基于小波包变换的脑电波信号降噪及特征提取

J4 ›› 2015, Vol. 37 ›› Issue (04): 790-795.

基于小波包变换的脑电波信号降噪及特征提取

刘珑1，李胜1，王轶卿2

（1.南京理工大学自动化学院，江苏南京 210094;2.南京工业大学自动化与电气工程学院，江苏南京210009）

收稿日期:2014-01-13 修回日期:2014-05-21 出版日期:2015-04-25 发布日期:2015-04-25
基金资助:
国家自然科学基金资助项目(51175266);江苏省高校自然科学基金资助项目(12KJB510008);江苏省普通高校研究生科研创新计划资助项目(CXZZ130207)

EEG signal denoising and feature extraction
based on wavelet packet transform

LIU Long1,LI Sheng1,WANG Yiqing2

(1.School of Automation,Nanjing University of Science and Technology,Nanjing 210094;
2.School of Automation and Electrical Engineering,Nanjing University of Technology,Nanjing 210009,China)

Received:2014-01-13 Revised:2014-05-21 Online:2015-04-25 Published:2015-04-25

摘要/Abstract

摘要：

针对原始脑电波信号存在非平稳性且非常容易受到各种信号干扰等特点，对基于小波变换和小波包变换的脑电波信号的滤波降噪方法，和基于小波包变换的脑电波信号特征提取方法进行了研究。首先利用MindSet采集到原始脑电波数据，然后分别应用小波变换和小波包变换对其进行降噪处理，比较了两种方法的性能，验证了基于小波包变换的降噪方法的优越性和特征提取方法的有效性。

关键词: 脑电波信号, 降噪, 特征提取, 小波变换, 小波包变换

Abstract:

Since original EEG signals are non-stationary and very vulnerable to a variety of signal interference,we propose a method for EEG signal denoising based on wavelet transform and wavelet packet transform, and a method for EEG signal feature extraction based on wavelet packet transform.First,we use MindSet headset to collect original EEG data and denoise the data by wavelet transform and wavelet packet transform respectively. We compare the two methods,and the results prove the superiority of the proposed denoising method and the validity of the feature extraction method based on wavelet packet transform.

Key words: EEG signal;denoising;feature extraction;wavelet transform;wavelet packet transform

刘珑1，李胜1，王轶卿2. 基于小波包变换的脑电波信号降噪及特征提取[J]. J4, 2015, 37(04): 790-795.

LIU Long1,LI Sheng1,WANG Yiqing2. EEG signal denoising and feature extraction
based on wavelet packet transform [J]. J4, 2015, 37(04): 790-795.

[1]	任晟岐, 宋伟. 基于GGInformer模型的多维时间序列特征提取与预测研究[J]. 计算机工程与科学, 2024, 46(04): 590-598.
[2]	崔浩, 万亚平, 钟华, 聂明星, 肖杨. 基于LoRa设备的人体活动识别研究[J]. 计算机工程与科学, 2024, 46(01): 111-121.
[3]	张文豪, 瞿绍军. 基于双解码器结构的多尺度注意力特征融合网络的视网膜血管分割#br#[J]. 计算机工程与科学, 2023, 45(12): 2175-2185.
[4]	陈巩, 李占利, 朱莉. 多尺度深度特征融合的个人信用风险预测[J]. 计算机工程与科学, 2023, 45(12): 2265-2273.
[5]	周成江, 贾云华, 张雨宽, 禄俊. 基于FCEEMD复合筛选的故障特征提取方法[J]. 计算机工程与科学, 2023, 45(11): 2070-2077.
[6]	吕小姣, 张玉梅, 杨红红, 吴晓军, . 基于距离排序的DUPSO-DSVM民歌快速分类算法研究[J]. 计算机工程与科学, 2023, 45(10): 1874-1833.
[7]	顾楚梅, 曹建军, 王保卫, 徐雨芯, . 基于蚁群参数优化的LightGBM辐射源个体识别[J]. 计算机工程与科学, 2023, 45(01): 85-94.
[8]	张建伟, 周亚同, 史宝军, 何昊, 王文. 基于SSD算法的轻量化仪器表盘检测算法[J]. 计算机工程与科学, 2022, 44(08): 1418-1425.
[9]	刘云, 郑文凤, 张轶. 代价约束算法对入侵检测特征提取的优化研究[J]. 计算机工程与科学, 2022, 44(03): 447-453.
[10]	谈恩民, 王晨. 基于表征学习的模拟电路故障诊断[J]. 计算机工程与科学, 2022, 44(01): 27-35.
[11]	徐景秀, 张青. 改进小波软阈值函数在图像去噪中的研究应用[J]. 计算机工程与科学, 2022, 44(01): 92-101.
[12]	姬子恒, 王斌. 基于深度学习的草图检索方法研究进展[J]. 计算机工程与科学, 2021, 43(12): 2190-2205.
[13]	王鑫, 廖祎玮, 赵国生, 王健, 谢宝文. 一种面向任务需求的群智感知任务分配模型[J]. 计算机工程与科学, 2021, 43(08): 1512-1520.
[14]	董霙达, 张成涛, 多化琼, 杜豫怡. 基于加权变换的蒙古族家具纹样增强研究[J]. 计算机工程与科学, 2021, 43(06): 1047-1051.
[15]	张永梅, 滑瑞敏, 马健喆, 胡蕾. 基于深度学习与超分辨率重建的遥感高时空融合方法[J]. 计算机工程与科学, 2020, 42(09): 1578-1586.