基于matlab的脑电信号处理

南京航空航天大学基于Matlab的脑电信号处理

姓名陆想想

专业领域生物医学工程

课程名称数字信号处理

二О一三年四月

摘要：脑电信号属于非平稳随机信号，且易受到各种噪声干扰。本文基于Matlab仿真系统，主要研究了小波变换在脑电信号处理方面的应用，包括小波变换自动阈值去噪处理、强制去噪处理，以α波为例，提取小波分解得到的各层频率段的信号，并做了一定的分析和评价。关键词：脑电信号；小波变换；去噪重构；频谱分析

0 引言

脑电信号EEG(Electroencephalograph)是人体一种基本生理信号，蕴涵着丰富的生理、心理及病理信息，脑电信号的分析及处理无论是在临床上对一些脑疾病的诊断和治疗，还是在脑认知科学研究领域都是十分重要的。由于脑电信号的非平稳性且极易受到各种噪声干扰，特别是工频干扰。因此消除原始脑电数据中的噪声，更好地获取反映大脑活动和状态的有用信息是进行脑电分析的一个重要前提。本文的研究目的是利用脑电采集仪器获得的脑电信号，利用Fourier变换、小波变换等方法对脑电信号进行分析处理，以提取脑电信号α波的“梭形”节律，并对脑电信号进行功率谱分析和去噪重构。

1 实验原理和方法

1.1实验原理

1.1.1脑电信号

根据频率和振幅的不同，可以将脑电波分为4种基本类型[1]，即δ波、θ波、α波、β波。4种波形的起源和功能也不相同，如图1所示。

图1 脑电图的四种基本波形

α波的频率为8~13Hz，振幅为为20~100μV，它是节律性脑电波中最明显的波，整个皮层均可产生α波。正常成人在清醒、安静、闭目时，波幅呈现有小变大，再由大变小，如此反复进行，形成所谓α节律的“梭形”。每一“梭形”持续时间约为1~2s。当被试者睁眼、警觉、思考问题或接受其他刺激时，α波立即消失而代之以快波，这种现象称之为“α波阻断”。一

般认为，α波是大脑皮质处于清醒安静状态时电活动的主要表现。

β波的频率是18~30Hz，振幅为5~20μV，是一种快波。β波的出现以为着大脑比较兴奋。

θ波的频率是4~7Hz，振幅为10~50μV，它是在困倦时，神经系统处于抑制状态时所记录的波形。

δ波在睡眠、深度麻醉、缺氧或大脑有器质性病变时出现，频率是1~3.5Hz，振幅为20~200μV。

1.1.2小波变换

小波变换的概念是由从事石油信号处理的法国工程师J.Morlet在1974年首先提出的。与Fourier变换相比，小波变换是时间（空间）频率的局部化分析，它通过伸缩平移运算，对信号逐步进行多尺度细化，最终达到高频处时间细分，低频处频率细分，能自动适应时频信号分析的要求，从而可以聚焦到信号的任意细节，解决了Fourier变换的困难问题。

在噪声中如何准确地检测到信号一直是信号处理领域所关心的内容。小波变换是一种信号的时间一尺度分析方法，由于具有多分辨率分析的特点，良好的时频局部化特性，能够对各种时变信号进行有效的分解，从而较好地将信号与噪声加以分离，获得满意的去噪效果。

小波分析去噪处理的方法一般有三种：

默认阈值去噪处理。该方法是利用ddencmp函数生成信号的默认阈值，然后利用wdencmp函数进行去噪处理。

给定阈值进行去噪处理。在实际的去噪过程中，阈值往往可以通过经验公式获得，并且这种阈值比默认阈值可信度高。在进行量化处理时可利用wthresh函数。

强制去噪处理。该方法是将小波分解结构中的高频或者低频系数设置为0，即滤掉所有高频部分或低频部分。这种方法比较简单，且去噪得到的信号比较平滑，但是容易丢失信号中的有用成分[2]。

本文采用了两种去噪方法，并分析比较了他们的去噪效果。

1.2实验方法与步骤

1.2.1脑电信号的读取

本文使用的脑电数据是使用南航生物医学光子学实验室的脑电采集系统采集获得的，原始数据格式为.eeg。为了方便在Matlab环境下对数据进行分析，将文件转换为.txt格式。

脑电采集使用的是16通道，采样频率为256Hz，文件中存储的数据的形式为数据点数×通道数。实验中选取了第14通道的前8000个数据点作为样本进行分析。由于采样时间是256Hz，所以这段信号的持续时间大约是32秒。

1.2.2信号的频域和功率谱分析

为了研究脑电信号中不同频率信号的能量分布以及变化情况，首先对样本信号进行Fourier变换，得到频域图。然后进一步对信号做功率谱分析，得到功率谱图，从功率谱图

中，可以直观的观察到不同频率信号的能量分布情况。由于脑电数据是在被采集者安静清醒的状态下采集得到的，理论上α波应该占主导地位。

1.2.3信号的小波变换及重构

基于小波变换降噪处理的方法通常有3个步骤：首先是将信号进行n层小波变换，得到小波系数；然后在小波变换域上利用信号与噪声的不同特性，对小波变换进行阈值化处理，把噪声从信号中区分开来(主要是对高频系数进行阈值化处理；最后是利用重构算法重构信号。小波变换去噪的效果主要取决于对含噪信号的噪声估计方法以及所采用的小波函数[4]。

本文使用其中两种去噪方法。第一种是默认阈值去噪，先对样本信号进行8层小波分解，使用的小波函数是db8，然后利用ddencmp函数生成信号的默认阈值，最后利用wdencmp 函数进行去噪处理，得到去噪的信号。另一种是强制去噪，同样地，先对样本信号进行8层小波分解，采用的小波函数也是db8。然后提取各层小波系数，再将脑电信号频率以外的几层小波系数置零，得到重构的各层小波系数。最后由重构的小波系数得到重构的信号。该信号中除去了某些频率的信号，起到了去噪的效果。

