共空间模式结合小波包分解的脑电情感分类

为了有效缓解不同受试者跨天试验间脑电信号差异对分类性能的影响，结合共空间模式和小波包分解算法，对12个受试者连续5天的脑电波数据进行空间滤波处理和时频域上小波包能量特征提取。采用Bagging tree、SVM、LDA和BLDA模型进行情感分类实验。实验结果表明，使用SVM和BLDA分类器对该算法提取的脑电特征进行两类情感分类的精度比目前最优的结果分别提高了4.4%和3.5%，有效地提高了跨天脑电情感分类的准确率和稳定性，对于开发鲁棒的情感脑-机接口应用具有一定价值。     

基于ELM运动想象脑电信号的分类

针对运动想象脑电信号的分类识别,提出一种基于小波变换和共空间模式滤波的方法进行特征提取。对EEG进行3层小波分解,提取相关层数小波系数的特征量;同时利用共空间模式对EEG进行空间滤波,提取其转换后信号的方差作为特征量,并将这两类特征量进行组合。该方法结合了时频域和空间域的特征信息,可提高分类识别的效果。最后选取BCI2003中Data setⅢ数据作为样本,分别用极限学习机和基于粒子群算法的支持向量机进行分类识别。实验结果表明极限学习机分类学习时间较快,最优识别率为94.2857%,证明了该方法更适用于脑机接口系统。     

MEA信号锋电位的小波变换分类

小波变换是信号处理领域最近若干年发展起来的先进方法，对信号的时域信息和频域信息都有很好的表现。我们利用小波变换对MEA信号的锋电位数据矩阵进行小波分解，将各锋电位变换后的最后一个尺度的逼近信号和各尺度上的细节信号的方差对波形非相似性测度的贡献率的大小作为依据，鉴别波形的不同。找出贡献率和大于90％的8个数据进行系统聚类，大大地降低了数据的维数和计算机的机时，并得到了很好的分类结果。     

循环谱分析在心律失常分类中的应用研究

心电信号心律失常分类性能主要取决于有效的特征提取和分类器设计。针对传统心律失常分类研究中,多数研究直接利用时域或者频域特征实现心律失常分类,对于多类别的分类性能仍有待提高。鉴于此,选用循环谱分析方法实现心律失常多分类任务。假设信号处于非平稳状态,建立更符合心电信号实际状态的模型去捕捉心电信号中的隐含周期实现心律失常分类。在提取形态特征和时频域小波系数特征之外,利用循环谱技术提取了谱相关系数特征用于后续多分类任务。除此之外,比较了人工神经网络、传统支持向量机和超限学习机分类器在该实验环境下的分类性能,通过多组对比实验,结果表明,利用循环谱技术结合超限学习机分类器进行心律失常分类,可以区分10类心律失常并在MIT-BIH心律失常数据库上实现了98.13%的平均分类准确率。     

基于动态模糊决策树的心电信号分类方法

为提高心电信号分类识别的准确率,提出一种基于时频特征融合与动态模糊决策树的心电信号分类识别方法。对心电信号依次进行周期分割、小波包分解与重构和形态识别处理,将小波包变换系数矩阵的二范数作为频域特征,并与时域特征进行融合以表征心电信号,同时将模糊C均值聚类引入模糊决策树的建树过程中,实现特征空间的动态划分。在MIT-BIH标准心电数据库上的实验结果表明,该方法的分类识别准确率较高,心电信号正异常分类的准确率达99.14%。     

基于多层小波分析的图像融合技术研究

研究不同小波基函数下图像融合效果的差异性,结合实验结果、图像特性以及小波基函数的性能对小波函数进行筛选,最后确定以sym4小波函数作为图像处理的小波变换基函数;以融合图像低频部分的空间分辨率为评价对象、以熵差和互信息量为评价指标,对不同层次的小波分解融合图像的性能做了系统分析,分析表明,当小波分解为4层时,指标均达到最优化;重点研究局部方差准则、局部能量准则两种融合规则,最后提出基于局部相关系数方法的融合规则,以熵差、交互信息量、联合熵、均方根误差、标准差等多个指标作为评价指标,分别对三种规则下图像融合的效果和质量,进行了客观评价,评价结果表明,基于局部相关系数方法较基于局部标准差准则和基于局部能量准则有优势。     

肿瘤微阵列数据的小波模极大值特征提取

本文提出针对肿瘤微阵列数据的小波模极大值特征提取方法。首先求两类数据的Bhattacharyya 距离分布,初 步提取特征基因;接着进行小波分解,在频域上用小波分解高频系数检测基因突变点,低频系数逼近表征原始信号特征;然后 通过理论分析和构建SVM 分类器,经过多次实验选取小波基和尺度,提取特征基因。将该算法应用于数据集(1999 年Golub 所 用ALL 和AML),从中提取了5 个基因,分类测试准确率可达94.12%。可见该算法具有较高的可行性与有效性,能为肿瘤间差 异基因研究提供一定参考。     

小波变换和分形理论在脉象识别中的应用

提出基于小波变换的多尺度空间能量分布特征提取方法,和利用分形理论提取的分数维,并作为波形的重要特征,可以用于脉象分类识别.最后,利用这些特征矢量和BP神经网络对实测的脉象数据进行了分类,取得了令人满意的分类正确率.与频域分析参数识别的方法相比较,小波变换和盒维数方法更简单易行.     

