基于小波包的LMD在EEG信号分析中的研究

发布时间：2017-06-15 12:12

  本文关键词：基于小波包的LMD在EEG信号分析中的研究，由笔耕文化传播整理发布。

【摘要】：脑电信号(Electroencephalogram,简称EEG)其中包含着大量人类精神活动的信息,可是,脑电信号是一种非平稳非线性随机性很强的信号,给脑电信号特征提取带来了很多困难。现有脑电信号采集普遍采用头皮脑电信号采集方法,采集到的信号容易受到采集机器的工频信号、人类自身的肌电信号和眼电信号等的干扰,都会对脑电信号特征提取的效果产生影响。因此,在对脑电特征提取前,对提取到的脑电信号进行去噪处理是首要任务。小波包去噪方法在信号的高频和低频部分都有较高的分辨率,是对脑电信号这种包含大量突变信号进行去噪的有力工具。在对脑电信号进行去噪预处理后,研究者先后提出了时域分析、频域分析和时频分析等脑电信号特征值提取算法。在这些算法中,时频分析方法能够联合时域和频域信息,对脑电信号完成多维度的分析,得到了普及。在时频分析方法中,局部均值分解(Local Mean Decomposition,简称LMD)是一种较高效的脑电信号时频分析方式,可以将脑电信号分解为一系列乘积函数(Product Function,简称PF)分量,并且在求取乘积函数分量的过程中,能非常方便的计算出分量的幅值信息和频率信息,极大得减轻和简化了脑电信号特征提取的工作量,算法更加快捷方便。采集的脑电信号含有较多噪声,使得现有脑电信号特征提取算法在进行脑电信号分解时,用时过长,不适合构建实时系统。本文,提出了一种基于小波包的局部均值分解方法。设法在进行脑电信号特征提取前,对采集的脑电信号进行有效的去噪,并运用局部均值分解方法对脑电信号进行分解。本文主要工作如下:首先研究了脑电信号非平稳非线性随机性强的产生机理,对时域分析、频域分析和时频分析方法等现有脑电信号分析方法进行了对比研究。其次,研究了常用脑电信号去噪方法,小波去噪和小波包去噪,对两种去噪方法的原理进行分析,建立了基于信噪比、均方根误差和相关系数的去噪评价指标,通过实验验证了小波包去噪的优势。其中小波包去噪能够对信号的高频成分进行进一步分析,小波包去噪在对脑电信号这类含有较多突变成分的信号有较好的去噪效果。然后讨论了现有时频分析方法经验模态分解(empiricalmodedecomposition,简称emd)和总体经验模态分解(ensembleempiricalmodedecomposition,简称eemd)方法存在的模态混叠、边界效应和算法分解效率低的问题及其产生机理。其中经验模态分解存在模态混叠问题和边界效应问题,由于其产生均值函数时是通过极大值和极小值分别构造上下包络线,在边界处的有效点密度较低,导致严重的边界效应。此外,总体经验模态分解运用多次添加白噪声进行多次经验模态分解的方法,尽管某种程度上解决了经验模态分解的模态混叠问题,但是,其多次进行经验模态分解导致对于同一段信号的分解时间成倍增长,无法适用于实时分析系统的构建。最后,运用基于小波包的局部均值分解算法,对脑电信号进行分析。局部均值分析方法,利用相邻极值点的平均值构造均值函数,在边界处的有效点密度是经验模态分解方法的两倍,有效缓解了边界效应问题,同时,分解效率较高。通过进行实验对比和分析,基于小波包的局部均值分解方法和经验模态分解、总体经验模态分解算法相比,能够有效缓解经验模态分解的边界效应问题,同时分解效率远高于总体经验模态分解,与经验模态分解方法基本持平。
【关键词】：小波包 局部均值分解 脑电信号 经验模态分解 总体经验模态分解
【学位授予单位】：太原理工大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：O174.2;TN911.6
【目录】：

