1 简介

提出基于癫痫脑电信号识别研究.利用离散小波变换(DWT)的db8小波分解得到的细节分量作为信号新的表达,把各个细节分量能量作为特征,建立BP神经网络、GRNN、PNN、RBF、KNN模型.研究发现,其对癫痫脑电信号识别研究的方案是可行的,满足模型对泛化能力的要求.

利用EEG将癫痫脑电信号的关键是对能表征各个睡眠阶段的特征进行提取。受试者在长时间的测试过程中,电极松动或移动会带来基线漂移,而对频谱图的研究发现,低频信号的幅值相对较大,尤其以1Hz以内的幅值最为显著,据此可以判断,信号主要存在基线漂移现象。通过离散小波变换处理数据,在消除基线漂移之后提取各个分量的能量作为模型特征。

【脑电信号】基于小波变换特征结合BP神经网络、GRNN、PNN、RBF、KNN多种算法实现癫痫脑电信号识别含Matlab源码_d3

【脑电信号】基于小波变换特征结合BP神经网络、GRNN、PNN、RBF、KNN多种算法实现癫痫脑电信号识别含Matlab源码_神经网络_02编辑

2 部分代码

function [coeff,lowdata,eigvalsort,explain,meanvalue] = myPCA(data)
%datawei row行col列矩阵,row
% data = data';
[row,col] = size(data);
meanvalue = mean(data);
normdata = data - repmat(meanvalue,[row,1]);
covmat = cov(normdata);
[eigvect,eigval] = eig(covmat);
[sortmat,sortix] = sort(eigval,'descend');
[b,ix] = sort(sortmat(1,:),'descend');
coeff = eigvect(:,ix);
lowdata = normdata*coeff;
explain = 100*b/sum(b);
eigvalsort = b;
end

3 仿真结果

【脑电信号】基于小波变换特征结合BP神经网络、GRNN、PNN、RBF、KNN多种算法实现癫痫脑电信号识别含Matlab源码_神经网络_03

【脑电信号】基于小波变换特征结合BP神经网络、GRNN、PNN、RBF、KNN多种算法实现癫痫脑电信号识别含Matlab源码_d3_04编辑

【脑电信号】基于小波变换特征结合BP神经网络、GRNN、PNN、RBF、KNN多种算法实现癫痫脑电信号识别含Matlab源码_神经网络_05

【脑电信号】基于小波变换特征结合BP神经网络、GRNN、PNN、RBF、KNN多种算法实现癫痫脑电信号识别含Matlab源码_d3_06编辑

【脑电信号】基于小波变换特征结合BP神经网络、GRNN、PNN、RBF、KNN多种算法实现癫痫脑电信号识别含Matlab源码_神经网络_07

【脑电信号】基于小波变换特征结合BP神经网络、GRNN、PNN、RBF、KNN多种算法实现癫痫脑电信号识别含Matlab源码_d3_08编辑

【脑电信号】基于小波变换特征结合BP神经网络、GRNN、PNN、RBF、KNN多种算法实现癫痫脑电信号识别含Matlab源码_神经网络_09

【脑电信号】基于小波变换特征结合BP神经网络、GRNN、PNN、RBF、KNN多种算法实现癫痫脑电信号识别含Matlab源码_小波变换_10编辑

【脑电信号】基于小波变换特征结合BP神经网络、GRNN、PNN、RBF、KNN多种算法实现癫痫脑电信号识别含Matlab源码_小波变换_11

【脑电信号】基于小波变换特征结合BP神经网络、GRNN、PNN、RBF、KNN多种算法实现癫痫脑电信号识别含Matlab源码_d3_12编辑

4 参考文献

[1]谢宏, 施小南. 基于离散小波变换的脑电信号睡眠分期研究[J]. 微型机与应用, 2015, 34(16):3.

博主简介:擅长智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真,相关matlab代码问题可私信交流。

部分理论引用网络文献,若有侵权联系博主删除。

【脑电信号】基于小波变换特征结合BP神经网络、GRNN、PNN、RBF、KNN多种算法实现癫痫脑电信号识别含Matlab源码_神经网络_13

【脑电信号】基于小波变换特征结合BP神经网络、GRNN、PNN、RBF、KNN多种算法实现癫痫脑电信号识别含Matlab源码_小波变换_14编辑