基于盲源分离技术的运动单位动作电位检测

采用独立分量分析(ICA)技术和二阶非平稳源分离(SEONS)算法来研究肌肉轻度收缩情况下的表面肌电信号(SEMG)的运动单位动作电位(MUAP)检测问题,通过仿真实验来探讨两种算法对SEMG信号的分离性能,并将算法应用于肌肉轻度收缩时(10%MVC)的真实SEMG信号分解研究.仿真SEMG信号分解实验结果表明,两种算法对MUAP检测效果均较为满意,且随着噪声的增加有所变差,肌肉轻度收缩时(10%MVC)真实SEMG信号分解实验也论证了两种算法实际应用的可行性.盲源分离(BSS)技术为研究隐含在肌电信号中的运动单位募集和发放等信息提供了有效途径,较符合SEMG信号特性,因而可应用于SEMG信号分解及运动单位动作电位(MUAP)检测等相关领域的研究.     

基于脊路跟踪的变分非线性调频模态分解方法

针对多个辐射源信号混合构成的多分量信号分离问题,提出基于脊路跟踪的变分非线性调频模态分解算法. 该方法使用改进的脊路重组算法对时频分布图中各分量瞬时频率进行提取,将提取出的各分量瞬时频率作为变分非线性调频模态分解的预设频率;利用重构后的多分量信号进行瞬时频率提取,更新预设频率后继续模态分解;重复上述过程,直到迭代前、后频率差值小于预设阈值,输出对应的模态分解结果. 实验结果表明,基于脊路跟踪的变分非线性调频模态分解算法比经典变分非线性调频模态分解算法具有更好的多分量信号分离效果.     

基于EMD和小波分解的颤振信号特征提取方法比较研究

以数控动梁龙门导轨磨床KD4020X16为试验对象,对不同磨削参数情况下磨床的不同振动状态进行试验测试.分别应用经验模态分解和小波变换对磨床的颤振信号进行颤振特征提取,以相关系数和方差为依据分析和比较这两种方法在非线性时序信号处理中的优劣.分析结果表明,在磨床的磨削颤振信号特征量提取方面,基于经验模态分解的提取方法具有更好的准确性和自适应性.     

CEEMD-FFT在滚动轴承故障诊断中的应用

针对经验模态分解(EMD)在非线性非平稳信号处理中存在模态混叠问题,虽然总体平均经验模态分解(EEMD)能在一定程度上抑制模态混叠问题,但是添加的白噪声不能完全被中和.因此利用补充的总体平均经验模态分解(CEEMD)对降噪监测信号进行分解,减少重构误差,提取最佳的IMF分量,然后对IMF分量进行FFT变换,实现对滚动轴承的故障诊断.通过对实验采集的滚动轴承的振动信号进行分析,证明了该方法的优越性,有一定的使用价值.     

联合采用高通低通滤波与Hilbert-黄变换的非线性信号分析

经验模态分解方法无法分离2倍频内信号分量而可能导致模态混叠,这是应用著名的Hilbert-黄变换(Hilbert-Huang Transform,HHT)分析非线性信号时无法回避的问题,而消除模态混叠对于准确分析非线性信号具有重要意义。在此背景下,提出了一种联合采用高通低通滤波与Hilbert-黄变换的非线性信号分析方法,以解决这一问题。首先,提出了基于HHT瞬时频率的、用于判断是否发生模态混叠的指标;在此基础上为解决常规经验模态分析方法无法分解2倍频内信号的问题,采用傅里叶变换分析存在模态混叠的信号,并通过高通低通滤波将2倍频内的信号分离。之后,对经过滤波后的信号进行经验模态分解,并与之前未发生模态混叠的分量整合,得到原始信号完整的本征模态函数分量,进而计算得到各分量的瞬时频率和瞬时幅值。最后,用算例说明了所提方法的基本特征。     

调制故障源信号盲分离的经验模态分解法

针对非线性、非稳态、含噪原始信号混合且混合信号数目小于源信号数目的旋转机械调制故障源信号盲分离问题，提出了一种基于经验模态分解(EMD)和主成分分析(PCA)相结合的方法.对混合信号进行经验模态分解提取嵌入在信号中的所有振荡模式，应用主成分分析方法对所提取的模式进行共性分析，得到模式中的主要成分.利用该方法对仿真数据和两通道滚动轴承加速度振动数据进行了分析，结果表明，该方法能够有效突出旋转机械的故障特征频率成分，避免了误诊断，且适用范围优于独立分量分析方法.     

基于EMD和小波分解的颤振信号特征提取方法比较研究

以数控动梁龙门导轨磨床KD4020X16为试验对象,对不同磨削参数情况下磨床的不同振动状态进行试验测试。分别应用经验模态分解和小波变换对磨床的颤振信号进行颤振特征提取,以相关系数和方差为依据分析和比较这两种方法在非线性时序信号处理中的优劣。分析结果表明,在磨床的磨削颤振信号特征量提取方面,基于经验模态分解的提取方法具有更好的准确性和自适应性。     

心率变异性与驾驶疲劳相关性研究

为获取与驾驶疲劳程度相关性较高的、可以量化的、客观的心电指标,对10名成年男性司机在驾驶仿真平台上进行心率变异性(HRV)检测与眼动跟踪同步实验研究.对HRV信号指标与评估疲劳的客观指标——PER-CLOSp80值进行相关性分析.结果表明,在HRV信号的线性指标中,表征交感-副交感神经张力平衡状态的频谱低频与高频部分比值与PERCLOSp80值的相关程度最大,皮尔逊相关系数达到0.728,可以作为实时监测驾驶疲劳的量化心电指标.为进一步解释HRV信号的混沌特性,采用非线性动力学方法进行R-R间期C0复杂度计算,该非线性指标与疲劳累积过程相关,可以用来衡量驾驶员在遇到应急危险状况下的控制能力.     

基于Hilbert-Huang变换的涡街信号处理方法

利用Hilbert-Huang变换(HHT)的固有模态分解特性，提出了一种涡街信号频率估计的新方法.采用压电传感器进行涡街信号的检测，通过分析信号经过固有模态分解后的时频特性，获得了不同模态所代表的噪声信号成分和实际涡街信号成分.模态中的一部分表示了信号中的噪声，而剩下的部分模态真实反映了信号的频率成分.在仿真的基础上，获得了去除噪声的部分模态瞬时频率与涡街频率的关系.研究结果表明，基于HHT的涡街频率估计方法，可以精确估计涡街信号频率并提高涡街流量计的抗干扰能力.该方法计算量小，能够满足涡街流量计在实际工程应用中的要求.     

一种基于EEMD的异常声音识别方法

为了优化组合特征在异常声音识别中的效率,提出一种用集合经验模态分解（EEMD）对异常声音帧信号进行有效性检测和提取多层特征的算法.首先对异常声音帧信号进行集合经验模态分解,得到固有模态函数;然后根据给定的固有模态函数层数阈值,对该帧信号进行有效性检测;再对有效帧信号的每一层固有模态函数提取梅尔频率倒谱系数、翻转梅尔频率倒谱系数、线性预测倒谱系数、短时能量和能量比,并将它们归一化后拼接成多层特征.根据提取的特征,用深度卷积神经网络实现异常声音识别分类.仿真结果表明,提出的新方法在4类异常声音识别中的识别率可以达到98.65%.