基于排列熵与多重分形指数结合的特征提取算法在情感识别中的应用

通过对脑电信号的熵分析,进行了情感识别研究,并根据脑电信号的非线性特性以及多重分形特性的特点,提出了一种排列熵与多重分形指数相结合的情感脑电特征提取算法。该算法采用排列熵、Hurst指数、质量指数和奇异谱宽度相结合,实现情感脑电的特征提取,采用支持向量机(SVM))实现情感识别。结果显示,该算法两两情感识别,测试集最高正确率达到92.8%,除去激动对可怕外,正确率均在80%以上;与单独使用排列熵和分形指数特征的方法相比,最高正确率分别提高41.9%和31.2%。进一步分析了对积极和消极两类情感状态的识别效果,测试集平均正确率为78.3%,比排列熵与多重分形特征,测试集正确率分别提高了26.7%和1.6%。结果表明,基于排列熵与多重分形指数相结合的特征提取算法,能够充分挖掘脑电信号的非线性特性与多重分形特征信息,是一种有效的情感脑电特征提取算法。     

基于局部均值分解和多尺度熵的运动想象脑电信号特征提取方法

研究了脑电信号特征的提取。考虑到传统的脑电信号特征提取方法不能够很好地刻画脑电信号特征,因而会给不同意识任务下运动想象脑电信号的分类带来困难,该研究提出了一种基于局部均值分解(LMD)和多尺度熵(MSE)的脑电信号特征提取方法。该方法首先把脑电信号自适应地分解为一系列具有物理意义的乘积函数(PF)分量;然后选取有效的PF分量并计算多尺度熵,将多尺度熵组成特征向量;最后将其作为支持向量机(SVM)的输入来对脑电信号进行分类识别。实验表明该方法能够有效地提取脑电信号的特征,从而验证了该方法的有效性和可行性。     

基于多尺度排列熵的舰船辐射噪声复杂度特征提取研究

针对复杂海洋环境中舰船辐射噪声的特征提取问题,提出了一种基于多尺度排列熵的舰船辐射噪声复杂度特征提取方法。分别利用基于EEMD的最强固有模态中心频率法、高低频能量差法和基于复杂度的排列熵与多尺度排列熵提取了五种不同类别、一定样本数量的舰船辐射噪声特征,并将四种特征提取方法所提取的舰船特征分别输入概率神经网络进行分类识别。研究发现,多尺度排列熵是一种一致性好、稳定性强的非线性特征参数,能够从多个维度描述信号的复杂度。实验结果表明,多尺度排列熵特征具有很好的可分性,以多尺度排列熵为特征进行舰船分类识别,识别率显著高于其他舰船辐射噪声特征提取算法。     

基于盲源分离的P300脑电信号特征提取方法的研究

P300脑电信号被广泛应用于脑认知、脑机接口,该信号强度弱,容易受到环境及眼动伪迹、心电、肌电和自发脑电信号的干扰,淹没在采集脑电信号中。为了将P300与各种干扰快速高效地分离开来,通过分析P300在时域、频域和头皮空间域的特征,提出了以相干平均和小波变换与盲源分离相结合的算法,从时频域和空域对P300进行特征提取,针对多导联脑电信号盲源分离后选取P300成分对应分量的问题,提出了一种新的方法,并且通过实验比较了Informax、FastICA和AMUSE等3种盲源分离算法在P300特征提取中的性能。实验结果表明,从时频空域对P300特征提取的性能较仅从时频域进行特征提取有明显提高。     

基于集合经验模态分解的脑电信号高阶张量特征提取

为了实现脑机接口系统需要有效的特征提取算法。针对二维主成分分析(2DPCA)的特征提取方法忽略脑电信号(EEG)频域特征的缺点和基于小波分解构建EEG高阶张量时小波参数难以确定的局限性,提出了基于集合经验模态分解(EEMD)构建高阶张量结合多线性主成分分析(MPCA)降维的特征提取方法。设计了3种不同特征提取方法的对照实验,并结合Fisher线性判别分析分类方法取得分类准确率。结果表明:新提出的方法相比基于小波分解构建高阶张量结合MPCA进行降维和2DPCA的特征提取方法,平均识别准确率分别提高4.75%和2.6%,且识别准确率的方差分别减小72.69%和23.86%。该方法在提高单次运动想象脑电信号识别准确率的同时还具有更好的适用性,为实现运动想象脑电信号解码奠定了基础。     