2仿真结果及分析

2.1原始脑电数据的读取和显示

采集到的脑电信号文件为data.txt，调用eeg_load.m文件，即可绘制出脑电样本信号图，如下图2所示。

图2 脑电样本信号图

2.2脑电信号频谱图及功率谱图的绘制

首先调用eeg_fft.m文件，原理是对样本信号进行傅立叶变换[3]，即可获得样本信号的频谱图，如下图3所示。

图3信号频谱图

从频谱图中可以看出，低频信号和11Hz左右的信号特别强，25Hz以上的信号几乎为零。由于α波的频率为8~13Hz，由此可以知道，该信号中α波比较多。在脑电采集过程中，被采集者没有处于深度睡眠状态，因此接近0Hz的低频信号可以确定为噪声。15~25Hz频段的信号很微弱，因此可以以判断出，信号中几乎没有β波。

谱估计是数字信号处理的主要内容之一，主要研究信号在频域中的各种特征，目的是根据有限数据在频域内提取被淹没在噪声中的有用信号。调用eeg_psd,m文件，可以绘制信号的功率谱图，如下图4所示。

图4 信号功率谱图

原始的功率谱图是关于f=128Hz对称的，为了便于分析，截取了0~65Hz的一段。信号的功率谱显示，在10Hz作用频率处能量出现峰值，表明在平静状态下采集的脑电信号中α波能量最大，符合生理学的研究结论。

2.3脑电信号小波分解各层重构波形

实验选取db8小波对前述采集的样本信号进行分解，调用wavelet_dec.m文件，分解得到的各层信号如下图5所示。

图5 脑电信号经小波分解后的各层分量

由于采样频率是256Hz，所以对于自带的频率范围是：

]2,2[],2,2[],2,2[],2,2[],2,2[],2,2[],2,2[],2,0[22334455667788s s s s s s s s s s s s s s s f f f f f f f f f f f f f f f

相应的各子带的频率成分如下表所示： 子带信号 频率范围

主要信号成分 a8 0Hz~1Hz

低频干扰 d8 1Hz~2Hz

δ波 d7 2Hz~4H

δ波 d6 4Hz~8Hz

θ波 d5 8Hz~16Hz

α波 d4 16Hz~32Hz

β波 d3 32Hz~64Hz

高频噪声 d2 64Hz~128Hz

高频噪声 d1

128Hz~256Hz 高频噪声 表1 小波分解后脑电信号子带的频率范围

一般情况下，a8子带内是低频干扰，d3、d2、d1子带内是高频噪声，d8、d7、d6、d5、d4子带内是脑电信号，但也可能混有一定的噪声，需要根据实际情况来分析。

2.4 脑电信号节律提取

α波是节律性脑电波中最明显的波。由以上小波分解得到的各层分量分析可知，α波主要集中在d5子带内。所以选取了d5子带内第5500~8000之间的2500个数据点，将信号图绘制出来，如下图6所示。

图6 提取出来的α波节律

从上图中可以明显看出α波波幅由小到大，再由大到小作规律性变化，呈棱状图形。

2.5 小波分解去噪和重构波形

2.5.1 小波变换默认阈值去噪处理

调用noise_reduce.m文件，可以实现脑电信号的小波变换默认阈值去噪处理，原始数据及去噪处理结果对比如下图7所示。

图7 原始信号与小波默认阈值去噪结果图的对比

从原始脑电信号与去噪处理后的效果来看，经去噪处理后的信号高频信号有所减少。

2.5.2小波变换强制去噪处理

调用wavelet_rec.m文件，绘制小波变换强制去噪处理之后的信号如下图8所示。

图8 原始信号与小波强制去噪结果图的对比

该图表示的是除去了低频干扰和高频噪声之后的结果，从与原始信号的对比中可以看出，高频噪声很明显被消除了。但由于考虑到实际情况，16~32Hz子带内极少有β波，大部分为噪声，所以把这个频带内的信号也全部清除了。

3 讨论

基于FFT变换的功率谱估计适用于平稳时间信号分析,计算结果只能反映信号段总体的平均功率分布情况, 不包含信号的任何时域变化信息, 并且谱估计的频率分辨率与所采用的信号长度成正比，即受数据点数目的影响。

基于小波变换的去噪方法，对非平稳信号去噪，要比传统的滤波去噪声得到的效果好，主要是由于传统的滤波器都具有低通性，对需要分析在每个时刻含有不同频率成分的非平稳信号来说，是很难对它进行匹配分析。而小波变换具有多分辨率，且在时频域都具有局部性，因此很适合用来分析非平稳信号。在用小波分析来进行去噪的关键在于阈值的选取，如果阈值选取的太高，会使信号失去太多细节，使信号失真，如果阈值选得太低，又不能达到去噪的目的。

4 结论

本文利用实测的原始脑电信号, 对脑电信号的处理方法与结果进行了一定的分析和评

价, 以期为脑电信号处理及特征提取提供一定的理论参考和分析依据。目前人们也尝试用非线性处理方法、神经网络的方法、时频结合等等现代的方法来处理脑电信号, 相信这些方法会为脑认知以及医学的发展作出贡献[5]。

脑电信号属于非平稳随机信号，小波分析的方法可以直接对信号的某些频率分量进行观察或者提取出有用的特征信号，为脑电信号的测量与分析提供了非常好的前景。

参考文献:

[1]余学飞.现代医学电子仪器原理与设计[M].广州:华南理工大学出版社,2007.133~134.

[2]张德峰.MA TLAB小波分析[M].北京:机械工业出版,2012.

[3]万永革.数字信号处理的MA TLAB实现[M].北京:科学出版社,2012.

[4]于兰兰. 基于小波变换的脑电信号去噪处理[J].南昌大学学报(理科版),2007,31:75~77.

[5]谢松云,张振中,杨金孝,张坤.脑电信号的若干处理方法研究与评价[J].计算机仿真,2007,24(2):326~330.

