基于脑电信号的思维任务分类

脑电信号（EEG）是研究脑活动的一种重要的信息来源，基于脑电信号的人与计算机的通信已成为一种新的人机接口方式。文中主要对不同心理作业的思维脑电信号运用独立分量分析进行预处理，然后采用AR模型提取特征，最后应用BP神经网络对AR系数特征进行训练和分类。实验表明，此方法可以达到很好的分类效果。     

ICA在思维脑电特征提取中的应用

简要介绍了独立分量分析(ICA)的基本思想及算法,并将其应用在基于多导思维脑电(mental EEG)的特征提取方面.实验结果表明:ICA可以将脑电信号中包含的心电(ECG)、眼电(EOG)等多种干扰信号成功地分离出来,较好地完成了脑电消噪预处理工作.同时,通过使用ICA方法对不同心理作业的脑电信号进行分析处理,发现了与心理作业相对应的脑电独立分量特征,这些稳定的独立分量特征为心理作业分类和脑-机接口技术提供了新的实现方法.     

脑机接口应用中的思维任务分类

脑电信号（EEC）是研究脑活动的一种重要的信息来源,基于脑电信号的人与计算机的通信成为一种新的人机接口方式。时于五种不同心理作业的思雏脑电信号运用独立分量分析（ICA）进行预处理,然后采用6阶的AR模型提取特征,最后应用BP神经网络时AR系数特征进行训练和分类。实验表明。此方法可以达到很好的分类效果,提高了脑电思维作业的准确度。     

ICA在思维脑电特征提取中的应用

简要介绍了独立分量分析（ICA）的基本思想及算法，并将其应用在基于多导思维脑电（mental EEG)的特征提取方面。实验结果表明：ICA可以将脑电信号中包含的心电（ECG）、眼电（EOG）等多种干扰信号成功地分离出来，较好地完成了脑电消噪预处理工作。同时，通过使用ICA方法对不同心理作业的脑电信号进行分析处理，发现了与心理作业相对应的脑电独立分量特征，这些稳定的独立分量特征为心理作业分类和脑一机接口技术提供了新的实现方法。     

基于脑电信号的思维任务分类

脑电信号(EEG)是研究脑活动的一种重要的信息来源,基于脑电信号的人与计算机的通信已成为一种新的人机接口方式。文中主要对不同心理作业的思维脑电信号运用独立分量分析进行预处理,然后采用AR模型提取特征,最后应用BP神经网络对AR系数特征进行训练和分类。实验表明,此方法可以达到很好的分类效果。     

HHT方法在人体下肢表面肌电信号分析中的应用

针对表面肌电信号是非线性非稳态信号的特点,为了得到信号的有效特征并对信号特征进行有效分析,采用HHT(Hilbert-Huang Transformation)分析方法,通过经验模态分解将信号分解为一组内蕴模态函数。基于各内蕴模态函数的频率特征的分析,对它们进行HHT变换建立表面肌电信号的时间-频率-能量三维Hilbert谱,进而得到信号的边际谱。文中给出基于经验模态分解阈值消噪方法,和小波阈值方法相比,其消噪效果明显,在抑制噪声的同时,能够较好保留信号边缘和细节信息。初步实验表明HHT方法为表面肌电信号的特征提取和模式识别提供了可靠的依据,具有很好的应用前景。     

低觉醒脑电识别与唤醒的可穿戴系统研究

为智能化地识别警戒作业人员出现的低觉醒、注意力下降的生理状态，本文介绍了一种基于FPGA和脑电信号处理的低觉醒状态检测与唤醒系统，系统通过传感器从大脑头皮采集脑电信号，转换为数字信号，经傅里叶变换获取了脑电信号的θ相对能量、α相对能量、重心频率、谱熵等4个特征量，由4个特征量表征低觉醒状态并运用支持向量机对低警戒状态进行识别，当识别出低觉醒状态时采用声音报警模块发出声音，唤醒警戒作业人员。设计系统能够较好地识别出低觉醒状态，识别率达90.8%，可为提高警戒作业工作绩效提供一种可穿戴的智能装备。     

基于脑电信号瞬时能量的情感识别方法

希尔伯特-黄变换(HHT)是一种处理脑电信号(EEG)的有效方法,包括经验模态分解(EMD)和Hilbert变换2个部分。但EMD无法分解包含低能量的信号,且在低频区域会产生不良的本征模态函数。为消除EMD的弊端,提出一种小波包变换(WPT)和HHT相结合的EEG处理方法。采用WPT将EEG分解成一组窄带信号,通过HHT得到Hilbert能量谱,求出平均瞬时能量作为EEG特征并封装成特征矩阵。将特征矩阵通过卷积神经网络(CNN)、递归神经网络(RNN)、支持向量机(SVM)组成的混合情感识别模型进行训练与分类。实验结果表明,该方法对高兴、悲伤、平静、恐惧4种情感的平均识别率为86.22%,最优识别率为93.45%。     

