学位论文 > 优秀研究生学位论文题录展示

基于小波包与ICA的脑电α波提取研究

作　者: 庞璐珉
导　师: 滕建辅
学　校: 天津大学
专　业: 信号与信息处理
关键词: 小波包独立分量分析特征提取脑电信号
分类号: TN911.7
类　型: 硕士论文
年　份: 2010年
下　载: 122次
引　用: 0次
阅　读: 论文下载

内容摘要

脑电信号(Electroencephalograph,EEG)处理的目的是为了从复杂的背景噪声中提取出隐含或微弱的脑电特征。独立分量分析(Independent Component Analysis,ICA)方法在满足一定条件下能够从同步测量的多路线性混合信号中分离出相互独立的源信号,且分离结果不受频谱混叠的影响。但是独立分量分析方法在脑电观测信号数量有限的情况下往往不能获得很好的分离效果。本文首先介绍了独立分量分析的模型、度量方法和优化算法,讨论了包括非高斯性极大准则在内的ICA主要度量方法,论述了Infomax算法和FastICA算法的原理和实现。然后,应用独立分量分析方法对脑电信号进行了去噪处理,在脑电观测信号数量有限的情况下去除了脑电中的心电伪迹和工频干扰。试验结果表明利用参考信号进行ICA分析的方法能够有效地去除脑电信号噪声。最后,本文在脑电观测信号数量有限的情况下利用小波包和独立分量分析方法对脑电α波进行特征提取。先用按频带顺序排列的小波包算法将原始脑电信号进行分解,重构相关成分作为α波参考信号。然后用这一系列参考信号同脑电信号共同组成ICA方法的输入信号,再经FastICA方法分离,从而实现从脑电信号中提取脑电α波。提取出的信号频率集中在8~13 Hz之间,完全符合α波的特点,证实了该方法的有效性。

全文目录

摘要  3-4
ABSTRACT  4-7
第一章绪论  7-11
  1.1 脑电现象的研究历史  7-8
  1.2 脑电信号的分析方法  8-9
  1.3 本文的主要研究内容与结构安排  9-11
第二章统计分析和信息论基础知识  11-17
  2.1 统计理论分析基础  11-15
    2.1.1 随机变量的一、二阶统计特性  11-13
    2.1.2 随机变量的高阶统计特性  13-15
  2.2 信息论基础  15-17
    2.2.1 熵的定义  15
    2.2.2 互信息的定义  15-16
    2.2.3 K-L 散度  16-17
第三章独立分量分析的基本原理  17-31
  3.1 多维统计方法概述  17-21
    3.1.1 多维统计方法的线性描述  17
    3.1.2 主分量分析（PCA）  17-19
    3.1.3 独立分量分析概述  19-21
  3.2 随机变量的独立性度量方法  21-23
    3.2.1 非线性不相关准则  21-22
    3.2.2 非高斯性极大准则  22-23
  3.3 独立分量分析的优化算法  23-24
  3.4 InfomaxICA 算法  24-25
  3.5 FastICA 算法与实现  25-31
    3.5.1 一维FastICA 算法  27-28
    3.5.2 多维FastICA 算法  28
    3.5.3 FICA 工具箱介绍  28-31
第四章脑电信号的去噪处理和特征提取  31-52
  4.1 独立分量分析在脑电信号去噪中的应用  31-39
    4.1.1 去除脑电信号伪迹  31-34
    4.1.2 去除脑电信号干扰  34-39
  4.2 小波分析理论  39-43
    4.2.1 小波分析的基本原理  39-42
    4.2.2 小波包分析  42-43
  4.3 基于独立分量分析和小波包分析的α波提取  43-52
    4.3.1 对脑电信号进行小波包分解  44
    4.3.2 按频带顺序排列的小波包新算法  44-48
    4.3.3 构造参考信号进行α波提取  48-51
    4.3.4 结果分析  51-52
第五章总结与展望  52-54
  5.1 本文工作总结  52-53
  5.2 展望  53-54
参考文献  54-57
致谢  57

基于小波包与ICA的脑电α波提取研究

内容摘要

全文目录

相似论文