一种基于EMD的脑电信号的短时特征提取方法技术

本发明专利技术请求保护一种基于EMD的脑电信号的短时特征提取方法，该方法包括步骤：S1，通过窗函数对脑电信号进行分段截取；S2，对截取信号的边界极值进行延拓，以缓解EMD在分解短时脑电信号时产生的端点效应；S3，通过EMD将延拓后的信号自适应地分解成多个固有模态函数；S4，对分解的IMF进行Hilbert变换，获得表征时域特征的瞬时能量和表征频域特征的边际能量。本发明专利技术在处理短时间序列的脑电信号时，能有效地提取脑电信号特征，保证一定识别率的同时又有效地降低系统的处理时间和延迟时间。

【技术实现步骤摘要】
一种基于EMD的脑电信号的短时特征提取方法
本专利技术属于脑机接口中脑电信号处理领域，特别是一种基于EMD的脑电信号的短时特征提取方法。
技术介绍
脑-机接口(Brain-ComputerInterface，BCI)通过解析输入的脑电信号，将用户的意图解码为控制指令来控制输出设备，实现人脑与外部设备的交互。脑-机接口技术的核心是脑电信号的识别，但脑电信号具有非线性和非平稳性等特点，如何有效地提取脑电信号特征成为识别脑电信号的关键。当前，脑电信号特征提取主要采用时频域特征分析方法。基于时频域分析的脑电特征提取方法主要有STFT、WT和WPT，然而以上三种算法的本质都是傅里叶变换，都会受到测不准原理的影响，无法同时在时域和频域获得较高的分辨率。经验模态分解(EmpiricalModeDecomposition,EMD)算法能将一段原始的脑电信号自适应地分解成一系列的固有模态函数(IMF)，分解出来的各IMF都包含有原始脑电信号在不同时间尺度上的局部特征，并且能将非平稳的数据平稳化，是一种自适应的时频域分析方法，被广泛地应用于非线性和非平稳信号的分析中。在EMD分解过程中，每一个IMF的筛选都需要根据信号的局部极值点构造出信号数据的上、下包络线。然而，信号左右两端的端点不可能同时是局部极值点。因此，数据序列两端的上、下包络线会发散，并且随着分解层数的增加，这种发散会逐渐向内扩散，导致出现的误差越来越严重，这种现象被称为端点效应。并且信号数据段越短，端点效应越严重，限制了EMD在短时信号分析中的应用，使得EMD无法适用于要求快速响应的系统中。
技术实现思路
本专利技术旨在解决现有技术中存在的端点效应问题，提出一种基于EMD的脑电信号短时特征提取方法。鉴于此，本专利技术采用的技术方案，包括以下步骤：S1，使用窗函数对脑电信号进行分段截取；S2，对S1中截取信号的边界极值进行延拓，以缓解EMD在分解短时脑电信号时产生的端点效应；S3，通过EMD将延拓后的信号自适应地分解成多个固有模态函数(IMF)；S4，对分解的固有模态函数进行希尔伯特变换，获得表征时域特征的瞬时能量和表征频域特征的边际能量。在上述方案中，步骤S2所述边界极值进行延拓包括以信号端点的一个特征波为依据分别向左和向右延拓两个极大值和两个极小值。其中，所述向左延拓两个极大值和极小值具体包括：信号左端第一个特征波包含的信号点数k1：Pm(1)为第1个极大值在序列中对应的位置，Pm(2)为第2个极大值在序列中对应的位置，Pn(1)为第1个极小值在序列中对应的位置，Pn(2)为第2个极小值在序列中对应的位置，分段截取后的信号具有M个极大值和N个极小值；向外延拓的两个极大值和极小值的时间位置(Tm,Tn)和对应时间的函数值(G,Y)为：Tm(0)＝Tm(1)-k1Δt,G(0)＝G(1)Tn(0)＝Tn(1)-k1Δt,Y(0)＝Y(1)Tm(-1)＝Tm(1)-2k1Δt,G(-1)＝G(1)Tn(-1)＝Tn(1)-2k1Δt