基于Matlab的脑电波信号处理

做脑电波信号处理滴嘿嘿。。Matlab addicted Codes %FEATURE EXTRACTER function [features] = EEGfeaturetrainmod(filename,m) a = 4; b = 7; d = 12; e = 30; signals = 0; for index = 1:9; % read in the first ten EEG data because the files are numbered as ha11test01 rather than ha11test1. s = [filename '0' num2str(index) '.dat']; signal = tread_wfdb(s); if signals == 0; signals = signal; else signals = [signals signal]; end end for index = 10:1:m/2; % read in the rest of the EEG training data s = [filename num2str(index) '.dat']; signal = tread_wfdb(s); if signals == 0;

signals = signal; else signals = [signals signal]; end end %%%%% modification just for varying the training testing ratio ------ for index = 25:1:25+m/2; % read in the rest of the EEG training data s = [filename num2str(index) '.dat']; signal = tread_wfdb(s); if signals == 0; signals = signal; else signals = [signals signal]; end end %%%%%end of modification just for varying the training testing ratio----- for l = 1:m % exrating features (power of each kind of EEG wave forms) [Pxx,f]=pwelch(signals(:,l)-mean(signals(:,l)), [], [], [], 200); % relative power fdelta(l) = sum(Pxx(find(fa))); falpha(l) = sum(Pxx(find(fb))); fbeta(l) = sum(Pxx(find(fd))); fgama(l)= sum(Pxx(find(f>e))); % gama wave included for additional work

信号处理实验一：用matlab描述基本信号

哈尔滨工程大学 实验报告 实验名称：用matlab描述基本信号 班级：电子信息工程4班 学号： 姓名： 实验时间：2016年10月10日 成绩：________________________________ 指导教师：栾晓明 实验室名称：数字信号处理实验室哈尔滨工程大学实验室与资产管理处制

实验一用matlab 描述基本信号 一、 冲激信号 1、 原理： 最简单的信号是（移位的）单位冲激信号： δ[n -n 0] = ? ??≠=00 0 1n n n n （3.1） 在MA TLAB 中产生冲激信号，必须先确定所关注信号部分的长度。如果准备用冲激信 号δ[n ]来激励因果LTI 系统，可能需要观察从n = 0到n = L -1总共L 个点。若选择L = 31，下面的MA TLAB 代码将产生一个“冲激信号”。 1. L = 31; 2. nn = 0 : (L-1); 3. imp = zeros(L, 1); 4. imp(1) = 1; 注意，根据MA TLAB 编址约定，n =0标号必须对应imp(1)。 例：产生移位冲激信号程序（函数文件） function [x,n] = impseq(n0,n1,n2) % 产生 x(n) = delta(n-n0); n1 <=n0 <= n2 % ---------------------------------------------- % [x,n] = impseq(n0,n1,n2) % if ((n0 < n1) | (n0 > n2) | (n1 > n2)) error('参数必须满足 n1 <= n0 <= n2') end n = [n1:n2]; %x = [zeros(1,(n0-n1)), 1, zeros(1,(n2-n0))]; x = [(n-n0) == 0]; 以上函数文件可以产生指定区间内的冲激移位脉冲。 例1—1：调用这个函数文件生成并绘制： x(n) = 2δ[n+2]-δ[n -4] -5≤ n ≤ 5 程序 % x(n) = 2*delta(n+2) - delta(n-4), -5<=n<=5 n = [-5:5]; x = 2*impseq(-2,-5,5)-impseq(4,-5,5); stem(n,x); title('例 2.1a 的序列图') ylabel('x(n)'); axis([-5,5,-2,3]);text(5.5,-2,'n')

matlab与信号 处理知识点

安装好MATLAB 2012后再安装目录下点击setup.exe 会出现 "查找安装程序类时出错，查找类时出现异常"的错误提示。该错误的解决方法是进入安装目录下的bin 文件夹双击matlab.exe 对安装程序进行激活。这是可以对该matlab.exe 创建桌面快捷方式，以后运行程序是直接双击该快捷方式即可。 信号运算 1、 信号加 MATLAB 实现: x=x1+x2 2、 信号延迟 y(n)=x(n-k) 3、 信号乘 x=x1.*x2 4、 信号变化幅度 y=k*x 5、 信号翻转 y=fliplr(x) 6、 信号采样和 数学描述：y=∑=2 1)(n n n n x MATLAB 实现： y=sum(x(n1:n2)) 7、 信号采样积 数学描述：∏==2 1)(n n n n x y MATLAB 实现： y=prod(x(n1:n2)) 8、 信号能量 数学描述：∑∞ -∞ == n x n x E 2 | )(| MATLAB 实现：Ex=sum(abs(x)^2)

9、 信号功率 数学描述：∑-== 1 2 | )(|1 P N n x n x N MATLAB 实现：Px=sum((abs(x)^2)/N MATLAB 窗函数 矩形窗 w=boxcar(n) 巴特利特窗 w=bartlett(n) 三角窗 w=triang(n) 布莱克曼窗 w=blackman(n) w=blackman(n,sflag) 海明窗 w=haiming(n) W=haiming(n,sflag) sflag 用来控制窗函数首尾的两个元素值，其取值为symmetric 、periodic 汉宁窗 w=hanning(n) 凯塞窗 w=Kaiser(n,beta) ,beta 用于控制旁瓣的高度。n 一定时，beta 越大，其频谱的旁瓣越小，但主瓣宽度相应增加；当beta 一定时，n 发生变化，其旁瓣高度不变。 切比雪夫窗：主瓣宽度最小，具有等波纹型，切比雪夫窗在边沿的采样点有尖峰。 W=chebwin(n,r)

