基于小波包变换和聚类分析的脑电信号识别方法

为了实现脑-计算机接口(brain-computer interface,BCI)系统,对大脑C3,C4处采集的二路运动想象脑电信号的特征进行了提取和分类.在分析小波包频带划分特点的基础上,利用小波包能量进行特征提取并使用基于马氏距离的线性判别分析进行了左右手运动想象模式分类,结果表明该方法提取的特征向量较好的反映了运动想象脑电信号的事件相关去同步(event-related desynchronization,ERD)和事件相关同步(event-related synchronization,ERS)的变化时程.另外,该方法识别率高,适合脑-计算机接口的应用.     

基于小波包和熵准则的最优频段提取方法

为实现运动功能障碍患者的运动意愿和基于脑机接口技术的实际康复运动的一致性,进一步改善康复效果,以想象右手食指屈伸运动为例,对身体相同或相近部位的不同运动想象方式产生的脑电信号(记为EEGs)的特征提取方法进行研究。针对食指屈伸运动想象EEGs的事件相关去同步化现象(event-related desynchronization,ERD)不显著及发生的时间及频段的个体差异等特点,提出了基于小波包和熵准则的最优频段提取方法。该方法首先利用小波包分析对右手食指屈、伸运动想象EEGs进行分解;其次,利用熵准则对特征频段的可分度进行度量,从而选取相对明显的频段小波包组合,并以相应的小波包系数构成特征矢量;最后,结合支持向量机实现最优频段的选取。实验结果表明,该特征提取方法能够自适应提取右手食指屈伸运动想象EEGs的ERD现象差异性较大的频段特征,最高分类正确率为81.75%,验证了所提方法的有效性。     

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.     

基于小波包熵和支持向量机的运动想象任务分类研究

对运动想象脑电特征进行准确提取和分类是脑-机接口技术研究的重要问题。针对脑电信号非平稳性和非线性特点,提出了一种将小波包熵(WPE)和支持向量机(SVM)相结合的脑电信号识别方法,利用小波包系数能量分布分析脑电时频特性,结合信息熵分析其不确定性和复杂性,并从单次实验中提取运动想象脑电特征;通过支持向量机对特征信号进行分类,采用了一种核函数参数v和误差惩罚因子c的最佳寻优方法,并用互信息(MI)、信噪比(SNR)、最小错分率(MR)等准则对分类器进行评判。测试结果为:想象左右手运动脑电信号识别精度达到90%,M I为0.65 bit,SNR为1.44。结果表明WPE-SVM识别方法能够准确提取脑电本质特征,具有较强的分类性能和抗干扰能力,为大脑运动意识任务分类提供了有效方法,它可以应用于脑-机接口系统中。     

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。     

驾驶员脑电特征与手臂操纵驾驶行为研究

为了进一步研究脑电信号与驾驶行为的关系,通过脑电采集设备与惯性运动捕捉系统同时捕捉驾驶员脑电信号数据与操作手臂运动参数。分析驾驶员手臂驾驶方向盘的过程中,脑电信号的变化与操作手臂运动方向之间的关系。利用共同空间模式(CSP)与小波包分解(WPD)的方式,提取左右运动相关的C3和C4导联特征,结合手臂运动关节的加速度进行相关性分析。实验结果表明:在实际的驾驶行为中,左右转向过程,C3、C4导联出现持续的ERD/ERS现象,为脑机接口控制量化标准提供基础。     

基于小波包分解的脑电信号特征提取

在脑机接口研究中,针对脑电信号的特征抽取,提出一种基于小波包分解的方法,利用Fisher距离准则,选择具有较大可分离性的特定子带小波包系数和能量作为有效特征,构成特征矢量,并采用BCI2003竞赛数据,通过对该特征矢量的可分性和识别精度2个指标的评估,表明了所提出方法的有效性。     

