抑郁症患者脑电复杂度的小波熵分析

应用小波熵理论分析抑郁症患者和健康人在安静和心算任务下自发脑电信号的复杂度：分别采集10例抑郁症患者和10例正常人在安静闭目和闭眼心算连减两种状态下的16导联脑电信号;计算这四组脑电数据的小波熵,并进行对比和统计分析。结果表明,抑郁症患者和正常人自发脑电的小波熵有着显著的差异：（1）在相同状态下,抑郁症患者各导联脑电的小波熵大于正常人对应导联的小波熵;（2）对同一个人,安静闭目状态下各导联脑电的小波熵大于心算连减状态下对应导联的小波熵。结论可为抑郁症的诊断提供参考。     

基于脑电节律样本熵的睡眠分期

针对睡眠脑电人工分期的不足,提出了一种基于脑电节律样本熵的睡眠分期方法。首先对睡眠脑电信号进行去噪和基本节律提取,然后计算不同睡眠状态下脑电节律的样本熵值,最后统计其样本熵均值与方差,通过对比发现:不同睡眠状态下脑电节律δ波和θ波的样本熵均值不相等且方差较小,这表明了通过分析睡眠脑电节律样本熵的方法可以用来表征不同睡眠期,为睡眠脑电分期提供了新的途径。     

基于小波包变换的精神疲劳多参数脑电分析

研究脑力劳动和运动引起的精神疲劳与脑电特征参数之间的相关性,以及这些特征参数在不同状态下的变化规律。通过对两种精神疲劳状态以及不疲劳状态下采集的脑电信号进行小波包分析,提取出脑电各节律并计算脑电对数能量熵,定性分析了各特征参数与不同状态间的关联性。实验结果表明,相较于不疲劳状态而言,前额叶区的脑电各节律相对功率和脑电对数能量熵在两种精神疲劳状态下均有显著变化。因此,前额叶区的脑电各节律相对功率与脑电对数能量熵可以作为衡量精神疲劳的生理指标。     

脑电情感信号正确提取仿真

脑电信号是一种微伏级信号,从头皮上采集的脑电信号包含眼电信号、心电信号以及各种环境噪音。针对情感识别如何有效处理脑电信号的问题,本文首先对实验采集的脑电信号应用小波分析和独立分量分析进行预处理去除干扰;其次为了有效地提取脑电特征,应用幅值直方图、标准差在时域上定性地找出2种情感的脑电差异;最后应用功率谱对2种情感脑电的γ波节律进行谱分析。仿真实验结果表明,将脑电信号的γ波节律用于情感识别是可行的。     

基于多类运动想象任务的EEG信号分类研究

针对多类运动想象脑电信号个体差异性强和分类正确率比较低的问题,提出了一种时-空-频域相结合的脑电信号分析方法:首先利用小波包对EEG原始信号进行分解,根据EEG信号的频域分布提取出运动想象脑电节律,通过“一对多”共空间模式(CSP)算法对不同运动想象任务的脑电节律进行空间滤波提取特征;然后将特征向量输入到“一对多”模式下的支持向量机(SVM)中,并利用判断决策函数值的方法对SVM的输出结果进行融合;最后通过引入时间窗对脑电信号进行时域滤波,消除运动想象开始和结束时脑电的波动,进一步提高信号信噪比和算法的分类效果;实验结果显示:在时间窗为2 s时,平均最大Kappa系数达到了0.72,比脑机接口竞赛第一名提高了0.15,验证了该算法能够有效减小脑电信号个体差异性影响,提高多类识别正确率。     

小波包熵在脑电信号分析中的应用

为研究不同脑功能状态下脑电动态非线性特征,利用小波包变换的频率划分特性,对非平稳脑电信号进行节律提取,并计算相对小波能量,反映脑电节律间的相对能量关系。结合小波包熵分析脑电在不同大脑功能状态下的脑电复杂程度。实验结果表明,小波包分解能更精确地提取特定的脑电节律,小波包熵可以准确反映大脑活动的复杂程度。本方法也为分析其他非平稳信号提供了一种新的途径。     

基于局部均值分解与样本熵的脑电信号特征提取与分类

针对运动想象脑电信号的识别问题,提出一种改进的脑电信号特征提取与分类方法。利用局部均值分解算法将原始信号分解为一系列乘积函数(PF)分量,根据μ节律和β节律范围内的脑电信号剔除无意义的PF分量。通过特征时间选择原则,选取4 s~6 s运动想象脑电信号作为分类数据,分别计算C_3,C_4导联信号二阶和三阶PF分量样本熵的和,并将其均值MSampEn(C_3,C_4)作为输入元素构造脑电特征向量,利用支持向量机进行分类预测以识别左右手想象运动。实验结果表明,与经验模态分解以及总体经验模态分解方法相比,该特征提取方法具有更高的分类准确率。     

