脑电信号基于matlab小波睡眠监测含matlab源码595期(代码片段)

紫极神光 紫极神光     2022-11-30     260

关键词:

一、简介

基于matlab的脑电波睡眠监测

二、源代码

data0=rand(1,9999); %脑电信号原始数据 
tm=0.02; %采样时间间隔 
td=1:tm:30; %取时间1-30秒 
data=data0(1:(30-1)/tm+1); %1-30秒的数据 
figure(1)
subplot(211); 
plot(td,data); xlabel(\'时间(秒)\'),ylabel(\'脑波电压\'),title(\'1-30s脑电图波\');

%fft变换
Fs=1000;
n=length(data);
data1=fft(data,n);%傅里叶变换%                   
df=Fs/length(data1);          %频域分辨率
Fx=df*(0:length(data1)-1);    %将横轴变为频率轴% 
figure(1);
subplot(212); 
plot(Fx,abs(data1));  %绘制脑电波信号的频谱图%
axis([0 150 0 60]); 
title(\'频谱图\');xlabel(\'频率/Hz\');ylabel(\'幅值\'); 

%信号预处理
%低通滤波——巴特沃斯滤波器

Fs=1000;  fp=30;  fs=40;  Ap=1;  As=30; 
Wp=fp/(Fs/2);%计算归一化角频率 
Ws=fs/(Fs/2);  
[N,Wc]=buttord(Wp,Ws,Ap,As);%计算阶数和截止频率
[b,a]=butter(N,Wc,\'low\');%计算H(z)分子、分母多项式系数 
[H,F]=freqz(b,a,500,Fs);%计算H(z)的幅频响应,freqz(b,a,计算点数,采样速率) 
figure(2)
subplot(2,2,2) ;
plot(F,20*log10(abs(H))) ;
xlabel(\'频率(Hz)\');  ylabel(\'幅度(dB)\') 
axis([0 100 -30 3]); 
grid on ;
subplot(2,2,1) 
plot(F,abs(H));  
xlabel(\'频率(Hz)\');
 ylabel(\'幅度 \') ;
 title(\'低通滤波器\');
 axis([0 100 0 2]); 
 grid on;
 subplot(2,2,3);
 pha=angle(H)*180/pi;
 plot(F,pha);
  xlabel(\'频率(Hz)\');
ylabel(\'相位(dB)\')
axis([0 100 -200 200]); 
grid on;
%
%
%用低通巴特沃斯滤波器
Q=filter(b,a,data);
figure(3)
subplot(211); 
plot(td,Q);
title(\'过巴斯后时域图\');xlabel(\'时间\');ylabel(\'幅值\'); 
%fft变换
n=length(Q);
Q1=fft(Q,n);%傅里叶变换%                   
df=Fs/length(Q1);               %频域分辨率
Fx=df*(0:length(Q1)-1);    %将横轴变为频率轴% 
figure(3);
subplot(212); 
plot(Fx,abs(Q1));  %绘制脑电波信号的频谱图%
axis([0 50 0 60]); 
title(\'频谱图\');xlabel(\'频率/Hz\');ylabel(\'幅值\'); 




%
%------小波阈值去噪
%------软阈值小波去噪
[c,s]=wavedec2(Q,2,\'db5\');
[thr,sorh,keepapp] = ddencmp(\'den\',\'wv\',Q);
[xc,cxc,lxc,perf0,perfl2]=wdencmp(\'gbl\',Q,\'sym4\',2,thr,sorh,keepapp);%
figure(4);
subplot(211); 
plot(td,xc);
title(\'小波去噪后时域图\');xlabel(\'时间\');ylabel(\'幅值\'); 
u=xc;

