脑电信号分析：小波分解与功率谱特征

本文档涉及的是脑电信号（EEG）的特征提取过程，主要使用了小波分解和功率谱分析技术。实验中，采集的脑电信号具有512Hz的采样频率，通过16个通道进行记录。代码示例展示了数据加载、信号可视化、快速傅里叶变换（FFT）以及小波包分解（Wavelet Packet Decomposition, WPD）的过程。 在脑电信号特征提取中，首先加载了名为'rest_close.txt'和'audio_close.txt'的两个数据文件，分别对应于静息状态和听觉刺激状态下的脑电信号。接着，对这两个状态的信号进行了循环处理，对每个通道的数据进行可视化，显示原始信号的波形，并用FFT计算其功率谱，以便观察不同频率成分的分布。 功率谱分析是研究信号频域特性的重要工具，通过对信号进行FFT转换，可以得到信号在各个频率上的能量分布，即功率谱。在代码中，通过将FFT结果与它的共轭相乘并除以样本数量，得到了功率谱密度估计。然后，将0到30Hz的频率范围内的功率谱绘制出来，分别对应于静息状态（'rest_close'）和听觉刺激状态（'audio_close'）。 接下来，利用小波分解技术进一步分析信号。小波分解能够提供多分辨率分析，它将信号分解成多个不同尺度和位置的细节信息。在这里，选择db7小波基和Shannon规则进行分解，并且设置分解层数为7。对于每个通道的信号，使用`wpdec`函数进行分解，得到不同层次的小波系数。例如，`wprcoef`函数用于获取指定层的小波系数，如`[sc,0]`表示近似系数，`[sc,1]`至`[sc,3]`代表不同级别的细节系数。同样，对听觉刺激状态的信号进行了相同的小波分解步骤。 这个文档涵盖了脑电信号的基本处理流程，包括数据读取、信号可视化、频域分析和时频域分析。这些步骤是脑电特征提取的关键步骤，对于理解大脑活动模式、识别特定脑状态以及开发基于脑电的应用（如脑机接口）具有重要意义。