基于局部主分量分析的胎儿心电信号提取算法

为了从孕妇腹部一个导联混合信号中提取微弱的胎儿心电信号,提出了一种基于局部主分量分析的非线性特征信号提取算法.该算法首先利用重构相空间理论从观测时间序列中重构系统的动力学特征,然后在每个相点的局部范围内利用主分量分析的算法提取母亲和胎儿心电信号.由于提取的胎儿心电信号中还含有噪声,再一次利用局部主分量分析算法就能分别提取纯净的胎儿心电信号和噪声.两组实测信号的仿真结果表明,算法具有较好的提取效果和鲁棒性.     

基于自适应梯度盲源分离算法的胎儿心电提取

梯度算法是盲源分离信号分析中的主要算法之一.本文首先介绍了算法的基本原理及其自适应改进,并用4种生理信号对改进算法的性能进行了仿真研究;将该算法应用于母体心电等强干扰条件下胎儿心电信号的提取.研究结果表明,相对于传统的批处理算法,自适应梯度盲分离算法具有更好的性能与鲁棒性,能够将采集的混合信号分解为信源统计独立的不同独立分量,最终通过信号重构在体表电极处获得清晰的胎儿心电信号.自适应梯度盲源分离算法在生理信号的分解和重构提取研究中是一种有潜力的工具.     

基于快速ICA和样本熵的胎儿心电提取

目的针对快速ICA(独立成分分析)算法提取胎儿心电信号通道不确定的问题,提出一种新的胎儿心电提取方法。方法先用快速ICA算法提取胎儿心电信号,再用样本熵评估快速ICA算法提取的3通道心电数据,从而识别出胎儿心电信号,最后去除胎儿心电基线漂移并采用小波软阈值去噪得到纯净的胎儿心电信号。结果相比自适应滤波算法、小波阈值去燥算法、径向基神经网络算法,该算法能更好的提取高信噪比的胎儿心电信号。结论应用快速ICA和样本熵可以准确的提取胎儿心电信号。     

采用盲源提取和后小波滤波的胎儿心电图提取

胎儿心电图能够提供有关胎儿健康的信息,帮助确定胎儿是否有疾病,在临床上具有很重要的意义。将心电图仪的电极放置到孕妇体表,获取来自母体内部的心电信号,该信号是母体心电图与胎儿心电图的混合。目前主要有两种方法可以通过处理混合信号,获得胎儿心电图。其中,采用盲源提取的方法可以用较小的运算量获得胎儿心电图,但这种方法提取的胎儿心电图容易受到噪声的污染。而在小波域进行盲源分离,可以分离出较为纯净的胎儿心电图,该方法的缺点是运算量大。提出了一种新的胎儿心电提取方法,该方法首先利用盲源提取算法从采集到的心电信号中提取出受到噪声污染的胎儿心电图,然后再利用小波滤波滤除噪声,获取较为纯净的胎儿心电图。该方法既具有较小的运算量,又可以获得较好的提取性能。合成心电数据仿真和实际胎儿心电图提取试验均验证了该方法的有效性。     

结合多路ν-SVR与TFBSS的胎儿心电信号提取

提出了一种结合多路v-支持向量回归机(ν-SVR)和时频盲源分离(TFBSS)的胎儿心电信号间接提取方法。利用多路ν-SVR估计各路腹壁信号中的母体心电成分并将其抑制,从而得到多路含噪声的胎儿心电成分的最优估计;然后通过TFBSS从多路含噪声的胎儿心电成分的最优估计中提取胎儿心电信号。采用临床心电数据进行实验,结果表明本文提出的方法在可视化结果和信噪比指标上均优于传统方法。     

改进匹配追踪法在导波检测信号处理中的应用

提出了基于差分进化算法的改进匹配追踪方法,对超声导波无损检测信号进行处理。选取与超声导波回波信号时频特性相近的高斯调制余弦信号作为匹配原子,利用差分进化算法提高全局参数寻优的计算效率,通过叠加每个匹配原子分量的Wigner-Ville分布得到无交叉干扰项的时频分布。实验检测信号处理结果表明,该方法极大提高了参数搜索效率,通过时频分布特征对比可以有效地从回波信号中实现缺陷辨识。     

