脑电信号处理系统设计 matlab实现 包含可运行代码+gui界面+报告+ppt 是自己设计实现一个简单的脑电信号处理系统，实际处理功能很有限！不可以用于数据处理工作！！数据处理请自行下载eeglab。 这只是一个做着玩的小项目，体验理解多于功能完善。 功能：设计gui界面实现选择输入一段脑电信号，对信号进行显示、时频域分析、预处理、分解 预处理包含50Hz陷波、软阈值小波去噪、低通滤波 分解指设计滤波器将信号分解为Theta,Alpha,Beta,Gamma,Delta波，并可绘制其相应的频域图像 时频域分析采用Wigner-Ville和伪Wigner-Ville时频分布图 gui界面可选择导入信号和对信号的哪一段数据进行处理，可进行图像保存 此代码适用于矩阵形式为64导联*1200ms脑电*段数的数据。 形式不同的数据需要改变第一段数据读取显示的代码，其余代码无需改变。 会提供四段符合的数据便于演示

一、系统概述

脑电信号处理系统基于MATLAB平台开发，采用图形用户界面（GUI）架构，实现对多导联认知任务脑电数据的全流程处理。系统围绕“数据导入-信号预处理-波形分解-时频域分析”核心流程设计，支持64导联脑电数据（矩阵形式：导联×1200ms脑电×段数）的自动化处理，可有效滤除噪声干扰、提取特征脑波并进行可视化分析，为认知科学研究与临床辅助诊断提供技术支撑。

系统整体采用模块化设计，包含4个核心GUI模块（guia.m、guib.m、guic.m、guid.m）及1个辅助函数（xiaobo.m），各模块通过全局变量实现数据交互，同时支持结果图像的灵活保存，兼顾功能性与易用性。

二、核心模块功能解析

2.1 主界面模块（guia.m）

功能定位

作为系统入口，承担模块导航与参数配置功能，为用户提供统一的操作入口，简化多模块间的切换流程。

核心功能

1. 模块导航：通过3个功能按钮分别调用预处理模块（guib.m）、波形分解模块（guic.m）及时频域分析模块（guid.m），点击后自动关闭当前主界面并显示目标模块，实现无缝切换。
2. 参数配置：提供3个编辑框（edit1、edit2、edit3），支持用户输入关键参数（如滤波频率、分析段数等），参数通过全局变量传递至后续处理模块，满足个性化分析需求。
3. 界面初始化：在OpeningFcn函数中完成界面句柄初始化与默认参数设置，确保界面启动时的稳定性与一致性；支持Windows系统下编辑框背景色自动适配（设置为白色），提升视觉体验。

关键逻辑

• 采用MATLAB GUIDE的“单例模式”（gui_Singleton=1），确保同一时间仅运行一个系统实例，避免数据冲突。
• 通过guidata函数实时更新界面句柄结构，保障模块间数据传递的准确性。

2.2 预处理模块（guib.m）

功能定位

实现脑电信号的前期净化处理，核心目标是去除噪声干扰（如工频干扰、高频噪声），为后续特征提取奠定基础，是整个信号处理流程的关键环节。

核心功能

1. 数据导入与可视化
   - 支持导入MAT格式的脑电数据，自动读取64导联数据并合并为单通道信号（通过循环累加各导联数据实现），降低多导联数据的分析复杂度。
   - 实时绘制原始信号时域波形（横轴单位为ms，采样率1020Hz），并提供1-5段数据的切换选择（通过单选按钮radiobutton1-6实现），方便用户观察不同时段的信号特征。
2. 信号特征分析
   - 幅度谱计算：通过FFT变换将时域信号转换至频域，计算并绘制信号幅度谱，直观展示信号的频率分布。
   - 相位谱与功率谱分析：分别计算信号的相位信息（角度归一化至π）与功率分布（幅度平方），为噪声识别提供频域依据。
3. 噪声去除
   - 50Hz工频陷波：设计IIR陷波器（通过alpha、beta参数控制陷波频率与阻带宽度），滤除市电干扰，该干扰是脑电信号中最常见的非神经源噪声。
   - 小波软阈值去噪：调用xiaobo.m函数，采用sym4小波基对信号进行2层分解，通过自适应阈值量化小波系数，抑制随机噪声同时保留信号细节。
   - 巴特沃斯低通滤波：根据脑电信号频率特征（主要集中在0.5-30Hz），设计30Hz低通滤波器，滤除高频噪声，通过buttord函数计算滤波器阶数与截止频率，确保滤波效果。
4. 结果保存：支持选择10个关键分析图像（如原始波形、陷波后时域图、小波去噪频谱图等）进行保存，格式包括JPG与BMP，满足后续报告生成与数据归档需求。

