基于独立分量分析的脑电信号消噪

脑电信号中往往含有各种形式的噪声干扰信号。这些干扰成分包括眼电、心电伪迹以及工频干扰等。由于干扰信号和脑电信号在频域上相互重叠,因此用时域或频域滤波的方法难以有效地消除脑电信号中的干扰成分。独立分量分析(Independent Component Analysis,ICA)是20世纪90年代发展起来的一种新的盲源分离方法(Blind Source Separation,BSS),将ICA方法应用于实测脑电信号的处理,获得非常理想的消噪效果。     

基于扩展Informax ICA的站起想象动作脑电特征提取

下肢想象动作的脑电特征提取是基于脑-机接口技术实现下肢运动神经重建的关键点和难点.通过以下肢运动神经重建的首个关键动作-站起为切入点,设计了相应的以复合动作诱发电位为基础的站起想象动作脑电采集新方案,而后采用扩展最大熵独立分量分析(extended informax ICA)结合连续小波功率谱分析的新方法提取大脑在站起想象动作时产生的事件相关同步/去同步(ERD/ERS)信息.经实验数据分析证明上述方法行之有效,可以为脑-机接口技术在下肢运动重建中的应用提供有效的手段.     

基于小波变换的盲信号分离的神经网络方法

提出一种新的盲信号分离的神经网络方法,该方法将小波变换和独立分量分析(ICA,Independent Component Analysis)相结合。利用小波变换的滤噪作用,将混合在原始信号中的部分高频噪声滤除后,再重构原始信号作为ICA的输入信号,有效地克服了现有ICA算法不能将噪声从源信号中分离的缺陷。实验结果表明,将该方法用于多通道脑电信号的盲分离是很有效的。     

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。     

单通道视觉诱发脑电的单次提取方法研究

针对单通道脑电信号单次提取识别率较低的问题,提出了一种正交B样条小波变换与Fisher线性判别相结合的方法,提高了视觉诱发电位P300的单次提取识别率。首先采用相干平均和小波变换的方法对脑电信号进行预处理,然后根据脑电信号的时-频特性及视觉诱发电位的锁时关系,提取出表征P300的8维小波系数模板,再次利用模板对单次样本进行特征提取,最后根据Fisher线性判别对测试样本进行分类识别,判断单次输入是否为视觉诱发脑电信号。实验结果表明,该方法对单次样本P300的平均识别率为95.10%。     

独立分量分析在信号处理中的应用

独立分量分析(ICA)是近期发展起来的一种统计学方法,旨在寻求对非高斯分布数据进行有效的表示,使得各个分量在统计学上独立,或者尽最大可能地独立。文章介绍了独立分量分析的发展过程,基本理论等。许多应用中,这种表示意在获取数据的基本结构,包括特征提取和信号分离,目前主要应用在盲源分离,特征提取,盲反卷积等方面。     

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。     

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。     

眼电伪迹自动去除方法的研究与分析

脑电信号采集时很容易受到眼电信号的干扰,从而影响脑机接口系统的性能。为此,提出一种基于离散小波变换(DWT)和典型相关分析(CCA)的眼电伪迹自动去除方法,即 DCCA 法。首先,对采集的多导脑电信号和眼电信号进行离散小波变换,获得多尺度小波系数,并利用典型相关分析去除小波系数间的相关性,得到互不相关的典型小波系数;进而,利用相关系数判别眼迹成分,将相应典型小波系数置零并依次采用 CCA逆变换和 DWT逆变换重构剔除眼电伪迹后的脑电信号。基于9位实验者的4种眼电数据进行实验研究,并从统计学的角度对实验结果进行显著性检验。结果表明, DCCA法相对其他方法在均方根误差、信噪比方面具有显著优势,且具有较好的实时性,并表现出较强的适应能力。     

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.     

