基于改进共空间模式与视觉反馈的闭环脑机接口

为提高脑卒中等神经损伤患者在下肢康复训练过程中的主动参与度,设计了基于人体下肢运动想象与视觉反馈的在线闭环脑机接口,并建立了基于互相关熵诱导度量与子频带分析的改进共空间模式算法,提高人体下肢运动意图的识别率。针对运动想象脑电信号信噪比低和难以精确识别等问题,在传统共空间模式算法基础上,利用互相关熵诱导度量准则改进其目标函数,实现了目标函数中距离项属性的动态调整,降低对噪声的敏感性,提高算法鲁棒性;利用脑电信号不同频段蕴含信息不同的特点,使用9个子频带滤波器对信号进行滤波,对每个子频带信号分别提取特征,并进行特征融合,建立基于互相关熵诱导度量与子频带分析的改进共空间模式算法。其次,基于人体下肢运动想象的脑控试验范式,收集下肢运动想象(空想、脚动和腿动)的脑电数据,采用支持向量机(SVM)建立分类模型,优化设计模型参数。在上述研究基础上,建立了以改进共空间模式为特征提取算法,SVM为分类器的脑机接口。进而,在被试执行运动想象的同时,通过虚拟现实场景中虚拟人物的肢体动作给予用户视觉反馈,构建了闭环的脑机交互系统。通过试验验证了改进共空间模式算法的有效性和闭环脑机接口的可行性,初步实现了闭环脑机交互接口。     

多类运动想象任务脑电信号的KNN分类研究

针对基于多类任务的运动想象脑电信号的特点,使用共空间模式特征提取方法分别在"一对一"和"一对多"2种特征提取方法下提取了4类任务(想象左右手、双足以及舌头)运动想象脑电信号的特征。设计了基于多类任务模式的k最近邻分类器,针对多类任务分类过程中会出现不同类别的样本点数相等的情况,通过判断距离的方法改进了分类器,对2种特征提取方法下的共空间模式特征进行分类,分类结果的平均最大Kappa系数分别达到了0.55和0.59,说明了该特征提取及分类方法对该数据集的有效性。     

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。     

想象多力度单侧手运动的脑电信号分类研究

目的传统脑机接口实验范式多为左右手运动想象,无力度分级,命令单一,为增加脑机接口命令数,使中风患者在康复期间设计获得更好的治疗方案,设计了想象三种力度下的单侧手运动实验并对其进行分类。方法 9名受试者被要求想分别以三种力度(50%、30%、10%最大自主收缩力)握紧单侧手,同时记录脑电及肌电信号,对脑电信号预处理后进行空间滤波和特征提取,再对处理后的数据进行带通滤波并提取特征,利用线性判别分析作为分类器。结果\结论采用两级特征提取分类方法,平均分类正确率达到72.4%,证明通过分析想象不同力度单侧手运动的脑电信号能够扩展脑机接口命令数。     

基于SVD-LMD模糊熵与PNN的滚动轴承故障诊断

为了提高轴承故障特征信息提取的有效性,实现轴承故障模式智能识别,提高故障诊断效率。提出一种基于SVD-LMD模糊熵相结合的特征量化和PNN网络识别相结合的滚动轴承故障诊断方法。首先运用SVD降噪技术对原始信号降噪,运用LMD分解将降噪后的非稳定信号分解成若干个稳定的乘积函数分量(PF)。其次利用模糊熵能表征时间序列复杂程度并具有稳定的统计性,提取PF分量的模糊熵,组成N维特征向量,实现故障特征量化。构建PNN网络模型,将特征向量输入PNN训练,实现故障类型识别。最后对比PNN算法与BP算法性能,验证PNN算法的优越性。实验数据分析结果表明,所提方法在少量数据样本情况下故障诊断准确率高达93.75%。     