基于Mu_Beta节律想象运动脑电信号特征的提取

中国组织工程研究与临床康复
第 14 卷 第 43 期 2010–10–22 出版
October 22, 2010 Vol.14, No.43
Journal of Clinical Rehabilitative Tissue Engineering Research
基于Mu/Beta节律想象运动脑电信号特征的提取*★
黄思娟，吴效明
Feature extraction of electroencephalogram for imagery movement based on Mu/Beta rhythm
Huang Si-juan, Wu Xiao-ming
Abstract
BACKGROUND: Different sports produce different electroencephalogram (EEG) signals. Brain-computer interface (BCI) utilized characteristics of EEG to communicate brain and external device by modern signal processing technique and external connections. The speed of EEG signals processing is important for BCI online research. OBJECTIVE: To investigate a rapid and accurate method for extracting and classifying EEG for imagery movement. METHODS: Using the attribute of event-related synchronization and event-related desynchronization during imagery movement, the BCI dataset of 2003 was processed. Mu/Beta rhythm was obtained from bandpass filtering and wavelet package analysis. Then feature was formed by the average energy of lead C3, C4, and was sorted out by the function classify of matlab. RESULTS AND CONCLUSION: Appropriate parameters were obtained by detection of training data and used for identification of training data and testing data, with a correct rate of classification of 87.857% and 88.571%. Huang SJ, Wu XM. Feature extraction of electroencephalogram for imagery movement based on Mu/Beta rhythm.Zhongguo Zuzhi Gongcheng Yanjiu yu Linchuang Kangfu. 2010;14(43): 8061-8064. [https://www.sodocs.net/doc/a12669566.html, https://www.sodocs.net/doc/a12669566.html,]
School of Bioscience and Bioengineer, South China University of Technology, Guangzhou 510006, Guangdong Province, China Huang Si-juan★, Studying for master’s degree, School of Bioscience and Bioengineer, South China University of Technology, Guangzhou 510006, Guangdong Province, China huangsijuan123@ https://www.sodocs.net/doc/a12669566.html, Correspondence to: Wu Xiao-ming, Doctoral supervisor, School of Bioscience and Bioengineer, South China University of Technology, Guangzhou 510006, Guangdong Province, China bmxmwus@scut. https://www.sodocs.net/doc/a12669566.html, Supported by: the Science and Technology Development Program of Guangdong Province, No. 2009B030801004* Received: 2010-05-17 Accepted: 2010-07-13
摘要
背景：不同的运动会产生不同的脑电信号，脑机接口技术就是利用脑电信号的特异性，通过现代信号处理技术和外部的连 接实现人脑与外部设备的通信。以实现脑机接口在线研究的目标，首先要解决的是脑电信号处理的速度问题。 目的：研究快速、准确地提取脑电信号特征及分类的方法。 方法：充分利用想象运动过程中，脑电信号中 Mu/Beta 节律的事件相关同步化和去同步化特性，以 2003 年 BCI 竞赛数据 为处理对象，采用带通滤波和小波包分析的方法提取 Mu、Beta 节律，提取 C3、C4 两通道上的能量平均值形成二维特征 向量，利用 matlab 自带的 classify 函数进行分类。 结果与结论：通过对训练数据进行测试得到较为合适的参数，利用该参数对同等条件下的训练数据和测试数据分别进行判 别，分类正确率分别达到 87.857%和 88.571%。 关键词：特征提取与分类；脑电信号；事件相关同步化/去同步化；想象运动；小波包分析 doi:10.3969/j.issn.1673-8225.2010.43.021 黄 思 娟 ， 吴 效 明 . 基 于 Mu/Beta 节 律 想 象 运 动 脑 电 信 号 特 征 的 提 取 [J]. 中 国 组 织 工 程 研 究 与 临 床 康 复 ， 2010 ， 14(43):8061-8064. [https://www.sodocs.net/doc/a12669566.html, https://www.sodocs.net/doc/a12669566.html,]
(slow cortical potential, SCP)、Mu或Beta节律 0 引言 脑-机接口(brain-computer interface， BCI) 是指在不依赖于外周神经和肌肉组织等常规大 脑信息输出通路，运用工程技术在人脑和计算 机或其他电子设备之间建立能直接“让思想变 成行动”的对外信息交流和控制新途径[1-2]。该 技术不仅可以为思维正常但运动功能残缺的人 (如肌萎缩性(脊髓)侧索硬化患者、严重脊髓损 伤或完全瘫痪患者)提供一种新型的辅助运动 和对外信息交流手段，还可为人们提供无需体 力操作的新的人机交互通讯方式，尤其适用于 特殊环境下。同时，脑-机接口为人们提供一种 新的娱乐方法—思维游戏。 目前，脑-机接口系统主要采用以下4类信 号：P300、稳态视觉诱发电位(steady-state visual evoked potential, SSVEP)、慢皮质电位 等。Mu节律是在感觉运动区记录到的8~12 Hz 脑电波，与alpha节律区别在于Mu节律不受视 觉影响，但会因动作、动作准备或运动想象发 生变化[1]。Mu节律与18~26 Hz的Beta节律存在 紧密的联系，Beta节律中部分频率是Mu节律的 谐波， 同样与运动或运动想象存在联系[3]。 研究 显示， Mu/Beta节律与运动或运动想象的联系表 现为：想象某侧肢体的运动可导致同/对侧感觉 运动皮层的Mu/Beta节律幅度的升高/降低，称 之 为 事 件 相 关 同 步 化 (event-related synchronization ， ERS)/ 事 件 相 关 去 同 步 化 (event-related desynchronization，ERD)[4]。本 文利用Mu/Beta节律的ERS/ERD特性进行脑机接口的研究，以 2003年脑-机接口竞赛的想 象左右手运动数据为处理对象。离线分析结果 表明，该方法非常简单，且在分类准确率上有 一定的提高。
ISSN 1673-8225
CN 21-1539/R
CODEN: ZLKHAH
8061

基于MATLAB的语音信号处理系统设计(程序+仿真图)--毕业设计

语音信号处理系统设计 摘要：语音信号处理是研究用数字信号处理技术对语音信号进行处理的一门学科。语音信号处理的目的是得到某些参数以便高效传输或存储,或者是用于某种应用，如人工合成出语音、辨识出讲话者、识别出讲话内容、进行语音增强等。本文简要介绍了语音信号采集与分析以及语音信号的特征、采集与分析方法，并在采集语音信号后，在MATLAB 软件平台上进行频谱分析,并对所采集的语音信号加入干扰噪声，对加入噪声的信号进行频谱分析，设计合适的滤波器滤除噪声，恢复原信号。利用MATLAB来读入（采集）语音信号，将它赋值给某一向量，再将该向量看作一个普通的信号，对其进行FFT变换实现频谱分析，再依据实际情况对它进行滤波，然后我们还可以通过sound命令来对语音信号进行回放，以便在听觉上来感受声音的变化。 关键词：Matlab，语音信号，傅里叶变换，滤波器 1课程设计的目的和意义 本设计课题主要研究语音信号初步分析的软件实现方法、滤波器的设计及应用。通过完成本课题的设计，拟主要达到以下几个目的： 1.1．了解Matlab软件的特点和使用方法。 1.2．掌握利用Matlab分析信号和系统的时域、频域特性的方法； 1.3．掌握数字滤波器的设计方法及应用。 1.4．了解语音信号的特性及分析方法。 1.5．通过本课题的设计，培养学生运用所学知识分析和解决实际问题的能力。 2 设计任务及技术指标 设计一个简单的语音信号分析系统，实现对语音信号时域波形显示、进行频谱分析，

