Hilbert-Huang变换在脑电信号提取中的应用

高频视觉刺激可以拓宽可用的视觉刺激频率,而且可以减轻使用者的视觉疲劳,使基于视觉诱发电位的脑机接口系统更加实用化。但高频视觉刺激下的稳态视觉诱发电位信号幅值过低不易进行特征提取。本文提出一种新的视觉诱发电位提取方法,结合Hilbert-Huang变换与快速傅立叶变换方法来提取脑电信号。实验结果表明,用这种信号处理方法可以准确提取出高频稳态视觉诱发电位信号特征量,而且可以将脑电信号中的眼电干扰去除,并应用于脑机接口系统中。     

基于LMD和CSP的多域融合脑电信号分类方法

运动想象脑电信号非平稳、非线性和微弱性特征明显,采用传统单一维度特征进行分类时存在识别率低、鲁棒性差的问题。提出一种基于局部均值分解(Local Mean Decomposition, LMD)和共空间模式(Common Spatial Pattern, CSP)的多域融合脑电信号分类方法,采用LMD对运动脑电信号进行自适应分解得到多个乘积分量(Product Function, PF),进而从PF中提取反映不同信号差异特性的12维时-频域特征,将PF作为CSP的多通道数据进行分解,并提取18维空域特征。利用相关向量机(Relevance Vector Machine, RVM)分类器对30维时-频-空域特征进行特征选择和分类识别,在自动确定最优分类特征的同时获得理想的分类结果。基于BCI竞赛数据开展实验,结果表明,所提方法可以获得优于95%的正确分类性能,并且在低信噪比条件下具有较强的噪声稳健性。     

平滑伪Wigner-Ville分布在脑电信号提取中的应用

运用平滑伪Wigner-Ville分布提取大脑皮层的稳态视觉诱发电(steady state visual evoked potential,SSVEP)信号,并作为输入信号应用于脑机接口系统.研究结果表明,该方法不需叠加平均信号就可以提高信噪比,提取出的稳态视觉诱发电位信号能够准确反映使用者的控制意图,为脑机接口选取特征提供了依据.     

改进的局域均值分解在机械故障诊断中的应用

为了准确地提取出故障特征,把局域均值分解算法应用于机械故障振动信号的特征提取中.然而在对信号进行局域均值分解时,由于端点的趋势无法预知,在分解时会污染到整个信号序列,而且滑动平均造成了信号的过平滑处理,导致故障特征不能准确地提取.采用波形匹配解决端点处信号的走势,之后再利用线性插值求得信号的局域均值函数与包络函数,通过在Matlab环境下仿真调幅信号验证了该算法在端点处能很好的保持原有信号的特征;并采用实际的机械振动信号进行实验验证,引入端点效应评价指标,根据分解后的生产函数与原信号的相关系数验证了改进的局域均值分解更能准确地提取故障特征.     

闪光视觉诱发电位在脑机接口中的应用研究

运用叠加平均与快速傅立叶变化相结合的方法,提取大脑皮层的稳态视觉诱发电位SSVEP（steady state visual evoked potential）信号,并作为输入信号应用于脑控机器人系统。通过实验确定了测试电极、视觉刺激颜色与背景亮度等模式参数,并且研究了不同使用者在不同视觉刺激频率下的SSVEP幅值变化趋势。研究结果表明,该方法能更好地提高信噪比,提取出的稳态视觉诱发电位信号能够准确反映使用者的控制意图,应用于脑控机器人系统,取得了很好的效果。     

基于小波包的LMD在EEG信号分析中的研究

脑电信号(Electroencephalograph,EEG)是一种产生自脑神经细胞活动的极其微弱的电位反映,同时也是一种非平稳、非线性的电信号。针对脑电信号在采集过程中易受到外界噪声干扰的问题,为了降低脑电信号中噪声的含量,提高脑电信号分解效率,提出了一种基于小波包的局部均值分解(Local Mean Decomposition,LMD)方法。该方法主要利用小波包对采集到的脑电信号进行去噪预处理,再通过局部均值分解进行分析。仿真实验结果表明,采用经过小波包去噪预处理的LMD分解能够有效地去除原始信号中的高频噪声,使得局部均值分解效率提高,且能够有效消除噪声分量对分解过程和结果的影响。     