基于栈式自编码神经网络的脑电信号情绪识别

针对维度情感模型生理信号情绪识别准确率较低的问题,本文基于DEAP维度情绪生理数据集,利用AR模型功率谱估计方法,提取脑电θ,α,β,γ节律的功率谱密度;采用小波包分解提取脑电小波包系数和能量占比时频特征;通过非线性分析提取脑电样本熵和小波包熵特征.然后,设计栈式自编码神经网络算法对脑电组合特征在效价和唤醒度两个情感维度上进行机器情绪识别.最后,分析了脑电特征、数据均衡以及情感标签对情绪识别结果的影响.仿真结果表明,栈式自编码神经网络用于脑电信号情绪识别的有效性,在情绪效价维度上,脑电情绪平均识别正确率可达80.3%;在唤醒度上,平均识别正确率达81.5%.该研究可为连续维度情绪自动分析和机器识别提供实际应用借鉴.     

基于MMSE和ABCSVM的液压泵故障模式识别

为了更好地实现液压泵的故障模式识别,对液压泵故障特征提取方法和模式识别方法进行研究。针对多尺度熵算法存在的在尺度因子较大时时间序列较短而导致各尺度样本熵表征液压泵故障状态性能较差的问题,提出了改进的多尺度熵算法,通过对液压泵实测信号分析验证了所提出的改进多尺度熵的良好性能。针对液压泵故障状态与故障特征之间的非线性关系,采用支持向量机算法建立液压泵的故障模式识别模型,并提出采用人工蜂群优化算法对支持向量机模型参数进行优化。基于改进多尺度熵和蜂群优化参数的支持向量机实现液压泵故障模式识别,通过对比分析验证了所提出的液压泵故障模式识别方法的良好性能。     

基于少次相干平均和样本熵的视听诱发脑电特征提取

针对脑电信号的非平稳性和非线性,采用少次相干平均结合样本熵的方法对视听诱发脑电信号进行特征提取.首先,对预处理后的脑电信号进行15次相干平均,获得视觉、听觉及视听觉诱发脑电的时域特征信号;然后,将该特征信号做为原始信号输入,构成m维矢量序列,计算相关导联在靶刺激、非靶刺激和自发脑电状态的样本熵值;最后,比较分析单一视觉、听觉和视听刺激下,不同状态脑电样本熵值,文中阐明了视听觉诱发下,大脑认知的复杂性和信息耦合性.结果显示:只进行少次相干平均即可有效提取视听刺激模式下脑电的样本熵特征量,减少了因长时间视觉刺激引起神经疲劳导致的误差.同时,靶刺激的出现可使脑电样本熵值增大,表明中枢神经系统与外周刺激发生信息耦合,导致了大脑系统复杂性的提高.该研究可以应用于神经认知科学和脑-机交互系统中.     

改进多尺度符号动力学信息熵及其在行星变速箱特征提取中的应用

针对行星变速箱在运行时产生的非线性非平稳振动,且故障特征信号微弱等问题,提出一种新的特征提取方法——改进多尺度符号动力学信息熵。在传统的符号动力学信息熵原理的基础上,通过改进传统方法的符号化过程,在考虑条件概率情况下计算信息熵,并引入多尺度概念,使得所提特征具有更大优势。最后求解行星变速箱故障模拟试验台采集到的三种状态下的振动信号改进多尺度符号动力学信息熵,并基于提出的特征评价指标对改进多尺度符号动力学信息熵、时频熵、排列熵、样本熵等特征的计算结果进行了对比。结果表明,该方法能够有效的提取行星变速箱运行状态特征,具有更高的敏感度。     

基于多尺度熵和距离评估的滚动轴承故障诊断

为了解决滚动轴承非线性故障特征难以提取的问题,将多尺度熵和距离评估方法有机结合,提出一种新的滚动轴承非线性特征提取方法。首先利用多尺度熵来刻画滚动轴承振动信号在不同尺度上的细节特征;然后引入距离评估选择算法,对多尺度特征进行特征评估,优化选取敏感尺度特征,并送入支持向量机实现轴承不同状态的分类。通过滚动轴承故障诊断实验对该方法进行验证,结果表明,选取敏感多尺度熵特征集对故障特征进行刻画,较单尺度特征、原始特征集和随机特征集等诊断效果更佳,提高了诊断精度。     