基于脑肌耦合导联选择和最小生成树网络的 脑电特征提取

针对主动康复训练中的运动想象脑电识别问题,提出一种基于脑肌耦合导联选择的双层脑功能网络特征提取方法。 根 据脑肌耦合强度选择受试各动作下的核心导联,运用核心导联并结合神经生理学中关于运动感觉脑区的先验知识,构建运动感 觉核心导联区域网络并提取特征。 利用最小生成树全网络特点,将最小生成树脑网络的直径和平均离心率,以及核心导联区域 网络的平均节点度、平均聚类系数和平均路径长度,构筑最小生成树脑网络和核心导联区域网络相结合的全局和区域脑功能网 络综合特征。 选择支持向量机为分类方法,两类运动想象识别的平均正确率为 86. 96% ,证实了本文所提双层脑功能网络分析 方法有优良的特征表达能力,能有效提取神经-肌肉内在关联特征,为运动想象识别提供了一种新的思路。     

基于小波包技术的脑电特征波提取分析

为了更有效地提取脑电信号特征波,结合小波包技术,提出了一种脑电特征波提取方法.首先对脑电信号进行小波包分解,然后进行褶关频段信号的重构,从而提取出特征波,并对其进行功率谱分析和能量计算.实验结果表明,小波包技术能有效地提取脑电信号特征波.     

脑电信号的混沌分析和小波包变换特征提取算法

针对脑电(EEG)信号的手部动作模式信息处理,提出一种混沌分析和小波包变换相结合的特征提取方法.用眼动辅助来采集手部动作时的脑电信号,对采集的C3、C4 、P3和P4脑电信号消噪后分别用混沌分析和小波包变换的方法进行特征提取,前者提取混沌特征的最大Lyapunov指数和关联维数,组成8维向量;后者提取脑电信号的4种特征节律波,分别计算其相对能量,组成16维向量;最后把两种方法提取的向量组成24维特征向量,输入SVM分类器,实现基于EEG信号的手部动作模式的识别.对不同个体上翻、下翻、展拳、握拳4种手部动作的识别实验表明,平均识别率均在80%以上,明显优于其他方法识别的结果.     

一种面向运动解码的 EEG-fNIRS 时频特征融合 与协同分类方法

脑功能成像技术可以反映人体运动时的大脑生理变化,进而解码运动状态,但单模态信号反映的大脑生理信息存在局 限性。 为此,本文提出了一种基于 EEG 和 fNIRS 信号的时频特征融合与协同分类方法,利用脑神经电活动和血氧信息的互补 特性提高运动状态解码精度。 首先,提取 EEG 的小波包能量熵特征,使用双向长短期记忆网络(Bi-LSTM)提取 fNIRS 的时域特 征,将两类特征组合得到包含时频域信息的融合特征,实现 EEG 和 fNIRS 不同层次特征的信息互补。 然后,利用 1DCNN 提取 融合特征深层次信息。 最后,采用全连接神经网络进行任务分类。 将所提方法应用于公开数据集,本文所提的 EEG-fNIRS 信号 协同分类方法准确率为 95. 31% ,较单模态分类高 7. 81% ~ 9. 60% 。 结果表明,该方法充分融合了两互补信号的时频域信息,提 高了对左右手握力运动的分类准确率。     

基于小波包参数模型的滚动轴承智能故障诊断

针对平稳自回归模型无法准确描述滚动轴承振动信号的非平稳性,提出一种结合小波包分解与自回归模型的故障特征提取方法,以提取能准确反映轴承运行状态的特征向量。首先,通过小波包变换对滚动轴承运行时产生的非平稳振动信号进行分解,得到一系列刻画原始信号特征的系数;然后,利用自相关算法对各系数建立自回归模型,并将自回归模型的参数作为特征向量;最后,采用支持向量机分类器对提取的特征向量进行故障分类,从而实现滚动轴承的智能故障诊断。仿真结果表明该方法的有效性。     

