为了更有效地提取脑电信号特征波，结合小波包和ICA（独立分量分析），提出了一种脑电特征波提取方法。首先对脑电信号进行小波包分解，然后进行相关频段信号的重构，从而提取出特征波的概貌作为初次提取的特征波；再利用ICA分离技术，以初次提取的特征波为参考信号对其进行增强。实验结果表明，对比于独立地应用某一种方法，两种方法相结合更能有效地提取脑电信号特征波。

在脑机接口研究中,针对运动想象脑电信号的特征提取,采用了一种优化的基于小波包的ICA(独立成分分析)法,用于提取大脑在想象动作时产生事件相关去同步/同步(EventRelatedDesynchronizationorEventRelatedSynchronizationERD/ERS)信号。利用小波包对脑电信号进行分解去除不同脑电信号之间的统计相关性,抽取包含ERD/ERS现象的特征频带,对每个特征频带分别进行ICA分解,获取与ERD/ERS现象相关的μ节律和β节律。最后引入ERD/ERS系数作为量化指标

针对区分两种不同运动想象(想象左手运动和想象右手运动)的脑-机接口任务,提出了以小波方差作为分类特征的方法.首先深入研究了小波变换以及小波方差的计算方法,结合验证脑电图(EEG)存在的ERD/ERS现象,然后利用小波分解系数方差对C3,C4导联脑电信号进行特征提取,最后采用最简线性分类器进行分类,采用分类正确率作为主要评价标准.结果表明,最大分类正确率为85%,最佳分类时间段为4~6.5 s.与BCI竞赛和其他方法相比,在保证分类正确率的前提下,所使用的特征提取和分类方法更加简单,具有较高的参考价值.

小波变换与傅里叶变换的比较： 小波分析是在傅里叶分析的基础上发展起来的，但小波分析与傅里叶分析存 在着极大的不同，与Fourier变换相比，小波变换是空间（时间）和频率的局部变 换，因而能有效地从信号中提取信息。通过伸缩和平移等运算功能可对函数或信 号进行多尺度的细化分析，解决了Fourier变换不能解决的许多困难问题。小波变 换联系了应用数学、物理学、计算机科学、信号与信息处理、图像处理、地震勘 探等多个学科。 二、小波变换 傅里叶闭环具有一定的局限性。 用傅立叶变换提取信号的频谱需要利用信号的全部时域信息。 傅立叶变换没有反映出随着时间的变化信号频率成分的变化情况。 傅立叶变换的积分作用平滑了非平稳信号的突变成分。 由于上述原因，必须进一步改进，克服上述不足，这就导致了小波分析。

行业分类-电信-运动想象脑电信号特征的提取方法.rar

平移因子对小波的作用： 二、小波变换 平移因子使得小波能够沿信号的时间轴实现遍历分析，伸缩因子通过收 缩和伸张小波，使得每次遍历分析实现对不同频率信号的逼近。

行业分类-电信-一种基于RandomSelectRCSP的运动想象脑电信号特征提取方法.rar

从运动想象脑电信号的特点出发，利用α、β节律事件相关同步化和去同步化特性，对BCI Competition 2008 Dataset 2b数据进行运动想象特征提取和模式识别。对单次被试数据进行各种脑节律提取，功率谱能力分析，用eeglab工具箱进行GUI界面设计。对多次被试数据使用四种常用脑电信号提取算法进行特征提取，包括小波分析法（DWT）、自回归模式法（AR）、功率谱分析法（PSD）和共同空间模式法（CSP），用支持向量机（SVM）分类器进行模式识别分类，用集成学习Adaboosting算法进行分类优化，并设计GUI界面实现上述功能，使用DSP CCS集成开发环境实现仿真模拟。 注：包含代码

对某信号进行3层小波包分解并重构，提取方差，获得信号特征。

针对运动想象脑电信号特征提取困难，分类正确率低的问题，提出了利用小波熵进行特征提取并采用支持向量机（SVM）来分类的算法。计算运动想象脑电信号的功率，通过理论分析选择小波包尺度，对信号功率进行小波包分解并计算其小波包熵（WPE），提取C3、C4导联的小波包熵插值组成特征向量，将特征向量作为分类器的输入送入支持向量机进行分类。采用国际BCI竞赛2003中的Graz数据进行验证，算法的最高分类正确率达97.56%。算法特征向量维数低、数据量小、分类正确率高，对运动想象脑电信号特征提取及分类的任务可以提供参考方法。