脑电信号滤波-代码实现

更多技术,第一时间送达

可以通过对脑电信号进行分析得到较为准确反映用户的行为以及思想方式,在进行分析前需要提取脑电信号中的Delta波,Theta波,Alpha波,Beta波以及Gamma波。

Delta波:0.5-4Hz;

Theta波:4-8Hz;

Alpha波:8-13Hz;

Beta波:13-32Hz;

Gamma波:>32Hz;

由于在脑电信号的采集过程中,会受到周围噪声的干扰以及工频噪声的影响,因此,需要首先对原始信号进行噪声的滤除,通过利用带通滤波器,将0.5Hz - 50Hz频率之间的信号取出。使用巴特沃斯带通滤波器进行信号的滤波。使用巴特沃斯滤波器,需要设置如下参数:

采样频率fc;

采样点数N;

设置频率序列f;

设置通带频率Wn;

滤波案例

1.Delta波

[header,data] = edfread('Affaf Ikram 20121020 1839.L1.edf'); fp_data=data(1,:); fp_data=resample(fp_data,100,500); %降采样率为100hz    fc = 600;          %采样频率600Hz N = 30000; %采样点数 n = 0:N-1; f = n*fc/N; %频率序列 Wn = [0.5*2 4*2]/fc;%设置通带为0.5-4Hz Delta波 [k,l] = butter(2,Wn);%4阶IIR滤波器 result = filtfilt(k,l,fp_data); tmp = fft(result); fp1_Delta= ifft(tmp); figure, subplot(211),plot(f(1:N/2),abs(tmp(1:N/2)*2/N)); title('滤波后频谱结果,频率:0.5-4Hz'); axis([0,100,-inf,inf]) subplot(212),plot(fp1_Delta); title('脑波滤波后Delta波结果图像');

2.Theta波

[header,data] = edfread('Affaf Ikram 20121020 1839.L1.edf'); fp_data=data(1,:); fp_data=resample(fp_data,100,500); %降采样率为100hz fc = 600; %采样频率600Hz N = 30000; %采样点数 n = 0:N-1; f = n*fc/N; %频率序列 Wn = [4*2 8*2]/fc;%设置通带为4-8Hz Theta波 [k,l] = butter(2,Wn);%4阶IIR滤波器 result = filtfilt(k,l,fp_data); tmp = fft(result); fp1_Delta= ifft(tmp); figure, subplot(211),plot(f(1:N/2),abs(tmp(1:N/2)*2/N)); title('滤波后频谱结果,频率:4-8Hz'); axis([0,100,-inf,inf]) subplot(212),plot(fp1_Delta); title('脑波滤波后Theta波结果图像');

3.Alpha波

[header,data] = edfread('Affaf Ikram 20121020 1839.L1.edf'); fp_data=data(1,:); fp_data=resample(fp_data,100,500); %降采样率为100hz fc = 600; %采样频率600Hz N = 30000; %采样点数 n = 0:N-1; f = n*fc/N; %频率序列 Wn = [8*2 13*2]/fc;%设置通带为8-13Hz Alpha波 [k,l] = butter(2,Wn);%4阶IIR滤波器 result = filtfilt(k,l,fp_data); tmp = fft(result); fp1_Delta= ifft(tmp); figure, subplot(211),plot(f(1:N/2),abs(tmp(1:N/2)*2/N)); title('滤波后频谱结果,频率:8-13Hz'); axis([0,100,-inf,inf]) subplot(212),plot(fp1_Delta); title('脑波滤波后Alpha波结果图像');

4.Beta波

[header,data] = edfread('Affaf Ikram 20121020 1839.L1.edf'); fp_data=data(1,:); fp_data=resample(fp_data,100,500); %降采样率为100hz fc = 600; %采样频率600Hz N = 30000; %采样点数 n = 0:N-1;     f = n*fc/N;         %频率序列 Wn = [13*2 32*2]/fc;%设置通带为13-32Hz Beta波 [k,l] = butter(2,Wn);%4阶IIR滤波器 result = filtfilt(k,l,fp_data); tmp = fft(result); fp1_Delta= ifft(tmp); figure, subplot(211),plot(f(1:N/2),abs(tmp(1:N/2)*2/N)); title('滤波后频谱结果,频率:13-32Hz'); axis([0,100,-inf,inf]) subplot(212),plot(fp1_Delta); title('脑波滤波后 Beta波结果图像');