关键技术细节

• 采样率固定为1020Hz，FFT变换点数设为510，确保频域分析的分辨率（频率分辨率=fs/N=2Hz）。
• 陷波器设计中，通过beta=0.96参数控制阻带宽度，在滤除50Hz干扰的同时，最大限度减少对有用信号的衰减。
• 小波去噪采用“全局阈值”（wdencmp函数的'gbl'模式），自适应匹配信号噪声水平，避免人工阈值选择的主观性。

2.3 波形分解模块（guic.m）

功能定位

基于预处理后的纯净信号，提取脑电信号中的特征波段（δ、θ、α、β、γ波），实现信号的频率分层，为后续认知状态分析（如注意力、情绪）提供特征基础。

核心功能

1. 特征波段滤波
   - 针对不同脑波的频率范围，设计专用带通滤波器：β波（14-30Hz）、α波（8-13Hz）、θ波（4-8Hz）采用FIR滤波器，δ波（0.5-4Hz）采用巴特沃斯低通滤波器。
   - FIR滤波器通过fir1函数设计，采用汉宁窗抑制频谱泄漏，根据过渡带宽度（trwidth）计算滤波器阶数（M=ceil(6.6*pi/trwidth)），确保幅频特性的陡峭性。
2. 滤波器性能验证
   - 实时绘制滤波器的频域响应（幅度谱与相位谱），通过freqz函数计算频率响应，直观展示滤波器的通带、阻带特性。
   - 对滤波后的信号进行时域与频域双重可视化，验证特征波段的提取效果，确保滤波后信号无杂波干扰。
3. 数据交互与返回
   - 支持调用预处理模块的输出结果（全局变量Q），无需重复预处理流程，提升分析效率。
   - 提供“返回主界面”功能，通过questdlg函数弹出确认对话框，避免误操作导致的数据丢失。

关键技术细节

• 对比FIR滤波器与椭圆滤波器的滤波效果，最终选择FIR滤波器，原因是其具有严格的线性相位特性，可避免信号相位失真，这对脑电信号这类时序敏感信号至关重要。
• 滤波器设计中，通带与阻带的频率参数严格匹配各脑波的生理特征，如β波对应紧张状态、α波对应放松状态，确保提取的特征波段具有明确的生理意义。

2.4 时频域分析模块（guid.m）

功能定位

突破时域或频域单一分析的局限性，实现信号频率随时间变化的动态分析，核心目标是捕捉脑电信号的时变特征（如认知任务中的瞬时频率变化），为神经活动动态监测提供依据。

核心功能

1. 时频域可视化
   - 支持选择预处理后信号或分解后的特征波段（β、α、θ、δ、γ波）作为分析对象，通过tfrwv（Wigner-Ville分布）与tfrpwv（伪Wigner-Ville分布）函数计算时频分布。
   - 采用等高线图（contour函数）绘制时频图，横轴为时间（s），纵轴为频率（Hz），颜色深浅表示信号能量，直观展示不同时刻的频率分布变化。
2. 时域波形同步展示
   - 同步绘制分析对象的时域波形，便于用户关联时频特征与时域信号的对应关系，例如识别特定时域峰值对应的频率成分。
3. 结果保存：支持保存时域波形、Wigner-Ville时频图、伪Wigner-Ville时频图3类关键图像，格式兼容JPG与BMP，满足学术报告与数据分析的需求。

