在腦電信號特征提取算法中,常用的是小波包分解和小波分解。"小波包分解"會把信號的高頻和低頻完全分解。在此過程中,無關(guān)信號頻率也會被分解,算法復(fù)雜度被迫提升。因此,引入只對低頻信號進行分解的"小波分解"。假設(shè)所需信號中包含高頻信號,經(jīng)小波分解后,得到的信號會以丟失高頻信息為代價,換取算法在復(fù)雜度上的優(yōu)勢。為了解決傳統(tǒng)的小波函數(shù)利用Mallat算法進行分解、重構(gòu)的復(fù)雜性,在Mallat算法之上,提出了"半小波包"的概念,形成將小波分解與小波包分解相結(jié)合的"半小波包分解"算法,解決了小波分解只對低頻信號有效以及利用Mallat算法實現(xiàn)的小波包分解的冗余問題。首次利用半小波包和卷積過程改進的算法對DEAP數(shù)據(jù)庫中的腦電信號進行分解,在保證準確度的基礎(chǔ)上,達到了分解信號高速率、分解算法低復(fù)雜度的效果。

【文章頁數(shù)】：9 頁

圖1未處理的原始腦電圖像

圖2小波分解示意圖

圖3小波分解

圖4小波包分解

本文編號：3887019