有效的基于内容的音频特征提取方法

音频特征提取是音频分类的基础,好的特征将会有效提高分类精度。在提取频域特征Mel频率倒谱系数（MFCC）的同时,对每一帧信号做离散小波变换,提取小波域特征,把频域和小波域特征相结合计算其统计特征。通过SVM模型建立音频模板,对纯语音、音乐及带背景音乐的语音进行分类识别,取得了较高的识别精度。     

基于小波包分析的虹膜识别研究

虹膜特征提取是虹膜识别中的关键环节.小波方法在提取虹膜特征时未对分解后的高频空间进一步细化分解,而虹膜纹理特征较多地蕴含在高频空间中,因此提取的虹膜特征在表示特征能力上存在不足.针对此类问题,提出一种基于小波包多尺度分解的虹膜识别方法,利用阈值将小波包分解后第二层对角高频子带图调制为虹膜特征码,利用海明距离对特征进行识别.对108类人眼虹膜图像进行特征提取与匹配,分解小波采用sym2小波,共进行5350次特征匹配,正确识别率达到98.5％,在识别性能上优于Boles的小波变换过零点法和Lim的二维Haar小波变换法,仅次于Daugman的二维Gabor方法.     

基于小波变换识别去除毛细管电泳中的奇异峰

提出了一种基于小波变换识别去除毛细管电泳中奇异峰的新方法。电泳图预先去噪，再通过选择合适小波分解，奇异峰可很方便地用一级水平细节识别，然后将其投射到时域中的相应位置去除，去除后的区域采用多项式插值代替。该方法不仅消除了奇异峰，而且有效地降低了背景噪声，正常峰的强度仍保持在90％以上，从而提高了信噪比，降低了检测限。     

Sorting of neural spikes: When wavelet based methods outperform principal component analysis

Sorting of the extracellularly recorded spikes is a basic prerequisite for analysis of the cooperative neural behavior and neural code. Fundamentally the sorting performance is defined by the quality of discriminative features extracted from spike waveforms. Here we discuss two features extraction approaches: principal component analysis (PCA), and wavelet transform (WT). We show that only when properly tuned to the data, the WT technique may outperform PCA. We present a novel method for extraction of spike features based on a combination of PCA and continuous WT. The method automatically tunes its WT part to the data structure making use of knowledge obtained by PCA. We demonstrate the method on simulated and experimental data sets.     

Unsupervised spike detection and sorting with wavelets and superparamagnetic clustering

This study introduces a new method for detecting and sorting spikes from multiunit recordings. The method combines the wavelet transform, which localizes distinctive spike features, with superparamagnetic clustering, which allows automatic classification of the data without assumptions such as low variance or gaussian distributions. Moreover, an improved method for setting amplitude thresholds for spike detection is proposed. We describe several criteria for implementation that render the algorithm unsupervised and fast. The algorithm is compared to other conventional methods using several simulated data sets whose characteristics closely resemble those of in vivo recordings. For these data sets, we found that the proposed algorithm outperformed conventional methods.     

基于局部保持投影的神经尖峰电位特征提取与分类

神经元尖峰电位的识别和分类,是神经信息处理中的关键环节之一,而尖峰电位的特征提取是识别和分类的重要基础。针对尖峰电位的特征提取和分类,提出一种基于局部保持投影(LPP)的无监督算法,对近邻参数进行了自动识别和选择,使用基于原型向量的分布离散度标准,尖峰电位的特征得到充分提取和分离。仿真和实际数据实验结果表明：基于局部保持投影的无监督特征提取和分类算法,比传统主成分分析(PCA)方法能更加有效地实现特征提取和分离。     

Electromyography signal analysis using wavelet transform and higher order statistics to determine muscle contraction

Abstract: Electromyography gives an electrical representation of neuromuscular activation associated with a contracting muscle. The electromyography signal acquires noise while travelling though different media. The wavelet transform is employed for removing noise from surface electromyography (SEMG) and higher order statistics are applied for analysing the signal. With the appropriate choice of wavelet, it is possible to remove interference noise (denoise) effectively in order to analyse the SEMG. Daubechies wavelets (db2, db4, db5, db6, db8), symmlet (sym4, sym5) and the orthogonal Meyer (dmey) wavelet can efficiently remove noise from the recorded SEMG signals. However, the most effective wavelet for SEMG denoising is chosen by calculating the root mean square difference and signal-to-noise ratio values. Results for both root mean square difference and signal-to-noise ratio show that wavelet db2 performs denoising best out of the wavelets. Furthermore, the higher order statistics method is applied for SEMG signal analysis because of its unique properties when applied to random time series, such as parameter estimation, testing of Gaussianity and linearity, deterministic and non-deterministic signal detection etc. Gaussianity and linearity tests as part of higher order statistics are conducted to understand changes in muscle contraction and to quantify the effectiveness of the noise removal process. According to the results, the SEMG signal becomes less Gaussian and more linear with increased force.     

