论文部分内容阅读
从大脑中提取出与生理信息或行为相关联的脑电波信号对于大脑信息处理机制和脑-机接口(BCI)研究有着重要的意义。为获得更高质量且更直接的脑电波信号,植入式BCI逐渐发展起来。因局部场电位(LFP)信号有着长期植入更稳定的特点,所以在植入式BCI的研究中受到很多研究者们的关注。然而,LFP信号是采用微电极阵列记录的一种非平稳性脑电信号,其幅值较小,且在采集过程中容易引入噪声干扰信号,这给后期的LFP信号特征提取及分析造成一定阻碍。因此,在提取LFP信号特征之前,对采集到的LFP信号进行去噪处理是首要任务。本文采用小波包去噪的经验模态分解(EMD)方法,对LFP信号进行处理和分析。首先利用小波包对LFP信号分解重构,去除噪声干扰信号,然后对去噪后的LFP信号进行EMD分解,最后提取出特征波。主要工作内容如下:1.研究了两种常用的头皮脑电(EEG)信号去噪方法—小波去噪和小波包去噪,并将两种去噪方法应用到LFP信号处理中。利用MATLAB软件进行仿真,得到信号去噪前后的功率谱图,并建立基于信噪比、均方根误差和相关系数的去噪评价指标,定量分析两种方法的去噪效果。2.分别将小波去噪和小波包去噪与EMD分解相结合。记录在两种去噪方法下进行EMD分解时算法运行时间,固有模态分量和LFP信号的相关系数。结果表明,两种方法都能减少EMD分解的边界效应误差和分解层数,提高EMD分解的准确性和时效性,但对比发现,基于小波包的EMD分解提升效果更明显。3.对去噪后的LFP信号进行特征提取。采用基于小波包的EMD分解提取LFP信号中的5分量,并与利用小波包变换法提取的5分量进行对比,实验验证了前者提取的5分量更准确;最后利用互功率谱密度将提取的δ波与呼吸频率进行相关性分析,结果表明从小鼠LFP信号中提取的δ波与呼吸频率具有很大相关性,从而证明了本文所用算法在特征提取时的准确性和有效性。