基于改进EMD的脑电信号去噪方法

以经验模态分解(EMD)为理论基础,提出一种相似波形加权匹配的方法,对脑电信号(EEG)端点进行延拓,改善EMD分解过程中存在的端点效应,利用延拓后的EMD方法对EEG进行去噪。基于美国加州理工学院数据库中EEG的仿真结果表明,延拓后的EMD方法可有效去除EEG波形中的噪声部分,使EEG的特征更明显。     

抑制局域波分解端点效应方法的研究

针对局域波分解存在的端点效应问题,提出了三角波形相似估计法对信号端点局部均值进行估计.方法根据三角形相似原理设定了两个相似估计误差,通过两次筛选得到与边界三角波形最相似的三角波形,从而实现对端点局部均值的估计.过镜面闭合延拓法、多项式拟合估计法、边界波形匹配预测法和三角波形相似估计法进行比较研究.仿真和比较结果表明,方法在运行时间、存储空问和最大估计误差三个方面均具有较好的性能,能够有效地抑制局域波分解端点效应.     

改进孪生网络的脑电信号处理方法

针对运动想象脑机接口系统中分类准确率低的问题,提出一种改进孪生网络的脑电信号分类方法,把原孪生网络中的两个子网络扩充成3个子网络,并设计了新的学习样本采集方法和距离函数;脑电信号经过小波变换及经验模态分解,利用自相关系数筛选得到预处理后的小波分量,然后随机分割成训练集和测试集,从训练集中按照新的学习样本采集方法获得学习样本集,将其输入3个权重共享的子网络进行训练,使用新的距离函数进行相似度的对比,最后计算测试样本特征与训练集中标签为1和标签为0样本特征相似度,选择最高相似度样本标签作为该待测样本的类别;通过对国际公开BCI Competition Ⅱ Data set Ⅲ和The largest SCP data of Motor-Imagery数据集进行仿真,此算法分类准确率高达94.29%;与现有性能较高的算法进行对比,其有效的提高了分类准确率,能更好地进行脑电信号分类识别。     

基于LMD-CSP和随机森林的运动想象脑电信号分类

针对脑电信号具有非平稳性、非线性以及个体差异较大等特点而导致特征提取困难、分类准确率低的问题,提出一种基于LMD-CSP和随机森林(Random Forest,RF)的脑电信号分类方法.首先对脑电信号进行预处理,然后利用局部均值分解(Local Mean Decomposition,LMD)将预处理后的脑电信号分解为多个乘积函数(Product Function,PF)分量,并选出最具判别性的PF分量,再利用共空间模式(Common Spatial Pattern,CSP)分别对选出的PF分量进行特征提取,最后将得到的CSP特征输入随机森林分类器中进行分类识别.实验结果表明,该方法的平均分类准确率高达92.18％,远高于其他方法,证明了该方法的有效性.     

基于LMD的模态参数识别方法

采用局部均值分解（Local Mean Decomposition,LMD）方法来识别机械系统固有频率和阻尼比。局部均值分解（LMD）方法可以自适应地将一个复杂信号分解为若干个具有一定物理意义的PF（Production Function）分量之和,采用LMD方法对脉冲激励下机械系统的加速度响应信号进行分解,得到一列具有物理意义的PF分量,每一个PF分量可以对应于某一个模态下的振动响应,进而就可以通过拟合瞬时频率和瞬时幅值曲线识别模态固有频率和阻尼比。先采用仿真信号进行了分析,使用LMD方法和经验模态分解方法（Empirical Mode Decomposition,EMD）对梁的瞬态响应实验数据进行模态识别并同仿真结果进行对比研究,结果表明用LMD进行模态分析具有较好的效果。     

单通道脑电信号眼电伪迹去除算法研究

由眨眼和眼动产生的眼电伪迹（Electrooculography,EOG）信号是脑电信号（Electroencephalography,EEG）中的主要噪声信号之一.目前,多通道脑电信号中眼电伪迹的去除算法已经较为成熟.而在单通道脑电信号的眼电伪迹去除中,由于采集通道数量较少且缺乏参考眼电信号,目前尚无十分有效的去除方法.本文提出一种基于小波变换（Wavelet transform,WT）、集合经验模态分解（Ensemble empirical mode decomposition,EEMD）和独立成分分析（Independent component analysis,ICA）的WT-EEMD-ICA单通道脑电信号眼电伪迹去除算法.实验表明：WT-EEMD-ICA算法有效地解决了单通道WT-ICA算法中的超完备问题,能够有效去除单通道脑电信号中的眼电伪迹,并且分离出的眼电伪迹成分与参考通道采集的眼电信号相关性较强.     