%fft变换
n=length(xc);
xc1=fft(xc,n);%傅里叶变换%                   
df=Fs/length(xc1);               %频域分辨率
Fx=df*(0:length(xc1)-1);         %将横轴变为频率轴% 
figure(4);
subplot(212); 
plot(Fx,abs(xc1));             %绘制声音信号的频谱图%
axis([0 60 0 100]); 
title(\'小波去噪后频谱图\');xlabel(\'频率/Hz\');ylabel(\'幅值\'); 

%--  第一段波过带通滤波器------------
n=length(xc);
fs=[0.1,5];fp=[0.5,3];
fo=1200;                            %采样频率
wp=2.*fp./fo;ws=2.*fs./fo;
rp=1;as=40;
f = design(fdesign.bandpass(fs(1),fp(1),fp(2),fs(2),as,rp,as,fo),\'butter\');
y1=filter(f,xc);

yt1=fft(y1,n);
df=Fs/length(yt1);              %频域分辨率
Fx=df*(0:length(yt1)-1);         %将横轴变为频率轴% 
figure(5);
subplot(3,1,1),plot(td,y1); 
xlabel(\'时间(秒)\'),ylabel(\'脑波电压\'),title(\'1-30s第一阶段脑电图波\');
subplot(3,1,2);
plot(Fx,abs(yt1));             %绘信号的频谱图%
axis([0 6 0 100]); 
title(\'第一阶段频谱图\');xlabel(\'频率/Hz\');ylabel(\'幅值\');
%功率谱
fs=800;ts=1/fs;
t=0:ts:2;
nfft=64;
power1=(norm(y1)^2/length(y1+1));
spow1=abs(fft(y1,nfft).^2);
f=(0:nfft-1)/ts/nfft;
f=f-fs/2;
figure(5);
subplot(3,1,3);
plot(f,fftshift(spow1),\'k\');
title(\'第一阶段功率谱图\');xlabel(\'频率\');ylabel(\'功率谱\');
disp([\'power1=\',num2str(power1),\'.\']);

 
%--  第二段波过带通滤波器------------
n=length(u);
fs=[3,9];fp=[4,7];
fo=1200;                            %采样频率
wp=2.*fp./fo;ws=2.*fs./fo;
rp=1;as=40;
f = design(fdesign.bandpass(fs(1),fp(1),fp(2),fs(2),as,rp,as,fo),\'butter\');
y2=filter(f,u);

yt2=fft(y2,n);
df=Fs/length(yt2);              %频域分辨率
Fx=df*(0:length(yt2)-1);         %将横轴变为频率轴% 
figure(6);
subplot(3,1,1);
plot(td,y2);
xlabel(\'时间(秒)\');ylabel(\'脑波电压\');title(\'1-30s第二阶段脑电图波\');
subplot(3,1,2);
plot(Fx,abs(yt2));             %绘信号的频谱图%
axis([2 15 0 50]); 
title(\'第二阶段频谱图\');xlabel(\'频率/Hz\');ylabel(\'幅值\');
%功率谱
fs=800;ts=1/fs;
t=0:ts:2;
nfft=64;
power2=(norm(y2)^2/length(y2+1));
spow2=abs(fft(y2,nfft).^2);
f=(0:nfft-1)/ts/nfft;
f=f-fs/2;
figure(6);
subplot(3,1,3);
plot(f,fftshift(spow2),\'k\');
title(\'第一阶段功率谱图\');xlabel(\'频率\');ylabel(\'功率谱\');
disp([\'power2=\',num2str(power2),\'.\']);


