多通道EEG信号去噪算法的研究
发布时间：2021-01-30 13:57
脑电图是当今流行的疾病诊断工具,常用于监控脑电（简称EEG）信号变化,帮助人们更好地了解大脑的生理结构,医疗工作者可根据经验对脑电图进行分析和诊断,但EEG信号中包含了大量的噪声,所以噪声的去除是EEG数据分析及处理的首要环节。如何从含噪的信号中恢复原信号,实现信噪分离,已成为EEG去噪的重要研究课题。小波分析是近些年多通道EEG信号去噪领域中迅速发展起来的一种新技术,目前被广泛应用于临床诊断和科学研究,很多学者也借助小波函数进行EEG去噪研究。但目前去噪的算法在噪声识别和噪声去除上存在一定的局限,鉴于此,本文在小波去噪算法的基础上,提出了新的小波阈值函数去噪方法,同时应用了贝叶斯估计新的小波阈值函数的系数,并对去噪后的EEG信号进行了卡尔曼滤波分析。主要研究工作如下:基于多通道EEG信号的特点,采用PCA降维技术去掉了多通道EEG信号之间的信息冗余,讨论了傅里叶、小波分解与重构、小波软阈值的去噪算法及影响,构建了新的阈值小波函数,解决了多尺度分解条件下EEG信号去噪效果不理想的问题。通过仿真实验,验证了新的阈值小波函数算法的去噪效果,并从信号的评价指标上,比较了不同的算法对去噪性能的...
【文章来源】：长春理工大学吉林省
【文章页数】：75 页
【学位级别】：硕士
【部分图文】：
窗口函数如图2.1所示为短时傅里叶变换的窗口函数，它的特点是在有限的区间外恒等于
第2章小波分析基本理论1图2.2短时傅里叶变换经以上分析可知，短时傅里叶变换具有局部化分析能力，也有自身不能处理的缺点，即信号处理窗口g(t)确定后，窗口在平面的位置可以进行更改，而窗口的形状不能改变，所以短时傅里叶变换具有单一的分辨率分析能力[22]，且窗口g(t)随分辨率的变化而变化。对于非平稳信号而言，信号频率变化的稳定时刻，主频是低频时，则要求有较高的频率分辨率，信号波形变化剧烈时，主频是高频，即要求有较高的时间分辨率。短时傅里叶变换的时频窗口不能任意改变，所有特征信号不适用过渡过程和突变过程，且离散形式不能进行正交展开，因此造成去噪上的缺陷。后来学者开始进行小波去噪[23]。2.2.3连续小波变换小波变换是将ψ(t)可积函数满足ψ(t)，其定义公式为：dCR2)(（2-4）则ψ(t)为小波母函数或基本小波，并称上式为小波的可允许条件，根据公式定义的小波函数具有非零值，且定义域在有限的范围。另一方面，根据可允许条件可知直流分量为0时，小波具有正负交替波动性[24]。在通常情况下，紧支集和近似紧支集具有正则性，所以将任意空间中的函数f(t)在小波基下展开，则连续小波f(t)的表达式为：dtattfatfaWTRaf)()(1),(),(,（2-5）由上述公式可以看出连续小波变换和傅里叶变换都是积分变换，但是与傅里叶变换不同的是，小波变换具有平移和拉伸两个尺度参数，所以多通道脑电信号在通过连续小波变换后可将时间函数投影到二维时间尺度平面上，这有利于脑电信号的特征提取[25]。在满足上述公式的情况下，小波变换存在逆变换，表达式如下：
第2章小波分析基本理论1dtaWTadaCtfaf)(),(1)(,0（2-6）通过小波逆变换可知小波变换具有线性、能量守恒、可微性等特性。如图2.3所示为小波在时域上伸缩，小波对信号的尺度伸缩就是对波形进行一定的压缩和伸展，在不同的尺度参数下，a的变化随尺度时间变化而变化，√控制波形的幅度成反比减少，但信号的形状不变[26]。a)b)图2.3小波在时域上伸缩a)伸缩前b)伸缩后对波形的时间平移是将信号在时间轴上平行移动，平移前后的对比如图2.4所示。a)b)图2.4小波在时间上平移a)平移前b)平移后小波基函数在有限的区域内进行时域和频域变换，在经过伸缩平移后，时域和频域仍然具有局部性。如图2.5所示为小波变换的时频图。
【参考文献】：
期刊论文
[1]基于子成分分解的脑电信号去噪方法比较研究[J]. 付荣荣,鲍甜恬,田永胜,王琳. 计量学报. 2019(04)
