基于小波变换和Teager能量算子浊音段提取

对语音信号浊音段的提取在很多应用中都是重要的一个步骤.在小波域上用Teager能量算子(TEO)提取语音信号的浊音段,并对原始语音信号和加有高斯白噪声的不同信噪比的语音信号进行了仿真实验.实验结果表明,该算法能够准确地提取出浊音段,并具有较强的抗噪声能力.     

基于小波变换和Teager能量算子浊音段提取

对语音信号浊音段的提取在很多应用中都是重要的一个步骤。在小波域上用Teager能量算子(TEO)提取语音信号的浊音段,并对原始语音信号和加有高斯白噪声的不同信噪比的语音信号进行了仿真实验。实验结果表明,该算法能够准确地提取出浊音段,并具有较强的抗噪声能力。     

基于小波变换和Teager能量算子指纹图像增强

指纹增强是指纹自动识别系统中比较重要的一个环节,它直接影响到指纹识别系统的识别精确度.二维Teager滤波器是一种非线性边缘提取滤波器,其特性近似于Mean-Weighted高通滤波器,即兼有局域平均和高通滤波的特性,因而可均衡去除噪声和增强图像边缘.将一种改进的Teager能量算子用于小波分解后低频域的纹理滤波部分,并对高频域进行阈值量化去噪,最后重构子图像.实验表明,该算法能够使图像的质量明显得到改善.     

自适应多尺度熵在脑死亡诊断中的应用

本文引入自适应多尺度熵的方法,并结合当前常用的经验模型分解的方法,使得数据尺度能自适应的被获取.通过从原数据中不断移除低频或高频成分,自适应多尺度熵能够在"从粗糙到精细"或是"从精细到粗糙"的尺度下用样本熵估计求得.模拟结果用来确认了其有效性,同时我们将其应用到脑死亡诊断中,用来区分脑死亡病人和昏迷病人在脑电信号上的不同.     

基于多重多尺度熵的孤独症静息态脑电信号分析

面向孤独症儿童脑功能状态评估问题, 提出一种多重多尺度熵脑电特征提取算法.算法针对传统多尺度熵信息丢失问题, 在移动均值粗粒化基础上, 采用延搁取值法构建多个尺度上的多重脑电信号序列, 再进一步计算各个尺度的样本熵.算法不仅克服了传统多尺度熵的信息丢失问题, 还能充分挖掘脑电信号的细节信息, 同时减小了尺度间的波动.基于该算法分析了16名孤独症儿童和16名正常儿童的19个通道的脑电信号.结果表明:正常儿童F7、F8、T4、P3通道的多重多尺度熵和复杂度均高于孤独症儿童, 且存在显著性差异(P < 0.05).表明前颞叶(F7、F8)可以作为孤独症儿童脑功能状态评估的敏感脑区, T4、P3可以作为辅助干预的敏感通道.     

基于能量熵的运动想象脑电信号分类

对脑电信号进行特征提取和分类是脑机接口研究的核心问题,利用不同运动想象脑电信号能量熵的变化,从能量熵中提取特征,利用自定义基于统计理论分类方法进行分类,结果均达到90%以上。     

基于多分辨分析的脑电癫痫波自动检测*

分析了小波多分辨分析特征提取的特点,提出了八通道脑电信号癫痫波自动检测的方法。每个通道的信号利用小波变换进行五层分解,以提取小波变换各子带的小波系数和信号偏差组成特征值计算自适应阈值,并将其应用到关键子带,提取出信号中的癫痫波。研究的重点是对脑电信号进行分解选择合适的小波;确定适当的分解层次以及自适应阈值的计算。实验结果表明,方法能够为癫痫脑电的特征提取提供快速而有效的手段。     

基于多分辨分析和近似熵的脑电癫痫波自动检测

脑电癫痫特征的自动提取在临床应用上具有重要意义。分析了小波多分辨分析和近似熵特征提取的特点,提出了8通道脑电信号癫痫波的检测方法。首先每个通道的信号利用小波变换进行5层分解,然后对分解的细节信号作近似熵计算,发现含有癫痫活动的脑电信号与正常脑电有显著的区别,最后利用Neyman-Pearson准则进行检验比较。实验结果表明,在一定误检率下,检测率最高的是在第一层,而且这种方法保证了检测系统具有较小的误检率和较高的检测率。     

基于Teager算子的短时HRV样本熵算法

在心率变异性(HRV)数据的短时非线性分析中,单纯的样本熵算法不能有效提取健康人和充血性心衰(CHF)患者的信号特征差异。为此,提出一种基于Teager 能量算子的样本熵分析算法。采用Teager算子的预处理捕获心脏动力学活动中的异常节律变化,以强化样本熵分析效果。对MIT-BIH数据库中样本的实验结果表明,该算法可反映健康人与CHF患者的短时HRV信号非线性复杂性的差异,为计算机分析诊断心衰等疾病提供新的辅助依据。     

脑电信号的多尺度熵分析

给出了多尺度熵的算法步骤,对生理信号中两种常见噪声白噪声和1/f噪声的多尺度熵进行了研究,分析表明1/f噪声有比白噪声更为复杂的结构,探讨了混沌信号logistic映射的多尺度熵特征,在此基础上对不同睡眠时期脑电信号的多尺度熵进行了比较,结果显示脑电信号具有复杂结构,醒期熵值最高,睡眠Ⅳ期熵值最低;睡眠Ⅰ期、睡眠Ⅱ期和醒期复杂度较高,变化趋势接近;睡眠Ⅲ期、睡眠Ⅳ期和快速眼动期变化趋势基本一致,2尺度后复杂度基本保持不变。     

基于小波能量熵的语音端点检测算法

首先对语音信号进行小波变换,引入反映信号能量分布特性的小波熵,进行端点检测.并根据浊音的特点,改进了自然加权因子.仿真表明,在低信噪比条件下其检测效果要好于自适应子带谱熵法.     

