得到的信号进行分段处理。
数据采集器10的采样频率为250Hz。
去噪单元20中包括使用wden函数对信号进行自动降噪,采用thselect命令进行阈值处理,通过ddencomp命令对信号噪声的强度求阈值。
关联维数CD是动力学复杂性的一个几何度量,用于相空间的近四位数,反映脑电信号的动态特征和脑电序列本身的相关程度,通过以下计算得到:脑电数据序列用n个数据点的{xi,i=1,……N},使用m维欧式空间得到其元素维:
X(i)={x(i),x(i+τ),…,x[i+(m-1)τ]},i=1,2,…N-(m-1)τ
相关的积分函数
r是每个参考点x(i)周围的径向距离,M是相空间中数据点的个数,X(i)-X(j)是欧几里得形式,θ(x)表示阶跃函数;
关联维数CD的计算公式为:
Co复杂度反映不规则程度,为序列随机性的一种表示,将复杂序列分解为规则活动和随机活动,在数值上等于随机活动序列与时间轴之间的面积比,以及整个复杂活动序列与时间轴之间的面积比,通过以下计算得到:
设EEG(Electroencephalogram,脑电波)信号的时间序列为x(n){x(0),x(1),……,x(N-1)},n=0,1,2,……,N-1,n个样本点;
先将x(n)做快速傅里叶变换FFT:
求X(k)的均方值GN,
将小于或等于X(k)的替换为0,得到一个新的频谱级数Y(k):
然后通过Y(k)的逆FFT得到Y(n),Co复杂度定义为:
其中,y(n)定义为脑电规则活动部分,x(n)-y(n)定义为脑电序列随机部分。
Renyi熵包括信号的振幅信息和频率信息,Renyi熵用来分析非平稳过程或非高斯过程的时间序列,通过以下计算得到:
α表示α阶广义熵,pi是每个子区间的概率。
可知,CD是动力学复杂性一个几何度量,是非线性脑电分析中必不可少的定量指标。CD被认为是脑电记录下的皮层动力学复杂性的反映。因此,较高的CD反映了大脑神经活动的增加。Co复杂度是指随机活动序列与时间轴之间的面积比,也是脑电活动复杂性的一个度量。脑电活动越复杂、不规则,Co复杂度越高。Renyi熵Shannon熵的一般形式,它包含了信号的振幅信息和频率信息,反映了脑电信号的时频信息。较高的Renyi熵值表现出脑电信号的合成复杂性。综上,选择的非线性特征反映了大脑活动的复杂性。大脑的认知负荷越大,心理活动越复杂,特征值越大。
参见图3是抑郁组MDD相对于对照组HC在每个脑电通道(Fp1,Fpz,Fp2)中计算出的非线性特征的差值。可以从同种看出抑郁组的非线性特征的数值相对于对照组的差值都为正数,说明抑郁组的非线性特性要高于对照组,意味着抑郁组相对于对照组,他们的大脑负荷更大。在本发明中我们所记录的数据为研究对象在安静闭眼情况下的脑电数据,以上的结果表明抑郁症患者的大脑活动虽然处于安静的闭眼和放松状态,但并不像正常人那样放松。
时频域单元32中的IIR四阶滤波器的采样频率与采集数据时的频率保持一致,采样点数设为30000。脑电信号是一种非常微弱的生物电信号,本身容易受到无关噪声的干扰。来自外界的干扰如各种噪音,电磁辐射等,人体自身也有其他生物电的干扰,例如心电、眼电、肌电。在研究脑电信号时这些都是要去除的干扰。本发明使用小波变换的方法将脑电信号的噪音滤除。
抑郁人群的脑电信号相比于普通人在不同的波段有着不同的差异,本发明将脑电信号分为五个波段进行对比研究分别为:Delta波(δ),频率范围在0.5到4Hz;Theta波(θ),频率范围在4到8Hz;Alpha波(α),频率范围在8到14Hz;Beta波(β),频率范围在14到30Hz;Gamma波(γ),频率范围在30到50Hz。能够让结果更加全面。
参见图4,时频域单元32中把IIR四阶滤波器的通带设置为0.5~4Hz,得到Delta波段时域图谱和频域图谱。通过图4发现,抑郁组MDD的脑电波的振幅明显强于对照组HC,说明Delta波段抑郁组的脑电活动更加剧烈。慢波Delta活动的增强显示大脑有损伤,并且Delta波的活动越强烈大脑的损伤程度越严重。
参见图5,时频域单元32中把IIR四阶滤波器的通带设置为4~8Hz,得到Theta波段时域图谱和频域图谱。通过图5可以看到抑郁组MDD Theta波段的脑电活动强度要明显高于对照组HC。
参见图6,时频域单元32中把IIR四阶滤波器的通带设置为8~14Hz,得到Alpha波段时域图谱和频域图谱。通过观察图6发现,对照组HC在Alpha波段的脑电信号的活动强度要高于抑郁组MDD。当Alpha水平越高时,大脑皮质越接近于空载状态,也就是说,Alpha波的功率谱与大脑的活动成反比,Alpha波是成年人在静息状态下的主要脑电波形,抑郁组MDD在静息状态下的Alpha活动更加剧烈说明抑郁症患者在静息状态下大脑依然保持在一个比较紧张的状态,这也印证了脑电信号非线性特征的研究。
参见图7,时频域单元32中把IIR四阶滤波器的通带设置为14~30Hz,得到Beta波段时域图谱和频域图谱。通过比较Beta波的脑电信号发现抑郁症患者的脑电信号相对于正常人活动更加剧烈,而Beta波是人在处于紧张激动情绪的情况下的主要脑电波形图,Beta波的活动越强,个体越处于紧张焦虑的情绪,这也与抑郁症患者的临床表现相符合。
Claims (10)
1.基于matlab的脑电信号处理装置,其特征在于,包括数据采集器、去噪单元、非线性单元和时频域单元,数据采集器的输出连接去噪单元的输入,去噪单元的输出分别连接非线性单元和时频域单元的输入,其中,
所述数据采集器包括采集脑电信号的三个电极:Fp1、Fpz、Fp2和作为回路的耳廓电极;
所述去噪单元采用小波三层分解,包括将数据采集器采集到的信号进行小波变换,得到小波系数;在小波变换域上,通过信号和噪声的不同特点来对信号进行去噪;将去噪后的信号进行重建;
所述非线性单元包括计算关联维数、Co复杂度和Renyi熵;
