基于EMD和PCA的P300分类算法

提出一种基于经验模态分解(EMD)及主分量分析(PCA)的分类算法,采用支持向量机(SVM)对P300脑电信号字符拼写实验进行分类,通过EMD变换对P300脑电信号分解,从而达到去噪增强特征的效果,使用PCA方法对原始P300信号进行特征提取和集中,并送入SVM中实现分类。实验结果表明,该算法能获得高达96%的分类正确率。     

基于经验模态分解和SVM的脑电信号分类方法

脑电信号的非线性、非平稳性造成对运动想象脑电信号的分类识别存在特征提取困难、可区分性低以及分类识别性能差等问题。本文提出一种基于经验模态分解(Empirical Mode Decomposition, EMD)和支撑向量机(Support Vector Machine, SVM)的运动想象脑电信号分类方法,充分利用EMD算法在处理非线性、非平稳信号的自适应性以及SVM在小样本条件的高识别性能和强泛化能力。首先利用EMD算法将C3、C4导联信号分解为一系列本征模函数(Intrinsic Mode Function, IMF),然后从IMF的信息和能量等维度提取特征将脑电信号转换至区分性更强的特征域,最后利用SVM进行分类识别。采用国际BCI竞赛2003中的Graz数据进行验证,所提方法可以得到94.6%的正确识别率,为在线脑-机接口系统的研究提供了新的思路。     

基于改进EMD的运动想象脑电信号识别算法研究

针对现有的单一特征提取算法对运动想象脑电信号识别率不高的问题,提出一种以相关系数改进的经验模态分解(EMD)的特征提取算法。对已有的BCI竞赛数据中C3、C4两个通道脑电数据进行预处理,之后通过EMD对脑电信号进行分解,得到IMF分量。通过计算原始信号与各阶IMF分量之间的相关系数,选择具有较大相关系数的IMF作为特征,由这些IMF分量的能量特征和平均幅值差来组成脑电信号的特征。使用支撑矢量机分类器(SVM)对左右手运动想象脑电信号进行分类。实验结果表明,基于相关系数改进的EMD脑电信号的处理方法明显优于只用EMD的脑电处理方法,得到的最高正确识别率为88.57%。从而证明了该方法的有效性。     

基于EMD和LVQ的信号特征提取及分类方法

针对非平稳、非线性、微弱信号难以分析和处理的特点,本文提出了一种基于经验模式分解和学习向量量化神经网络的信号处理和分类方法,并在生物信号处理领域(左、右手运动想象的脑电信号)进行了研究和应用.首先通过经验模式分解算法对脑电信号分解,然后选取主要固有模态函数分量并计算其绝对均值作为特征值,最后使用学习向量量化网络进行分类,并分别与支持向量机和误差反向传播神经网络分类算法进行了对比研究.实验结果表明,所提出的算法分类正确率达到了87％,相比于其余两种对比算法在特定的信号处理领域优越,具有一定的参考和研究价值.     

基于EMD和SVM的虹膜识别方法

在目前的生物特征识别方法中,虹膜识别被认为是最可靠的技术。提出一种基于经验模态分解和支持向量机的虹膜识别方法——EMD提取虹膜特征,SVM实现模式匹配。实验结果表明,该方法能够有效地应用到身份鉴别系统中。     

基于PCA和SVM的管道腐蚀超声内检测

为了有效地对不同深度的局部腐蚀缺陷超声波信号进行分类识别,根据腐蚀缺陷信号样本数量较少的特点,提出了一种基于主成分分析(PCA)和支持向量机(SVM)的超声波腐蚀缺陷信号识别方法.该方法采用经验模态分解法对腐蚀缺陷信号进行分解,提取各本征模式分量的时域无量纲参数,利用主成分分析消除原始特征集中的冗余信息,降低每一个特征之间的相关性,实现腐蚀缺陷信号特征参数的降维.在PCA进行特征优化后,将支持向量机的多类分类应用于缺陷分类过程中.将腐蚀缺陷原始特征集和经主成分分析优化后的特征集,分别用于支持向量机的训练和测试,且选择不同的核函数构造支持向量机分类器.实验结果表明,基于主成分分析和支持向量机的方法可以有效地对超声波腐蚀缺陷深度信号分类.     

