南宁网站设,适合小学生的新闻事件,虾子酱 wordpress,ghost 博客wordpress脑电信号一直伴随着人类的生命#xff0c;脑电波是脑神经细胞发生新陈代谢、离子交换时细胞群兴奋突触电位总和#xff0c;脑电信号的节律性则和丘脑相关#xff0c;含有丰富的大脑活动信息。通常我们所接触的脑电图都是头皮脑电图#xff0c;在有些特殊场合还需要皮下部位…脑电信号一直伴随着人类的生命脑电波是脑神经细胞发生新陈代谢、离子交换时细胞群兴奋突触电位总和脑电信号的节律性则和丘脑相关含有丰富的大脑活动信息。通常我们所接触的脑电图都是头皮脑电图在有些特殊场合还需要皮下部位的脑电图脑电信号主要有以下几个特点
1脑电信号只有50pV左右所以非常的微弱通常头皮脑电信号超过100pV的可以认作是噪声。脑电信号按照波幅值可以分为高、中、低三种:低波幅值小于25pV中波幅值大于25pV小于50pV高波幅值大于50pV。
2具有随机性及非平稳性。脑电信号被影响的因素很多但规律通常都没有被识别通常来说脑电信号的规律从大量的数据统计、大量的技术处理检测、识别和估计结果中显示并且生命体对外界的自适应力以及生理因素的作用都对脑电信号产生了影响所以脑电信号具有着随机性和非平稳性并且一直随着时间在变化。
3具有非高斯、非线性的特征。生物组织自适应和生理机使得人体脑电的信号有非线性的特性当前信号处理通常通过线性系统分析基础上进行所以在分析方法上如何最小地去减小非线性误差在脑电信号的处理上也应该要考虑。
4脑电信号容易受到诸多的背景噪声干扰。影响脑电波的因素还有很多。比如人的年龄当人在50岁以后慢波又可以逐渐回升还有着不同程度的基频慢波。脑波还更易受到意识、情绪以及思维状态等因素的影响。
脑电波在病理的状态下的形态也经常会出现一些异常瞬态波。尖波周期范围是在80~200ms其波形快速上升、缓慢下降类似于三角波病症常见于癫痫。棘波多见于局限性的癫痫而棘慢综合波是通过棘波和慢波所构成的复合波。
鉴于此本项目采用谱分析方法对两个来源PhysioNet数据库和自测数据库的脑电信号进行了研究目标是应用不同的时频谱分析技术评估相应的结果。算法程序运行环境为MATLAB R2021b执行EEG信号的谱分析也可迁移至金融时间序列地震信号机械振动信号语音信号声信号等一维时间序列信号。
部分代码如下
%EEG Signal Spectral Analysis
%Load data Initialize params
%Sleep dataset
clear;
[x, Fs, Start_date, Start_time, Label, Dimension, Coef, Nmb_chans,N] readedf_EX1(sc4002e0.rec,0,0,360);
windows int16([128 256 512]);
overlaps double([0 0.25 0.50 0.75]);
dft_points [64 128 256 512 1024];
Signal overview
figure
time linspace(0,length(x)/Fs, length(x));
plot(time,x)
axis(normal)
title(Sleep EEG)
xlim([0 length(time)/Fs])
xlabel(time (s))
ylabel(amplitude mV)1. PSD params experiment1.1 Window size
figure
hold on
for i1:length(windows)[pxx, f] pwelch(x,windows(i),overlaps(3)*windows(i),dft_points(i),100);plot(f, pow2db(pxx))
end
legend(sprintf(w%d, windows(1)), ...sprintf(w%d,windows(2)), ...sprintf(w%d, windows(3)))
xlabel()
title(Variation in window sizes)
xlabel(Frequency (Hz))
ylabel(Power (dB))
hold off
% Better visualization for comparision
xlim([7.37 20.53])
ylim([2.30 11.52])1.2 Overlap
figure
hold on
noverlaps overlaps .* 128;
for i1:length(noverlaps)[pxx, f] pwelch(x, windows(1), noverlaps(floor(i)), dft_points(1), 100);plot(f, pow2db(pxx),LineWidth,1)
end
legend(sprintf(overlap%d %, overlaps(1)*100), ...sprintf(overlap%d %, overlaps(2)*100), ...sprintf(overlap%d %, overlaps(3)*100),...sprintf(overlap%d %, overlaps(4)*100))
xlabel()
title(Variation in overlaps )
xlabel(Frequency (Hz))
ylabel(Power (dB))
hold off1.3 Number of DFT points
figure
hold on
for i1:length(dft_points)[pxx, f] pwelch(x,windows(1),overlaps(2)*windows(1),dft_points(i),100);plot(f, pow2db(pxx))
end
legend(sprintf(nfft%d, dft_points(1)), ...sprintf(nfft%d,dft_points(2)), ...sprintf(nfft%d,dft_points(3)), ...sprintf(nfft%d,dft_points(4)), ...sprintf(nfft%d, dft_points(5)))
xlabel()
title(Variation in number of DFT points)
xlabel(Frequency (Hz))
ylabel(Power (dB))
hold off2. Spectrogram params experimentspec_w_1 128;
spec_w_2 512;
spec_o_1 0.5;
spec_o_2 0.8;
spec_o_3 0.2;
spec_nfft_1 128;
spec_nfft_2 1024;2.1 Window size
Small window size results in high detail frequecy representation.
Large window size results in blocky-looking frequecy representation.
figure;
subplot(1,2,1);
spectrogram(x,spec_w_1,64,128,Fs,yaxis);
set(gca, Clim, [-100 45]);
title(sprintf(Window size %d, spec_w_1))subplot(1,2,2);
spectrogram(x,spec_w_2, spec_o_1 * spec_w_2,128,Fs,yaxis);
set(gca, Clim, [-100 45]);
title(sprintf(Window size %d, spec_w_2))sgtitle(sprintf(Window size experiment, overlap%d%%, nfft%d, spec_o_1*100, spec_nfft_1));
出图如下 工学博士担任《Mechanical System and Signal Processing》审稿专家担任 《中国电机工程学报》优秀审稿专家《控制与决策》《系统工程与电子技术》《电力系统保护与控制》《宇航学报》等EI期刊审稿专家。
擅长领域现代信号处理机器学习深度学习数字孪生时间序列分析设备缺陷检测、设备异常检测、设备智能故障诊断与健康管理PHM等。
