💥1 概述
小波变换是从20世纪80年代起逐渐发展成熟的一项数学应用技术，具有对时间—频率的双重分析和多分辨率分析能力，目前已经广泛应用于图像处理、模式识别等多个领域。小波变换的窗口大小固定但形状可改变，因此能够满足时域—频域局部化分析要求。离散小波变换比连续小波变换的去噪效果更好，更适用于实际应用。
小波变换首先通过分解信号，使信号的能量集中在一些大的小波系数中，而噪声的能量分布于整个小波域内；然后通过阈值降噪，选择合适的阈值将有用信号的系数保留，将噪声信号的系数置零，从而去除噪声；最后再对经过阈值降噪后的系数进行重构，得到去除噪声后的信号。
常用的小波基函数有Meyer小波、Coiflet(coif N）小波、Daubechies(db N）小波等。为得到较好的去噪效果，所选取的小波基函数在对心电信号进行分解时，应尽量保留心电信号中的有用分量，同时使噪声分解对应的小波系数差异尽可能大。Coiflet4小波基与心电信号的波形最为相似，同时与输出信号具有良好的相关性，重构后的信号信噪比大、均方误差小，因此本文选用Coiflet4小波基进行小波分解。
📚2 运行结果
🎉3 参考文献
[1]赵薇. 基于图卷积的运动想象脑电信号分类技术研究[D].河北师范大学,2022.DOI:10.27110/d.cnki.ghsfu.2022.000058.
👨💻4 Matlab代码
主函数部分代码：
% Extract Discrete Wavelet Transform (DWT) Feature close all; clear; clc; load dataset_BCIcomp1.mat Y=y_train; % Range is 0 to 9 sec startS=0; endS=9; wStep=1; wRange=9; X=extractDWT(x_train,startS,endS,wStep,wRange); T=extractDWT(x_test,startS,endS,wStep,wRange); save dataDWT.mat X Y T color_L = [0 102 255] ./ 255; color_R = [255, 0, 102] ./ 255; pos = find(Y==1); plot(X(pos,1),X(pos,2),'x','Color',color_L,'LineWidth',2); hold on pos = find(Y==2); plot(X(pos,1),X(pos,2),'o','Color',color_R,'LineWidth',2); legend('Left Hand','Right Hand') xlabel('C3','fontweight','bold') ylabel('C4','fontweight','bold')