基于多元经验模态分解-传递熵的脑肌电信号耦合分析

皮层肌肉功能耦合是大脑皮层和肌肉组织间的相互作用,脑肌电信号的多尺度耦合特征可以体现皮层-肌肉间多时空的功能联系.将多元经验模态分解(MEMD)与传递熵(TE)结合,构建出MEMD-TE模型,应用于脑、肌间耦合分析.首先对同步采集的脑电(EEG)和肌电(EMG)信号进行预处理,然后采用多元经验模态分解算法对信号进行时-频尺度化,最后计算不同尺度上的传递熵值,分析各个尺度不同耦合方向(EEG→EMG及EMG→EEG)上的非线性耦合特征.采集了10名受试者静态握力(5 kg、10 kg、20 kg)下脑、肌电信号,实验结果表明:脑电对肌电的MEMD-TE值在高频段(40 Hz~75 Hz)上高于肌电对脑电的MEMD-TE值,皮层肌肉功能耦合具有双向性,且不同方向和频段上的耦合强度有所差异,显著性校验反映了不同力度下脑电对肌电的MEMD-TE值没有显著性差别.     

基于小波包分解的时变脑电节律提取

研究从时变非平稳脑电信号中提取脑电动态节律的新方法。首先用小波包分解构造不同频率特性的时变滤波器以提取各种时变的脑电节律，研究临床脑电信号瞬时变化。在此基础上测试并分析两种不同功能状态下的脑电信号，并由此构造各种节律的时变脑电地形图。实验结果表明，小波包分解可以有效提取脑电不同节律的动态特性，此方法也适用于分析其他生物医学信号。     

一种基于EWT-ICEEMDAN的单通道脑电信号眼电伪迹去除算法

脑电信号和眼电信号存在频谱混叠，目前的单通道脑电信号中眼电伪迹去除方法容易造成脑电信号失真。提出一种基于经验小波变换(EWT)和改进的自适应噪声完备经验模态分解(ICEEMDAN)的单通道脑电信号眼电伪迹去除算法。首先使用EWT将单通道脑电信号分解为δ频段和高频段信号，再用ICEEMDAN将δ频段信号自适应分解为多维本征模态函数(IMFs),设置样本熵阈值自动去除眼电伪迹信号，最后重构得到滤波后的脑电信号。基于半模拟脑电数据和真实脑电数据开展实验，结果表明所提算法相比于已有算法能够在去除眼电伪迹的同时更好地保留原始脑电信息。     

小波包特征熵在级联式变频器故障诊断中的应用

为精确诊断级联式变频器功率器件开路故障,提出了一种基于小波包特征熵的故障信号提取方法.对采集到的级联式变频器相电压信号进行三层小波包分解,提取特征熵构造电压信号的特征熵向量,并以此作为故障诊断样本,利用概率神经网络进行故障诊断.仿真结果表明,基于小波包特征熵的信号提取方法在级联式变频器故障诊断的应用中具有较高的有效性与可行性.     

小波包能量谱在睡眠分期中的应用

利用小波包技术,根据脑电信号在不同睡眠状态下各脑电节律所占的成分不同,提出一种基于小波包能量谱的睡眠脑电分期方法。首先依据脑电信号各节律的频率特点选择好分解层数对信号进行小波包分解,再重构信号,提取出睡眠脑电信号的各节律;然后运用小波包能量谱计算各节律所占的能量比重;最后用3例脑电数据进行实验。实验结果表明,不同睡眠状态下各脑电节律所占比重不同,随着睡眠的深入,睡眠脑电节律θ和δ所占的能量比重增大,而节律α和β所占的比重在减少。因此,可以运用睡眠脑电信号中各节律所占的成分不同来区分不同的睡眠状态,并可作为睡眠分期的一个特征参数。     

基于改进CSP算法的运动想象脑电信号分类方法

For the problem of low classification accuracy and poor real-time performance during the traditional common spatial patterns (CSP) algorithm for motor imagery EEG signal processing, a new analysis method of CSP EEG signal based on time space frequency domain is put forward. Firstly, the wavelet packet is used to decompose the original signal of EEG, the motor imagery EEG rhythm is extracted according to the frequency distribution of EEG signal, and the spatial features of EEG are extracted by improving CSP algorithm. Then, we introduce the time window to filter the EEG signals, and eliminate the influence of EEG fluctuation at the beginning and end of the motion imagery. Lastly, according to the characteristics of the physiological distribution of EEG signals in the brain cortex, the method based on spindle channel is used to process the EEG signal and analyze computational time of different algorithms and the classification results. The experimental results show that, the running time of the algorithm is 1.562 s, which is 67% shorter than the traditional method, and the average classification accuracy is up to 97.5% when the number of spindle channels is 29 and the time window is 2 s. In the meantime, the results show that the proposed method can effectively improve the classification accuracy and the real-time performance of motor imagery EEG.     

