HHT方法在不同思维作业脑电信号分析中的应用

介绍了一种处理非线性、非平稳信号的新方法——HHT的原理及特点,并将其应用于不同思维作业脑电信号分析。实验结果表明,不同思维作业脑电信号经HHT后的HH谱和Hilbert边际谱都差异显著,证明HHT方法对脑电信号处理的可行性。     

基于CC1100的心电遥测系统设计

介绍了一种采用CC1100芯片设计的心电信号无线收发系统,详细地给出了系统的软硬件设计。该系统具有体积小,功耗低,成本低和信号高保真等特点,同时也实现了心电监护仪中信号采集与分析处理的分离,具有很好的应用价值。     

基于核典型相关分析的语音情感识别研究

语音是人类表达思想和感情交流最重要的工具,是人类文化的重要组成部分。语音情感识别作为情感计算中的重要课题已经成为国际上的研究热点,受到越来越多的关注。已有神经科学研究表明,大脑是产生调节情感的物质基础。因此,在语音情感的研究中,我们不能仅考虑语音信号自身,还应将大脑的活动信号融入语音情感识别中,以实现更高准确率的情感识别。基于上述思想,本文提出了一种基于核典型相关分析（KCCA）的语音特征提取方法。该方法将语音特征与脑电图（EEG）特征映射到高维希尔伯特空间,并计算二者的最大相关系数。KCCA将语音特征在高维希尔伯特空间上向与脑电特征相关性最大的方向投影,最终得到包含脑电信息的语音特征。本文方法将与语音情感相关的脑电信息融入语音情感特征提取中,所提特征能够更准确的表征情感。同时,本方法在理论上具有良好的可迁移性,当所提脑电特征足够准确与具有代表性时,KCCA建模得到的投影向量具有通用性,可直接用于新的语音情感数据集中而无需重新采集和计算相应的脑电信号。在自建语音情感数据库与公开语音情感数据库MSP-IMPROV上的实验结果表明,使用投影语音特征进行语音情感分类的方法优于使用原始音频特征...     

基于混沌理论的电力系统微弱谐波检测方法研究

针对微弱谐波信号时频域分析检测方法在宽谱环境噪声较强场景中无法识别目标信号的缺陷,首先引入混沌系统的随机共振原理,在信号成分完全未知的情况下,利用随机噪声增强微弱目标信号进行频率盲检。进一步引入Duffing混沌系统,利用其对特定频率周期信号幅值的极高敏感性和噪声抵抗力,对检出的各谐波频率分量进行幅值精准检测。在经典随机共振模型的基础上,通过归一化改进了系统参数。结合Duffing混沌系统模型,设计了实时检测控制策略。通过粒子群寻优算法,以系统输入输出信号的互相关系数为适应度函数,寻找最优系统参数。对强随机噪声背景下的多整次谐波与间谐波混叠的谐波信号进行了仿真实验。结果表明,所提方法能在恶劣的噪声环境中,实现各谐波分量的无差频率检测与高精度幅值检测。     

融合多尺度特征的脑电情感识别研究

基于单尺度二维、三维卷积的脑电情感识别算法存在原始信号映射到高维特征矩阵过程中信息易丢失、模型参数量大、提取特征相对单一等问题。提出多尺度金字塔交互注意力残差网络（MPIAResnet）。利用多尺度一维卷积核直接提取原始脑电信号的多尺度空间特征,将标准卷积替换为分组卷积,相比二维、三维卷积具有更少的参数量,同时利用通道交互注意力机制优化特征提取过程。在此基础上,与双向GRU(BiGRU)融合组成MPIAResnetBiGRU网络,进一步提取脑电信号的上下文语义信息,实现脑电信号的时空特征融合。基于公开数据集DEAP的实验结果表明:在受试者依赖实验中,该模型Valence和Arousal维度识别准确率达到97.60%和98.15%,相比单尺度模型提升8.56和8.36个百分点;在小批量训练集实验中,当训练集占比为30%时,测试集准确率依然可以保持在90%以上;在分频带实验中,2个高频带信号识别准确率优于低频带信号,证明了模型的有效性;而在受试者全部参与实验中,该模型的识别准确率也均优于对比方法。     