利用滤波器滤除噪声、对语音信号的参数进行提取分析等功能。采用Matlab设计语言信号分析相关程序，并且利用GUI设计图形用户界面。具体任务是： 2.1．采集语音信号。 2.2．对原始语音信号加入干扰噪声，对原始语音信号及带噪语音信号进行时频域分析。 2.3．针对语音信号频谱及噪声频率，设计合适的数字滤波器滤除噪声。 2.4．对噪声滤除前后的语音进行时频域分析。 2.5.对语音信号进行重采样，回放并与原始信号进行比较。 2.6．对语音信号部分时域参数进行提取。 2.7．设计图形用户界面（包含以上功能）。 3 设计方案论证 3.1语音信号的采集 使用电脑的声卡设备采集一段语音信号，并将其保存在电脑中。 3.2语音信号的处理 语音信号的处理主要包括信号的提取播放、信号的重采样、信号加入噪声、信号的傅里叶变换和滤波等，以及GUI图形用户界面设计。 Ⅰ.语音信号的时域分析 语音信号是一种非平稳的时变信号，它携带着各种信息。在语音编码、语音合成、语音识别和语音增强等语音处理中无一例外需要提取语音中包含的各种信息。语音信号分析的目的就在与方便有效的提取并表示语音信号所携带的信息。语音信号分析可以分为时域和变换域等处理方法，其中时域分析是最简单的方法。 Ⅱ.语音信号的频域分析 信号的傅立叶表示在信号的分析与处理中起着重要的作用。因为对于线性系统来说，可以很方便地确定其对正弦或复指数和的响应，所以傅立叶分析方法能完善地解决许多信号分析和处理问题。另外，傅立叶表示使信号的某些特性变得更明显，因此，它能更

基于Matlab的语音信号处理与分析

系（院）物理与电子工程学院专业电子信息工程题目语音信号的处理与分析 学生姓名 指导教师 班级 学号 完成日期：2013 年5 月 目录 1 绪论 (3) 1.1课题背景及意义 (3) 1.2国内外研究现状 (3) 1.3本课题的研究内容和方法 (4) 1.3.1 研究内容 (4) 1.3.2 开发环境 (4) 2 语音信号处理的总体方案 (4) 2.1 系统基本概述 (4) 2.2 系统基本要求与目的 (4) 2.3 系统框架及实现 (5) 2.3.1 语音信号的采样 (5) 2.3.2 语音信号的频谱分析 (5) 2.3.3 音乐信号的抽取 (5) 2.3.4 音乐信号的AM调制 (5) 2.3.5 AM调制音乐信号的同步解调 (5) 2.4系统设计流程图 (6) 3 语音信号处理基本知识 (6) 3.1语音的录入与打开 (6)

3.2采样位数和采样频率 (6) 3.3时域信号的FFT分析 (7) 3.4切比雪夫滤波器 (7) 3.5数字滤波器设计原理 (8) 4 语音信号实例处理设计 (8) 4.1语音信号的采集 (8) 4.3.1高频调制与低频调制 (10) 4.3.2切比雪夫滤波 (11) 4.3.3 FIR滤波 (11) 5 总结 (12) 参考文献 (13) 语音信号的处理与分析 【摘要】语音信号处理是研究用数字信号处理技术和语音学知识对语音信号进行处理的新兴的学科，是目前发展最为迅速的信息科学研究领域的核心技术之一。通过语音传递信息是人类最重要、最有效、最常用和最方便的交换信息形式。 Matlab语言是一种数据分析和处理功能十分强大的计算机应用软件，它可以将声音文件变换为离散的数据文件，然后利用其强大的矩阵运算能力处理数据，如数字滤波、傅里叶变换、时域和频域分析、声音回放以及各种图的呈现等，它的信号处理与分析工具箱为语音信号分析提供了十分丰富的功能函数，利用这些功能函数可以快捷而又方便地完成语音信号的处理和分析以及信号的可视化，使人机交互更加便捷。信号处理是Matlab重要应用的领域之一。 本设计针对现在大部分语音处理软件内容繁多、操作不便等问题，采用MATLAB7.0综合运用GUI界面设计、各种函数调用等来实现语音信号的变频、变幅、傅里叶变换及滤波，程序界面简练，操作简便，具有一定的实际应用意义。 最后，本文对语音信号处理的进一步发展方向提出了自己的看法。 【关键词】Matlab 语音信号傅里叶变换低通滤波器

MATLAB在数字信号处理中的应用：连续信号的采样与重建

MATLAB 在数字信号处理中的应用：连续信号的采样与重建 一、 设计目的和意义 随着通信技术的迅速发展以及计算机的广泛应用，利用数字系统处理模拟信号的情况变得更加普遍。数字电子计算机所处理和传送的都是不连续的数字信号，而实际中遇到的大都是连续变化的模拟量，现代应用中经常要求对模拟信号采样，将其转换为数字信号，然后对其进行计算处理，最好在重建为模拟信号。 采样在连续时间信号与离散时间信号之间其桥梁作用，是模拟信号数字化的第一个步骤，研究的重点是确定合适的采样频率，使得既要能够从采样信号（采样序列）中五失真地恢复原模拟信号，同时由要尽量降低采样频率，减少编码数据速率，有利于数据的存储、处理和传输。 本次设计中，通过使用用MATLAB 对信号f （t ）=A1sin(2πft)+A2sin(4πft)+A3sin(5πft)在300Hz 的频率点上进行采样，并进行仿真，进一步了解MA TLAB 在数字信号处理上的应用，更加深入的了解MA TLAB 的功能。 二、 设计原理 1、 时域抽样定理 令连续信号 xa(t)的傅立叶变换为Xa （j Ω），抽样脉冲序列p(t)傅立叶变换为P （j Ω），抽样后的信号x^(t)的傅立叶变换为X^(j Ω)若采用均匀抽样，抽样周期Ts ，抽样频率为Ωs= 2πfs ，有前面分析可知：抽样过程可以通过抽样脉冲序列p （t ）与连续信号xa （t ）相乘来完成，即满足：x^(t)p(t),又周期信号f （t ）傅立叶变换为： F[f(t)]=2[(]n s n F j n π δ∞ =-∞Ω-Ω∑ 故可以推得p(t)的傅立叶变换为： P （j Ω）=2[(]n s n P j n π δ∞ =-∞Ω-Ω∑ 其中： 根据卷积定理可知： X （j Ω）=12π Xa （j Ω）*P(j Ω) 得到抽样信号x （t ）的傅立叶变换为： X （j Ω）= [()]n n s n P X j n ∞=-∞Ω-Ω∑ 其表明：信号在时域被抽样后，他的频率X （j Ω）是连续信号频率X （j Ω）的形状以抽样频率Ωs 为间隔周期重复而得到，在重复过程中幅度被p （t ）的傅立叶级数Pn 加权。因为只是n 的函数，所以X （j Ω）在重复过程中不会使其形状发生变化。 假定信号x （t ）的频谱限制在-Ωm~+Ωm 的范围内，若以间隔Ts 对xa （t ）进行抽样信号X^（j Ω）是以Ωs 为周期重复。显然，若早抽样过程中Ωs<Ωm ，则 X^ (j Ω)将会发生频谱混叠的现象，只有在抽样的过程中满足Ωs>2Ωm 条件，X^(j Ω)才不会产生混频的混叠，在接收端完全可以有x^（t ）恢复原连续信号xa （t ），这就是低通信号的抽样定理的核心内容。