基于支持向量机和PCA的脑电α波运动想象分类研究

针对脑电信号(EEG)运动想象分类过程中弱相关特征量影响分类准确度的问题,提出一种筛选方法,该方法是基于α波和主成分分析(PCA)算法的。基于脑机接口(BCI)系统,通过听觉诱发刺激产生向左和向右两种运动想象任务对应的脑电信号,并对其做小波包分解处理,然后进行脑电α频段信号的重构,从而提取出α波形并对其进行统计特征提取。再结合PCA技术和支持向量机(SVM)方法,实现弱相关特征的剔除和特征分类。根据筛选后的数据进行分类,所得结果准确率更高,信号分类的准确度由90.1%提高至94.0%。     

基于HHT的脑电信号在不同阅读模式下的识别与分类

目的：针对Powerlab脑电信号记录仪获取脑电波形,分辨不同类型的脑电阅读模式。方法：对实验者在阅读不同材料（平静闭目、阅读英语、阅读诗歌、阅读现代文四种阅读模式）时的头皮脑电信号进行采样,使用希尔伯特-黄变换及支持向量机训练,分辨平静闭目和其他三种不同阅读模式,并针对经验模态分解时出现的常见情况——端点飞翼现象进行算法优化处理并比较其处理效果。结果：基于多项式拟合处理的经验模态分解分解后的脑电信号辨识率最高,稳定在65%水平,最高可达70%。结论：大脑在阅读状态下经经验模态分解和多项式拟合后的信号适合作为大脑阅读模式下的特征提取函数,并对有效阅读模式具有指导意义。     

基于EMD和M-FSVM的泵车液压系统故障诊断

在泵车液压系统的故障诊断技术研究中,如何精确地提取故障特征以及如何实现高精度的分类识别是研究的关键.针对这一问题,文中提出了一种基于经验模态分解(Empirical Mode Decomposition,EMD)算法与模糊多类支持向量机(Multi-class Fuzzy Support Vector Machine,M-FSVM)技术相结合的液压系统故障诊断方法.该方法首先对原始数据信号进行EMD分解,分解成若干个固有本征模态函数之和,再计算EMD能量熵作为M-FSVM的输人数据加以诊断.实验结果表明,该方法能有效地诊断泵车液压系统故障.     

用于脑-机接口P300实验的支持向量机分类方法

脑-机接口(BCI)技术利用脑电来实现无动作的人机交互.P300字符拼写范式是利用脑电信号实现文字选择输入的一种重要BCI实验范式,它通过对EEG中的P300信号的检测和识别,来推断试验对象(被试)对字母的注意选择.以2005年脑一机接口竞赛中的一组P300字符拼写实验数据为处理对象,采用支持向量机(SVM)的机器学习方法进行算法设计,对信号通道进行了筛选,并采用较少的EEG通道数据进行处理.另外,通过调整参与训练的数据集大小,扩大了v-SVM中参数v的取值范围,更有利于分类器设计.通过上述策略,提高了该BCI实验范式中的系统总体分类精度.上述方法对于测试集字符最佳识别正确率可达到89%,相比于我们参加该届竞赛时所用的线性分类器(LDA),字符识别正确率提高了3%.     

基于EMD的改进MFCC的语音情感识别

人在不同情感下的语音信号其非平稳性尤为明显,传统的MFCC只能反映语音信号的静态特征,经验模态分解能够精细地刻画语音信号的非平稳特性。为提取情感语音的非平稳特征,用经验模态分解将情感语音信号分解为一系列固有模态函数分量,通过Mel滤波器后取其对数能量,进行DCT反变换后得到改进的MFCC作为情感识别的新特征,采用支持向量机对高兴、生气、厌烦和恐惧等四种语音情感识别。仿真实验结果表明：改进的MFCC识别率达到77.17%,在不同的信噪比下,识别率最大可提高3.26%。     

IMF复杂度特征在心音信号分类识别中的应用

为提高非线性、非平稳心音信号特征提取的准确性和分类识别的高效性,提出一种基于固有模态函数（Intrinsic Mode Function,IMF）复杂度和二叉树支持向量机（Binary Tree Support Vector Machine,BT-SVM）的心音分类识别方法。对心音进行经验模式分解（Empirical Mode Decomposition,EMD）,得到若干反映心音本体特征的平稳IMF分量;利用互相关系数准则对其筛选,计算所选IMF分量的复杂度值为信号的特征;将其组成特征向量输入到BT-SVM进行分类识别。临床数据仿真结果表明,该方法能有效提取心音特征,与传统识别方法相比,具有训练时间短,识别率高等优点。     

EMD在语音情感识别中的应用与研究

语音情感计算引起了国内外广泛的关注,特别是在语音情感特征提取方面做了大量的研究。利用经验模态分解(EMD)方法对情感语音进行处理,得到情感语音的前4阶固有模态函数(IMF),并将前4阶IMF分别通过Hilbert变换得到其瞬时频率和瞬时振幅。提取它们的统计特征,再结合情感语音的声学特征共同组成情感特征向量,并对特征向量做归一化处理。利用支持向量机(SVM)对四种情感语音即生气、高兴、悲伤和平静进行识别。实验结果表明该方法的识别效果较好。     

基于EMD的脉冲星信号消噪算法

为了提高脉冲星辐射信号的信噪比,提出了一种基于经验模态分解(EMD)的脉冲星信号去噪算法。利用经验模态分解将信号分解为一组固有模态函数(IMF)。针对EMD阈值消噪算法性能不稳定这一问题,该算法滤除固有模态函数噪声时,利用相邻信号标准差作为噪声水平的判断准则,并采用自适应阈值,对于噪声含量较高的信号采用低通滤波器消噪。实验结果表明,与EMD阈值消噪方法相比,该算法能获得更高的信噪比,并具有较好的稳定性。     

基于主成分分析的SMO文本分类

利用SMO进行文本分类的核心问题是特征的选择问题,特征选择涉及到哪些特征和选择的特征维度问题。针对以上问题,介绍一种基于主成分分析和信息增益相结合的数据集样本降维的方法,并在此基础上对序贯最小优化算法进行改进,提出降维序贯最小优化(P-SOM)算法。P-SMO算法去掉了冗余维。实验结果证明,该方法提高SMO算法的性能,缩短支持向量机的训练时间,提高支持向量机的分类精度。     

基于近似熵的心肌猝死预警诊断

为提高传统线性分析方法的准确性,提出一种非线性动力学与时频分析相结合的心电信号分类方法。利用经验模式分解和阈值法抑制噪声,从而更有效地分解心电信号得到内蕴模式函数,分别计算其近似熵特征值,利用支持向量机分类器验证特征值的分类效果。实验结果表明,该方法能有效实现信号的自动分类识别,简便快速地初步诊断心肌猝死疾病的发生,正常和异常心电信号的分类识别准确率均达到90%以上。     

基于EMD的自相似流量Hurst指数估计

针对表征自相似网络流量统计特性的赫斯特(Hurst)指数,讨论一种基于经验模式分解的Hurst指数估计算法。该算法通过对自相似网络流量数据进行自适应分解,得到一组满足指定余项误差的固有模态函数分量,由其能量对数化函数与Hurst指数之间的线性拟合,估计出Hurst指数。实验表明,该算法能对自相似网络流量的Hurst指数进行自适应估计。