基于盲源分离的运动想象脑电信号特征提取方法的研究

运动想象脑电信号被广泛应用于脑机接口系统中。针对如何准确有效地提取运动想象脑电信号特征的问题,通过分析运动想象脑电信号时域、频域和头皮空间域的特征,提出了以小波变换为预处理,并利用二阶盲辨识算法和信息论特征提取算法相结合获取的空间滤波器,从时域、频域和头皮空间域对运动想象脑电信号进行特征提取的方法。实验结果表明,采用时域、频域和空间域提取特征的方法性能有明显提高,并且将二阶盲辨识算法和信息论特征提取算法相结合获取的空间滤波器能够反映更真实的大脑源活动。     

脑电-肌电信号样本熵与小波熵分析

为了探索自主动作和电刺激产生动作两种不同模式下的大脑运动皮层活动与肌肉收缩之间的关系,搭建了脑电和肌电实验测量平台,设计了自主腕部外旋和穴位电刺激两种实验动作模式,同步采集不同动作模式诱发的脑电信号和表面肌电信号,计算和分析信号的样本熵与小波熵.结果发现穴位电刺激模式下,脑电信号样本熵增大,肌电信号样本熵减小,脑-肌电的平均互样本熵增大,肌电信号的小波熵明显减小.表明穴位电刺激使大脑活动复杂性提高,肌肉活动的有序性增强,出现了优势节律,脑-肌电协同性提高.     

改进EWT_MPE模型在矿山微震信号特征提取中的应用

针对矿山微震与爆破振动信号难以自动辨识的问题,提出了一种基于改进EWT_MPE(经验小波变换_多尺度排列熵)的信号特征提取方法,并应用于矿山微震信号特征提取中。针对EWT在以往处理复杂信号频谱出现的过切分问题提出了新的改进方法,并采用仿真信号验证了改进算法的可行性和准确性。将实际采集到的微震与爆破信号进行改进EWT分解,借助相关性分析从分解得到的本征模态函数(intrinsic mode function, IMF)分量中筛选出最优分量IMF_1～IMF_5。进而将筛选到的IMF分量进行重构,并计算重构信号的MPE值。应用GK模糊聚类算法对微震与爆破振动信号进行分类识别。结果表明,微震信号的MPE值要小于爆破信号的MPE值,且当嵌入维数m=5,尺度因子s=12,延迟时间τ=1时,两种信号的MPE值差异最大。基于改进EWT_MPE_GK模糊聚类算法的分类识别准确率达到93.5%,平均模糊熵(E)更接近0、分类系数(C)更接近1,与传统EWT_MPE_GK模糊聚类和EMD_MPE_GK模糊聚类相比,其聚类效果更优、识别准确率分别提高了3%和5.5%。     

基于颜色矩的改进尺度不变特征变换的移动机器人定位算法

针对基于图像外观的移动机器人定位中图像特征提取与匹配实时性和准确性差的问题,提出基于颜色矩的改进尺度不变特征变换分级图像匹配算法。该算法先由颜色矩来排序图像序列,再由改进尺度不变特征变换特征与排序后图像序列精确匹配实现定位。其中,改进的尺度不变特征变换算法以基于采样的迭代搜索算法检测极值点,由Sobel算子计算特征点的梯度方向和幅值,提高尺度不变特征变换算法速度及匹配精度。实验结果表明:改进的尺度不变特征变换算法降低误匹配率约9.2%,特征提取与匹配耗时减少约25.8%;分级图像匹配算法减少尺度不变特征变换特征计算代价约70%,减少总体耗时约43.3%。     

基于熵-流特征和樽海鞘群优化支持向量机的故障诊断方法

针对旋转机械设备故障特征提取困难的问题,提出一种熵-流特征和樽海鞘群优化支持向量机(salp swarm optimization support vector machine,SSO-SVM)的故障诊断方法。利用改进多尺度加权排列熵(improved multiscale weighted permutation entropy,IMWPE)提取机械设备不同工况下的故障特征;采用监督等度规映射(S-Isomap)流形学习进行降维处理,获取低维的熵-流特征集;将熵-流特征输入至SSO-SVM多故障分类器进行识别与诊断。行星齿轮箱故障诊断实验分析结果表明:IMWPE+S-Isomap熵-流特征提取方法优于现有的多尺度排列熵(multiscale permutation entropy,MPE)、多尺度加权排列熵(multiscale weighted permutation entropy,MWPE)和IMWPE等熵值特征提取方法以及IMWPE+等度规映射(Isomap)和IMWPE+线性局部切空间排列(linear local tangent space alignment,LLTSA)等熵-流特征提取方法;樽海鞘群算法对支持向量机参数寻优效果优于粒子群、灰狼群、人工蜂群和蝙蝠群等算法;所提故障诊断方法识别精度达到100%,能够有效诊断出行星齿轮箱各工况类型。     