所述时频域单元为通过IIR四阶滤波器对得到的信号进行分段处理。
2.根据权利要求1所述的基于matlab的脑电信号处理装置,其特征在于,所述数据采集器的采样频率为250Hz。
3.根据权利要求1所述的基于matlab的脑电信号处理装置,其特征在于,所述去噪单元中包括使用wden函数对信号进行自动降噪,采用thselect命令进行阈值处理,通过ddencomp命令对信号噪声的强度求阈值。
5.根据权利要求1所述的基于matlab的脑电信号处理装置,其特征在于,所述Co复杂度反映不规则程度,为序列随机性的一种表示,将复杂序列分解为规则活动和随机活动,在数值上等于随机活动序列与时间轴之间的面积比,以及整个复杂活动序列与时间轴之间的面积比,通过以下计算得到:
设EEG信号的时间序列为x(n){x(0),x(1),……,x(N-1)},n=0,1,2,……,N-1,n个样本点;
先将x(n)做快速傅里叶变换FFT:
求X(k)的均方值GN,
将小于或等于X(k)的替换为0,得到一个新的频谱级数Y(k):
然后通过Y(k)的逆FFT得到Y(n),Co复杂度定义为:
其中,y(n)定义为脑电规则活动部分,x(n)-y(n)定义为脑电序列随机部分。
7.根据权利要求1所述的基于matlab的脑电信号处理装置,其特征在于,所述时频域单元中的IIR四阶滤波器的采样频率与采集数据时的频率保持一致,采样点数设为30000。
8.根据权利要求7所述的基于matlab的脑电信号处理装置,其特征在于,所述时频域单元中把IIR四阶滤波器的通带设置为0.5~4Hz,得到Delta波段时域图谱和频域图谱。
9.根据权利要求7所述的基于matlab的脑电信号处理装置,其特征在于,所述时频域单元中把IIR四阶滤波器的通带设置为4~8Hz,得到Theta波段时域图谱和频域图谱。
10.根据权利要求7所述的基于matlab的脑电信号处理装置,其特征在于,所述时频域单元中把IIR四阶滤波器的通带设置为8~14Hz,得到Alpha波段时域图谱和频域图谱。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111185158.7A CN113907768A (zh) | 2021-10-12 | 2021-10-12 | 一种基于matlab的脑电信号处理装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111185158.7A CN113907768A (zh) | 2021-10-12 | 2021-10-12 | 一种基于matlab的脑电信号处理装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113907768A true CN113907768A (zh) | 2022-01-11 |
Family
ID=79239419
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111185158.7A Pending CN113907768A (zh) | 2021-10-12 | 2021-10-12 | 一种基于matlab的脑电信号处理装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113907768A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117942076A (zh) * | 2024-01-18 | 2024-04-30 | 好心情健康产业集团有限公司 | 基于单导脑电信号的心理状态识别方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106236027A (zh) * | 2016-08-23 | 2016-12-21 | 兰州大学 | 一种脑电与温度相结合的抑郁人群判定方法 |
WO2017016086A1 (zh) * | 2015-07-30 | 2017-02-02 | 华南理工大学 | 基于生理信息的抑郁症评估***及其评估方法 |
CN111956219A (zh) * | 2020-08-27 | 2020-11-20 | 济南大学 | 基于脑电信号的情绪特征识别方法、识别及调节*** |
-
2021
- 2021-10-12 CN CN202111185158.7A patent/CN113907768A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017016086A1 (zh) * | 2015-07-30 | 2017-02-02 | 华南理工大学 | 基于生理信息的抑郁症评估***及其评估方法 |
CN106236027A (zh) * | 2016-08-23 | 2016-12-21 | 兰州大学 | 一种脑电与温度相结合的抑郁人群判定方法 |
CN111956219A (zh) * | 2020-08-27 | 2020-11-20 | 济南大学 | 基于脑电信号的情绪特征识别方法、识别及调节*** |
Non-Patent Citations (1)
Title |
---|