%--  第三段波过带通滤波器------------
n=length(u);
fs=[7,14];fp=[8,13];
fo=1200;                            %采样频率
wp=2.*fp./fo;ws=2.*fs./fo;
 
f = design(fdesign.bandpass(fs(1),fp(1),fp(2),fs(2),as,rp,as,fo),\'butter\');
y3=filter(f,u);

 
df=Fs/length(yt3);              %频域分辨率
Fx=df*(0:length(yt3)-1);         %将横轴变为频率轴% 
figure(7);
subplot(3,1,1);
plot(td,y3);
xlabel(\'时间(秒)\');ylabel(\'脑波电压\');title(\'1-30s第三阶段脑电图波\');
subplot(3,1,2);
plot(Fx,abs(yt3));             %绘信号的频谱图%
axis([4 16 0 30]); 
title(\'第三阶段频谱图\');xlabel(\'频率/Hz\');ylabel(\'幅值\');
%功率谱
fs=800;ts=1/fs;
t=0:ts:2;
nfft=64;
power3=(norm(y3)^2/length(y3+1));
spow3=abs(fft(y3,nfft).^2);
f=(0:nfft-1)/ts/nfft;
f=f-fs/2;
figure(7);
subplot(3,1,3);
plot(f,fftshift(spow3),\'k\');
title(\'第三阶段功率谱图\');xlabel(\'频率\');ylabel(\'功率谱\');
disp([\'power3=\',num2str(power3),\'.\']);

三、运行结果

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

四、备注

版本:2014a

完整代码或代写加1564658423

脑电信号基于matlab小波变换+样本熵的癫痫脑电信号特征提取含matlab源码1154期(代码片段)

一、简介1974年,法国工程师J.Morlet首先提出小波变换的概念,1986年著名数学家Y.Meyer偶然构造出一个真正的小波基,并与S.Mallat合作建立了构造小波基的多尺度分析之后,小波分析才开始蓬勃发展起来。小波分析的... 查看详情

脑电信号基于matlab小波变换dwt脑电信号ecg去噪含matlab源码1622期(代码片段)

...通过大脑皮层上电极记录下的大脑细胞群的电位活动称为脑电信号。通过对脑电信号进行研究可以获得丰富的心理及生理的疾病信息,所以脑电信号的分析及去噪算法的研究无论是在临床的诊断和急病治疗上都是十分重要的... 查看详情

图像融合基于matlab低频融合策略小波图像融合含matlab源码2319期

...像融合1.1小波的分解和重构小波变换是一种能够用来检测信号局部特征的数学工具。当然也可以将二维信号分解成不同分辨率的子带信号。由于图像为二维信号,可以作以下小波分解:其中,f(x,y)为源图像,C0,H,G为一维小波滤波器,h,v,... 查看详情

心电信号基于matlab逻辑算法rst波检测含matlab源码2386期

⛄一、小波阈值法去噪概述电能质量扰动信号的噪声大多以高斯白噪声的形式存在,利用小波变换对信号进行多分辨率分解,由于小波变换具有去除数据相关性的特点,故可以将有用信号与噪声的能量分离开来。信号... 查看详情

数字信号分析基于matlab小波变换气象数据分析(小波系数小波方差小波模小波模平方)含matlab源码2409期

...分析数学理论基础多尺度分析,就是在不同分辨率下显示信号的特征。其实质是把信号在一系列不同层次的空间进行分解。多尺度分析在信号分析中的应用可以用通常可以采用小波变换进行去噪。常用的正交小波基有Haar小波、Meye... 查看详情

毕设题目:matlab数字信号去噪

1案例背景提高测量信号的信噪比是对信号进行预处理的关键所在,小波变换能把信号分解在多个尺度上,进而可以在不同尺度上把信号和噪声分开。本研究以雷克子波为原始信号,通过添加不同能量的高斯噪声,运用matlab仿真,采用小... 查看详情

图像隐写基于matlab小波变换dwt数字盲水印嵌入+攻击含matlab源码2313期(代码片段)

⛄一、离散小波变换的音频信号数字水印技术简介0引言近年来,数字水印技术的作用越来越重要。数字水印技术是将一些标识信息直接嵌入数字载体当中,或间接表示在信号载体中,且不影响原载体的使用价值。通过隐藏在载体中... 查看详情