小波统计方法提取想象运动诱发脑电特征

针对想象单侧肢体运动会导致同侧和对侧运动皮层脑区EEG信号分别出现事件相关同步(ERS)和事件相关去同步(ERD)现象,提出了一种小波变换结合统计分析的左右手运动想象诱发脑电特征提取方法.将采集的多导脑电信号进行预处理;利用db5小波,分别对左右手运动想象C3、C4导联的脑电信号能量进行6尺度小波分解,并按所需频段重构;计算不同尺度小波分解系数能量的均值、方差和相关系数,将这三个特征能量对应相加,并对C3、C4导联的能量做差,得到左右手运动想象脑电的特征向量.结果表明,该方法提取的特征向量可以较好地反映运动想象脑电事件相关同步和去同步的特点.     

基于共空间模式和均匀流形投影的运动想象脑电信号识别方法

运动想象脑电信号的识别与分类问题一直是脑机领域研究的热点问题。针对此问题,使用区别传统线性降维方法的流形学习方法,将共空间模式算法与均匀流形投影算法相结合,充分利用了脑电信号中的非线性特征,对运动想象脑电信号进行了特征提取和数据降维,并使用KNN分类器进行了分类,对分类效果做出了评价;将降维前后的数据分类结果进行对比,说明了数据降维的优点和必要性;进一步讨论了降维结果在数据可视化方面的表现。发现经过数据降维的特征数据的可视化效果明显优于未经过降维的数据,进一步提出了一种基于共空间模式和均匀流形投影的新型脑电信号识别方法,对进行脑电信号深度剖析。挖掘脑电信号非线性特征提供了参考价值,同时也在数据流形分布以及数据可视化的角度为运动想象脑电信号识别提供了新思路。     

基于小波能谱熵的信号消噪方法

以表面肌电信号和脑电信号为例,提出了一种基于小波能谱熵的生物电信号消噪方法.将信号进行多尺度小波分解,对分解后各尺度的高频小波系数分区间计算小波能谱熵,根据能谱熵的分布特性确定滤波阈值,最后由低频部分小波系数和滤波后的各尺度上的高频小波系数重构得到消噪后的源信号.该方法具有阈值选取自适应性,操作方便.实验结果表明,基于小波能谱熵的消噪方法能有效滤除信号中的绝大部分噪声,且能较好地保留源信号的细节信息.     

基于CEEMDAN和多尺度排列熵的球磨机负荷识别方法

针对球磨机负荷特征提取难以及负荷状态识别难的问题,将多尺度排列熵引入到球磨机负荷识别中,提出一种具有自适应噪声的完整集成经验模态分解(CEEMDAN)与多尺度排列熵(MPE)相结合的球磨机负荷识别方法。首先,采用CEEMDAN方法对球磨机振动信号进行处理,将其分解成一系列的模态分量,选取与原始信号相关性较高的敏感模态分量进行信号重构;其次,确定多尺度排列熵算法的最优参数,根据算法得到重构信号的排列熵值;最后,计算多尺度排列熵的偏均值,以偏均值作为特征对球磨机负荷状态进行识别。实验结果表明,该方法能够有效地识别出球磨机的不同负荷状态,并具有一定的可行性。     

基于插值多尺度熵与模糊C-均值的滚动轴承故障诊断

多尺度熵是一种有效的衡量时间序列复杂性的方法。为了克服多尺度熵粗粒化过程遗漏特征信息的问题,提出了一种基于三次样条插值时间序列的插值多尺度熵算法。该方法首先通过三次样条插值时间序列代替原粗粒化过程,再计算各个尺度下的样本熵。通过分析仿真信号将提出的方法与原多尺度熵方法进行对比,结果表明了方法的有效性和优越性。在此基础上,提出一种基于插值多尺度熵与模糊C-均值的滚动轴承故障诊断方法。最后,将提出的故障诊断方法应用于滚动轴承的试验数据分析。结果表明,所提出的方法比基于MSE的故障诊断方法识别率更高。