赵庆林: "可穿戴脑电传感器关键问题研究及应用验证", 《中国博士学位论文全文数据库 医药卫生科技辑》, no. 3, pages 17 - 18 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117942076A (zh) * | 2024-01-18 | 2024-04-30 | 好心情健康产业集团有限公司 | 基于单导脑电信号的心理状态识别方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Peng et al. | Removal of ocular artifacts in EEG—An improved approach combining DWT and ANC for portable applications | |
Khoshnevis et al. | Applications of higher order statistics in electroencephalography signal processing: A comprehensive survey | |
Ahirwal et al. | Power spectrum analysis of EEG signals for estimating visual attention | |
CN111310570B (zh) | 一种基于vmd和wpd的脑电信号情感识别方法及*** | |
EP1788937A2 (en) | Method for adaptive complex wavelet based filtering of eeg signals | |
CN112861625B (zh) | 一种堆叠去噪自编码器模型确定方法 | |
Judith et al. | Artifact removal from EEG signals using regenerative multi-dimensional singular value decomposition and independent component analysis | |
CN112426162A (zh) | 一种基于脑电信号节律熵的疲劳检测方法 | |
CN114757236B (zh) | 基于tqwt与svmd的脑电信号去噪优化方法及*** | |
Jindal et al. | Migraine disease diagnosis from EEG signals using Non-linear Feature Extraction Technique | |
Daud et al. | Wavelet based filters for artifact elimination in electroencephalography signal: A review | |
Sreekrishna et al. | Real time cascaded moving average filter for detrending of electroencephalogram signals | |
CN113907768A (zh) | 一种基于matlab的脑电信号处理装置 | |
Saini et al. | Discriminatory features based on wavelet energy for effective analysis of electroencephalogram during mental tasks | |
CN112244880B (zh) | 基于变尺度符号补偿传递熵的情绪诱导脑电信号分析方法 | |
Korde et al. | Analysis of eeg signals and biomedical changes due to meditation on brain by using ica for feature extraction | |
Hu et al. | Single-channel EEG signal extraction based on DWT, CEEMDAN, and ICA method | |
Upadhyay et al. | Application of wavelet fractal features for the automated detection of epileptic seizure using electroencephalogram signals | |
CN111493864B (zh) | Eeg信号混合噪声处理方法、设备和存储介质 | |
Longxin et al. | Research on Removing Ocular Artifacts from Multi-Channel EEG signals | |
Zhang et al. | Method of removing noise from EEG signals based on HHT method | |
Alzahrani et al. | The Influence of Smoothing Filtering Methods on the Performance of an EEG-Based Brain–Computer Interface | |
Li et al. | Ocular Artifact Removal Algorithm of Single Channel EEG Based on CEEMDAN-ICA-WTD | |
Atmaji et al. | Three-Class Classification of EEG Signals Using Support Vector Machine Methods | |
Nath et al. | Wavelet Based De-noising of EEG Signal Acquired from Tele-serial Addicted Persons |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |