基于EMD的语音功率谱分析

提出了一种基于EMD的功率谱分析法,即先用经验模态分解方法(EMD)将语音信号分解成若干个固有模态函数IMF分量,而后对包含主要信息的IMF分量利用现代参数模型法估计出它们各自的功率谱。文中对不同情感状态下语音数据的分析结果表明,EMD方法能有效地应用于非平稳语音信号的功率谱分析中,可更细致的体现语音信号内在特征。     

基于希尔伯特边际谱和极限学习机的癫痫脑电信号分类

提出了一种基于希尔伯特边际谱和极限学习机相结合的癫痫脑电信号分类方法.首先将脑电信号进行经验模态分解,对前5个本征模态函数进行希尔伯特变换,得到其希尔伯特边际谱;然后将希尔伯特边际谱的Shannon熵、Renyi熵和Tsallis熵,以及5个不同频段节律信号的能量作为有效特征输入极限学习机进行分类.实验结果表明,本文方法对癫痫信号的分类准确率达到了99.8％,相比其它分类方法具有更高的检测精度和运算速度,对癫痫发作的实时检测具有潜在的应用价值.     

基于CEEMD-PE的脑电信号降噪方法研究

在研究脑电信号特性的基础上,提出了一种基于CEEMD-PE对脑电信号进行降噪的方法.完全集合经验模态分解(CEEMD)能够克服模态混叠的问题,因此,对脑电信号进行CEEMD分解,得到一组固有模态函数(IMF)分量,计算各个IMF分量的排列熵(PE)值,依据PE的值剔除基本为噪声的IMF分量,将降噪后的分量与保留的分量进...     

基于HHT的多分量LFM信号检测与参数估计

文中将Hilbert—Huang变换应用到多分量线性调频信号（LFM）信号的分析中：首先利用经验模态分解法（EMD）将原信号分解成有限个本征模态函数（IMF）；然后埘各个IMF进行Hilbert变换，获取瞬时频率、瞬时振幅，得到信号的Hilbert谱，该谱反映r瞬时振幅在频率一时间平面上的分布，从而可以比较准确地检测和估计各LFM分量的初始频率和调频斜率等参数。仿真结果验证了该方法的有效性。     

基于EMD与功率谱熵的语音端点检测

为了提高低信噪比下语音端点检测的准确性,提出一种基于经验模态分解与功率谱熵的语音端点检测方法。对带噪语音信号进行经验模态分解获得一系列语音本征模函数,选取功率谱熵作为语音端点检测的特征,并计算特定阶本征模函数的功率谱熵实现语音的端点检测。通过EMD分解可以有效地消除白噪声的影响,仿真结果表明,在低噪比情况下结合经验模态分解和功率谱熵的方法能够有效实现语音端点检测。     

不同意识脑电的双谱切片特征分析与分类

脑电是一种典型的非高斯、非线性随机信号,传统时域或频域分析已不能准确表征信号特征,而高阶谱方法对脑电信号的处理却有较好效果。本文通过几组不同意识状态下的脑电测试实验,提取脑电信号,并通过双谱分析提取脑电双谱切片的特征值,借助支持向量机、概率神经网络、最近邻分类算法等3种方法对双谱切片的特征值进行处理,比较其分类效果。研究结果表明,电极C3处脑电与其他电极处的脑电具有不同的双谱特征,不同脑电极信号双谱切片具有明显差异。     

基于条件经验模式分解和串并行CNN的脑电信号识别

针对运动想象脑电信号(EEG)的非线性、非平稳特点,该文提出一种结合条件经验模式分解(CEMD)和串并行卷积神经网络(SPCNN)的脑电信号识别方法。在CEMD过程中,采用各阶固有模式分量(IMF)与原始信号的相关性系数作为第1个IMF筛选条件,在此基础上,提出各阶IMF之间的相对能量占有率作为第2个IMF筛选条件。此外,为了考虑脑电信号各个通道之间的特征和突出每个通道内的特征,该文提出SPCNN网络模型对进行CEMD过程后的脑电信号进行分类。实验结果表明,在自行采集的脑电数据集上平均识别率达到94.58%。在公开数据集BCI competition IV 2b上平均识别率达到82.13%,比卷积神经网络提高了3.85%。最后,在自行设计的智能轮椅脑电控制平台上进行了轮椅前进、左转和右转在线控制实验,验证了该文算法对脑电信号识别的有效性。     

基于Hilbert-Huang变换的思维脑电分类技术研究

研究基于Hilbert-Huang变换的思维脑电分类方法.对思维脑电信号进行Hilbert-Huang时频预处理,经经验模式分解后,得到多阶固有模态分量.然后将经HHT变换后的时频窗口内的振幅标准差作为不同心理作业信号特征,再应用K-近邻对思维脑电信号进行分类决策.通过对Colorado州立大学EEG研究中心的三类思维脑电心理作业样本进行分类,平均正确率达到82.54%.经Hilbert-Huang变换得到的脑电信号特征,可以作为思维脑电分类的有效依据.     

