[发明专利]一种基于小波包分解的MEAs生物信号的数据降维方法

摘要

本发明涉及一种基于小波包分解的MEAs生物信号的数据降维方法，包括数据降维模型的建立、依次对MEAs采集的每一信道的信号进行小波包分解、并选取时频空间的最优基、再提取最优基中的小波包分解系数特征索引，从而得到小波包分解系数的最优索引位置对生物脑电信号进行降维处理，本发明设计合理、使用方便，通过生物脑电信号数据降维模型建立，得到小波包最优基，再在最优基内选择小波包分解系数的特征索引，通过选取特定索引位置的系数达到对数据的降维作用；本发明相对傅立叶分析克服了其时域特征表现差的缺点，相对短时傅立叶变换克服了其时频分辨率固定的缺点，同时弥补了小波分析在高频处特征提取的不足。

主权项

1.一种基于小波包分解的MEAs生物信号的数据降维方法，其特征在于，包括以下步骤：S1)、给定数据集其中，N表示样本数，每个样本包含M个MEAs信道，即每个信道包含L个采样点，即S2)、依次对每个样本的每个信道数据进行小波包变换，得到小波包基系数集合其中，P∈{1,2，....,2^l+1‑2}表示小波包分解树中的节点序号，l为小波包分解级数，其中，分别表示尺度子空间的树节点和小波子空间的树节点；Q表示在对应小波包下的系数个数；n∈{1,2,...,N}，m∈{1,2,...,M}；S3)、基于散布准则利用类标向量对每一信道下数据的小波包基系数求得散布向量集其中，S4)、由对每个节点p通过得到每个信道在固定节点下的度量值JA^m,p；S5)、根据左右孩子节点度量值和不小于父亲节点度量值，构造小波包分解最优树，筛选得到最优小波包基下的散布向量集其中，S6)、对下所有的散布值按照从大到小的顺序进行排序，然后提取前C(C＜L)个散布值的索引，每个索引以二元组形式表示{p,q}，其中，p∈{1,2....,2^l+1‑2}，p∈{1,2,....,L}；S7)、重复步骤S3)‑S6)，得到所有信道的索引集合Si＝{(pi,qi),i＝1,2,...,C×M}；S8)、按照步骤S2)对待处理的数据YN×M×L进行相应的处理得到小波包基系数集合U；S9)、根据集合S_i和U得到降维后的特征集