做网站学生作业,淘宝客必须建网站吗,百度网站建设的十一个,软件学校网站模板下载欢迎关注我们#xff0c;选择加星标或“置顶”更多技术#xff0c;第一时间送达SSVEP信号中含有自发脑电和大量外界干扰信号#xff0c;属于典型的非线性非平稳信号。传统的滤波方法通常不满足对非线性非平稳分析的条件#xff0c;1998年黄鄂提出希尔伯特黄变换… 欢迎关注我们选择加星标或“置顶”更多技术第一时间送达SSVEP信号中含有自发脑电和大量外界干扰信号属于典型的非线性非平稳信号。传统的滤波方法通常不满足对非线性非平稳分析的条件1998年黄鄂提出希尔伯特黄变换(HHT)方法其中包含经验模式分解(EMD)和希尔伯特变换(HT)两部分。EMD可以将原始信号分解成为一系列固有模态函数(IMF) [1]IMF分量是具有时变频率的震荡函数能够反映出非平稳信号的局部特征用它对非线性非平稳的SSVEP信号进行分解比较合适。EMD算法原理步骤1寻找信号全部极值点通过三次样条曲线将局部极大值点连成上包络线将局部极小值点连成下包络线。上、下包络线包含所有的数据点。步骤2由上包络和下包络线的平均值 得出若满足IMF的条件则可认为是的第一个IMF分量。步骤3若不符合IMF条件则将作为原始数据重复步骤1、步骤2得到上、下包络的均值通过计算是否适合IMF分量的必备条件若不满足重复如上两步次直到满足前提下得到。第1个IMF表示如下:步骤4将从信号中分离得到将作为原始信号重复上述三个步骤循环次得到第二个IMF分量直到第个IMF分量 则会得出步骤5当变成单调函数后剩余的成为残余分量。所有IMF分量和残余分量之和为原始信号用EMD进行滤波的基本思想是将原信号进行EMD分解后只选取与特征信号相关的部分对信号进行重构。如下图中a部分为原始信号b部分为将原始信号进行EMD分解获得的6个IMF分量和1个残余分量c部分为将分解获得的6个IMF分量和1个残余分量进行重构后的信号可以看出SSVEP信号用EMD分解后基本上包含了原有信号的全部信息。图片来源于[1]python实现EMD案例# 导入工具库import numpy as npfrom PyEMD import EMD, Visualisation构建信号时间t: 为0到1s,采样频率为100HzS为合成信号# 构建信号t np.arange(0,1, 0.01)S 2*np.sin(2*np.pi*15*t) 4*np.sin(2*np.pi*10*t)*np.sin(2*np.pi*t*0.1)np.sin(2*np.pi*5*t)# 提取imfs和剩余信号resemd EMD()emd.emd(S)imfs, res emd.get_imfs_and_residue()# 绘制 IMFvis Visualisation()vis.plot_imfs(imfsimfs, residueres, tt, include_residueTrue)# 绘制并显示所有提供的IMF的瞬时频率vis.plot_instant_freq(t, imfsimfs)vis.show()参考[1] 基于稳态视觉诱发电位的脑-机接口系统研究往期精彩Python-EEG工具库MNE-Python详细安装与使用MNE中文教程(1)-MNE中数据结构Raw及其用法简介Python-EEG工具库MNE中文教程(2)-MNE中数据结构Epoch及其创建方法Python-EEG工具库MNE中文教程(3)-MNE中数据结构Epoch及其用法简介Python-EEG工具库MNE中文教程(4)-MNE中数据结构Evoked及其对象创建Python-EEG工具库MNE中文教程(5)-机器学习算法随机森林判断睡眠类型Python-EEG工具库MNE中文教程(6)-读取.set文件和.locs文件稳态视觉诱发电位 SSVEP 简介Nilearn中的基本操作和查看脑电信号滤波-代码实现脑机接口BCI学习交流群QQ群903290195微信群请扫码添加Rose拉你进群(请务必填写备注eg. 脑机接口或BCI)长按加群长按关注我们
