[发明专利]基于DWT和EMD融合样本熵的脑电信号分类方法

说明书

本发明提供一种基于DWT和EMD融合样本熵的脑电信号分类方法，首先对预处理后信号进行小波分解，根据子带的频谱选择子带信号，再经过经验模式分解，根据各阶固有模态函数的频谱分析筛选出集中在想象运动频段的前2阶固有模态函数，对其进行样本熵计算，通过支持向量机进行特征选择得到最终分类结果。本发明利用三个通道小波分解后的子带信号进行EMD分解，对固有模态函数进行样本熵计算，在EMD的基础上加入DWT，很好地解决EMD分解时频带涵盖宽泛的问题。

技术领域

本发明涉及智能信息处理领域，特别涉及一种基于DWT(Discrete WaveletTransform，离散小波变换)和EMD，同时融合样本熵的脑电信号分类方法。

背景技术

脑机接口是一种基于脑电信号实现人脑与计算机或其他设备之间通信和控制的接口，通过大脑活动产生的脑电信号(Electroencephalogram,EEG)为人类和环境之间提供了新的通信和控制渠道，拓宽了人类的控制能力，具有广泛的应用前景。该领域的发展不仅帮助瘫痪病人使用计算机、神经假体、机器臂等电子设备，也实现了包括：运动恢复、通信、环境控制甚至娱乐等其他功能。

脑机接口技术主要包含信号采集、预处理、特征提取、特征分类和接口设备控制等五个步骤。其中，由特征提取得到的特征信号可以标识不同想象运动脑电信号的判别信息，对后续的分类识别有很大的影响，因此特征提取在BCI(Brain Computer Interface，脑机接口技术)研究界受到广泛的关注。

有效的特征提取方法是改善识别精度的关键，目前，时间-频率方法被广泛应用于脑信号的研究。传统的时间-频率方法包括：短时傅里叶变换(Short-timeFourierTransform, STFT)，小波变换(WaveletTransform,WT)等，但是这些方法的本质都是基于傅里叶变换，根据海森堡不确定性原理，该方法不可能同时得到时间-频率的良好分辨率。近年，希尔伯特黄变换(Hilbert-Huang Transform,HHT)作为另一种时间-频率分析法已经变得越来越流行，同时它也十分适合分析非线性和非平稳信号。原信号经过经验模式分解(Empirical Mode Decomposition,EMD)被分解为一系列固有模态函数(Intrinsic ModeFunctions,IMFs)，随后对每个固有模态函数进行希尔伯特黄变换，求其相应的能量谱和边际谱，作为特征进行分类。HHT不涉及海森堡不确定性原理可以获得时域和频域的高分辨率。目前被广泛应用于许多信号处理领域，如雷达探测、地震信号和生物医学信号等。

由于生理系统的非线性性质，因此采用非线性分析方法可能有助于更好的揭示其特性和机理。样本熵是在近似熵的基础上提出的一种新的时间序列复杂性的度量方法，它解决了近似熵中统计量的不一致性问题，因此比近似熵精度更高。采用非线性动力学参数“样本熵”作为脑电特征进行分类，样本熵的值反映所测时间序列中出现新模式的概率，样本熵值与出现产生新模式的概率成正相关。这正好能够用来衡量运动想象过程中大脑感觉运动皮层被激活EEG信号的复杂性变化。

发明内容

发明目的：针对上述现有技术，提出一种基于DWT和EMD，同时融合样本熵的脑电信号分类方法，大大提高了模式识别的准确率。

为实现上述目的，本发明采用如下技术方案：

基于DWT和EMD融合样本熵的脑电信号分类方法，包括如下步骤：

步骤1：采集脑电信号，并对所述脑电信号进行预处理，所述脑电信号来自左手想象运动C4通道，以及右手想象运动C3通道；

步骤2：对预处理后的脑电信号进行离散小波分解，得到子带信号；

步骤3：对子带信号进行经验模式分解，得到一系列固有模态函数IMF_s；