脑电信号功率谱

数字信号处理作业 1.两个导联C3,C4位置的脑电信号（已预处理），实验采样频率为 250Hz，每次实验采集8秒数据，总共做了36次实验。依次求出C3,C4位置第1秒~第8秒数据的功率谱。 clc clear load('C:\Users\刘冰\Desktop\数字信号处理\matlab\C3C4.mat') a(1:8,1:512)=zeros(); for j=1:8 for k=0:35; z=fft(Left_C3(((j-1)*250+1+2000*k):(2000*k+j*250)),512); %截取特定的一段数据进行傅里叶变换 a(j,:)=p(j,:)+z.*conj(z)/512; %求其功率谱end a(j,:)=p(j,:)./36;%求平均值 end p(1:8,1:512)=zeros(); for j=1:8 for k=0:35; z=fft(Left_C4((j-1)*250+1+2000*k:2000*k+j*250),512); 、%截取特定的一段数据进行傅里叶变换 p(j,:)=q(j,:)+z.*conj(z)/512; end p(j,:)=q(j,:)./36; end for i=1:8 w=0:2*pi/255:2*pi; figure plot(w/pi,p(i,1:256),'b',w/pi,q(i,1:256),'r')%在一幅图里面显示C3C4功率谱，因为其结果是对称的，所以只取前一半结果 legend('C3','C4');%线段标题

title(['第',num2str(i), '秒 C3、C4脑电功率谱对照']) end 0.20.40.60.81 1.2 1.4 1.6 1.82 0100 200 300 400 500 600 700 第1秒 C3、C4脑电功率谱对照

语音信号处理matlab实现

短时能量分析matlab源程序： x=wavread('4.wav'); %计算N=50，帧移=50时的语音能量 s=fra(50,50,x);%对输入的语音信号进行分帧，其中帧长50，帧移50 s2=s.^2;%一帧内各种点的能量 energy=sum(s2,2);%求一帧能量 subplot(2,2,1); plot(energy) xlabel('帧数'); ylabel('短时能量E'); legend('N=50'); axis([0,500,0,30]) %计算N=100，帧移=100时的语音能量 s=fra(100,100,x); s2=s.^2; energy=sum(s2,2); subplot(2,2,2); plot(energy) xlabel('帧数'); ylabel('短时能量E'); legend('N=100'); axis([0,300,0,30]) %计算N=400，帧移=400时的语音能量 s=fra(400,400,x); s2=s.^2; energy=sum(s2,2); subplot(2,2,3); plot(energy) xlabel('帧数'); ylabel('短时能量E'); legend('N=400'); axis([0,60,0,100]) %计算N=800，帧移=800时的语音能量 s=fra(800,800,x); s2=s.^2; energy=sum(s2,2); subplot(2,2,4); plot(energy) xlabel('帧数'); ylabel('短时能量E'); legend('N=800'); axis([0,30,0,200]) 分帧子函数： function f=fra(len,inc,x) %对读入语音分帧，len为帧长，inc为帧重叠样点数，x为输入语音数据 fh=fix(((size(x,1)-len)/inc)+1);%计算帧数 f=zeros(fh,len);%设一个零矩阵，行为帧数，列为帧长 i=1;n=1; while i<=fh %帧间循环 j=1; while j<=len %帧内循环 f(i,j)=x(n); j=j+1;n=n+1; end n=n-len+inc;%下一帧开始位置 i=i+1; end

实验一 低通滤波平滑脑电信号

实验一低通滤波平滑脑电信号 生物医学工程系罗融编一、实验目的： 1．掌握平滑滤波器的原理及设计方法。 2．学习用MATLAB语言编写平滑滤波器程序。 3．观察用平滑滤波器处理脑电信号的效果。 二、实验原理： 最常遇见的信号处理任务之一是平滑数据以抑制高频噪声。如数据采集时开关动作产生的毛刺。求几个数据点的平均值的方法是减弱高频噪声的一种简单方法。这种滤波器被称为移动平均滤波器。 汉宁移动平均滤波器是最简单的平滑滤波器之一。可以使用matlab的函数hanning（N）求出滤波器的脉冲响应h（n），其中N为脉冲响应的长度。为了使频率响应H(e jω)在ω=0时为1，对h（n）归一化即除以hanning（N）的和。可以使用sum（）函数。 三、实验内容： 1．分别求N=3，5，9时汉宁滤波器的归一化脉冲响应h1（n）、h2（n）、h3（n）并在一个图片框中做图（用stem及subplot函数）。 2．求N=3，5，9时汉宁滤波器的频率响应H(e jω)（可使用freqz函数，fs=250Hz）。 并在一个图片框中绘出幅频特性曲线图（可使用plot与figure及subplot函数）。3．分别用N=3，5，9时的汉宁滤波器处理脑电信号（filter或conv函数），要求显示处理前脑电信号与处理后脑电信号的时域波形（可使用plot与figure及subplot函数）。脑电信号由数据文件shiyanyieeg.mat提供，用load shiyanyieeg 命令后，shiyanyieeg数据文件中的变量eeg即在matlab工作空间中，可用plot （eeg）语句观察该脑电信号。 四、报告要求： 要求报告格式如下 西安交通大学实验报告 成绩 课 程_医学信号处理_ 第 页 共 页 系 别__生物医学工程____________实 验 日 期 年 月 日 专业班级___医电 班___组别________交 报 告 日 期 年 月 日 姓 名__ __学号__ ______ 报 告 退 发 ( 订正 、 重做 ) 同 组 人_ 教师审批签字 报告内容应包含实验名称，实验目的，实验内容及结果，实验结果分析与讨论等。附录： 1.conv函数：

