运动意识任务的模式识别方法研究

针对脑机接口研究中运动想象脑电信号的模式识别问题,提出了一种基于离散小波变换和AR双谱的特征提取方法.该方法首先利用Daubechies类小波函数对二路脑电信号进行3层分解,抽取小波系数的均值、能量均值、均方差三个特征;然后,采用5阶AR模型进行双谱估计,抽取双谱切片特征;最后,将这两类特征进行组合后使用马氏距离线性判别进行分类.利用BCI2003竞赛的标准数据,该方法使得EEG的识别正确率达到92.86%,与竞赛的最好结果(89.29%)相比提高了3.57%,为BCI研究中脑电信号的模式识别提供了有效的手段.     

基于ITD和PLV的四类运动想象脑电分类方法研究

针对四类运动想象任务的特征提取问题,提出一种基于固有时间尺度分解(ITD)和相位同步分析相结合的脑电(EEG)信号特征提取方法。采用第3届和第4届BCI竞赛中的4类运动想象数据集,首先选择5个导联的运动想象脑电信号,根据相位同步性计算导联之间的相锁值(PLV),将相锁值作为一类特征;之后利用ITD对5个导联的运动想象脑电信号进行分解,提取第一层固有旋转分量的能量特征,与PLV特征相结合获得十五维特征向量;最后通过支持向量机(SVM)进行分类识别。对12名受试者的平均识别率达到91. 64%,平均Kappa系数达到0. 887,说明该方法能够有效的提取脑电信号特征,进而提高4类运动想象任务的分类准确率。     

融合单通道框架及多通道框架的运动想象分类

针对运动想象脑电信号非平稳、非线性、低信噪比的特点,多种分析方法被广泛应用于运动想象脑电信号特征提取研究中。但单通道脑电分析方法难以有效刻画多通道脑电间的交互信息,且现有特征指标未考虑到通道间的非线性动力学耦合特性。为此,提出一种融合单通道时-频特征和多通道耦合特征的运动想象脑电分析方法策略。通过引入多变量经验模态分解(MEMD)将脑电信号分解为具有共有震荡模式的固有模态函数(IMFs),然后对有效特征频带下的IMF分量获取单通道的边际谱(MS)及瞬时能谱(IES)时-频特征和多通道的互样本熵(CSampEn)、锁相值(PLV)及锁频值(FLV)耦合特征,将融合特征输入加权线性判别分类器(LDA)进行运动想象模式识别。实验引入BCI 2008竞赛Dataset IIb数据集与实测数据进行分析,结果表明所提方法可有效提升运动想象脑电识别率,实验中竞赛数据集的9名受试者的平均识别率与平均Kappa系数分别达到80.1%与0.62,与其他方法相比提高了分类精度,为运动想象脑-机接口研究提供了新思路。     

脑机接口中基于WPD和CSP的特征提取

针对脑机接口(brain computer interface,BCI)中2类运动想象任务的特征提取问题,提出了一种小波包分解(wavelet packet decomposition,WPD)与共同空间模式(common spatial pattern,CSP)相结合的脑电信号特征提取方法.该方法首先选择7个重要导联的脑电(electroencephalograph,EEG)信号,用‘haar’小波基进行三阶WPD分解;然后对每个导联分解后的其中5个子带进行重构,获取相关频域信息;最后对重构后信号利用CSP特征提取,获得六维特征向量.CSP与WPD相结合能够充分利用WPD的时频特性,有效避免CSP要求输入导联数过多、缺乏频域信息等缺陷.对2008年国际BCI竞赛数据和本实验室实验数据,采用该方法进行特征提取,通过概率神经网络(probabilistic neural network,PNN)分类.2种数据源分类正确率分别为92％和80％,相对于单纯的CSP特征提取,正确率分别提高5％和20％.实验结果表明:WPD与CSP相结合的特征提取算法能提取明显的特征,进而提高BCI的识别正确率.     

基于多特征卷积神经网路的运动想象脑电信号分析及意图识别

为了准确提取个体运动想象脑电信号的最优时段和频段特征以及有效提高其分类准确率,结合卷积神经网络和集成分类方法提出一种多特征卷积神经网络(MFCNN)算法,对运动想象脑电信号进行分类识别。首先对脑电信号进行预处理,然后将原始信号、能量特征、功率谱特征以及融合特征分别输入到卷积神经网络中得到其训练模型,最后通过加权投票的集成分类方法得到最终的分类结果。并利用2008年BCI竞赛Datasets 2b数据集和实测数据对所提出的方法进行实验分析。结果表明,所提的MFCNN方法可有效提高运动想象识别率,实验中所有受试者的平均分类正确率和平均Kappa值分别为78.6%和0.57,为运动想象类脑机接口的应用提供了新的思路和方法。     