[2]基于非线性多尺度表示的脑电消噪方法[J]. 耿雪青,佘青山,张启忠,马玉良. 控制工程. 2019(06)
[3]小波去噪在数字信号去噪中的应用[J]. 霍鹏举,史云鹏,朱长发,程耀,高宇. 电脑知识与技术. 2019(17)
[4]基于降噪源分离的脑电信号消噪方法[J]. 罗志增,金晟,李阳丹. 华中科技大学学报(自然科学版). 2018(12)
[5]基于小波系数非线性连续函数衰减的脑电信号去噪[J]. 于向洋,罗志增. 计量学报. 2017(06)
[6]基于MP算法的脑电信号去噪[J]. 王利. 计算机与现代化. 2014(04)
[7]图像去噪方法的对比研究[J]. 孙晓明,周冬梅,张顺. 科技视界. 2014(06)
[8]基于HHT的脑电信号去噪处理研究[J]. 单慧琳,张银胜,唐慧强. 电子技术应用. 2013(11)
[9]改进的小波阈值函数滤波分析[J]. 赵晓燕. 噪声与振动控制. 2013(02)
[10]基于ROC曲线的驾驶疲劳脑电样本熵判定阈值研究[J]. 赵晓华,许士丽,荣建,张兴俭. 西南交通大学学报. 2013(01)
博士论文
[1]基于贝叶斯理论的EEG-fMRI融合技术研究[D]. 雷旭.电子科技大学 2011
[2]基于自适应提升小波的信号去噪技术研究[D]. 孙轶.中国科学技术大学 2008
硕士论文
[1]基于小波分析理论的GARCH模型在金融时间序列中的应用研究[D]. 凡婷.西华师范大学 2018
[2]独立分量分析与小波阈值在癫痫脑电信号去噪中的应用研究[D]. 杨陈军.西北大学 2017
[3]基于卡尔曼滤波脑认知动态特征提取方法研究[D]. 王姝宇.哈尔滨工业大学 2017
[4]基于相位同步的癫痫脑电信号分析[D]. 李勇华.南京邮电大学 2016
[5]基于EEG的脑网络特征的脑疲劳状态分类研究[D]. 艾娜.河北工业大学 2016
[6]基于贝叶斯估计的白光干涉信号三维去噪研究[D]. 陈春根.南昌航空大学 2016
[7]基于多通道EEG信号的癫痫特征提取与识别方法研究[D]. 吴艳.武汉理工大学 2016
[8]基于小波分析的振动信号去噪研究[D]. 王绍杰.燕山大学 2015
[9]基于联合稀疏表示的红外与可见光图像融合研究[D]. 宋莎莎.西北工业大学 2015
[10]基于稀疏表示的运动想象脑电信号识别算法研究[D]. 黄红霞.燕山大学 2014
本文编号：3009021
【文章来源】：长春理工大学吉林省
【文章页数】：75 页
【学位级别】：硕士
【部分图文】：
窗口函数如图2.1所示为短时傅里叶变换的窗口函数，它的特点是在有限的区间外恒等于
第2章小波分析基本理论1图2.2短时傅里叶变换经以上分析可知，短时傅里叶变换具有局部化分析能力，也有自身不能处理的缺点，即信号处理窗口g(t)确定后，窗口在平面的位置可以进行更改，而窗口的形状不能改变，所以短时傅里叶变换具有单一的分辨率分析能力[22]，且窗口g(t)随分辨率的变化而变化。对于非平稳信号而言，信号频率变化的稳定时刻，主频是低频时，则要求有较高的频率分辨率，信号波形变化剧烈时，主频是高频，即要求有较高的时间分辨率。短时傅里叶变换的时频窗口不能任意改变，所有特征信号不适用过渡过程和突变过程，且离散形式不能进行正交展开，因此造成去噪上的缺陷。后来学者开始进行小波去噪[23]。2.2.3连续小波变换小波变换是将ψ(t)可积函数满足ψ(t)，其定义公式为：dCR2)(（2-4）则ψ(t)为小波母函数或基本小波，并称上式为小波的可允许条件，根据公式定义的小波函数具有非零值，且定义域在有限的范围。另一方面，根据可允许条件可知直流分量为0时，小波具有正负交替波动性[24]。在通常情况下，紧支集和近似紧支集具有正则性，所以将任意空间中的函数f(t)在小波基下展开，则连续小波f(t)的表达式为：dtattfatfaWTRaf)()(1),(),(,（2-5）由上述公式可以看出连续小波变换和傅里叶变换都是积分变换，但是与傅里叶变换不同的是，小波变换具有平移和拉伸两个尺度参数，所以多通道脑电信号在通过连续小波变换后可将时间函数投影到二维时间尺度平面上，这有利于脑电信号的特征提取[25]。在满足上述公式的情况下，小波变换存在逆变换，表达式如下：