基于MATLAB的语音信号采集与处理

工程设计论文 题目：基于MATLAB的语音信号采集与处理 姓名： 班级： 学号： 指导老师：

一.选题背景 1、实践意义： 语音信号是一种非平稳的时变信号，它携带着各种信息。在语音编码、语音合成、语音识别和语音增强等语音处理中无一例外需要提取语音中包含的各种信息。语音信号分析的目的就在于方便有效地提取并表示语音信号所携带的信息。所以理解并掌握语音信号的时域和频域特性是非常重要的。 通过语音相互传递信息是人类最重要的基本功能之一.语言是人类特有的功能.声音是人类常用工具,是相互传递信息的最重要的手段.虽然,人可以通过多种手段获得外界信息,但最重要,最精细的信息源只有语言,图像和文字三种.与用声音传递信息相比,显然用视觉和文字相互传递信息,其效果要差得多.这是因为语音中除包含实际发音容的话言信息外,还包括发音者是谁及喜怒哀乐等各种信息.所以,语音是人类最重要,最有效,最常用和最方便的交换信息的形式.另一方面,语言和语音与人的智力活动密切相关,与文化和社会的进步紧密相连,它具有最大的信息容量和最高的智能水平。 语音信号处理是研究用数字信号处理技术对语音信号进行处理的一门学科,处理的目的是用于得到某些参数以便高效传输或存储;或者是用于某种应用,如人工合成出语音,辨识出讲话者,识别出讲话容,进行语音增强等. 语音信号处理是一门新兴的学科,同时又是综合性的多学科领域,

是一门涉及面很广的交叉学科.虽然从事达一领域研究的人员主要来自信息处理及计算机等学科.但是它与语音学,语言学,声学,认知科学,生理学,心理学及数理统计等许多学科也有非常密切的联系. 语音信号处理是许多信息领域应用的核心技术之一,是目前发展最为迅速的信息科学研究领域中的一个.语音处理是目前极为活跃和热门的研究领域,其研究涉及一系列前沿科研课题,巳处于迅速发展之中;其研究成果具有重要的学术及应用价值. 数字信号处理是利用计算机或专用处理设备，以数值计算的方法对信号进行采集、抽样、变换、综合、估值与识别等加工处理，借以达到提取信息和便于应用的目的。它在语音、雷达、图像、系统控制、通信、航空航天、生物医学等众多领域都获得了极其广泛的应用。具有灵活、精确、抗干扰强、度快等优点。 数字滤波器, 是数字信号处理中及其重要的一部分。随着信息时代和数字技术的发展，受到人们越来越多的重视。数字滤波器可以通过数值运算实现滤波，所以数字滤波器处理精度高、稳定、体积小、重量轻、灵活不存在阻抗匹配问题，可以实现模拟滤波器无法实现的特殊功能。数字滤波器种类很多，根据其实现的网络结构或者其冲激响应函数的时域特性，可分为两种，即有限冲激响应( FIR，Finite Impulse Response)滤波器和无限冲激响应( IIR，Infinite Impulse Response)滤波器。 FIR滤波器结构上主要是非递归结构，没有输出到输入的反馈，系统函数H (z)在处收敛，极点全部在z = 0处（因果系统），因而只能

数字信号处理MATLAB中FFT实现

MATLAB中FFT的使用方法 说明：以下资源来源于《数字信号处理的MATLAB实现》万永革主编 一.调用方法 X=FFT(x)； X=FFT(x，N)； x=IFFT(X); x=IFFT(X,N) 用MATLAB进行谱分析时注意： （1）函数FFT返回值的数据结构具有对称性。 例： N=8; n=0:N-1; xn=[43267890]; Xk=fft(xn) → Xk= 39.0000-10.7782+6.2929i0-5.0000i 4.7782-7.7071i 5.0000 4.7782+7.7071i0+5.0000i-10.7782-6.2929i Xk与xn的维数相同，共有8个元素。Xk的第一个数对应于直流分量，即频率值为0。 （2）做FFT分析时，幅值大小与FFT选择的点数有关，但不影响分析结果。在IFFT时已经做了处理。要得到真实的振幅值的大小，只要将得到的变换后结果乘以2除以N即可。 二.FFT应用举例 例1：x=0.5*sin(2*pi*15*t)+2*sin(2*pi*40*t)。采样频率fs=100Hz，分别绘制N=128、1024点幅频图。

clf; fs=100;N=128;%采样频率和数据点数 n=0:N-1;t=n/fs;%时间序列 x=0.5*sin(2*pi*15*t)+2*sin(2*pi*40*t);%信号 y=fft(x,N);%对信号进行快速Fourier变换 mag=abs(y);%求得Fourier变换后的振幅 f=n*fs/N;%频率序列 subplot(2,2,1),plot(f,mag);%绘出随频率变化的振幅 xlabel('频率/Hz'); ylabel('振幅');title('N=128');grid on; subplot(2,2,2),plot(f(1:N/2),mag(1:N/2));%绘出Nyquist频率之前随频率变化的振幅xlabel('频率/Hz'); ylabel('振幅');title('N=128');grid on; %对信号采样数据为1024点的处理 fs=100;N=1024;n=0:N-1;t=n/fs; x=0.5*sin(2*pi*15*t)+2*sin(2*pi*40*t);%信号 y=fft(x,N);%对信号进行快速Fourier变换 mag=abs(y);%求取Fourier变换的振幅 f=n*fs/N; subplot(2,2,3),plot(f,mag);%绘出随频率变化的振幅 xlabel('频率/Hz'); ylabel('振幅');title('N=1024');grid on; subplot(2,2,4) plot(f(1:N/2),mag(1:N/2));%绘出Nyquist频率之前随频率变化的振幅 xlabel('频率/Hz'); ylabel('振幅');title('N=1024');grid on; 运行结果：