基于LMD和模糊熵融合CSP的脑电信号特征提取方法

模糊熵算法在提取脑电信号特征时存在信号序列长度、步长等诸多参数不易调整的问题。提出一种基于局部均值分解、模糊熵以及共空间模式算法的特征提取方法:L-FECSP算法。首先,利用LMD算法将经预处理的运动想象脑电信号分解为多个PF分量,根据左右手运动想象脑电信号所处的频段选出包含α节律和β节律的PF分量。采用模糊熵算法提取已选择的PF分量的特征,使用共空间模式算法对得到的特征进行投影映射。最后,对比投影前后的特征向量,并选取其中最具区分度的特征输入到支持向量机中用于分类。采用BCI竞赛数据集进行实验,平均分类准确率达到95.30%,实验结果表明L-FECSP特征提取方法能够有效地区分左右手运动想象脑电信号。     

运动相关思维诱发脑电信息解码与应用综述

运动是人类日常思维与活动最基本、最重要的必需功能之一,各式动作通过神经系统调节肌肉收缩或舒张得以实现。研究运动相关思维诱发大脑神经生理活动信息不仅可深入揭示脑认知与行为的内在神经原理和调控机制,还能为研究开发新型脑-机接口(BCI)系统、更有效辅助运动障碍患者功能康复提供关键科学依据与创新设计思路,具有显见的学术意义和应用价值。主要综述了运动想象(MI)与运动执行(ME)思维所诱发不同脑电(EEG)神经生理特征的异同;重点回顾了基于运动相关思维EEG信息解码BCI在运动意图检测、特定局部肢体运动分类及参数解码与应用的最新研究进展;分析了阻碍其发展的技术难点并探讨了可能化解思路及展望了其未来前景;以期促进相关BCI技术的深入研究与开发应用。     

振动模态固有频率和阻尼比的EMD识别方法

针对机械系统固有频率和阻尼比的识别问题,提出了基于经验模式分解(EMD)的模态参数识别方法.该方法首先对脉冲激励下机械系统的位移响应进行了EMD分解,确定与该系统的各阶模态对应的固有模式函数(IMF),分别对各阶IMF进行希尔伯特变换以得到各自的瞬时幅值和瞬时相位曲线,并对所得曲线进行线性拟合,最后根据拟合曲线的参数来...     

基于稀疏组lasso的脑机接口通道和特征选择研究

脑电信号(EEG)特征提取和分类是脑机接口(BCI)系统的核心问题之一。由于BCI系统中EEG信号多通道采样和特征向量的高维性,有效的特征选择算法已经成为研究中不可分割的一部分。针对EEG特征选择问题采用一种新方法:基于封装式稀疏组lasso的EEG融合特征的同时通道和特征选择方法。实验中将该方法与现有的通道选择和特征选择方法进行比较,结果表明,该方法更适用于高维融合特征的最优特征子集选择问题,且该算法稳定、时间成本低。此外,在保证错误率相当或较低的情况下,该方法能够同时实现通道和特征选择。国际BCI竞赛IV的两类运动想象信号的测试错误率为15.28%。     

基于支持矢量回归机的Hilbert-Huang变换端点效应问题的处理方法

Hilbert-Huang变换的端点效应表现在两个方面,对信号进行经验模态分解(Empirical mode decomposition, EMD)和对各个内禀模态函数(Intrinsic mode function,IMF)进行Hilbert变换时都会产生端点效应。为了克服 Hilbert-Huang变换中的端点效应,采用支持矢量回归机对信号延拓后再进行经验模态分解,该方法可以有效地克服EMD方法的端点效应问题,得到具有物理意义的内禀模态函数;然后再次采用支持矢量回归机对IMF分量进行延拓后进行Hilbert变换,可有效地抑制Hilbert变换中的端点效应,获得准确的瞬时频率和瞬时幅值,从而得到具有物理意义的Hilbert谱。对仿真和实际信号的分析结果表明,基于支持矢量回归机的数据序列延拓方法能有效地解决Hilbert-Huang变换中存在的端点效应问题,而且其效果优于基于神经网络的数据序列延拓方法。     

癫痫发作瞬态带宽特征自适应检测方法

癫痫是常见的神经系统疾病之一。癫痫发作的识别通常采用脑电测量记录中的癫痫发作起始点,以辅助医生进行诊断并对患者的发作状态报警。利用脑电信号的瞬态参数提出了一种自适应带宽特征,可用于提高癫痫发作检测精度。首先,利用经验模态分解(EMD)求得脑电信号的本征模态函数(IMF),并计算特定阶次IMF的解析信号;其次,利用该解析信号求解瞬时幅值与瞬时频率,对EEG信号的带宽特征添加权重,得到可用于癫痫检测的自适应带宽特征(Adaptive Bandwidth);最后,利用该特征完成癫痫发作检测。采用长达118 h 49 min的癫痫患者临床脑电数据进行实验,实验结果表明,自适应带宽特征的敏感性、特异性、准确性参数均比原特征取得明显提高。自适应带宽特征可提高癫痫发作检测精度并降低时间延迟,便于及时采取治疗措施,为临床检测提供了重要依据。     

