[发明专利]一种基于matlab的脑电信号处理装置

说明书

本发明公开了基于matlab的脑电信号处理装置，包括数据获取计算模块和数据展示模块，数据获取计算模块的设计方法包括以下步骤：S11，基于TCP的Java Socket设置服务端，服务端从本地测试文件获取数据；S12，TCP Socket服务端利用线程控制，按照每秒50至100条交易记录的随机速度，发送给以Spark Streaming客户端进行数据实时计算处理；S13，客户端接收到数据利用MapToPair算子进行数据分组，再利用updateStateByKey算子进行数据有状态计算；当下一批数据计算完后，更新在缓存区与其key相同的状态的值；S14，由客户端将计算的数据按批次写入数据库，并且数据库按照key持续更新状态值。

技术领域

本发明属于信号分析技术领域，涉及一种基于matlab的脑电信号处理装置。

背景技术

脑电信号是人类头皮表面的由神经元自发产生的、有节律的生物电活动。德国神经病学家Hans Berger在1926年第一次采集到电信号，由于脑电信号能够反映人类的认知与情绪状况，一直以来就受到人类的关注。在癫痫等脑部疾病以及焦虑、抑郁等精神疾病有着广泛的应用。

由于计算机的兴起，人们利用计算机进行脑电信号的分析已经成为了了一种潮流。计算机能够快速处理大量数据的优越性催生了研究脑电信号的新算法。

(1)C4.5决策树算法

决策树是在已知各种情况分别发生的概率的基础上，通过构成决策树来求取净现值的期望值大于等于零的概率，是能够直观运用分析概率的一种图解法。这种决策峰值画成的图形像一棵树，因此被称为决策树，他在机器学习中是一个预测值，代表对象属性和对象值之间的一中映射关系[13]。他的优点在于分类规则易于理解，准确率比较高。缺点在于在制造树的过程中，需要对数据进行多次顺序扫描和排序，导致算法低效，如果训练集大得在内存容纳时程序无法运行。

(2)朴素贝叶斯算法

朴素贝叶斯算法的核心是贝叶斯公式，是应用比较广泛的分类模型。来源于古典数学理论，通常能够在分类问题上带来稳定的分类效率。不需要太多的估计参数，而且可以对缺失数据进行处理。相对于其他的分类理论，朴素贝叶斯算法具有最小的错误率，在相关性较小的情况下，朴素贝叶斯模型的性能最为良好。但由于这种分类所需的估计参数，导致对于数据的缺失不够敏感，计算方法也相对简单，同时如果数据的相关性较高，朴素贝叶斯算法的分类效率不如决策树算法。

发明内容

鉴于以上情况及问题，本发明的技术方案包括基于matlab的脑电信号处理装置，包括数据采集器、去噪单元、非线性单元和时频域单元，数据采集器的输出连接去噪单元的输入，去噪单元的输出分别连接非线性单元和时频域单元的输入，其中，

所述数据采集器包括采集脑电信号的三个电极：Fp1、Fpz、Fp2和作为回路的耳廓电极；

所述去噪单元采用小波三层分解，包括将数据采集器采集到的信号进行小波变换，得到小波系数；在小波变换域上，通过信号和噪声的不同特点来对信号进行去噪；将去噪后的信号进行重建；

所述非线性单元包括计算关联维数、Co复杂度和Renyi熵；

所述时频域单元为通过IIR四阶滤波器对得到的信号进行分段处理。

优选地，所述数据采集器的采样频率为250Hz。

优选地，所述去噪单元中包括使用wden函数对信号进行自动降噪，采用thselect命令进行阈值处理，通过ddencomp命令对信号噪声的强度求阈值。

优选地，所述关联维数是动力学复杂性的一个几何度量，用于相空间的近四位数，反映脑电信号的动态特征和脑电序列本身的相关程度，通过以下计算得到：脑电数据序列用n个数据点的{xi，i＝1，……N}，取等间隔量τ，使用m维欧式空间得到其元素维：