本文關鍵詞：基于小波包的LMD在EEG信號分析中的研究，由筆耕文化傳播整理發(fā)布。

【摘要】：腦電信號(Electroencephalogram,簡稱EEG)其中包含著大量人類精神活動的信息,可是,腦電信號是一種非平穩(wěn)非線性隨機性很強的信號,給腦電信號特征提取帶來了很多困難。現(xiàn)有腦電信號采集普遍采用頭皮腦電信號采集方法,采集到的信號容易受到采集機器的工頻信號、人類自身的肌電信號和眼電信號等的干擾,都會對腦電信號特征提取的效果產生影響。因此,在對腦電特征提取前,對提取到的腦電信號進行去噪處理是首要任務。小波包去噪方法在信號的高頻和低頻部分都有較高的分辨率,是對腦電信號這種包含大量突變信號進行去噪的有力工具。在對腦電信號進行去噪預處理后,研究者先后提出了時域分析、頻域分析和時頻分析等腦電信號特征值提取算法。在這些算法中,時頻分析方法能夠聯(lián)合時域和頻域信息,對腦電信號完成多維度的分析,得到了普及。在時頻分析方法中,局部均值分解(Local Mean Decomposition,簡稱LMD)是一種較高效的腦電信號時頻分析方式,可以將腦電信號分解為一系列乘積函數(shù)(Product Function,簡稱PF)分量,并且在求取乘積函數(shù)分量的過程中,能非常方便的計算出分量的幅值信息和頻率信息,極大得減輕和簡化了腦電信號特征提取的工作量,算法更加快捷方便。采集的腦電信號含有較多噪聲,使得現(xiàn)有腦電信號特征提取算法在進行腦電信號分解時,用時過長,不適合構建實時系統(tǒng)。本文,提出了一種基于小波包的局部均值分解方法。設法在進行腦電信號特征提取前,對采集的腦電信號進行有效的去噪,并運用局部均值分解方法對腦電信號進行分解。本文主要工作如下:首先研究了腦電信號非平穩(wěn)非線性隨機性強的產生機理,對時域分析、頻域分析和時頻分析方法等現(xiàn)有腦電信號分析方法進行了對比研究。其次,研究了常用腦電信號去噪方法,小波去噪和小波包去噪,對兩種去噪方法的原理進行分析,建立了基于信噪比、均方根誤差和相關系數(shù)的去噪評價指標,通過實驗驗證了小波包去噪的優(yōu)勢。其中小波包去噪能夠對信號的高頻成分進行進一步分析,小波包去噪在對腦電信號這類含有較多突變成分的信號有較好的去噪效果。然后討論了現(xiàn)有時頻分析方法經驗模態(tài)分解(empiricalmodedecomposition,簡稱emd)和總體經驗模態(tài)分解(ensembleempiricalmodedecomposition,簡稱eemd)方法存在的模態(tài)混疊、邊界效應和算法分解效率低的問題及其產生機理。其中經驗模態(tài)分解存在模態(tài)混疊問題和邊界效應問題,由于其產生均值函數(shù)時是通過極大值和極小值分別構造上下包絡線,在邊界處的有效點密度較低,導致嚴重的邊界效應。此外,總體經驗模態(tài)分解運用多次添加白噪聲進行多次經驗模態(tài)分解的方法,盡管某種程度上解決了經驗模態(tài)分解的模態(tài)混疊問題,但是,其多次進行經驗模態(tài)分解導致對于同一段信號的分解時間成倍增長,無法適用于實時分析系統(tǒng)的構建。最后,運用基于小波包的局部均值分解算法,對腦電信號進行分析。局部均值分析方法,利用相鄰極值點的平均值構造均值函數(shù),在邊界處的有效點密度是經驗模態(tài)分解方法的兩倍,有效緩解了邊界效應問題,同時,分解效率較高。通過進行實驗對比和分析,基于小波包的局部均值分解方法和經驗模態(tài)分解、總體經驗模態(tài)分解算法相比,能夠有效緩解經驗模態(tài)分解的邊界效應問題,同時分解效率遠高于總體經驗模態(tài)分解,與經驗模態(tài)分解方法基本持平。
【關鍵詞】：小波包 局部均值分解 腦電信號 經驗模態(tài)分解 總體經驗模態(tài)分解
【學位授予單位】：太原理工大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：O174.2;TN911.6
【目錄】：