ASTFA-BSS方法及其在齿轮箱复合故障诊断中的应用

自适应最稀疏时频分析（adaptive and sparsest time-frequency analysis,ASTFA）方法以分解得到的单分量个数最少为优化目标,以单分量的瞬时频率具有物理意义为约束条件,使得到的分量更加合理;结合盲源分离,提出了一种基于ASTFA的盲源分离方法并应用于齿轮箱复合故障诊断中。该方法首先利用ASTFA将单通道源信号进行分解,然后利用占优特征值法进行源数估计,根据源数重组观测信号,最后对观测信号进行盲源分离得到源信号的估计。实验结果表明,该方法可以有效地对齿轮箱复合故障信号进行分离进而实现齿轮箱的复合故障诊断。     

无先验参考的脑电信号伪迹去除方法

在深入分析脑电信号各伪迹成分特征的基础上,结合传统滤波方法,提出了一种不需要眼电信号参考的脑电信号伪迹去除方法。脑电信号原始数据可视作由纯净脑电信号、环境噪声、动作杂波及人体自身伪迹成分所构成的混合信号,利用传统滤波方法去除环境噪声及动作杂波,结合盲源分离算法提取人体自身伪迹成分并完成伪迹成分自动识别与去除以及纯净脑电信号的重构工作,以实现纯净脑电信号有效提取过程。经实验验证,该无先验参考的脑电信号伪迹去除方法切实可行,可有效去除伪迹,提高脑电信号信噪比。     

结合 FastICA 与 EKF 的腹部源胎儿心电信号提取

针对腹部源信号,本文提出一种结合快速独立分量分析(FastICA)与扩展卡尔曼滤波(EKF)的胎儿心电信号提取方法。首先抑制原始母体腹壁混合信号中的基线漂移、工频干扰和脉冲伪迹。然后使用FastICA从母体腹壁混合信号中分离得到母体心电信号估计以及含有残留母体心电成分和其他噪声的胎儿心电信号估计。使用EKF对胎儿心电信号估计进行滤波得到残留的母体心电成分估计,将其抑制后获得含噪声的胎儿心电信号。最后再次使用EKF提取得到清晰的胎儿心电信号。采用临床数据进行实验,本文提出的胎儿心电信号提取方法的灵敏度、阳性预测值和F_1分数分别为99.27%, 94.35%, 96.71%,其基于互相关系数和基于特征值分析的信噪比分别为6.145 4 dB和6.509 6 dB。实验结果表明本文提出的方法在主观视觉效果和客观评价指标上均优于传统的胎儿心电信号提取方法。     

瞬态成分参数的最小二乘法辨识及其轴承故障特征提取应用

机械系统中轴承出现剥落、裂纹等局部故障,运行时振动信号中出现瞬态冲击响应成分,可通过瞬态成分的检测与提取实现故障特征提取。在瞬态成分建模的基础上,提出基于最小二乘法的瞬态成分参数辨识方法,并将其应用于轴承局部故障时振动信号中瞬态成分特征迭代提取。基于Morlet小波参数化表达式建立双边不对称的瞬态成分模型,应用Levenbery-Marquardt方法辨识模型参数,迭代提取信号中的瞬态成分,并通过Wigner-Ville分布获得瞬态成分高聚集性且瞬态成分之间无交叉项的故障特征时频表示。将基于最小二乘法的瞬态成分参数辨识方法应用于轴承局部故障特征提取,结果表明:该方法能通过参数辨识提取各瞬态成分,瞬态成分时频分布将故障的时频特征以高聚集性且瞬态成分之间无交叉项的形式表示出来,从而有效提取轴承故障特征。     

自适应径向抛物线核时频分布及其在故障诊断中的应用

针对二次型时频分布中固定核函数性能依赖于信号的局限性,提出一种新的自适应核函数--径向抛物线型核(radial parabola kernel, RPK).该核函数可根据被分析信号的不同特性,采用优化方法自适应对模糊函数进行低通滤波,最大程度地滤除交叉干扰项,提高时频分辨率,具有对信号的广泛自适应性.与常用的Wigner-Ville分布、Choi-Willams分布、锥形核分布相比,显示了其明显的优势.最后,将该核函数应用于轴承故障诊断中,取得很好的效果.     