• 摘要3-6
• Abstract6-12
• 第一章 绪论12-24
• 1.1 课题研究背景及意义12-13
• 1.2 脑电信号概述13-17
• 1.2.1 脑电信号介绍13
• 1.2.2 脑电波产生的机理13-14
• 1.2.3 脑电信号的采集14
• 1.2.4 脑电信号应用领域广泛14-15
• 1.2.5 脑电信号的分类15-16
• 1.2.6 脑电信号的特性16-17
• 1.3 国内外研究现状17-21
• 1.3.1 时域分析方法17-18
• 1.3.2 频域分析方法18
• 1.3.3 时频分析方法18-20
• 1.3.4 非线性分析方法20-21
• 1.4 存在的主要问题21
• 1.5 主要研究内容及章节安排21-22
• 1.6 本章小结22-24
• 第二章 常用脑电信号处理方法24-36
• 2.1 经验模态分解（EMD）24-29
• 2.1.1 固有模态函数25
• 2.1.2 经验模态分解25-28
• 2.1.3 模态混叠问题28-29
• 2.2 总体经验模态分解（EEMD）29-30
• 2.3 局部均值分解（LMD）30-36
• 第三章 基于小波包去噪的脑电信号去噪方法36-52
• 3.1 小波分解理论36-44
• 3.1.1 连续小波变换36-37
• 3.1.2 离散小波变换37-38
• 3.1.3 常用小波基函数38-41
• 3.1.4 多分辨率分析41-44
• 3.2 小波包分解44-46
• 3.3 小波及小波包去噪46-48
• 3.3.1 小波去噪46
• 3.3.2 小波去噪方法分类46-47
• 3.3.3 小波包去噪47-48
• 3.4 去噪效果评价标准48-49
• 3.5 小波及小波包去噪的对比分析49-50
• 3.6 本章小结50-52
• 第四章 基于小波包的LMD脑电信号处理方法52-76
• 4.1 EMD和EEMD存在的问题52-60
• 4.1.1 EMD模态混叠问题52-54
• 4.1.2 EMD边界问题54-57
• 4.1.3 EEMD的分解效率57-60
• 4.2 LMD的优势60-63
• 4.2.1 LMD处理边界效应61-62
• 4.2.2 LMD分解效率优势62-63
• 4.3 脑电实验数据的采集63-64
• 4.4 基于小波包的LMD的脑电信号处理方法64-66
• 4.5 基于小波包的LMD在脑电信号分析中的应用66-74
• 4.5.1 实验数据来源66-67
• 4.5.2 小波去噪与小波包去噪对比67-69
• 4.5.3 基于小波和小波包的LMD分解69-72
• 4.5.4 基于小波包去噪的EMD、EEMD和LMD对比72-74
• 4.6 本章小结74-76
• 第五章 总结与展望76-78
• 5.1 论文总结76-77
• 5.2 工作展望77-78
• 参考文献78-84
• 致谢84-85
• 攻读硕士学位期间发表的学术论文目录85

【相似文献】

中国期刊全文数据库 前10条

1 李斌,庄天戈;一种基于非线性域值小波包的超声图像闪斑抑制方法(英文)[J];红外与毫米波学报;2001年04期

2 孙垒;陈瑛;黄永东;;混合正交多小波包[J];宁夏大学学报(自然科学版);2006年04期

3 马晓剑;张玉;;H~1[0,1]空间小波包分析[J];东北林业大学学报;2008年08期

4 王景宇,李春庚;小波包频谱结构的数值分析[J];辽宁师范大学学报(自然科学版);1999年04期

5 李云章,黄达人;二进仿射小波包[J];浙江大学学报(理学版);2002年01期

6 宋文晶,刘明才;区间上不连续多小波包的分解与重构[J];吉林师范大学学报(自然科学版);2004年04期

7 赵明,朱春喜;小波包理论及其在图像处理中的应用[J];益阳师专学报;1998年05期

8 高清维,明军,程玉林;图像小波包子带编码[J];中国科学技术大学学报;2000年04期

9 毛一波;;广义正交双向小波包的性质及频域表示[J];济南大学学报(自然科学版);2013年02期

10 王松伟;文成林;;长记忆过程参数的小波包极大似然估计方法[J];河南大学学报(自然科学版);2006年02期

中国重要会议论文全文数据库 前6条

1 申传朋;唐向宏;余志卫;;基于子频带性能分析的小波包树选择性研究[A];浙江省电子学会2009学术年会论文集[C];2009年

2 冯清玲;王全杰;;基于小波包的变形监测数据去噪[A];山东省测绘学术年会论文集[C];2006年

3 魏兴昌;梁昌洪;;用离散小波包求解介质柱的散射[A];1999年全国微波毫米波会议论文集(上册)[C];1999年

4 谢永芳;董群英;彭涛;王雅琳;;基于小波包移频算法的AR模型的滚动轴承故障诊断[A];第24届中国控制与决策会议论文集[C];2012年

5 练秋生;卢辉斌;王成儒;;基于最优小波包的心电图压缩算法[A];中国仪器仪表学会第三届青年学术会议论文集（上）[C];2001年

6 颜志国;王志中;任晓梅;;独立分量分析和小波熵在动作模式分类中的应用[A];2005年上海市生物医学工程学会学术年会论文集[C];2005年

中国硕士学位论文全文数据库 前2条

1 马潇;基于小波包的LMD在EEG信号分析中的研究[D];太原理工大学;2016年

2 姚书会;面向生产优化的数据协调方法研究[D];北京化工大学;2014年

  本文关键词：基于小波包的LMD在EEG信号分析中的研究，由笔耕文化传播整理发布。

，

本文编号：452422