基于模態(tài)分解的腦電信號分析方法研究.pdf

1、腦電信號是一種非線性的復(fù)雜信號，其中包含著大量人類大腦運作和神經(jīng)紊亂信息，可通過對腦電信號的有效信息提取得知人類當下的生理狀況?，F(xiàn)階段，用于分析腦電信號的方法眾多，但仍缺少性能較好的分析方法。經(jīng)驗?zāi)B(tài)分解算法是一種有效的無規(guī)則信號處理方法，能高效地分解各種信號。因此，本文將基于經(jīng)驗?zāi)B(tài)分解算法對腦電信號分析方法進行研究。
　　首先，針對經(jīng)驗?zāi)B(tài)分解過程中的端點效應(yīng)問題，提出了兩種組合延拓方法，即支持向量機與數(shù)據(jù)加窗和最小二乘支持向

2、量機與數(shù)據(jù)加窗處理方法。通過仿真實驗和真實腦電數(shù)據(jù)實驗，表明文中提出的兩種組合延拓方法能有效抑制經(jīng)驗?zāi)B(tài)分解過程中所存在的端點效應(yīng)問題，且性能優(yōu)于其它用于比較的延拓方法。
　　其次，以經(jīng)驗?zāi)B(tài)分解算法為基礎(chǔ)，通過相關(guān)性分析選擇與原始信號相關(guān)性最大IMF分量作為相應(yīng)類別腦電信號的特征提取對象，并由Kruskal-wallis檢驗方法對多種特征指標的表征性能進行比較，通過實驗選定最能表征不同種類腦電信號的特征作為分類器的特征輸入，即平

3、均頻率、方差和波動指數(shù)。
　　最后，提出基于經(jīng)驗?zāi)B(tài)分解算法和最小二乘支持向量機分類器的腦電信號分類方法，該算法以平均頻率、方差和波動指數(shù)為特征指標。通過五個實驗以及與其它不同分類方法的比較，對該分類方法的性能進行檢測。實驗表明了本文提出的分類方法在對正常腦電和癲癇發(fā)作腦電進行分類的實驗中分類準確性可高達100％，不同方法的比較證明了該分類方法具有高精度分類性能，具有現(xiàn)實有效性。同時，還將前文提出的最小二乘支持向量機與數(shù)據(jù)加窗處理