关键技术细节

• Wigner-Ville分布具有较高的时频分辨率，但存在交叉项干扰；伪Wigner-Ville分布通过核函数抑制交叉项，系统同时提供两种分析方式，用户可根据需求选择。
• 时频分析的时间轴与频率轴严格校准（时间轴根据采样率1020Hz转换，频率轴根据FFT点数归一化），确保分析结果的物理意义准确性。

2.5 辅助函数（xiaobo.m）

功能定位

为预处理模块提供小波去噪的核心算法支持，是实现信号细节保留与噪声抑制的关键工具函数。

核心功能

• 信号小波分解：采用db5小波基对输入信号进行2层分解，生成小波系数与分解结构。
• 自适应阈值计算：通过ddencmp函数自动计算信号的最优阈值（基于噪声水平估计），避免人工阈值选择的误差。
• 信号重构：对量化后的小波系数进行逆变换，生成去噪后的纯净信号，输出至预处理模块。

关键技术细节

• 采用“软阈值”处理方式（sorh='s'），对小波系数进行平滑量化，相比硬阈值可有效避免重构信号的振荡现象。
• 保留近似系数（keepapp=1），确保信号的整体趋势不丢失，符合脑电信号的生理连续性特征。

三、系统工作流程

1. 启动与配置：运行guia.m启动主界面，配置分析参数（如分析段数、滤波频率），选择目标处理模块。
2. 预处理：进入guib.m模块，导入数据并完成工频陷波、小波去噪、低通滤波，生成纯净信号。
3. 波形分解：进入guic.m模块，基于纯净信号提取δ、θ、α、β、γ波，验证滤波器性能。
4. 时频分析：进入guid.m模块，对特征波段进行时频域分析，捕捉动态频率变化。
5. 结果保存：在各模块中选择关键图像保存，完成数据分析与归档。

四、系统特点与应用场景

4.1 核心特点

1. 易用性：全GUI操作，无需手动编写代码，降低脑电信号处理的技术门槛，适合非专业编程人员使用。
2. 专业性：采用陷波、小波去噪、FIR滤波等成熟算法，符合脑电信号处理的学术标准，分析结果具有可信度。
3. 灵活性：支持多段数据切换、多种滤波器选择、个性化参数配置，满足不同认知任务（如颜色判断、形状识别）的分析需求。

4.2 应用场景

1. 认知科学研究：通过分析不同刺激范式（如文档3中颜色/形状相同/不同的组合刺激）下的脑波变化，探索大脑认知机制。
2. 临床辅助诊断：提取异常脑波（如癫痫患者的棘波），为神经系统疾病诊断提供客观依据。
3. 脑机接口（BCI）前期开发：预处理后的纯净信号可作为BCI系统的输入，为运动想象、情绪控制等BCI应用奠定基础。

五、注意事项与优化方向

5.1 注意事项

1. 数据格式限制：仅支持MAT格式数据，且需符合“导联×1200ms×段数”的矩阵结构，导入前需确保数据格式正确。
2. 全局变量依赖：模块间数据通过全局变量传递，操作时需避免误关闭中间模块，否则可能导致数据丢失。
3. 硬件适配：采样率固定为1020Hz，若使用其他采样率的数据，需手动调整FFT点数与时间轴转换参数。

5.2 优化方向

1. 数据传递方式改进：替换全局变量为MAT文件写入/读取或结构体传递，减少模块间的耦合度，提升系统稳定性。
2. 算法扩展：增加小波包分解（相比小波变换可更精细分析高频信号）、ICA伪迹去除（如眼动伪迹）等算法，提升预处理效果。
3. 界面整合：将3个功能模块整合为单一界面（通过选项卡实现），减少模块切换频率，提升操作流畅性。

六、总结

本脑电信号处理系统通过模块化设计，实现了从数据导入到时频分析的全流程自动化处理，兼顾专业性与易用性。系统核心算法（如小波去噪、FIR滤波）符合脑电信号处理的技术规范，分析结果可直接用于学术研究与临床辅助分析。后续通过算法扩展与界面优化，可进一步提升系统的适用性与稳定性，为脑电信号相关领域的研究提供更强大的技术支持。