论文部分内容阅读
脑电信号是一种非线性的复杂信号,其中包含着大量人类大脑运作和神经紊乱信息,可通过对脑电信号的有效信息提取得知人类当下的生理状况。现阶段,用于分析脑电信号的方法众多,但仍缺少性能较好的分析方法。经验模态分解算法是一种有效的无规则信号处理方法,能高效地分解各种信号。因此,本文将基于经验模态分解算法对脑电信号分析方法进行研究。首先,针对经验模态分解过程中的端点效应问题,提出了两种组合延拓方法,即支持向量机与数据加窗和最小二乘支持向量机与数据加窗处理方法。通过仿真实验和真实脑电数据实验,表明文中提出的两种组合延拓方法能有效抑制经验模态分解过程中所存在的端点效应问题,且性能优于其它用于比较的延拓方法。其次,以经验模态分解算法为基础,通过相关性分析选择与原始信号相关性最大IMF分量作为相应类别脑电信号的特征提取对象,并由Kruskal-wallis检验方法对多种特征指标的表征性能进行比较,通过实验选定最能表征不同种类脑电信号的特征作为分类器的特征输入,即平均频率、方差和波动指数。最后,提出基于经验模态分解算法和最小二乘支持向量机分类器的脑电信号分类方法,该算法以平均频率、方差和波动指数为特征指标。通过五个实验以及与其它不同分类方法的比较,对该分类方法的性能进行检测。实验表明了本文提出的分类方法在对正常脑电和癫痫发作脑电进行分类的实验中分类准确性可高达100%,不同方法的比较证明了该分类方法具有高精度分类性能,具有现实有效性。同时,还将前文提出的最小二乘支持向量机与数据加窗处理方法引入该分类方法中,通过多组实验证明了端点效应抑制后的EMD算法能进一步提高脑电信号分类精度。