db4小波中的4应该是小波的分解阶数。
【2】小波变换：小波变换（wavelettransform，WT）是一种新的变换分析方法，它继承和发展了短时傅立叶变换局部化的思想，同时又克服了窗口大小不随频率变化等缺点，能够提供一个随频率改变的“时间-频率”窗口，是进行信号时频分析和处理的理想工具。它的主要特点是通过变换能够充分突出问题某些方面的特征，能对时间（空间）频率的局部化分析，通过伸缩平移运算对信号（函数)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，从而可聚焦到信号的任意细节，解决了Fourier变换的困难问题，成为继Fourier变换以在科学方法上的重大突破。
希尔伯特黄变换 HHS：
(Empirical mode decomposition method (EMD) to solve the intrinsic mode functions)
样本熵
https://blog.csdn.net/u011389706/article/details/80984209
function SampEnVal = SampEn(data, m, r)
% SampEn 计算时间序列data的样本熵
% 输入：data是数据一维行向量
% m重构维数，一般选择1或2，优先选择2，一般不取m>2
% r 阈值大小，一般选择r=0.1~0.25*Std(data)
% 输出：SampEnVal样本熵值大小data = data(:)';
N = length(data);
Nkx1 = 0;
Nkx2 = 0;for k = N - m:-1:1
x1(k, :) = data(k:k + m - 1);
x2(k, :) = data(k:k + m);
endfor k = N - m:-1:1
x1temprow = x1(k, :);
x1temp = ones(N - m, 1)*x1temprow;
dx1(k, :) = max(abs(x1temp - x1), [], 2)';
Nkx1 = Nkx1 + (sum(dx1(k, :) < r) - 1)/(N - m - 1);
x2temprow = x2(k, :);
x2temp = ones(N - m, 1)*x2temprow;
dx2(k, :) = max(abs(x2temp - x2), [], 2)';
Nkx2 = Nkx2 + (sum(dx2(k, :) < r) - 1)/(N - m - 1);
end
Bmx1 = Nkx1/(N - m);
Bmx2 = Nkx2/(N - m);
SampEnVal = -log(Bmx2/Bmx1);
end
一种基于EMD的脑电信号的短时特征提取方法
本发明请求保护一种基于EMD的脑电信号的短时特征提取方法，该方法包括步骤：S1，通过窗函数对脑电信号进行分段截取；S2，对截取信号的边界极值进行延拓，以缓解EMD在分解短时脑电信号时产生的端点效应；S3，通过EMD将延拓后的信号自适应地分解成多个固有模态函数；S4，对分解的IMF进行Hilbert变换，获得表征时域特征的瞬时能量和表征频域特征的边际能量。本发明在处理短时间序列的脑电信号时，能有效地提取脑电信号特征，保证一定识别率的同时又有效地降低系统的处理时间和延迟时间。
基于EMD和Hilbert变换的自发脑电信号特征提取
在脑机接口研究中,针对脑电信号的特征提取,提出一种基于EMD的Hilbert变换的方法.在变换过程中根据信号的局部特征自动选择基函数,求得信号在每个时间段的希尔波特谱;以时频窗口内的统计特性作为特征,利用Fisher距离选择最佳特征集输入分类器.最后利用BCI 2003竞赛数据,通过对特征矢量的可分性和识别精度两个指标的评估,表明了所提出方法的有效性.