基于MATLAB的脑电信号处理

南京航空航天大学基于Matlab的脑电信号处理 姓名陆想想 专业领域生物医学工程 课程名称数字信号处理 二О一三年四月

摘要：脑电信号属于非平稳随机信号，且易受到各种噪声干扰。本文基于Matlab仿真系统，主要研究了小波变换在脑电信号处理方面的应用，包括小波变换自动阈值去噪处理、强制去噪处理，以α波为例，提取小波分解得到的各层频率段的信号，并做了一定的分析和评价。关键词：脑电信号；小波变换；去噪重构；频谱分析 0引言 脑电信号EEG(Electroencephalograph)是人体一种基本生理信号，蕴涵着丰富的生理、心理及病理信息，脑电信号的分析及处理无论是在临床上对一些脑疾病的诊断和治疗，还是在脑认知科学研究领域都是十分重要的。由于脑电信号的非平稳性且极易受到各种噪声干扰，特别是工频干扰。因此消除原始脑电数据中的噪声，更好地获取反映大脑活动和状态的有用信息是进行脑电分析的一个重要前提。本文的研究目的是利用脑电采集仪器获得的脑电信号，利用Fourier变换、小波变换等方法对脑电信号进行分析处理，以提取脑电信号α波的“梭形”节律，并对脑电信号进行功率谱分析和去噪重构。 1实验原理和方法 1.1实验原理 1.1.1脑电信号 根据频率和振幅的不同，可以将脑电波分为4种基本类型[1]，即δ波、θ波、α波、β波。4种波形的起源和功能也不相同，如图1所示。 图1脑电图的四种基本波形 α波的频率为8~13Hz，振幅为为20~100μV，它是节律性脑电波中最明显的波，整个皮层均可产生α波。正常成人在清醒、安静、闭目时，波幅呈现有小变大，再由大变小，如此反复进行，形成所谓α节律的“梭形”。每一“梭形”持续时间约为1~2s。当被试者睁眼、警觉、思考问题或接受其他刺激时，α波立即消失而代之以快波，这种现象称之为“α波阻断”。一般

实验一 基于Matlab的数字信号处理基本

实验一 基于Matlab 的数字信号处理基本操作 一、 实验目的：学会运用MA TLAB 表示的常用离散时间信号；学会运用MA TLAB 实现离 散时间信号的基本运算。 二、 实验仪器：电脑一台，MATLAB6.5或更高级版本软件一套。 三、 实验内容： （一） 离散时间信号在MATLAB 中的表示 离散时间信号是指在离散时刻才有定义的信号，简称离散信号，或者序列。离散序列通常用)(n x 来表示，自变量必须是整数。 离散时间信号的波形绘制在MATLAB 中一般用stem 函数。stem 函数的基本用法和plot 函数一样，它绘制的波形图的每个样本点上有一个小圆圈，默认是空心的。如果要实心，需使用参数“fill ”、“filled ”，或者参数“.”。由于MATLAB 中矩阵元素的个数有限，所以MA TLAB 只能表示一定时间范围内有限长度的序列；而对于无限序列，也只能在一定时间范围内表示出来。类似于连续时间信号，离散时间信号也有一些典型的离散时间信号。 1. 单位取样序列 单位取样序列)(n δ，也称为单位冲激序列，定义为 ) 0() 0(0 1)(≠=?? ?=n n n δ 要注意，单位冲激序列不是单位冲激函数的简单离散抽样，它在n =0处是取确定的值1。在MATLAB 中，冲激序列可以通过编写以下的impDT .m 文件来实现，即 function y=impDT(n) y=(n==0); %当参数为0时冲激为1,否则为0 调用该函数时n 必须为整数或整数向量。 【实例1-1】 利用MATLAB 的impDT 函数绘出单位冲激序列的波形图。 解：MATLAB 源程序为 >>n=-3:3; >>x=impDT(n); >>stem(n,x,'fill'),xlabel('n'),grid on >>title('单位冲激序列') >>axis([-3 3 -0.1 1.1]) 程序运行结果如图1-1所示。 图1-1 单位冲激序列

利用MATLAB实现信号的AM调制与解调

郑州轻工业学院 课程设计任务书 题目利用MATLAB实现信号的AM调制与解调专业、班级电子信息工程级班学号姓名 主要内容、基本要求、主要参考资料等： 主要内容： 利用MATLAB对信号 () () ?? ? ? ?≤ = 其他 ,0 t , 100 2t t Sa t m 进行AM调制，载波信号 频率为1000Hz，调制深度为0.5。t0=0.2;首先在MATLAB中显示调制信号的波形和频谱，已调信号的波形和频谱，比较信号调制前后的变化。然后对已调信号解调，并比较解调后的信号与原信号的区别。 基本要求： 1、掌握利用MATLAB实现信号AM调制与解调的方法。 2、学习MATLAB中信号表示的基本方法及绘图函数的调用，实现对常用连续时间信号的可视化表示。 3、加深理解调制信号的变化；验证信号调制的基本概念、基本理论，掌握信号与系统的分析方法。 主要参考资料： 1、王秉钧等. 通信原理[M].北京：清华大学出版社，2006.11 2、陈怀琛.数字信号处理教程----MATLAB释义与实现[M].北京：电子工业出版社,2004. 完成期限：2014.6.9—2014.6.13 指导教师签名： 课程负责人签名： 2014年6月5日

目录 摘要 (1) 1.matlab简介 (2) 1.1matlab基本功能 (2) 1.2matlab应用 (2) 2.系统总体设计方案 (4) 2.1调制信号 (4) 2.1.1 matlab实现调制信号的波形 (4) 2.1.2 matlab实现调制信号的频谱 (4) 2.1.3 matlab实现载波的仿真 (5) 2.2信号的幅度调制 (6) 2.2.1信号的调制 (6) 2.2.2幅度调制原理 (6) 2.2.3 matlab实现双边带幅度调制 (8) 2.2.4 matlab实现已调信号的频谱图 (8) 2.2.5 幅度调制前后的比较 (9) 2.3已调信号的解调 (9) 2.3.1 AM信号的解调原理及方式 (9) 2.3.2 matlab实现已调信号的解调 (11) 2.3.3信号解调前后的比较 (12) 结论与展望 (13) 参考文献 (14) 附录 (15)