基于拓扑算子的多尺度GIS显示方法

为了解决多尺度GIS数据显示的问题,提出基于拓扑算子的多尺度GIS显示方法。该方法建立基于标签的空间拓扑算子的计算,进行几何体空间关系的判断与合并,实现空间数据的多比例尺表达与显示。实验结果验证该方法的可行性和有效性,并证明其不会产生数据损失。     

分段复合多尺度模糊熵和IGWO-SVM的脑电情感识别

为提高脑电的情感识别率,提出了分段复合多尺度模糊熵算法,采用分段粗粒化和计算复合多尺度模糊熵的策略,使提取特征较好地解决了数据缺失和计算不准确的问题;同时构造了应用余弦非线性收敛因子和动静态位置更新的灰狼算法优化支持向量机分类模型。为证明所提两种算法的有效性,进行了仿真实验验证,并在公开DEAP数据库下与几种常见的支持向量机优化模型比较脑电的情感识别率,结果表明在提出的模型下,效价、唤醒度、优势度、喜欢度的平均识别率分别为87.27%、87.81%、89.06%、87.58%,均高于其他算法。另外对比了高/低喜欢度下效价和唤醒度的分类,实验表明喜欢度低时情感识别率较高。     

基于多尺度边缘和局部熵原理的前方车辆检测

提出一种基于多尺度边缘和局部熵原理的前方车辆的检测算法。该算法利用车辆图像的边缘和纹理等视觉特征,根据摄像机参数得到远、中、近距离的三个尺度的图像,用一种改进的边缘检测算法分析每幅图像的边缘,得到车辆的感兴趣区域ROI,最后通过应用局部熵原理来排除错误的结果。对同一帧序列用文中算法和传统算法进行测试,文中算法提高了检测的正确率,并减少了误检的数量,该算法同时适用于静止和运动的车辆,并且对中远距离车辆有较好的检测效果。     

小波包变换与Teager能量算子结合的说话人识别

在说话人识别系统中,语音特征参数的提取是影响系统性能的关键因素之一。在研究了MFCC参数的基础上,结合MFCC参数在信号的低频部分具有高频率分辨率以及小波包变换可以对信号的高频部分进行分解以提高高频部分的频率分辨率的优点,将二者结合,将Teager能量算子引入到信号高频部分的能量参数求解,构造了一种新的混合特征参数,采用支持向量机实现说话人的分类识别。实验结果表明,该特征参数有效提高了说话人辨识系统的识别率。     

基于多变量符号转移熵的癫痫脑电分析

大脑神经元细胞群的异常同步放电是癫痫的病因,这种异常放电是目前诊断癫痫的重要依据。利用复杂度理 论来分析癫痫信号已经成为研究热点,而符号转移熵是反应系统混乱程度的一种非线性指标,在研究癫痫脑电信号特征的提取中有重要的作用。符号转移熵一般都是用来衡量两 个变量之间的动力学特征及方向性信息,忽略了多个变量之间相互作用。本文基于多变量符号转移熵研究分析了癫痫脑电信号,实验中将原始信号符号化后通过数值分析,对导联信号及信号长度的选取以及稳健性分析,表明该方法能够对正常人与癫痫病人的脑电信号进行显著区分,且该算法稳健可靠,该研究结果对临床辅助诊断有帮助。     

基于Sobel算子和局部能量的图像融合新算法

文中提出一种新的基于小波变换的图像融合算法,以提高图像融合质量。首先应用小波变换将图像分为高频和低频部分,再对小波的高频和低频系数采用融合算法进行处理,最终将处理后的高频和低频小波系数进行融合。文中对低频系数采用基于Sobel算子的方法,有效保留边缘特征。对高频系数采用基于局部能量取大准则,有效保留高频的细节和区域特征。为了抑制噪声和控制图像的不稳定性,最后再对低频和高频系数的选择结果进行邻域窗口的一致性检验与调整。与传统金字塔方法和经典小波变换相比较,实验结果表明此方法融合效果较好。     

基于 Sobel 算子和局部能量的图像融合新算法

文中提出一种新的基于小波变换的图像融合算法,以提高图像融合质量.首先应用小波变换将图像分为高频和低频部分,再对小波的高频和低频系数采用融合算法进行处理,最终将处理后的高频和低频小波系数进行融合.文中对低频系数采用基于 Sobel 算子的方法,有效保留边缘特征.对高频系数采用基于局部能量取大准则,有效保留高频的细节和区域特征.为了抑制噪声和控制图像的不稳定性,最后再对低频和高频系数的选择结果进行邻域窗口的一致性检验与调整.与传统金字塔方法和经典小波变换相比较,实验结果表明此方法融合效果较好