[发明专利]基于双树复小波的脑电信号情绪识别特征提取方法

权利要求书

1.一种基于双树复小波的脑电信号情绪识别特征提取方法，其特征在于，具体步骤如下：

步骤1).脑电信号采集，采用Neuroscan设备采集原始脑电信号；

步骤2).脑电信号的预处理，对步骤1采集到的脑电信号进行预处理，以减少眼电和肌电的干扰，提高分类识别率。预处理主要包括截取情绪的有效数据，降低采样率，去除基线数据；

步骤3).对预处理后的信号进行双树复小波分解和重构，获得特定频段的脑电信号；

步骤4).重构出β波段的信号，计算其解卷绕之后的相位信息；

步骤5).重构后获得不同频段的信号，求其样本熵平均值；

步骤6).把信号的相位信息和样本熵作为特征向量输入到SVM中进行分类。

2.根据权利要求1所述的方法，其特征在于，步骤3)所述的双树复小波变换具体如下：

为了实现双树复小波变换，采用Kingsbury提出的Q-Shift双树滤波器，它是一簇正交离散的滤波器系数，实现变换中的抗混叠现象；设脑电信号s(n)的采样频率为fs，用双树复小波变换将原始信号分为L层，则能得到CAL，CDL，CD(L-1),........CD1等L+1个子带的复系数；将系数重构后得到的信号分量AL,DL,........D1所对应的频带范围分别为[0,fs/2^L+1],...........[fs/2²,fs/2]；然后选取α，β，θ对应的频率进行重构信号；

双树复小波分解与重构的算法采用了二叉树结构的两路DWT，一树生成变换的实部，一树生成虚部；假设存在两组特殊的用于分解的实数滤波器{gr,hr}和{gi,hi}，对原始信号s(t)使用这两组滤波器分别进行两个各自独立的小波包分解即双树分解，这里称为R树分解与I树分解，算法如下：

R树分解

I树分解

式中，与分别是R树与I树在尺度j,节点序号n下的系数，l为平移因子，hr和hi为低通滤波器，gr和gi为高通滤波器。上式中R树的系数理解为复小波分解的实部；I树的系数可以理解为虚部；

设用于重构的滤波器为{sgr,shr}和{sgi,shi}，则重构算法为：

R树重构

I树重构

3.根据权利要求1所述的方法，其特征在于，步骤4)所述求重构信号解卷绕后的相位信息，具体如下：

(4-1)一个信号的频率响应可以表示为振幅特性和相位特性，就像这样：

H(e^jω)＝|H(e^jw)|e^jθ(ω)

(4-2)所以，振幅特性和相位特性就按下式可以计算出来

计算机用此方法在计算一个系统的相频特性时会用到反正切函数，即在w＝pi处相位会发生跳变，跳变幅度为2pi,这是相位的卷绕。

4.根据权利要求书1所述的方法，其特征在于，步骤5)具体如下：

(5-1)设给定一维离散时间序列，构造成一组m维矢量，从X_m(1)到X_m(N-m+1)，其中：

X_m(i)＝[u_i,u_i+1,u_i+2....u_i+m-1](i＝1～N-m+1)

(5-2)定义任意两个m维向量之间的距离为：

d[X_m(i),X_m(j)]＝max|u_i+k-u_j+k|,0≤k≤m-1；i,j＝1～N-m+1,i≠j

(5-3)给定阈值r，对每个i值，统计d[X(i),X(j)]<r的个数然后计算其与距离总数(N-m)的比值(称为模板匹配数)，记：

其中，SD是一维离散时间序列的标准差；

(5-4)计算：

(5-5)对于m+1点矢量，按以上步骤，可得：

(5-6)理论上此序列的样本熵值为：SampEn(m,r)＝lim{-ln[B^m+1(r)/B^m(r)]}，当序列长度为有限值时，其样本熵估计值为：SampEn(m,r)＝-ln[B^m+1(r)/B^m(r)]

其中参数m是预先选定的模式维数，r是预先选定的相似容限；m设为2，r设为0.2。