Application of support vector regression machines to the processing of end effects of Hilbert–Huang transform

The end effects of Hilbert–Huang transform are represented in two aspects. On the one hand, the end effects occur when the signal is decomposed by empirical mode decomposition (EMD) method. On the other hand, the end effects occur again while the Hilbert transforms are applied to the intrinsic mode functions (IMFs). To restrain the end effects of Hilbert–Huang transform, the support vector regression machines are used to predict the signals before the signal is decomposed by EMD method, thus the end effects could be restrained effectively and the IMFs with certain physical sense could be obtained. For the same purpose, the support vector regression machines are used again to predict the IMFs before the Hilbert transform of the IMFs, thus the accurate instantaneous frequencies and amplitudes could be obtained and the corresponding Hilbert spectrum with physical sense could be acquired. The analysis results from the simulation and experimental signals demonstrate that the end effects of Hilbert–Huang transform could be resolved effectively by the time series forecasting method based on support vector regression machines which is superior to that based on neural networks.     

从光电容积图中提取脉搏率、呼吸率和心率的新方法

光电容积描记图(PPG)是一种利用光学技术无创检测人体心血管脉搏波的方法。PPG信号来源于MIMIC数据库,它含有许多生理信息。本文提出了将集合经验模态分解(EEMD)、倒谱、快速傅里叶变化和过零点检测相结合的方法,从PPG中可靠地估算脉搏率(PR)、心率(HR)和呼吸频率(RR)。首先,将PPG信号通过EEMD分解为有限个固有模态函数(IMF)。因为EEMD有自适应滤波特性,所以估算不同的生理参数时,可以用不同的IMF分量来重构信号。其次,估算脉搏率时,舍去低频含有伪迹的IMF,再通过过零点检测可以得到瞬时脉搏率。然后,估算心率时,用1 Hz~1.67 Hz(60次/分钟~100次/分钟)的IMF来重构信号,再求倒谱,选取反映心脏活动的频带来得到心率。最后,估算呼吸率时,用0.05 Hz~0.75 Hz(3次/分钟~45次/分钟)的IMF来重构信号,然后对呼吸信号求快速傅里叶变化得到频谱图,寻找频谱图中的峰值得到呼吸率。对来自MIMIC数据库的53个成人PPG信号进行了仿真。仿真结果表明使用该综合信号处理方法提取的生理参数与实际生理参数一致,且该方法有运算量小,精确度高的优点(误差不超过1.17%)。     

Trend extraction based on separations of consecutive empirical mode decomposition components in Hilbert marginal spectrum

Extracting the underlying trends is an important tool for the analysis of signals. This paper presents a novel methodology for extracting the underlying trends of signals based on the separations of consecutive empirical mode decomposition (EMD) components in the Hilbert marginal spectrum. A signal is initially represented as a sum of intrinsic mode functions (IMFs) obtained via the EMD. The Hilbert marginal spectrum of each IMF is then calculated. The separations of two consecutive IMFs in the Hilbert marginal spectrum are estimated based on their correlation coefficients. The group of the last several IMFs in which the IMFs are close to each other in the Hilbert marginal spectrum will be used for the representation of the underlying trend of the signal. Extensive experimental results are presented to illustrate the rationale and the effectiveness of the proposed method.     

EEMD和TFPF联合降噪法在齿轮故障诊断中的应用

为了消除噪声对齿轮传动系统故障特征提取的影响,提出了一种基于集成经验模态分解(ensemble empirical mode decomposition,简称EEMD)和时频峰值滤波(time-frequency peak filtering,简称TFPF)相结合的降噪方法。针对TFPF算法在窗长的选择方面受到限制的问题,采用了EEMD方法对其进行改进,使得信号在噪声压制和有效信号保真两方面得到权衡;含噪声的信号经过EEMD分解后,得到一系列频率成分从高到低的本征模态函数(intrinsic mode functions,简称IMFs),计算出各IMFs间的相关系数,判断需要滤波的IMFs。对不同的IMFs选择不同的窗长进行TFPF滤波,把过滤后的IMFs和剩余的IMFs重构得到最终的降噪信号。用模拟仿真信号和齿轮齿根故障信号对该方法进行验证,可见EEMD+TFPF能有效地去除噪声,成功提取齿根裂纹故障特征。     