融合单通道框架及多通道框架的运动想象分类

针对运动想象脑电信号非平稳、非线性、低信噪比的特点,多种分析方法被广泛应用于运动想象脑电信号特征提取研究中。但单通道脑电分析方法难以有效刻画多通道脑电间的交互信息,且现有特征指标未考虑到通道间的非线性动力学耦合特性。为此,提出一种融合单通道时-频特征和多通道耦合特征的运动想象脑电分析方法策略。通过引入多变量经验模态分解(MEMD)将脑电信号分解为具有共有震荡模式的固有模态函数(IMFs),然后对有效特征频带下的IMF分量获取单通道的边际谱(MS)及瞬时能谱(IES)时-频特征和多通道的互样本熵(CSampEn)、锁相值(PLV)及锁频值(FLV)耦合特征,将融合特征输入加权线性判别分类器(LDA)进行运动想象模式识别。实验引入BCI 2008竞赛Dataset IIb数据集与实测数据进行分析,结果表明所提方法可有效提升运动想象脑电识别率,实验中竞赛数据集的9名受试者的平均识别率与平均Kappa系数分别达到80.1%与0.62,与其他方法相比提高了分类精度,为运动想象脑-机接口研究提供了新思路。     

基于LMD和ICA的滚动轴承故障诊断

针对局部均值分解(Local Mean Decomposition,LMD)在提取故障特征时易受到噪声干扰的问题,提出了一种基于局部均值分解和独立分量分析(Independent Component Analysis,ICA)的滚动轴承故障诊断方法。该方法首先采用LMD方法提取信号PF分量;其次,对PF分量进行ICA盲源分离,得到PF分量的估计信号,有效去除了分量中的噪声成分;然后,提取估计信号的互信息、相关系数和近似熵作为特征向量;最后,采用SVM对特征向量进行故障分类,通过特征提取和故障诊断实验,结果表明LMD-ICA方法的故障识别率明显高于传统LMD方法。     

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。     

基于小波包变换和聚类分析的脑电信号识别方法

为了实现脑-计算机接口(brain-computer interface,BCI)系统,对大脑C3,C4处采集的二路运动想象脑电信号的特征进行了提取和分类.在分析小波包频带划分特点的基础上,利用小波包能量进行特征提取并使用基于马氏距离的线性判别分析进行了左右手运动想象模式分类,结果表明该方法提取的特征向量较好的反映了运动想象脑电信号的事件相关去同步(event-related desynchronization,ERD)和事件相关同步(event-related synchronization,ERS)的变化时程.另外,该方法识别率高,适合脑-计算机接口的应用.     

一种LMD和近似熵算法的模拟电路特征提取方法

针对模拟电路故障信号的非线性和非平稳性,提出了用局域均值分解(Local mean decomposition,LMD)和近似熵算法对模拟电路进行特征提取的方法。利用LMD算法把电路故障信号分解为一系列乘积函数(Product functions,PF),再选取前3个PF分量,求它们的近似熵,作为故障的特征向量。电路发生不同故障时,其输出响应信号的复杂度不同,经LMD分解后的PF分量的复杂度就更不相同,而近似熵可以表征时间序列的复杂度,故用LMD加近似熵可以有效提取故障电路的信息。在对故障进行分类判别时,使用核Fisher判别分析,得出各故障的诊断精度。仿真结果显示,本文的特征提取方法在改善故障电路特征的同时提高了诊断准确度,平均分类精度为97.86%。     

基于LCD模糊熵和流行学习的故障特征提取方法

针对液压泵振动信号非线性、非平稳性以及故障特征难以提取的问题,提出了基于局部特征尺度分解(local characteristic-scale decomposition,LCD)、模糊熵和流行学习的液压泵故障特征提取方法。该方法将LCD、模糊熵和流行学习相结合。首先,利用LCD将振动信号分解成不同尺度下的内禀尺度分量(intrinsic scale component,ISC)并计算各分量的模糊熵,初步提取液压泵高维故障特征。其次,采用流行学习算法中较为典型的线性局部切空间排列(liner local tangent space alignment,LLTSA)对故障特征进行二次特征提取,得到维数低、敏感度高且聚类性好的低维特征。最后,采用支持向量机(support vector machine,SVM)对提取特征进行评估。液压泵的故障诊断实验表明,所提方法能够以较高的精度识别液压泵的各典型故障,具有一定的优势。     

