在腦電信號(hào)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(huì)把信號(hào)的高頻和低頻完全分解。在此過(guò)程中,無(wú)關(guān)信號(hào)頻率也會(huì)被分解,算法復(fù)雜度被迫提升。因此,引入只對(duì)低頻信號(hào)進(jìn)行分解的"小波分解"。假設(shè)所需信號(hào)中包含高頻信號(hào),經(jīng)小波分解后,得到的信號(hào)會(huì)以丟失高頻信息為代價(jià),換取算法在復(fù)雜度上的優(yōu)勢(shì)。為了解決傳統(tǒng)的小波函數(shù)利用Mallat算法進(jìn)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(duì)低頻信號(hào)有效以及利用Mallat算法實(shí)現(xiàn)的小波包分解的冗余問(wèn)題。首次利用半小波包和卷積過(guò)程改進(jìn)的算法對(duì)DEAP數(shù)據(jù)庫(kù)中的腦電信號(hào)進(jìn)行分解,在保證準(zhǔn)確度的基礎(chǔ)上,達(dá)到了分解信號(hào)高速率、分解算法低復(fù)雜度的效果。

【文章頁(yè)數(shù)】：9 頁(yè)

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(hào)：3887019