LMD特征融合与SVM的供水管道堵塞识别

针对城市供水管道早期堵塞难以检测的问题,提出了一种基于局部均值分解(LMD)的分量信号特征提取,结合支持向量机(SVM)的堵塞故障识别方法.先对声响应信号进行LMD,得到若干乘积函数(PF)分量,进而采用相关分析法选取有效PF分量,对有效PF分量分别提取能量熵、近似熵和平均声压三个指标的特征,构建分类特征集.最后利用交叉验证(CV)方法优化参数的SVM分类器识别堵塞故障信号.实验结果表明:采取基于LMD特征融合和通过CV优化的SVM相结合的方法可以有效识别供水管道的初期堵塞.与基于LMD特征融合和BP神经网络的方法进行了对比,结果表明:本文方法具有更好的堵塞故障识别效果.     

EEG信号动态演化过程的研究

脑电图(EEG)信号的研究是诊断脑疾患的重要手段。以癫痫脑电为例,针对癫痫发作过程的复杂性,对其演化过程进行研究。利用本征正交分解(POD)对EEG信号实行特征压缩,选取能够反映EEG脑电病理特征的多个变量,通过改进的Fisher判别方法判别分解后的信号数据,以最终确定EEG信号动态演化过程的关键点。实验结果表明,将POD分解与Fisher判别方法相结合,不仅能减少数据分析的工作量,而且能够有效判别分析EEG信号动态演化过程。     

A new rotating machinery fault diagnosis method based on improved local mean decomposition

A demodulation technique based on improved local mean decomposition (LMD) is investigated in this paper. LMD heavily depends on the local mean and envelope estimate functions in the sifting process. It is well known that the moving average (MA) approach exists in many problems (such as step size selection, inaccurate results and time-consuming). Aiming at the drawbacks of MA in the smoothing process, this paper proposes a new self-adaptive analysis algorithm called optimized LMD (OLMD). In OLMD method, an alternative approach called rational Hermite interpolation is proposed to calculate local mean and envelope estimate functions using the upper and lower envelopes of a signal. Meanwhile, a reasonable bandwidth criterion is introduced to select the optimum product function (OPF) from pre-OPFs derived from rational Hermite interpolation with different shape controlling parameters in each rank. Subsequently, the orthogonality criterion (OC) is taken as the product function (PF) iterative stopping condition. The effectiveness of OLMD method is validated by the numerical simulations and applications to gearbox and roller bearing fault diagnosis. Results demonstrate that OLMD method has better fault identification capacity, which is effective in rotating machinery fault diagnosis.     

基于改进LMD方法的风电机组齿轮箱故障诊断研究

局部均值函数的求取是局部均值分解(LMD)的关键环节.针对局部均值函数求取存在偏差进而造成模态混叠的问题,提出了一种基于局部积分均值的LMD风电机组齿轮箱故障诊断方法.该方法改变了对相邻两极值点求平均值的思路,采用求取相邻两极值点的局部积分均值,再通过滑动平均法进行平滑处理,最终得到局部均值函数.为实现风电机组齿轮箱故...     

基于脑电信号相干性分析的阿尔兹海默病诊断的研究

在分析了脑电图数据的相干性算法后,提出了基于离散取样数据的相关函数与相干系数的算法,并用C 语言进行了软件设计.经临床应用发现本研究的相关系数算法快速方便,并且实验发现阿尔兹海默病患者与正常人群脑电图在左右前额叶间(F3-F4)、左右中心间(C3-C4)、左右顶间(P3-P4)、左右颞间(T5-T6)的相干系数有明显的差异,提示脑电图数据的相干性计算分析在临床上对阿尔兹海默病有诊断意义.