睡眠是一种重要的生理现象,在精神病学上,睡眠分期是最重要的诊断方法之一。而脑电图(EEG)是研究睡眠的一个非常重要的工具。脑电信号中包含了大量的生理与病理信息,在临床医学与脑科学的研究中起着非常重要的作用。本论文简要介绍了小波变换、独立分量分析的原理,并利用这两种先进的信号处理手段对脑电信号进行了去噪、干扰分离等预处理,在此基础上,对脑电信号进行了详细的功率谱分析以及复杂性测度分析。 脑电信号非常微弱,且有时背景噪声很强,易受外在因素的影响,例如心电、肌电和眼动干扰、尖脉冲以及白噪声等。对于脑电信号中混入的日艮动等干扰,由于与脑电信号之间相互独立,本文采用独立分量分析进行分离。而对于尖脉冲、白噪声等,本文讨论了小波阈值去除脑电中尖脉冲和白噪声的去噪算法,提出了一种确定阈值的方法,在脑电去噪中取得了较好的效果。 人们在进行不同的心理活动时,脑电信号的变化也是不同的。对不同思维活动时的脑电信号进行特征提取和思维任务分类,可以为脑一机接口技术(BCI)的研究提供可靠的依据,对于了解思维过程和揭示大脑工作机理也具有重大的意义。由于个体差异,本文对同一测试者的五种思维任务计算近似熵,比较不同思维任务时脑电信号近似熵的相对大小,作为该思维任务的特征向量。并且以滑动窗对思维脑电信号求取近似熵,根据不同思维任务时脑电复杂度具有不同的变化情况,将算出的近似熵作为BP神经网络的输入,通过BP网络的学习训练对近似熵的变化模式进行识别,从而分别对不同的思维任务进行分类。分类正确率平均能达到80%左右。 睡眠期间所记录的脑电数据非常庞大,因此由人工对睡眠进行分期是一项非常繁重的工作,研究准确高效的睡眠自动分期方法具有重大的实际意义。在本文中,对脑电信号进行复杂性测度分析,求取近似熵。由于近似熵在睡眠各个阶段具有显著差异,并且呈现出规律性的变化趋势,在清醒期最大,到Ⅰ期、Ⅱ期逐渐降低,Ⅲ期、Ⅳ期的时候达到最低值,进入REM期后又回升到接近Ⅰ