,Y(-1)＝Y(1)Tm(0)表示向左延拓的第1个极大值对应的时刻点，Tm(1)表示第1个极大值对应的时刻点，G(0)表示向左延拓的第1个极大值对应的函数值，G(1)表示左边第1个极大值对应的函数值，Tn(0)表示向左延拓的第1个极小值对应的时刻点，Tn(1)表示第1个极小值对应的时刻点，Y(0)表示向左延拓的第1个极小值对应的函数值，Y(1)表示第1个极小值对应的函数值，Tm(-1)表示向左延拓的第2个极大值对应的时刻点，G(-1)表示向左延拓的第2个极大值对应的函数值，Tn(-1)表示向左延拓的第2个极小值对应的时刻点，Y(-1)表示向左延拓的第2个极小值对应的函数值，Δt表示采样步长；其中，所述向右延拓两个极大值和极小值具体包括：信号右端第一个特征波包含的信号点数k2：Pm(M)表示第M个极大值在序列中对应的位置，Pm(M-1)表示第M-1个极大值在序列中对应的位置，Pn(N)表示第N个极小值在序列中对应的位置，Pn(N-1)表示第N-1个极小值在序列中对应的位置；向外延拓的两个极大值和极小值的位置为(Tm,Tn)和对应时间的函数值(G,Y)为：Tm(M+1)＝Tm(M)+k2Δt,G(M+1)＝G(M)Tn(N+1)＝Tn(N)-k2Δt,Y(N+1)＝Y(N)Tm(M+2)＝Tm(M)+2k2Δt,G(M+2)＝G(M)Tn(N+2)＝Tn(N)-2k2Δt,Y(N+2)＝Y(N)Tm(M+1)表示向右延拓的第1个极大值对应的时刻点，G(M+1)表示向右延拓的第1个极大值对应的函数值，G(M)表示第M个极大值对应的函数值，Tn(N+1)表示向右延拓的第一个极小值对应的时刻点，Tn(N)表示第N个极小值对应的时刻点，Y(N+1)表示向右延拓的的1个极小值点对应的函数值，Y(N)表示第N个极小值对应的函数值，Tm(M+2)表示向右延拓的第2个极大值对应的时刻点，G(M+2)表示向右延拓的第2个极大值对应的函数值，Tn(N+2)表示向右延拓的第2个极小值对应的时刻点，Y(N+2)表示向右延拓的第2个极小值对应的函数值。进一步地，当端点的数值小于相邻的极小值或大于相邻的极大值时，还包括进行以下处理：Tm(0)＝t1,G(0)＝x1,x1＞G(1)Tn(0)＝t1,Y(0)＝x1,x1＜Y(1)Tm(M+1)＝tn,G(M+1)＝xn,xn＞G(M)Tn(N+1)＝tn,Y(N+1)＝xn,xn＜Y(N)t1表示分割的离散信号的第1个时间点，x1表示分割的离散信号的第1个时间点对应的函数值，tn表示分割的离散信号的最后一个时间点，xn表示分割的离散信号的最后一个时间点对应的函数值。更进一步地，所述EMD分解的具体过程如下：(1)根据延拓后的信号x(t)，采用三次样条插值拟合出曲线的上下包络线：g(t)＝f(Tm,Gm,t),y(t)＝f(Tn,Yn,t)Tm表示极大值对应的时间点，Gm表示极大值对应时间点的函数值，Tn表示极小值对应的时间点，Yn表示极小值对应时间点的函数值，t表示时间点。(2)计算出上包络线g(t)和下包络线y(t)的平均值：(3)计算出延拓后的信号x(t)和m(t)的差值：c(t)＝x(t)-m(t)若c(t)满足IMF的定义截止条件，则c(t)即为分离出来的第一个IMF；否则，x(t)被c(t)取代，重复步骤(1)到(3)，直到满足IMF的定义；分离出第一个IMF后，计算出剩余信号r(t)：r(t)＝x(t)-c(t)将剩余信号r(t)作为原始信号，并重复步骤(1)到(3)。具体地，所述希尔伯特变换包括对前三阶固有模态函数分量进行希尔伯特变换，以此构造出解析信号，得出希尔伯特谱。包本文档来自技高网...