基于小波包变换与样本熵的滚动轴承故障诊断

针对滚动轴承振动信号的不规则性和复杂性可以反映轴承故障的发生和发展,提出一种基于小波包变换与样本熵的轴承故障诊断方法。样本熵可以较少地依赖时间序列的长度,将轴承振动信号进行3层小波包分解,利用分解得到的各个频带的样本熵值作为特征向量,利用支持向量机对轴承故障进行分类。对轴承内圈故障、滚动体故障和外圈故障3种故障及不同损伤程度的实测数据进行实验,结果表明该方法取得较高的识别率,具有一定的工程应用价值。     

基于小波包变换和GA-PLS算法的故障特征选择方法

为了提高故障诊断的分类精度,减小分类运算时间等问题,需要从原始特征集合中选择出更为优化的特征子集合,因此,提出了一种基于小波包变换和GA-PLS算法的特征选择方法。首先,采用小波包变换对提取出的振动信号进行分解,从而得到小波包的分解系数;其次,运用遗传算法 偏最小二乘法从原始信号和小波包系数的统计学特征中选择出最优特征集;最后,将最优特征集作为输入,输入到支持向量机中以实现对不同故障的诊断与识别。应用于轴向柱塞泵故障诊断中,与现有特征选择方法对比,实验结果验证了本研究特征选择方法的有效性。     

基于流形学习方法的汽轮机组振动特征提取

为了提高汽轮机振动故障信号的可分性和诊断正确率,应用流行学习方法对汽轮机振动信号进行故障特征提取。研究结果表明,应用流行学习方法可以有效地提取汽轮机振动故障的特征信息,将不同故障类型的特征信息有效地区分开来。运用流行学习方法进行故障特征提取后的诊断结果与小波包分析方法相比,诊断正确率明显提高。     

滚动轴承早期冲击性故障特征提取的综合算法研究

针对滚动轴承早期微弱冲击性故障信号特征难以提取的问题,提出了共振解调结合小波包系数熵阈值降噪的综合算法,用于准确确定并提取早期微弱冲击性故障引起的共振调制边频带。该算法应用时延相关和小波包系数熵阈值算法实现信号的双重降噪,并依据共振带能量比确定小波包分解的最佳分解尺度和选取熵阈值的最佳阈值,寻求共振带的最优解,然后进行共振解调提取故障信号特征。实验数据分析结果表明了该算法对滚动轴承早期冲击性故障提取的可行性和有效性。     

超声缺陷回波信号的小波包降噪及特征提取

根据非稳态超声检测信号的特点，将小波包变换用于缺陷信号的降噪及特征提取问题的研究，并利用类别可分性判据和RBF神经网络分别对特征值提取结果进行评价。引入了平均阈值的概念，在此基础上研究了小波包降噪效果。提出了以选取小波包分解频带的能量作为缺陷信号特征值的方法。实际焊接缺陷的实验结果表明，小波包降噪效果明显；在特征数据得以压缩的同时，分类的可分性较高。     

基于RSGWPT-LCD的轴承信号故障特征提取及模式识别

为了有效提取滚动轴承振动信号的故障特征和提高分类识别精度,提出了一种基于冗余二代小波包变换-局部特征尺度分解(redundant second generation wavelet packet transform-local characteristic scale decomposition,简称RSGWPT-LCD)和极限学习机(extreme learning machine,简称ELM)相结合的故障特征提取和分类识别方法。首先,利用希尔伯特变换对原始振动信号进行处理,得到包络信号;其次,基于双层筛选机制,结合冗余二代小波包变换(redundant second generation wavelet packet transform,简称RSGWPT)和局部特征尺度分解(local characteristic-scale decomposition,简称LCD)方法对包络信号进行分解,筛选出包含主要信息的内禀尺度分量(intrinsic scale components,简称ISCs);然后,对提取的各ISCs分量构建初始特征矩阵并进行奇异值分解(singular value decomposition,简称SVD),将得到的奇异值作为表征各损伤信号的特征向量;最后,以提取的特征向量为输入样本,建立ELM模式分类器对滚动轴承损伤信号进行识别。信号仿真和实测数据表明,该方法可有效提取振动信号故障特征,提高分类识别精度,实现滚动轴承故障诊断。