基于改进CEEMDAN在电能质量复合扰动去噪中的应用

为提高噪声环境下电能质量复合扰动识别精度，提出一种基于改进自适应噪声完备经验模态分解（CEEMDAN）去噪算法。首先通过CEEMDAN方法将含噪信号分解为若干本征模态函数（IMF）；然后将改进兰氏距离与多重分形去趋势波动分析（MFDFA）结合，把若干IMF分量分为信号IMF分量、噪声和信号混叠IMF分量、噪声IMF分量。对于混叠IMF分量、噪声IMF分量分别采用改进奇异谱分析（SSA）、小波阈值（WT）去噪；最后，将经去噪处理的IMF分量与信号IMF分量进行重构。实验表明：与对比算法相比，含噪扰动经新算法去噪后，信噪比显著提高，去噪效果良好。     

基于有记忆递归神经网络的脑电特征情感识别研究

为了提高脑电信号多分类的情感识别率,文中选用上海交通大学提供的SEED脑电信号数据集,对其进行分频带特征提取。将脑电数据的微分熵特征、微分不对称性特征和有理不对称性特征通过线性动力系统平滑特征后,与功率谱密度特征进行分类效果比较,再利用有记忆递归神经网络的方法进行分类,发现提取的微分熵特征经过分类的效果好。在对3种情感进行分类的过程中,采用长短时记忆神经网络分类相比于其他机器学习方法识别率有所提高,情感识别的平均准确率可达到95.045 9%。     

基于相位同步的脑电信号分类算法研究

脑电同步是脑功能区域整合或绑定的表现.文中将相位同步应用于运动意识想象分类,采用希尔伯变换信号处理方法计算脑电信号瞬时相位值.在合适的时间窗下,选取C3、C4电极与中央区电极进行配对并进行锁相值计算,采用支持向量机进行运动意识想象分类.实验结果表明,采用相位同步方法分类准确率达92.5%.     

基于EEMD与多重分形的心电信号特征提取与分类

心电信号的快速分类在心脏病医学诊断领域具有至关重要的作用,为了降低人工识别的成本,提高心电信号分类的准确率。文章以正常搏动、房性早搏、室性早搏、左束支传导阻滞及右束支传导阻滞信号为研究对象,用集合经验模态分解分解心电信号,并结合相关系数来选取本征模态函数进行重构心电信号。从心电信号的非线性动力学角度出发,用多重分形理论进行分析,研究其质量指数曲线、广义分形维数和多重分形谱,提取合适的多重分形特征,用于支持向量机的训练。实验结果表明,用该方法训练测试30次得到的分类准确率平均值为96.09%,单次实验对正常搏动、左束支传导阻滞信号的分类精确率可达97%以上,证明该方法在心电信号分类中的有效性。     

基于希尔伯特-黄变换的OTDR事件定位

希尔伯特-黄变换(HHT)适用于信号奇异性分析.将光时域反射仪(OTDR)信号进行经验模式分解(EMD),得到本征模式函数(IMF),针对低阶的IMF分量分别进行Hilbert变换,做出时间-幅度谱和时间-频率谱,选取时间-幅度谱,采用模极大值法,确定OTDR事件发生的位置.     

基于变分模态分解的癫痫脑电信号分类方法

癫痫是一种常见的脑部疾病,通过脑电图能非侵入地定位人脑中的致痫区域.为了辨别病灶性和非病灶性癫痫脑电信号,文章提出一种基于变分模态分解的癫痫脑电信号自动检测方法,首先将原信号分割成多个子信号,并对各子信号进行变分模态分解,然后从分解后的不同变分模态函数中提取精细复合多尺度散布熵和精细复合多尺度模糊熵两个特征并利用支持向量机进行分类.针对癫痫脑电的公共数据集,最终的实验结果表明,准确率、灵敏度和特异度三个性能指标分别达到94.24%,95.58%和90.64%,ROC曲线下面积达0.978.     