基于改进S变换和ICA的相关源分离方法

含有同频成分的机械振源信号不满足统计独立条件,无法直接采用传统盲源分离方法进行分离与识别,为解决该问题,提出了一种基于改进S变换(modified S-transform,简称MST)和独立成分分析(independent component analysis,简称ICA)的相关源分离方法。首先,通过改进S变换对观测信号进行时频化处理,利用相关成分在时频域中实部和虚部的向量夹角,识别并剔除混合信号中的相关项,保证新的观测信号满足独立性条件;其次,以负熵为独立性测度,基于快速固定点独立成分分析进行分离矩阵估计;最后,将该矩阵用于最初的观测信号,从而分离出振源信号,定量计算各个振源的贡献比。通过仿真和实例分析验证了该方法在相关性振源分离中的有效性。     

几种Cohen类时频分布的比较及应用

比较了谱图、平滑伪Wigner-Ville分布、Choi-Williams分布和Cone核分布四种Cohen类时频分布方法及其性能,从理论上讨论了交叉项衰减和时频聚集度的性能,并分析了相应的其他特性。针对齿轮箱状态监测问题,通过仿真和试验信号,展现了上述方法的应用效果。结果表明Choi-Williams分布在非平稳信号所引发的短时变化中具有高度的敏感性,更为适合表征非平稳信号的时变信息,易于诊断出齿轮的局部损伤故障,尤其适用于故障的早期诊断。     

Wigner-Ville分布及其在故障诊断中的应用

机械系统故障信号通常都是非平稳的,联合时频分布是对故障信号分析的重要且有力的工具,Wigner-Ville分布可从时域特征与频域特征的结合途径揭示非平稳信号的构成本质。文章简单介绍了Wigner-Ville分布的物理意义及其主要性质,并通过实验探讨了用Wigner-Ville分布处理诊断信号的优点。     

高速列车非平稳振动信号盲源分离方法及应用

高速列车具有若干时变激励源,传统的时频分析方法只能对观测的混合振动的总体强度分布、时频域结构加以分析,不能分离出与各振源对应的信号分量从而明晰振源状态与故障特征。盲源分离是一种可行的分析方法,但由于高速列车振动信号具有时变振源数目、时变信号长度、受车速调制的变频非平稳等特征,传统的盲源分离方法不适用。为了提高高速列车非平稳信号的盲源分离效果,基于自适应滤波理论提出全局最优信噪比盲源分离新方法,并对其可分离性的判别依据进行论证。新方法的有效性经仿真计算和实测数据分析得到验证。研究表明：新方法对高速列车时变非平稳信号的盲源分离效果优于传统的基于非线性函数的盲源分离方法和基于高阶累积量的盲源分离方法。     

柴油机振动信号快速稀疏分解与二维特征编码

针对柴油机故障诊断方法中的信号时频表征及特征提取问题,提出一种基于振动信号快速稀疏分解与二维时频特征编码识别的柴油机智能故障诊断方法。首先,为了获得时、频聚集性优良的时频图像,提出一种随分解残差信号自适应更新Gabor字典的改进匹配追踪(adaptive matching pursuit,简称AMP)算法,利用AMP算法将柴油机振动信号分解后叠加各原子分量的Wigner-Ville分布,获取原信号的稀疏分解时频图像;然后,为提取时频图像的特征参量,提出了双向二维非负矩阵分解(two-directional,2-dimensional non-negative matrix factorization,简称TD2DNMF)算法,用于对时频图像的幅值矩阵进行特征编码,获取蕴含在时频图像内部的低维特征,并利用最近邻分类器实现了时频图像的自动分类识别。将提出的方法应用于4种不同状态柴油机气门故障的诊断试验中,结果表明,该方法能够获得无交叉项干扰、聚集性好的时频图像,使各时频分量的物理意义更加明确,并改进了传统图像模式识别中的特征参数提取方法,是一种有效的柴油机故障诊断方法。     

Application of the blind source separation method to feature extraction of machine sound signals