基于变分模态分解和多尺度排列熵的故障诊断

为稳定提取滚动轴承故障特征,提出一种基于变分模态分解和多尺度排列熵的故障特征提取方法,并采用GK模糊聚类对轴承故障进行识别分类。首先对滚动轴承振动信号进行变分模态分解,得到包含故障特征信息的模态分量;进而利用多尺度排列熵量化各模态分量的故障特征,取各模态分量多尺度排列熵的平均值作为特征向量;最后通过GK模糊聚类分析获得故障样本的标准聚类中心,采用欧式贴近度进行故障识别分类。将所提方法应用于滚动轴承实验数据,通过分类系数与平均模糊熵对分类效果进行检验,并与经验模态分解多尺度排列熵结合GK模糊聚类的方法进行对比,结果表明,所提方法具有更好的分类性能,其故障诊断精度更高。     

脑机接口中基于WPD和CSP的特征提取

针对脑机接口(brain computer interface,BCI)中2类运动想象任务的特征提取问题,提出了一种小波包分解(wavelet packet decomposition,WPD)与共同空间模式(common spatial pattern,CSP)相结合的脑电信号特征提取方法.该方法首先选择7个重要导联的脑电(electroencephalograph,EEG)信号,用‘haar’小波基进行三阶WPD分解;然后对每个导联分解后的其中5个子带进行重构,获取相关频域信息;最后对重构后信号利用CSP特征提取,获得六维特征向量.CSP与WPD相结合能够充分利用WPD的时频特性,有效避免CSP要求输入导联数过多、缺乏频域信息等缺陷.对2008年国际BCI竞赛数据和本实验室实验数据,采用该方法进行特征提取,通过概率神经网络(probabilistic neural network,PNN)分类.2种数据源分类正确率分别为92％和80％,相对于单纯的CSP特征提取,正确率分别提高5％和20％.实验结果表明:WPD与CSP相结合的特征提取算法能提取明显的特征,进而提高BCI的识别正确率.     

基于小波包和熵准则的最优频段提取方法

为实现运动功能障碍患者的运动意愿和基于脑机接口技术的实际康复运动的一致性,进一步改善康复效果,以想象右手食指屈伸运动为例,对身体相同或相近部位的不同运动想象方式产生的脑电信号(记为EEGs)的特征提取方法进行研究。针对食指屈伸运动想象EEGs的事件相关去同步化现象(event-related desynchronization,ERD)不显著及发生的时间及频段的个体差异等特点,提出了基于小波包和熵准则的最优频段提取方法。该方法首先利用小波包分析对右手食指屈、伸运动想象EEGs进行分解;其次,利用熵准则对特征频段的可分度进行度量,从而选取相对明显的频段小波包组合,并以相应的小波包系数构成特征矢量;最后,结合支持向量机实现最优频段的选取。实验结果表明,该特征提取方法能够自适应提取右手食指屈伸运动想象EEGs的ERD现象差异性较大的频段特征,最高分类正确率为81.75%,验证了所提方法的有效性。     

基于DLMD样本熵和模糊聚类的滚动轴承故障诊断

针对传统的局部均值分解(LMD)方法不能有效提取微弱高频信号成分的问题,提出了一种基于微分的微分局部均值分解(DLMD)方法,在此基础上,将DLMD、样本熵和模糊聚类分析相结合,提出了一种基于DLMD样本熵和模糊聚类的滚动轴承故障诊断方法。该方法首先对滚动轴承振动信号进行微分局部均值分解,得到若干具有物理意义的乘积函数(PF)分量,然后求取各PF分量的样本熵并将其作为特征向量,最后通过模糊聚类对特征向量进行识别分类。实验结果表明,基于DLMD样本熵和模糊聚类相结合的方法能够准确、有效地对滚动轴承故障信号进行识别分类。     