融合小波包变换的一维ＭｏｂｉｌｅＮｅｔ癫痫脑电信号识别

针对目前传统神经网络内存需求大,运算量大,在移动端或嵌入式设备上运行困难等问题,提出了一种融合了小波包变换的轻量级卷积神经网络模型,用于癫痫脑电信号识别的研究。根据癫痫脑电信号的特性,首先采用小波包变换将脑电信号分成三个频段,然后运用改进的一维MobileNet训练、分类。同时引入超参数宽度因子α,通过改变宽度因子的大小以调整模型的深度。实验结果表明,当一维MobileNet模型的宽度因子α选取为0.75时,最终准确率达到100%,其模型的计算量和参数量分别为56.1M和1.24M。与现有的癫痫EEG信号识别方法比较,此模型在准确率、参数量、计算量方面均有不错的表现。     

基于EEG和DE-CNN-GRU的情绪识别

近年,情绪识别研究已经不再局限于面部和语音识别,基于脑电等生理信号的情绪识别日趋火热.但由于特征信息提取不完整或者分类模型不适应等问题,使得情绪识别分类效果不佳.基于此,本文提出一种微分熵(DE)、卷积神经网络(CNN)和门控循环单元(GRU)结合的混合模型(DE-CNN-GRU)进行基于脑电的情绪识别研究.将预处理后的脑电信号分成5个频带,分别提取它们的DE特征作为初步特征,输入到CNN-GRU模型中进行深度特征提取,并结合Softmax进行分类.在SEED数据集上进行验证,该混合模型得到的平均准确率比单独使用CNN或GRU算法的平均准确率分别高出5.57%与13.82%.     

基于对称双通道脑电信号的注意力检测

注意力不能集中是一种注意力障碍,该现象普遍存在于青少年中,这直接影响人们的学习和工作效率.传统的注意力检测方法大多依赖对表情、姿势等行为的观察,难以客观精准地反映注意力情况.随着生理检测技术的迅猛发展,基于脑电信号的注意力检测近年来受到极大的关注.然而,相关研究仍存在检测准确率不高的问题.本研究收集了155位大学生在注意力集中、注意力非集中和放松3种状态下的脑电信号,并基于信号的小波特征、微分熵特征及功率谱特征,采用多种机器学习方法对3种注意力状态进行了识别.结果表明,脑电信号的小波特征,微分熵特征及功率谱特征可以有效区分被试的注意力状态,且基于对称双通道特征的平均准确率为(80.84±3)%,其检测精度明显高于基于单通道特征的检测精度.     

脑电信号情绪识别研究综述

通过面部表情、语音语调以及脑电等生理信号对人的情绪状态进行识别分类,即情绪识别,其在医疗、交通以及教育等领域有广泛应用。脑电信号由于其真实可靠,在情绪识别领域日益得到广泛关注。总结了近年来脑电情绪识别研究所取得的进展,主要介绍基于深度学习和迁移学习进行的脑电情绪识别研究。介绍了脑电情绪识别基础理论、常用公开数据集、信号的采集和预处理,介绍特征提取与选择,重点介绍了深度学习和迁移学习在脑电情绪识别上的应用。指出该领域目前面临的挑战和前景。     

基于分段香农能量与结构特征提取的心电Ｒ波检测方法

R波检测是采用心电图(electrocardiogram, ECG)评估心率变异性与检测其他特征波的基础。针对便携式采集环境中受运动伪迹与噪声影响的ECG记录,存在R波检测准确度低的问题,提出了一种基于分段香农能量与结构特征提取的R波检测方法。首先采用平稳小波变换(Stationary Wavelet Transforms, SWT)提取原始ECG信号中的R波主要成分,然后通过分段香农能量增强R波特征信息,利用Hilbert变换的正交性质提取候选点,再采用结构特征分析校验候选点,最后根据心率标准优化结果,实现检测R波。将该方法应用4个典型ECG数据库,并与4种应用广泛的检测方法进行比较,在3个受噪声影响的ECG数据库检测实验中,该方法在R波检出个数方面分别提高了1.7%、20.17%与30.18%以上,F1分数指标上分别至少提高了1.3%、5.12%和4.7%,在临床ECG数据库检测实验中,所提方法的灵敏度、阳性准确率与F1分数均达到了99%以上。