As the result of vibration emission in air, a machine sound signal carries important information about the working condition of machinery. But in practice, the sound signal is typically received with a very low signal-to-noise ratio. To obtain features of the original sound signal, uncorrelated sound signals must be removed and the wavelet coefficients related to fault condition must be retrieved. In this paper, the blind source separation technique is used to recover the wavelet coefficients of a monitored source from complex observed signals. Since in the proposed blind source separation (BSS) algorithms it is generally assumed that the number of sources is known, the Gerschgorin disk estimator method is introduced to determine the number of sound sources before applying the BSS method. This method can estimate the number of sound sources under non-Gaussian and non-white noise conditions. Then, the partial singular value analysis method is used to select these significant observations for BSS analysis. This method ensures that signals are separated with the smallest distortion. Afterwards, the time-frequency separation algorithm, converted to a suitable BSS algorithm for the separation of a non-stationary signal, is introduced. The transfer channel between observations and sources and the wavelet coefficients of the source signals can be blindly identified via this algorithm. The reconstructed wavelet coefficients can be used for diagnosis. Finally, the separation results obtained from the observed signals recorded in a semianechoic chamber demonstrate the effectiveness of the presented methods.     

基于自适应时频分解的瞬态冲击信号提纯

在分析非平稳振动信号中瞬态冲击信号和平稳振动信号各自特点的基础上,发展了新的提纯机械故障冲击成分的信号处理方法。首先选择Chirplet基函数将被分析信号自适应展开,得到噪声抑制,高分辨率且无交叉干扰项的自适应时频谱,然后分别使用了两种方法从自适应时频谱中恢复出瞬态冲击分量。一种是采用振动冲击信号模型的时频分布去逼近时频滤波后的冲击分量时频分布,继而借助信号模型重构出冲击分量;另一种是根据冲击信号的Chirplet基函数的参数表达特征,直接选择所需基函数对冲击分量进行重构。最后,采用这两种方法分别对齿轮和轴承的故障信号进行分析,分析结果验证了这两种方法对瞬态冲击信号提取都非常有效,在机械故障诊断中有很大的参考价值。     

Application of the blind source separation method to feature extraction of machine sound signals

As the result of vibration emission in air, a machine sound signal carries important information about the working condition of machinery. But in practice, the sound signal is typically received with a very low signal-to-noise ratio. To obtain features of the original sound signal, uncorrelated sound signals must be removed and the wavelet coefficients related to fault condition must be retrieved. In this paper, the blind source separation technique is used to recover the wavelet coefficients of a monitored source from complex observed signals. Since in the proposed blind source separation (BSS) algorithms it is generally assumed that the number of sources is known, the Gerschgorin disk estimator method is introduced to determine the number of sound sources before applying the BSS method. This method can estimate the number of sound sources under non-Gaussian and non-white noise conditions. Then, the partial singular value analysis method is used to select these significant observations for BSS analysis. This method ensures that signals are separated with the smallest distortion. Afterwards, the time-frequency separation algorithm, converted to a suitable BSS algorithm for the separation of a non-stationary signal, is introduced. The transfer channel between observations and sources and the wavelet coefficients of the source signals can be blindly identified via this algorithm. The reconstructed wavelet coefficients can be used for diagnosis. Finally, the separation results obtained from the observed signals recorded in a semi-anechoic chamber demonstrate the effectiveness of the presented methods .     

Rolling element bearing fault detection based on optimal antisymmetric real Laplace wavelet

The presence of periodical impulses in vibration signals usually indicates the occurrence of rolling element bearing faults. Unfortunately, detecting the impulses of incipient faults is a difficult job because they are rather weak and often interfered by heavy noise and higher-level macro-structural vibrations. Therefore, a proper signal processing method is necessary. We proposed a differential evolution (DE) optimization and antisymmetric real Laplace wavelet (ARLW) filter-based method to extract the impulsive features buried in noisy vibration signals. The wavelet used in paper is developed from the fault characteristic signal model based on the idea of sparse representation in time-frequency domain. We first filter the original vibration signal using DE-optimized ARLW filter to eliminate the interferential vibrations and suppress random noise, then, demodulate the filtered signal and calculate its envelope spectrum. The analysis results of the simulation signals and real fault bearing vibration signals showed that the proposed method can effectively extract weak fault features.