波恩大学癫痫数据集特征提取

接下来讲一下怎么将单通道EEG信号的特征提取，提取后可以通过机器学习方法分类

具体原理是使用离散小波变换（db4）将单个样本EEG信号分解，取D3，4，5，6和A6,代表delta(A6)，theta(D6) ， alpha(D5) ，beta(D4)，gamma(D3) .然后计算五个子信号各自的总体标准差，然后组成特征向量，就提取出单个样本的特征了。之后计算集合A和集合E中的共200个样本，保存下来复制到excel做一张表就能通过机器学习进行分类了（使用svm，决策树之类的都可以，网上太多相关内容就不赘述了）。

集合A（正常人）的部分样本特征

集合E（癫痫发作）的部分样本特征，可以看出来跟集合A有明显区别

特征提取代码，信号集合A_Z生成可以看开头的文章，wavedec函数需要下载专门的matlab Toolbox

M=[]
for i = 1:100
 w=A_Z(:,:,i)%取单个EEG信号

 [C,L] = wavedec(w,6,'db4');%6级分解


 [d3] = wrcoef('d',C,L,'db4',3);

 SD_gamma=std(d3,1)
 [d4] = wrcoef('d',C,L,'db4',4);

  SD_beta=std(d4,1)
 [d5] = wrcoef('d',C,L,'db4',5);

  SD_alpha=std(d5,1)
 [d6] = wrcoef('d',C,L,'db4',6);

  SD_theta=std(d6,1)

 [a6] = wrcoef('a',C,L,'db4',6);
 
  SD_delta=std(a6,1)

  SD=[SD_delta,SD_theta,SD_alpha,SD_beta,SD_gamma]
 M=[M;SD]%插入矩阵

end
save SD_A_Z.mat  M

波恩大学癫痫数据集特征提取

悦读