基于指数窗截取递推最小二乘法的齿轮啮合刚度辨识算法研究

齿轮在机械传动系统中有着广泛应用,由于齿轮啮合过程中参与啮合的轮齿对数周期变化,因此,齿轮啮合刚度为时变参数,在啮合时会产生啮合振动。当齿轮副出现齿根裂纹时,啮合刚度会减小,齿轮啮合产生的系统振动响应也发生改变,通过振动响应辨识齿轮啮合刚度能够监测齿轮副的健康状态。针对齿轮啮合刚度的时变特征,提出了基于指数窗截取递推最小二乘(Exponential window recursive least square,EWRLS)算法和振动信号瞬时频率的齿轮啮合刚度辨识方法。进行啮合刚度辨识时,EWRLS算法将输入、输出齿轮的转速曲线分别作为辨识输入信号和观测信号,使用指数窗函数进行数据截断,使用递推最小二乘算法估计系统参数。为了计算输入、输出齿轮的转速曲线,使用经验模态分解(Empirical mode decomposition,EMD)方法将振动信号分解为具有不同变化频率的本征模态函数(Intrinsic mode function,IMF),并根据IMF的平均频率重构输入、输出齿轮的特征信号。通过Hilbert变换计算特征信号的瞬时频率曲线,从而获得各齿轮的转速曲线。使用仿真和实测信号对算法进行验证,结果表明,EWRLS算法能够辨识齿轮副的时变啮合刚度。     

VMD的AR模型和关联维数在齿轮故障特征提取中的应用

针对齿轮故障信号的非线性及常伴有大量噪声干扰的问题,提出一种基于变分模态分解(VMD)的自回归(AR)模型和关联维数相结合的故障特征提取方法。该方法采用VMD将齿轮振动信号分解为一系列固有模态函数(IMF),通过频域互相关系数准则选取对信号特征敏感的IMF分量进行信号重构,对重构信号建立AR模型,并以AR模型自回归参数的关联维数作为特征量对齿轮的工作状态和故障类型进行识别。通过实测齿轮振动信号的分析,证明了所提方法的有效性。     

Time–frequency interpretation of multi-frequency signal from rotating machinery using an improved Hilbert–Huang transform

The Hilbert–Huang transform (HHT) has proven to be a promising tool for the analysis of non-stationary signals commonly occurred in industrial machines. However, in practice, multi-frequency intrinsic mode functions (IMFs) and pseudo IMFs are likely generated and lead to grossly erroneous or even completely meaningless instantaneous frequencies, which raise difficulties in interpreting signal features by the HHT spectrum. To enhance the time–frequency resolution of the traditional HHT, an improved HHT is proposed in this study. By constructing a bank of partially overlapping bandpass filters, a series of filtered signals are obtained at first. Then a subset of filtered signals, each associated with certain energy-dominated components, are selected based on the maximal-spectral kurtosis–minimal-redundancy criterion and the information-related coefficient, and further decomposed by empirical mode decomposition to extract sets of IMFs. Furthermore, IMF selection scheme is applied to select the relevant IMFs on which the HHT spectrum is constructed. The novelty of this method is that the HHT spectrum is just constructed with the relevant, almost monochromatic IMFs rather than with the IMFs possibly with multiple frequency components or with pseudo components. The results on the simulated data, test rig data, and industrial gearbox data show that the proposed method is superior to the traditional HHT in feature extraction and can produce a more accurate time–frequency distribution for the inspected signal.     

Application of Hilbert-Huang Decomposition to Reduce Noise and Characterize for NMR FID Signal of Proton Precession Magnetometer

The parameters in a nuclear magnetic resonance free induction decay (FID) signal contain information that is useful in magnetic field measurement, magnetic resonance sounding and other related applications. A real time sampled FID signal is well modeled as a finite mixture of exponential sequences plus noise. We propose to use the Hilbert-Huang transform (HHT) for noise reduction and characterization, where the generalized Hilbert-Huang represents a way to decompose a signal into so-called intrinsic mode function (IMF) along with a trend, and obtain instantaneous frequency data. First, acquiring the actual untuned FID signal by a developed prototype of proton magnetometer, and then the empirical mode decomposition is performed to decompose the noise and original FID. Finally, the HHT is applied to the obtained IMFs to extract the Hilbert energy spectrum of the signal on the frequency axis. By theory analysis and the testing of an actual FID signal, the results show that, compared with general noise reduction methods such as auto correlation and singular value decomposition, combined with the proposed method can further suppress the interfered signals effectively, and can obtain different components of FID signal, which can be used to identify the magnetic anomaly, the existence of groundwater etc. This is a very important property since it can be exploited to separate the FID signal from noise and to estimate exponential sequence parameters of FID signal.