基于LabVIEW的UWT语音信号降噪处理

在LabVIEW软件平台下,应用UWT(非降采样小波变换)算法设计一新型处理软件,该软件集合了db5、coif5、sym5等三种不同正交小波的信号分解、阈值去噪和信号重构算法,并使用该软件成功地还原了一带噪语音信号,得出在强噪声背景下,该小波变换算法具有良好的保留语音原信号特性且降噪效果优越的结论。     

矿用钢丝绳损伤检测信号处理方法研究

采用电磁检测法检测矿用钢丝绳受损情况时,检测信号中含有大量噪声,且存在尖峰和突变干扰,增大了损伤识别难度,需要对原始检测信号进行降噪处理。常用的傅里叶变换无法处理运行中的钢丝绳检测信号,而小波变换因存在平移不变性较差、频带混叠等问题而影响检测准确度。提出了基于双树复小波变换的矿用钢丝绳损伤检测信号处理方法。首先采用Q平移法构造双树复小波高低通滤波器,对原始信号进行3层双树复小波分解,得到高低频信号分量;然后采用最小极大方差软阈值方法对分解信号进行降噪处理;最后对降噪信号进行重构。在实验室环境下搭建了钢丝绳损伤检测试验平台,对基于双树复小波变换的钢丝绳损伤检测信号处理方法的降噪性能进行验证,结果表明:该方法可有效减少检测信号中的尖峰和突变数量,使信号平稳,降噪效果优于经典小波变换,且增大了奇异点处信号峰值,有利于后续特征提取。     

基于人工蜂群与模糊C均值的自适应小波变换的噪声图像分割

针对传统模糊C均值（FCM）聚类算法在处理噪声图像时易受到噪声影响的问题,提出了基于FCM的小波域特征增强的噪声图像分割方法。首先,将噪声图像进行二维小波分解;其次,对近似系数进行边缘增强,同时利用人工蜂群（ABC）优化算法对细节系数进行阈值处理,并将处理后的系数进行小波重构;最后,对重构后的图片使用FCM算法来进行图像分割。选取5幅典型的灰度图像,分别添加高斯噪声和椒盐噪声,使用多种方法进行分割,以分割后图像的峰值信噪比（PSNR）和误分率（ME）作为性能指标,实验结果表明,所提方法分割后的图片相较于传统FCM聚类算法分割方法和粒子群优化（PSO）分割方法分割后的图片在PSNR上最多分别有281%和54%的提升,在ME上最多分别有55%和41%的降低。可见所提出的分割方法较好地保留了图像边缘纹理信息,其抗噪性能与分割性能得到了提升。     

基于高斯平滑与模糊函数等高线的雷达辐射源信号分选

雷达辐射源信号分选是电子侦察系统、威胁告警系统的关键步骤.针对现有基于模糊函数的复杂体制雷达辐射源信号分选方法信息利用率低、易受噪声影响等问题, 提出一种基于模糊函数等高线的分选新方法; 首先, 对信号的模糊函数进行高斯平滑处理并绘制其等高线作为进一步的特征提取对象; 其次, 从图像处理的角度提取正外接矩和方向角作为雷达信号分选的特征向量; 最后, 用核模糊C均值聚类算法对特征向量进行分选.仿真实验表明, 所提方法在8 dB以上的固定信噪比环境下分选6类典型信号的成功率均为100 %, 即使在0 dB环境下, 分选成功率也保持在89.04 %以上; 在0 ~ 20 dB动态信噪比环境下分选成功率达到96.36 %.实测数据验证, 所提特征提高了5种外场辐射源信号的分选效果, 可作为经典5参数的有效补充. 此外, 所提特征还具备较低的计算量, 提取单个信号特征的耗时仅为0.24 s, 具有一定的工程价值.     

基于PCA的图像小波去噪方法

目前使用的各种小波去噪方法基本上都是建立在对噪声方差精确估计的基础上，而对噪声方差的精确估计是很困难的．提出了一种采用主分量分析（PCA）提取小波系数的主要特征，通过对小波域中噪声能量的估计来实现去噪的新方法．首先利用PCA对小波高频子带进行局部特征提取；然后以主分量对小波系数进行重建的平均能量作为局部噪声能量的估计；将原小波系数的能量减去噪声能量，就得到去噪后的小波系数；最后用小波逆变换对剔除噪声分量后的小波系数进行恢复得到去噪后的图像．本文算法无需对噪声方差进行估计，因而更具实用价值．本文算法与“软阈值”、“硬阈值”去噪方法相比，峰值信噪比（PNNR）提高了2～8dB．实验证实了本文算法良好的去噪性能。