第2章小波分析基本理论1dtaWTadaCtfaf)(),(1)(,0（2-6）通过小波逆变换可知小波变换具有线性、能量守恒、可微性等特性。如图2.3所示为小波在时域上伸缩，小波对信号的尺度伸缩就是对波形进行一定的压缩和伸展，在不同的尺度参数下，a的变化随尺度时间变化而变化，√控制波形的幅度成反比减少，但信号的形状不变[26]。a)b)图2.3小波在时域上伸缩a)伸缩前b)伸缩后对波形的时间平移是将信号在时间轴上平行移动，平移前后的对比如图2.4所示。a)b)图2.4小波在时间上平移a)平移前b)平移后小波基函数在有限的区域内进行时域和频域变换，在经过伸缩平移后，时域和频域仍然具有局部性。如图2.5所示为小波变换的时频图。
【参考文献】：
期刊论文
[1]基于子成分分解的脑电信号去噪方法比较研究[J]. 付荣荣,鲍甜恬,田永胜,王琳. 计量学报. 2019(04)
[2]基于非线性多尺度表示的脑电消噪方法[J]. 耿雪青,佘青山,张启忠,马玉良. 控制工程. 2019(06)
[3]小波去噪在数字信号去噪中的应用[J]. 霍鹏举,史云鹏,朱长发,程耀,高宇. 电脑知识与技术. 2019(17)
[4]基于降噪源分离的脑电信号消噪方法[J]. 罗志增,金晟,李阳丹. 华中科技大学学报(自然科学版). 2018(12)
[5]基于小波系数非线性连续函数衰减的脑电信号去噪[J]. 于向洋,罗志增. 计量学报. 2017(06)
[6]基于MP算法的脑电信号去噪[J]. 王利. 计算机与现代化. 2014(04)
[7]图像去噪方法的对比研究[J]. 孙晓明,周冬梅,张顺. 科技视界. 2014(06)
[8]基于HHT的脑电信号去噪处理研究[J]. 单慧琳,张银胜,唐慧强. 电子技术应用. 2013(11)
[9]改进的小波阈值函数滤波分析[J]. 赵晓燕. 噪声与振动控制. 2013(02)
[10]基于ROC曲线的驾驶疲劳脑电样本熵判定阈值研究[J]. 赵晓华,许士丽,荣建,张兴俭. 西南交通大学学报. 2013(01)
博士论文
[1]基于贝叶斯理论的EEG-fMRI融合技术研究[D]. 雷旭.电子科技大学 2011
[2]基于自适应提升小波的信号去噪技术研究[D]. 孙轶.中国科学技术大学 2008
硕士论文
[1]基于小波分析理论的GARCH模型在金融时间序列中的应用研究[D]. 凡婷.西华师范大学 2018
[2]独立分量分析与小波阈值在癫痫脑电信号去噪中的应用研究[D]. 杨陈军.西北大学 2017
[3]基于卡尔曼滤波脑认知动态特征提取方法研究[D]. 王姝宇.哈尔滨工业大学 2017
[4]基于相位同步的癫痫脑电信号分析[D]. 李勇华.南京邮电大学 2016
[5]基于EEG的脑网络特征的脑疲劳状态分类研究[D]. 艾娜.河北工业大学 2016
[6]基于贝叶斯估计的白光干涉信号三维去噪研究[D]. 陈春根.南昌航空大学 2016
[7]基于多通道EEG信号的癫痫特征提取与识别方法研究[D]. 吴艳.武汉理工大学 2016
[8]基于小波分析的振动信号去噪研究[D]. 王绍杰.燕山大学 2015
[9]基于联合稀疏表示的红外与可见光图像融合研究[D]. 宋莎莎.西北工业大学 2015
[10]基于稀疏表示的运动想象脑电信号识别算法研究[D]. 黄红霞.燕山大学 2014
本文编号：3009021
本文链接：https://www.wllwen.com/kejilunwen/xinxigongchenglunwen/3009021.html