基于小波包变换的脑电波信号降噪及特征提取

针对原始脑电波信号存在非平稳性且非常容易受到各种信号干扰等特点,对基于小波变换和小波包变换的脑电波信号的滤波降噪方法,和基于小波包变换的脑电波信号特征提取方法进行了研究。首先利用MindSet采集到原始脑电波数据,然后分别应用小波变换和小波包变换对其进行降噪处理,比较了两种方法的性能,验证了基于小波包变换的降噪方法的优越性和特征提取方法的有效性。     

A newly-designed fault diagnostic method for transformers via improved empirical wavelet transform and kernel extreme learning machine

In order to solve the problems of unsatisfactory diagnosis performance and unstable model of conventional fault diagnosis methods for transformers, a new approach based on improved empirical wavelet transform (IEWT) and salp swarm algorithm (SSA) optimized kernel extreme learning machine (KELM) is proposed in this study. Firstly, IEWT is used to adaptively decompose the vibration signal to obtain a set of empirical wavelet functions (EWFs). Secondly, the first n-order components with high correlation coefficient are collected. Thirdly, the mean value, variance, kurtosis, refine composite multiscale entropy (RCMSE), and time-frequency entropy(TFE) of these n-order components are calculated to construct a fusion feature vector. Finally, a two-level diagnostic model based on SSA-KELM is established. The first-level of it is applied to identify normal and abnormal states, and the second-level is selected to identify fault categories in the abnormal states. The proposed method can effectively diagnose the existing fault categories in the training set and accurately identify the unknown categories of faults. Experimental results show that the proposed method can efficiently extract features of different vibration signals and identify the faults, with an average classification accuracy of 96.25%. It is better than other methods, such as wavelet packet energy spectrum analysis-KELM and EWT-fisher.     

基于小波包频带能量检测技术的故障诊断

在机械设备的在线检测和故障诊断中,振动信号分析是十分重要的手段。小波包变换能将振动信号按任意时频分辨率分解到不同频段,而各频段信号的能量变化包含着丰富的信息。在机械设备运行正常和非正常两种状况下,小波包分解后各频段信号的能量谱尺度图有明显差异。将小波包能量谱尺度图检测方法用于轴承振动信号的诊断处理,验证了该检测方法有效、可行,为机械故障诊断提供了一条新的途径。     

基于小波包能量熵的电能质量扰动识别

提出了一种基于小波包能量熵的电能质量扰动识别方法。该方法对仿真的扰动电压信号进行4层小波包分解,提取小波包能量熵特征向量,利用主分量分析法提取电压信号的小波包特征向量并输入到概率神经网络(PNN)进行扰动识别,实现了扰动样本的最优压缩,简化了扰动分类中神经网络分类器的结构,提高了神经网络扰动识别的速度和精度。仿真结果表明,该方法具有良好的扰动识别能力。     

Discrete harmony search based expert model for epileptic seizure detection in electroencephalography

Seizure detection and classification using signal processing methods has been an important issue of research for the last two decades. In the present study, a novel scheme was presented to detect epileptic seizure activity with very fast and highest accuracy from background electro encephalogram (EEG) data recorded from epileptic and normal subjects. The proposed scheme is based on discrete wavelet packet transform (DWT) with energy, entropy, standard deviation, mean, kurtosis, skewness and entropy estimation at each node of the decomposition tree followed by application of probabilistic neural network (PNN). Normal as well as epileptic EEG epochs were decomposed into approximation and details coefficients till sixth-level using DWT packet. Discrete harmony search with modified differential operator was used to select the optimal features out of all above mentioned statistical and non-statistical parameters. In order to demonstrate the efficacy of the proposed algorithm for classification purpose using PNN, we have implemented 10-fold cross validation. Clinical EEG data recorded from normal as well as epileptic subjects are used to test the performance of this new scheme. It is found that the detection rate is 100% accurate with same level of sensitivity and specificity.