【技术保护点】
1.一种基于EMD的脑电信号的短时特征提取方法，其特征在于，包括以下步骤：/nS1，使用窗函数对脑电信号进行分段截取；/nS2，对S1中截取信号的边界极值进行延拓；/nS3，通过EMD将延拓后的信号自适应地分解成多个固有模态函数；/nS4，对分解的固有模态函数进行希尔伯特变换，获得表征时域特征的瞬时能量和表征频域特征的边际能量。/n

【技术特征摘要】
1.一种基于EMD的脑电信号的短时特征提取方法，其特征在于，包括以下步骤：
S1，使用窗函数对脑电信号进行分段截取；
S2，对S1中截取信号的边界极值进行延拓；
S3，通过EMD将延拓后的信号自适应地分解成多个固有模态函数；
S4，对分解的固有模态函数进行希尔伯特变换，获得表征时域特征的瞬时能量和表征频域特征的边际能量。


2.根据权利要求1所述一种基于EMD的脑电信号的短时特征提取方法，其特征在于：步骤S2所述边界极值进行延拓包括以信号端点的一个特征波为依据分别向左和向右延拓两个极大值和两个极小值。


3.根据权利要求2所述一种基于EMD的脑电信号的短时特征提取方法，其特征在于：所述向左延拓两个极大值和两个极小值具体包括：
信号左端第一个特征波包含的信号点数k1：



Pm(1)为第1个极大值在序列中对应的位置，Pm(2)为第2个极大值在序列中对应的位置，Pn(1)为第1个极小值在序列中对应的位置，Pn(2)为第2个极小值在序列中对应的位置，分段截取后的信号具有M个极大值和N个极小值；
向外延拓的两个极大值和极小值的时间位置(Tm,Tn)和对应时间的函数值(G,Y)为：
Tm(0)＝Tm(1)-k1Δt,G(0)＝G(1)
Tn(0)＝Tn(1)-k1Δt,Y(0)＝Y(1)
Tm(-1)＝Tm(1)-2k1Δt,G(-1)＝G(1)
Tn(-1)＝Tn(1)-2k1Δt,Y(-1)＝Y(1)
Tm(0)表示向左延拓的第1个极大值对应的时刻点，Tm(1)表示第1个极大值对应的时刻点，G(0)表示向左延拓的第1个极大值对应的函数值，G(1)表示第1个极大值对应的函数值，Tn(0)表示向左延拓的第1个极小值对应的时刻点，Tn(1)表示第1个极小值对应的时刻点，Y(0)表示向左延拓的第1个极小值对应的函数值，Y(1)第1个极小值对应的函数值，Tm(-1)表示向左延拓的第2个极大值对应的时刻点，G(-1)表示向左延拓的第2个极大值对应的函数值，Tn(-1)表示向左延拓的第2个极小值对应的时刻点，Y(-1)表示向左延拓的第2个极小值对应的函数值，Δt表示采样步长；
所述向右延拓两个极大值和极小值具体包括：
信号右端第一个特征波包含的信号点数k2：



Pm(M)表示第M个极大值在序列中对应的位置，Pm(M-1)表示第M-1个极大值在序列中对应的位置，Pn(N)表示第N个极小值在序列中对应的位置，Pn(N-1)表示第N-1个极小值在序列中对应的位置；
向外延拓的两个极大值和极小值的时间位置为(Tm,Tn)和对应时间的函数值(G,Y)为：
Tm(M+1)＝Tm(M)+k2Δt,G(M+1)＝G(M)
Tn(N+1)＝Tn(N)-k2Δt,Y(N+1)＝Y(N)
Tm(M+2)＝Tm(M)+2k2Δt,G(M+2)＝G(M)
Tn(N+2)＝Tn(N)-2k2Δt,Y(N+2)＝Y(N)
Tm(M+1)表示向右延拓的第1个极大值对应的时刻点，G(M+1)表示向右延拓的第1个极大值对应的函数值，G(M)表示第M个极大值对应的函数值，Tn(N+1)表示向右延拓的第1个极小值对应的时刻点，Tn(N)表示第N个极小值对应的时刻点，...

【专利技术属性】
技术研发人员：罗元，罗飞，张毅，刘鹏飞，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：重庆;50