基于ICA和小波变换的房颤F波提取算法

应用独立成分分析(independent component analysis,ICA)提取的房颤F波在QRST数据段有明显“扰动”失真,为减少这种失真,提出了一种ICA与小波变换相结合的F波提取算法.首先对原始信号进行ICA分解,获得初始F波及其分离向量;然后对初始F波进行多层小波分解,在小波域内构造反映F波失真的目标函数;最后利用最速下降法优化目标函数,获得准确的F波分离向量,从而实现对F波的准确提取.对仿真信号和真实信号的F波提取实验表明,该算法明显减少了F波的“扰动”失真.     

基于ICA和小波变换的滚动轴承故障诊断方法研究

提出了结合独立分量分析(ICA)和小波变换进行滚动轴承故障诊断的方法。在设计的系统平台上,首先对冲击脉冲信号进行预处理,使信号较好地满足独立分量分析的前提条件。然后,应用独立分量快速算法分离故障轴承的冲击脉冲信号,通过小波快速算法完成信号重构,实现滚动轴承故障的识别。实验结果表明,利用独立分量分析方法提取的故障状态特征向量与小波快速算法相结合可以有效、准确地识别滚动轴承的故障信号。     

基于独立成分分析(ICA)处理两相流信号

为了提高固体速度测量精度，提供一种基于独立成分分析（ICA）处理两相流信号的基本方法。首先介绍独立成分分析（ICA）的基本原理，然后介绍使用空间滤波和小波变换获得固体速度的方法。最后给出仿真实验结果证明该方法可行。     

轴承故障动态检测的迭代交叉信息熵方法

将小波包变换和迭代交叉信息熵有机结合,从检测信号信息量差异性的角度出发,提出一种设备故障动态检测的新方法。该方法的核心是动态选取时间相邻的两帧振动信号,对两帧信号作小波包分解得到等频宽的分解信号,计算分解信号不同时间段的能量,得到信号的尺度分段时间能量矩阵,以尺度分段时间能量矩阵作为一种信息的划分,计算两帧信号的迭代交叉熵,用熵值来表征信号的差异性而检测出故障。检测实例验证了该方法的有效性,检测的实时性好、准确性高。     

SIGNAL FEATURE EXTRACTION BASED UPON INDEPENDENT COMPONENT ANALYSIS AND WAVELET TRANSFORM

It is an important precondition for machine fault diagnosis that vibration signal can be extracted effectively. Based on the characteristic of noise interfused during the course of sampling vibration signal, independent component analysis (ICA) method is combined with wavelet to de-noise. Firstly, The sampled signal can be separated with ICA, then the function of frequency band chosen with multi-resolution wavelet transform can be used to judge whether the stochastic disturbance singular signal is interfused. By these ways, the vibration signals can be extracted effectively, which provides favorable condition for subsequent feature detection of vibration signal and fault diagnosis.     

基于小波分析的FastICA联合降噪方法在滚动轴承故障诊断中的应用研究

采用小波分析方法进行振动信号降噪存在选取参数依靠经验的问题,采用独立分量分析（ICA）方法进行振动信号降噪存在欠定问题,为了避免小波降噪以及ICA方法单独使用的缺点,提出了将小波降噪分析和基于负熵的FastICA独立分量分析相结合来处理滚动轴承含噪振动信号的方法。首先对原始信号进行小波降噪处理,然后将处理后的信号与原始信号组成FastICA的输入矩阵,进行FastICA降噪处理,最后利用滚动轴承振动信号对该方法进行有效性验证。实验分析表明：该方法增大了振动信号的峭度值,达到了滚动轴承振动信号降噪的目的。     

基于MSD-ICA-EA的轴承故障诊断方法

轴承故障诊断时,传感器采集的故障声音信号一般含有多个故障源,且源信号之间统计相关,应用传统的独立分量分析受到限制,本文应用多分辨率子带分解的独立分量分析方法(MSD-ICA),针对小波变换快速独立分量分析分离出的高频子带信号常呈现调制特性,提出进一步结合包络分析(EA)方法分析该子带信号,来判定故障的类型与部位.试验表明,多分辨率子带分解的独立分量分析结合包络分析的分析方法能有效地解决该类问题.