语音隐藏基于matlab小波变换dwt结合离散余弦变换dct音频数字水印嵌入提取含matlab源码2131期

一、离散小波变换的音频信号数字水印技术简介0引言近年来,数字水印技术的作用越来越重要。数字水印技术是将一些标识信息直接嵌入数字载体当中,或间接表示在信号载体中,且不影响原载体的使用价值。通过隐藏在载体中的... 查看详情

毕设题目:matlab心电信号

...康的一种重大疾病,随着医疗水平与技术的不断发展,心电信号分析成为了临床诊断心脏问题的重要方法。心电信号是一种微弱的生物信号,极易受到噪声的干扰,去噪的效果会直接影响到后续的分析与诊断。2现成案例(代码+... 查看详情

图像融合基于matlab小波变换全聚焦图像融合含matlab源码1372期

...数值方法、曲线曲面构造、微分方程求解、控制论等。在信号分析方面的滤波、去噪声、压缩、传递等。在图像处理方面的图像压缩 查看详情

图像融合基于matlab小波变换全聚焦图像融合含matlab源码1372期

...数值方法、曲线曲面构造、微分方程求解、控制论等。在信号分析方面的滤波、去噪声、压缩、传递等。在图像处理方面的图像压缩 查看详情

图像融合基于matlab双树复小波变换像素级图像融合含matlab源码2024期

...算法,这一算法的提出,使得双树复小波变换能够应用于信号分析和图像处理等领域。与小波变换不同,双树复小波变换具有近似位移不变性、数据冗余有限及方向选择性良好等特点,可以反映图像在六个方向上的分辨率变化。... 查看详情

图像融合基于matlab主成分结合小波离散变换pca-dwt图像融合含matlab源码2199期

...像融合1.1小波的分解和重构小波变换是一种能够用来检测信号局部特征的数学工具。当然也可以将二维信号分解成不同分辨率的子带信号。由于图像为二维信号,可以作以下小波分解:其中,f(x,y)为源图像,C0,H,G为一维小波滤波器,h,v,... 查看详情

故障诊断分析基于matlab小波包能量分析轴承故障诊断含matlab源码1620期(代码片段)

...,解调谱线却很难分辨故障类型小波包是小波理论在信号处理应用领域的又一重大发展,它在小波理论的基础上引人了最优基准准则,目前已在通信、图像处理、分形、信号检测等方面获得成功应用小波包分解是多分... 查看详情

语音隐藏基于matlab小波变换dwt结合离散余弦变换dct音频数字水印嵌入提取含matlab源码2131期

一、离散小波变换的音频信号数字水印技术简介0引言近年来,数字水印技术的作用越来越重要。数字水印技术是将一些标识信息直接嵌入数字载体当中,或间接表示在信号载体中,且不影响原载体的使用价值。通过隐藏在载体中的... 查看详情

语音隐写基于matlabguidwt音频信号数字水印嵌入提取含matlab源码1028期(代码片段)

一、简介小波变换原理小波变换是一种信号的时间一尺度(时间一频率)分析方法,一种窗口大小固定不变形状可改变,时间窗和频率窗都可以改变的时频局部化分析方法。它具有多分辨率分析(Multi-resolutionAnalysis)的特点,且在时... 查看详情

心电信号基于matlabgui自适应滤波+平滑滤波+小波滤波心电信号处理含matlab源码1809期(代码片段)

一、心电信号处理简介1引言ECG是一种基本的人体生理信号,具有重要的临床诊断价值。其特点是信号微弱,信噪比小,一般正常人的心电信号频率在0.05~100Hz范围内,幅度为10μV(胎儿)~5mV(成人)。在检测心电信号时,易受到仪... 查看详情

心电信号基于matlab小波阙值心电信号去噪含matlab源码2188期

一、小波阈值法去噪概述电能质量扰动信号的噪声大多以高斯白噪声的形式存在,利用小波变换对信号进行多分辨率分解,由于小波变换具有去除数据相关性的特点,故可以将有用信号与噪声的能量分离开来。信号中... 查看详情