在线脑机接口中脑电信号的特征提取与分类方法

在脑机接口研究中,针对运动想象脑电信号的特征抽取,提出了一种基于离散小波变换和AR模型的方法.利用Daubechies类小波函数对脑电信号进行3层分解,抽取小波变换系数的统计特征;利用Burg算法提取脑电信号6阶AR模型系数.将这两类特征进行组合后使用神经网络、支持向量机、马氏距离线性判别进行分类并比较分析.采用BCI...     

基于脑电信号深度迁移学习的驾驶疲劳检测

脑电信号一直被誉为疲劳检测的“金标准”,驾驶者的精神状态可通过对脑电信号的分析得到。但由于脑电信号具有非线性、非平稳性和空间分辨率低等特点,传统的机器学习方法在运用脑电信号进行疲劳检测时还存在识别率低,特征提取操作繁琐等不足。为此,该文基于脑电信号的电极-频率分布图,提出运用深度迁移学习实现的驾驶疲劳检测方法,即搭建深度卷积神经网络,并利用SEED脑电情绪数据集对其进行预训练,然后通过迁移学习方法将其用于驾驶疲劳检测。实验结果表明,卷积神经网络模型能够很好地从电极-频率分布图中获得与疲劳状态相关的特征信息,达到较好的识别效果。此外,基于迁移学习策略可以将训练好的深度网络模型迁移到其他识别任务上,有助于推动脑电信号在驾驶疲劳检测系统中的应用。     

光纤周界入侵信号特征提取与识别方法的研究

提出一种基于互补经验模态分解(CEEMD)奇异值熵结合多核支持向量机(SVM)的入侵信号特征提取与识别方法。首先,采用CEEMD方法对入侵信号进行分解得到若干个本征模态函数(IMF);其次,再对IMF分量进行奇异值分解,计算其奇异值熵;然后,根据奇异值熵筛选出有用IMF分量,构建特征向量;最后,采用多核支持向量机识别入侵信号。采用实际采集的攀爬,敲击,汽车,风等场外入侵信号进行了实验验证,结果表明：CEEMD方法有效解决了EEMD的残留白噪声问题,多核SVM比单核SVM具有更好的识别率,攀爬入侵信号识别率达到95%。     

对脑电信号特征的驾驶疲劳检测方法

疲劳驾驶已成为一种严重的社会问题,但是目前业内依然缺乏一种行之有效的疲劳驾驶预防与技术检测手段。本文提出了一种基于脑电信号特征的驾驶疲劳检测方法,文中采用疲劳驾驶模拟试验方法,通过分析研究对象面部表情变化情况,探讨了驾驶员疲劳状态与其脑电信号特征之间的关联性。在此基础上,本文分别提取研究对象脑电信号特征值中的"δ、θ、α与β"四种脑电节律能量值进行疲劳指数对比分析。     

基于EMD分解与1-D CNN算法的光纤振动信号的识别

为提高基于相敏光时域反射计(-OTDR)的分布式光纤声传感系统(DAS)对入侵振动事件的识别准确率,提出一种基于经验模态分解(EMD)与一维卷积神经网络(1-D CNN)相结合的识别方式。该方式首先使用EMD将振动信号分解为m阶本征模函数(IMF),然后使用皮尔逊相关系数(PCC)判断出有效的IMF分量,将有效的IMF分量使用小波阈值去噪算法(WTD)进行去噪,对所有去噪后的IMF分量求和得到重构信号,最后使用1-D CNN对重构信号进行识别。实验证明该识别方式能快速完成对识别模型的训练,训练时间小于3min,并且能有效识别在实际环境中采集的入侵振动信号,对入侵信号的识别准确率可达98.3。     

基于EMD时频重构特征的航管应答器个体识别

通过分析航管应答信号样式及特点,提出了基于经验模式分解（EMD）时频重构特征的航管应答器个体识别算法。首先通过EMD将多分量信号分解为有限个固有模式函数（IMF）分量,继而利用IMF来重构辐射源信号的时频分布,最终获得稳定的时频图分解特征。利用实测航管应答信号的验证实验表明,该方法可以有效提取航管应答信号的细微特征,最终的识别性能显著优于使用脉冲包络特征或者功率谱特征的识别算法。