论文部分内容阅读
经验模态分解(Empirical Mode Decomposition,EMD),一种特别适应非线性、非平稳信号的新型自适应分解法,在脑电(electroencephalograph,EEG)研究中大多局限于一维信号处理方面。为了获得脑电信号更直观清晰的表现形式,拓展研究内容,论文根据脑电EEG的信号节律性、频率集中性、脑电噪声的复杂与多样性等自身特点,以集合经验模式分解(Ensemble EMD,EEMD)为基础,将脑电研究提升到二维、三维图像处理领域。首先基于一维EEMD,提出了适应脑电特征的改进EEMD算法。该改进算法通过基于IMF能量和分段阈值的信号估计算法,自适应地从待处理的原始脑电信号中估计出脑电特性信号,并结合高斯白噪声的特性定义出新型脑电噪声,取代传统的高斯白噪声加入EEMD分解中。该改进算法更加适应于脑电应用领域的特殊性,使得脑电信号EMD分解的模态混叠问题得到了可以更好地解决。其次,创新性地将2D-EEMD算法引入到脑电研究中,将脑电研究提升到二维空间,并且针对脑电的特点,对脑电2D-EEMD算法的二维重组方法进行了改进。然后针对脑电2D-EEMD处理上相邻电极数据存在伪临近的不足,提出了基于脑电的3D-EEMD算法,对脑电信号的多维EMD处理做出初步探索。实验结果表明,脑电信号的二维分解结果更加清晰、信号特征更具直观性,稳态视觉诱发电位(steady-state visual evoked potential,SSVEP)的频率提取准确率有效地提高了16%;对比二维分解结果,三维分解更加注重数据的内在特征,提取特征以及分类识别准确率更高。最后,基于上述的改进算法,结合非线性理论,分别对运动想象和MEG精神病人两类数据进行了分类研究。