融合小波、分形与统计的EEG信号特征提取与分类技术

"多方法融合的EEG信号特征提取及分类研究，葛利，戈力娟，胡晶，哈尔滨商业大学计算机与信息工程学院" 在脑电图(EEG)信号处理领域，特征提取和分类是至关重要的步骤，用于识别不同脑部活动状态，如注意力集中、放松、睡眠等。葛利、戈力娟和胡晶的研究中，他们提出了一种创新的方法，通过融合小波分析、分形理论和统计方法来提取EEG信号的特征，并用这些特征进行分类。 首先，他们利用小波变换对原始EEG信号进行去噪处理。小波分析具有多分辨率特性，能够有效地捕捉信号的局部变化，帮助去除背景噪声，保留信号的重要信息。去噪后，他们对重构的EEG信号进行多尺度分解，提取各尺度上平均高频系数作为第一部分的分类特征。这些高频系数通常与大脑活动的瞬时变化有关，对识别脑部状态有重要意义。 其次，研究团队采用了多重分形分析，这是一种扩展自单一分形概念的方法，可以揭示信号的复杂性和非线性结构。在多个尺度下对去噪重构的EEG信号进行分析，选取与EEG数据特性和分类需求相关的多重分形谱参数作为第二部分的特征。这些参数能反映EEG信号的自相似性和层次结构，有助于区分不同的脑电模式。 再者，基于EEG信号的统计特性，他们提取了诸如均值、方差、峰度等统计指标作为第三部分的分类特征。这些统计特征可以量化信号的整体强度、波动性和异常程度，对于区分不同脑电状态非常有用。 最后，研究者选择了反向传播(BP)神经网络作为分类器，将上述三部分特征输入到网络中，训练模型以完成EEG信号的分类。BP神经网络因其强大的非线性映射能力，常被用于复杂的模式识别任务。通过对不同特征的实验比较，他们优化了特征组合，提高了分类的准确率。 该研究展示了多方法融合在EEG信号处理中的优势，通过综合运用多种技术提高了特征的代表性，从而提升了分类效果。这种方法对于理解大脑活动、诊断神经系统疾病以及开发脑机接口等领域都有潜在的应用价值。