為消除噪聲影響、準確提取信號特征,提出了對腦電信號進行最優(yōu)階次的分數(shù)階傅里葉變換,以對腦電信號進行時頻域分析.首先采用二維峰值搜索算法得出最優(yōu)變換階次,然后基于最優(yōu)變換階次對腦電信號進行分數(shù)階傅里葉變換.實驗結(jié)果表明,基于二維峰值搜索算法的最優(yōu)分數(shù)階傅里葉變換能更好地去除腦電信號的噪聲,使信號具有非常好的能量聚集性,為腦電信號的特征提取以及進一步分析研究打下良好的基礎. 

【文章來源】：沈陽大學學報(自然科學版). 2019,31(06)

【文章頁數(shù)】：7 頁

【部分圖文】：

各個數(shù)據(jù)段疊加平均后的時域波形

圖2為上述5個波段信號的二維峰值搜索及其一維峰值搜索的結(jié)果.由圖2可見,二維搜索能得出唯一的峰值,而一維搜索有可能出現(xiàn)多個峰值,較難得出最優(yōu)分數(shù)階.圖2 各波段信號一維和二維峰值搜索對比圖

圖2 各波段信號一維和二維峰值搜索對比圖對選取的各個數(shù)據(jù)段的腦電信號進行了最優(yōu)分數(shù)階傅里葉變換與普通階次傅里葉變換,其結(jié)果如圖3所示.由圖3可以看出,與進行普通階次變換的腦電信號相比,進行最優(yōu)分數(shù)階變換的腦電信號的時頻域波形較為平穩(wěn),表明噪聲得到了抑制.基于最優(yōu)分數(shù)階傅里葉變換處理后的腦電信號可以進行大腦的生理狀態(tài)判別.例如,圖3a所示為ephochs 3進行最優(yōu)分數(shù)階傅里葉變換的時頻域波形,顯然,0～0.8 s之間的波形為θ波,表明此時個體處于睡眠或者回憶狀態(tài);0.8～1.2 s之間的波形為α波, 表明此時個體處于安靜或者閉眼狀態(tài);1.2～1.8 s之間的波形為β波,表明個體處于較激動亢奮的狀態(tài).而圖3b所示的普通階次變換下的腦電波形較難提取其節(jié)律波.

【參考文獻】：
期刊論文
[1]基于腦電信號的情緒特征提取與分類[J]. 柳長源,李文強,畢曉君.  傳感技術(shù)學報. 2019(01)
[2]腦-機接口系統(tǒng)關(guān)鍵技術(shù)研究[J]. 周福超,徐進,廖文.  國外電子測量技術(shù). 2018(05)
[3]基于腦電樣本熵和小波熵的麻醉深度監(jiān)測[J]. 丁正敏,熊冬生,陳宇珂,張興安,竇建洪,諶雅雨.  中國醫(yī)學物理學雜志. 2018(02)
[4]基于MSE-PCA的腦電睡眠分期方法研究[J]. 劉雪峰,馬州生,趙艷陽,余傳奇,范文兵.  電子技術(shù)應用. 2017(09)
[5]腦電信號中眼電偽跡自動識別與去除方法研究[J]. 李佳慶,李海芳,白一帆,陰桂梅,孫麗婷.  計算機工程與應用. 2018(13)
[6]基于蟻群優(yōu)選的半監(jiān)督主動協(xié)同睡眠分期方法研究[J]. 金純,岳宗田,邱燦.  計算機應用研究. 2018(05)
[7]腦電情感信號正確提取仿真[J]. 譚志偉,謝云,蘇鏡.  計算機與現(xiàn)代化. 2017(01)
[8]基于互信息與主成分分析的運動想象腦電特征選擇算法[J]. 徐佳琳,左國坤.  生物醫(yī)學工程學雜志. 2016(02)
[9]基于擬牛頓迭代的分數(shù)階Fourier變換最佳階次的搜索方法研究[J]. 陳蓉,馬菊紅.  江蘇科技大學學報(自然科學版). 2015(01)
[10]腦電信號多重粗�；瘡碗s度分析方法研究[J]. 肖毅,陳善廣,韓東旭,王春慧.  電子科技大學學報. 2013(03)



本文編號：3624288