• 摘要3-6
• Abstract6-12
• 第一章 緒論12-24
• 1.1 課題研究背景及意義12-13
• 1.2 腦電信號概述13-17
• 1.2.1 腦電信號介紹13
• 1.2.2 腦電波產生的機理13-14
• 1.2.3 腦電信號的采集14
• 1.2.4 腦電信號應用領域廣泛14-15
• 1.2.5 腦電信號的分類15-16
• 1.2.6 腦電信號的特性16-17
• 1.3 國內外研究現(xiàn)狀17-21
• 1.3.1 時域分析方法17-18
• 1.3.2 頻域分析方法18
• 1.3.3 時頻分析方法18-20
• 1.3.4 非線性分析方法20-21
• 1.4 存在的主要問題21
• 1.5 主要研究內容及章節(jié)安排21-22
• 1.6 本章小結22-24
• 第二章 常用腦電信號處理方法24-36
• 2.1 經驗模態(tài)分解（EMD）24-29
• 2.1.1 固有模態(tài)函數(shù)25
• 2.1.2 經驗模態(tài)分解25-28
• 2.1.3 模態(tài)混疊問題28-29
• 2.2 總體經驗模態(tài)分解（EEMD）29-30
• 2.3 局部均值分解（LMD）30-36
• 第三章 基于小波包去噪的腦電信號去噪方法36-52
• 3.1 小波分解理論36-44
• 3.1.1 連續(xù)小波變換36-37
• 3.1.2 離散小波變換37-38
• 3.1.3 常用小波基函數(shù)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 小波去噪方法分類46-47
• 3.3.3 小波包去噪47-48
• 3.4 去噪效果評價標準48-49
• 3.5 小波及小波包去噪的對比分析49-50
• 3.6 本章小結50-52
• 第四章 基于小波包的LMD腦電信號處理方法52-76
• 4.1 EMD和EEMD存在的問題52-60
• 4.1.1 EMD模態(tài)混疊問題52-54
• 4.1.2 EMD邊界問題54-57
• 4.1.3 EEMD的分解效率57-60
• 4.2 LMD的優(yōu)勢60-63
• 4.2.1 LMD處理邊界效應61-62
• 4.2.2 LMD分解效率優(yōu)勢62-63
• 4.3 腦電實驗數(shù)據的采集63-64
• 4.4 基于小波包的LMD的腦電信號處理方法64-66
• 4.5 基于小波包的LMD在腦電信號分析中的應用66-74
• 4.5.1 實驗數(shù)據來源66-67
• 4.5.2 小波去噪與小波包去噪對比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對比72-74
• 4.6 本章小結74-76
• 第五章 總結與展望76-78
• 5.1 論文總結76-77
• 5.2 工作展望77-78
• 參考文獻78-84
• 致謝84-85
• 攻讀碩士學位期間發(fā)表的學術論文目錄85

【相似文獻】

中國期刊全文數(shù)據庫 前10條

1 李斌,莊天戈;一種基于非線性域值小波包的超聲圖像閃斑抑制方法(英文)[J];紅外與毫米波學報;2001年04期

2 孫壘;陳瑛;黃永東;;混合正交多小波包[J];寧夏大學學報(自然科學版);2006年04期

3 馬曉劍;張玉;;H~1[0,1]空間小波包分析[J];東北林業(yè)大學學報;2008年08期

4 王景宇,李春庚;小波包頻譜結構的數(shù)值分析[J];遼寧師范大學學報(自然科學版);1999年04期

5 李云章,黃達人;二進仿射小波包[J];浙江大學學報(理學版);2002年01期

6 宋文晶,劉明才;區(qū)間上不連續(xù)多小波包的分解與重構[J];吉林師范大學學報(自然科學版);2004年04期

7 趙明,朱春喜;小波包理論及其在圖像處理中的應用[J];益陽師專學報;1998年05期

8 高清維,明軍,程玉林;圖像小波包子帶編碼[J];中國科學技術大學學報;2000年04期

9 毛一波;;廣義正交雙向小波包的性質及頻域表示[J];濟南大學學報(自然科學版);2013年02期

10 王松偉;文成林;;長記憶過程參數(shù)的小波包極大似然估計方法[J];河南大學學報(自然科學版);2006年02期

中國重要會議論文全文數(shù)據庫 前6條

1 申傳朋;唐向宏;余志衛(wèi);;基于子頻帶性能分析的小波包樹選擇性研究[A];浙江省電子學會2009學術年會論文集[C];2009年

2 馮清玲;王全杰;;基于小波包的變形監(jiān)測數(shù)據去噪[A];山東省測繪學術年會論文集[C];2006年

3 魏興昌;梁昌洪;;用離散小波包求解介質柱的散射[A];1999年全國微波毫米波會議論文集(上冊)[C];1999年

4 謝永芳;董群英;彭濤;王雅琳;;基于小波包移頻算法的AR模型的滾動軸承故障診斷[A];第24屆中國控制與決策會議論文集[C];2012年

5 練秋生;盧輝斌;王成儒;;基于最優(yōu)小波包的心電圖壓縮算法[A];中國儀器儀表學會第三屆青年學術會議論文集（上）[C];2001年

6 顏志國;王志中;任曉梅;;獨立分量分析和小波熵在動作模式分類中的應用[A];2005年上海市生物醫(yī)學工程學會學術年會論文集[C];2005年

中國碩士學位論文全文數(shù)據庫 前2條

1 馬瀟;基于小波包的LMD在EEG信號分析中的研究[D];太原理工大學;2016年

2 姚書會;面向生產優(yōu)化的數(shù)據協(xié)調方法研究[D];北京化工大學;2014年

  本文關鍵詞：基于小波包的LMD在EEG信號分析中的研究，由筆耕文化傳播整理發(fā)布。

，

本文編號：452422