5.Gamma波

[header,data] = edfread('Affaf Ikram 20121020 1839.L1.edf'); fp_data=data(1,:); fp_data=resample(fp_data,100,500); %降采样率为100hz fc = 600; %采样频率600Hz N = 30000; %采样点数 n = 0:N-1;     f = n*fc/N;         %频率序列 Wn = [32*2 40*2]/fc;%设置通带为32-50Hz Gamma波 [k,l] = butter(2,Wn);%4阶IIR滤波器 result = filtfilt(k,l,fp_data); tmp = fft(result); fp1_Delta= ifft(tmp); figure, subplot(211),plot(f(1:N/2),abs(tmp(1:N/2)*2/N)); title('滤波后频谱结果,频率:32-50Hz'); axis([0,100,-inf,inf]) subplot(212),plot(fp1_Delta); title('脑波滤波后Gamma波结果图像');

脑机接口BCI学习交流群:QQ群:903290195

(0)

相关推荐

  • CF625E Frog Fights

    有\(n\)只青蛙在一个长度为\(m\)的环上打架:每只青蛙有一个初始位置\(p_i\),和一个跳跃数值\(a_i\).从\(1\)号青蛙开始按序号循环行动,每次若第\(i\)只青蛙行动,则它会向前跳 ...

  • 晚安音乐:快入睡3Hz Delta睡眠音乐

    晚安音乐:快入睡3Hz Delta睡眠音乐

  • 脑电信号解码和可视化的深度卷积神经网络

          深度卷积网络(deep ConvNets)通过端到端的学习方式,即从原始数据中学习,彻底改变了计算机视觉.人们对使用深度卷积网络进行端到端的EEG分析越来越感兴趣,但如何设计和训练卷积网络 ...

  • EEGNet: 神经网络应用于脑电信号

    更多技术,第一时间送达 简介 脑机接口(BCI)使用神经活动作为控制信号,实现与计算机的直接通信.这种神经信号通常是从各种研究透彻的脑电图(EEG)信号中挑选出来的.卷积神经网络(CNN)主要用来自动 ...

  • 采集脑电信号的四种技术

    更多技术,第一时间送达 脑机接口(BCI)是可以不间断地进行通信或控制的设备.BCI检测到用户大脑活动的特定模式,这些模式反映了用户想要发送的不同信息或命令,例如拼写或更改电视频道.信号处理工具然后解 ...

  • 应用深度学习EEGNet来处理脑电信号

    更多技术干货第一时间送达 本篇文章内容主要包括: EEGNet论文: EEGNet的实现. EEGNet简介 脑机接口(BCI)使用神经活动作为控制信号,实现与计算机的直接通信.这种神经信号通常是从各 ...

  • 论文周报 | 第11期 验证深度神经网络对脑电信号运动想象的在线解码​

    更多脑机干货第一时间送达 第11期 论文周报 抱歉各位脑机接口社区的好朋友,今天分享来晚了.Rose小哥昨天回家了,坐了一天的车,今天一大早又赶着外甥女的生日,这会才抽出时间来分享.估计在家的这段时间 ...

  • 深度神经网络对脑电信号运动想象动作的在线解码

    更多技术干货第一时间送达 近年来,深度学习方法的快速发展使得无需任何特征工程的端到端学习成为可能,这有利于BCI运动想象应用的发展.慕尼黑工业大学和澳大利亚研究发展团队(Research and De ...

  • 陈勋教授的脑电信号降噪视频与讲座总结

    更多技术干货第一时间送达 中国科学技术⼤学的陈勋教授陈勋教授分享的脑电信号降噪讲座,可谓是干货满满.这里特别感谢陈勋教授,也感谢南方科技大学的神经计算与控制实验室(NCC lab)的生物医学工程讲堂. ...

  • 【脑电信号分类】脑电信号提取PSD功率谱密度特征

    更多技术干货第一时间送达 本文是由CSDN用户[frostime]授权分享.主要介绍了脑电信号提取PSD功率谱密度特征,包括:功率谱密度理论基础.matlab中PSD函数的使用介绍以及实验示例.感谢 ...

  • 【基于深度学习的脑电图识别】数据集篇:脑电信号自动判读的大数据

    更多技术干货第一时间送达 本文是由CSDN用户[Memory逆光]授权分享.主要介绍了<THE TUH EEG CORPUS: A Big Data Resource for Automated ...