改进LMD和排列熵的滚动轴承故障诊断

针对滚动轴承故障振动信号的复杂特性和局部均值分解(Local Mean Decomposition,LMD)方法存在的端点效应问题,提出了基于振动信号自相似性对左右端点两侧延拓来抑制端点效应问题的改进LMD、排列熵(Permutation Entropy,PE)及优化K-均值聚类算法相结合的轴承故障诊断方法。首先通过改进LMD将非线性、非平稳的原始故障振动信号分解出一系列的乘积函数(Production Function,PF)分量,对包含主要故障信息的PF分量提取PE值作为故障特征分量,在提取特征量的基础上,最后采用优化后的K-均值聚类算法对故障类型进行识别分类。将该方法应用在滚动轴承实验数据,实验结果表明该方法可以准确、有效的实现滚动轴承的故障诊断。     

基于LMD能量熵和支持向量机的齿轮箱故障诊断

针对小样本情况下齿轮箱复合多种故障特征难以提取和分类的问题,提出了基于局部均值分解（LMD）能量熵和支持向量机（SVM）的故障诊断方法。首先利用LMD方法对采集的齿轮箱振动信号进行分解,得到有限个PF分量;然后根据不同故障下齿轮箱振动信号在频域区间内分布不均的特性,分析出PF分量能量在不同频域范围离散情况,即求出LMD能量熵;最后利用SVM多故障分类器对提取出的特征展开训练和测试,进行齿轮箱故障分类。实验结果显示,即使在小样本情况下,且同时存在非单一、多种齿轮箱故障时,基于LMD能量熵和SVM方法也可以对齿轮箱故障进行特征提取和精准分类,实现齿轮箱故障诊断。     

LMD-MOMEDA滚动轴承故障特征提取方法研究

由于滚动轴承的故障信号在强噪声的背景之下很容易被淹没,并且具有非线性、非平稳等特点致使故障特征提取困难,在分析了滚动轴承振动信号的特点后提出了一种将局部均值分解（LMD）与多点最优最小熵解卷积（MOMEDA）相结合的故障特征提取方法。首先将滚动轴承的故障信号进行LMD分解,得到一系列的PF分量;然后根据相关系数准则对相关程度较高的PF分量进行重构,用MOMEDA方法对重构后的信号进行降噪,提取故障特征。并通过实验验证了该方法的有效性。     

基于图谱分析的脑电网络研究

针对脑活动过程功能连接网络分析问题,将图谱域分析技术应用于脑电网络研究中。对各导联脑电信号特征节律提取、不同测量节点之间脑电信号特征节律相关系数邻接矩阵及拉普拉斯矩阵进行了研究,并对拉普拉斯矩阵分解得到的不同阶次分量矩阵以及二值化处理得到的不同阶次脑电网络拓扑结构进行了分析,提出了一种基于图谱分析的脑电网络研究方法;采用癫痫患者正常情况与癫痫发作阶段的脑电信号对提出的方法进行了测试。实验结果表明:在两种情况下,提出的图谱分析方法均能有效提取不同变化模式的脑电网络拓扑结构,并能实现正常区域与癫痫发作区域的有效分类,接收者操作特征曲线下面积为0. 834;分类结果优于常用的对比方法。     

基于参数优化VMD的齿轮箱故障特征提取方法

为解决齿轮箱故障振动信号信噪比低、故障特征提取难的问题,提出了基于参数优化变分模态分解(VMD)的齿轮箱故障特征提取方法。首先,以分解结果的局部极小包络熵最小为目标,利用果蝇算法搜寻VMD分解参数K和α的最优组合;将原始信号分解成若干IMF分量,从中选择包络熵较小的分量进行信号重构,并对重构信号进行包络解调运算,从重构信号的包络谱中提取故障频率特征。结果表明,利用此方法对实测信号进行处理,成功降噪、提取齿轮箱故障特征,并且比利用经验模态分解方法降噪效果更好,提取的故障特征更加明显。