脑电情感信号正确提取仿真

脑电信号是一种微伏级信号,从头皮上采集的脑电信号包含眼电信号、心电信号以及各种环境噪音。针对情感识别如何有效处理脑电信号的问题,本文首先对实验采集的脑电信号应用小波分析和独立分量分析进行预处理去除干扰;其次为了有效地提取脑电特征,应用幅值直方图、标准差在时域上定性地找出2种情感的脑电差异;最后应用功率谱对2种情感脑电的γ波节律进行谱分析。仿真实验结果表明,将脑电信号的γ波节律用于情感识别是可行的。     

小波包能量谱在睡眠分期中的应用

利用小波包技术,根据脑电信号在不同睡眠状态下各脑电节律所占的成分不同,提出一种基于小波包能量谱的睡眠脑电分期方法。首先依据脑电信号各节律的频率特点选择好分解层数对信号进行小波包分解,再重构信号,提取出睡眠脑电信号的各节律;然后运用小波包能量谱计算各节律所占的能量比重;最后用3例脑电数据进行实验。实验结果表明,不同睡眠状态下各脑电节律所占比重不同,随着睡眠的深入,睡眠脑电节律θ和δ所占的能量比重增大,而节律α和β所占的比重在减少。因此,可以运用睡眠脑电信号中各节律所占的成分不同来区分不同的睡眠状态,并可作为睡眠分期的一个特征参数。     

基于HHT运动想象脑电模式识别研究

脑机接口是一种变革性的人机交互, 其中基于运动想象(Motor imagery, MI)脑电的脑机接口是一类非常重要的脑机交互. 本文旨在探索有效的运动想象脑电特征模式提取方法. 采用在时域、频域同时具有很高分辨率的希尔伯特--黄变换(Hilbert-Huang transform, HHT),进而提取自回归(Auto regressive, AR)模型参数并计算运动想象脑电平均瞬时能量,从而构造特征向量, 最后利用能较好地适应运动想象脑电单次试验分类的支持向量机(Support vector machine, SVM)进行分类. 结果表明在Trial的5.5～7.5s期间, HHT特征提取方法平均分类正确率为81.08%, 具有良好的适应性;最高分类正确率为87.86%, 优于传统的小波变换特征提取方法和未经HHT的特征提取方法;在Trial的8～9s期间, HHT特征提取方法显著优于后两种特征提取方法. 本研究证实了HHT对运动想象脑电这一非平稳非线性信号具有很好的特征提取能力, 也再次验证了运动想象事件相关去同步(Event-related desynchronization, ERD)现象, 同时也表明运动想象脑电的脑--机交互系统性能与被试想象心理活动的质量密切相关. 本文可望为基于运动想象脑电的在线实时脑机交互控制系统的研究打下坚实的基础.     

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。     

基于希尔伯特-黄变换的AEP去噪方法

在高刺激率模式下,采用去卷积方法提取暂态的听觉诱发电位存在噪声敏感的问题.为此,提出一种结合希尔伯特-黄变换(HHT)与总体相关的去噪方法.利用HHT方法提取有用信号,通过总体相关方法区分混叠在同—频率段的信号和噪声,获得相关性强的成分.实验结果表明,该方法能在不增加刺激个数的情况下,使得平均信号的信噪比提高约4倍,且...     

Automated sleep stage identification system based on time-frequency analysis of a single EEG channel and random forest classifier

In this work, an efficient automated new approach for sleep stage identification based on the new standard of the American academy of sleep medicine (AASM) is presented. The propose approach employs time-frequency analysis and entropy measures for feature extraction from a single electroencephalograph (EEG) channel. Three time-frequency techniques were deployed for the analysis of the EEG signal: Choi-Williams distribution (CWD), continuous wavelet transform (CWT), and Hilbert-Huang Transform (HHT). Polysomnographic recordings from sixteen subjects were used in this study and features were extracted from the time-frequency representation of the EEG signal using Renyi's entropy. The classification of the extracted features was done using random forest classifier. The performance of the new approach was tested by evaluating the accuracy and the kappa coefficient for the three time-frequency distributions: CWD, CWT, and HHT. The CWT time-frequency distribution outperformed the other two distributions and showed excellent performance with an accuracy of 0.83 and a kappa coefficient of 0.76.     

HHT在复合材料Lamb波检测中的应用

Lamb波信号是典型的非平稳非线性信号,根据无损检测的需要,采用改进的Hilbert-Huang变换（HHT）方法,克服了多模式Lamb信号间的相互干扰,消除了噪声影响。以带有缺陷的复合材料层合板为实验对象,结果证明：本方法能够有效分离信号中的各个固有模态函数（IMF）分量,通过各分量瞬时幅值的峰值回归直线,可准确地对缺陷尺寸进行分析与评估。     

基于Hilbert-Huang变换的特征能量法及其在滚动轴承故障诊断中的应用

Hilbert-Huang变换是一种新的自适应信号处理方法,非常适用于非线性和非平稳过程。该文在介绍Hilbert-Huang变换的基础上,针对滚动轴承故障振动信号的非平稳特征,提出了一种基于Hilbert-Huang变换的特征能量法。该方法在Hilbert-Huang变换的基础上定义滚动轴承振动信号在固有频率段的能量为特征能量,以此作为滚动轴承的故障特征向量,并通过建立M-距离判别函数来识别滚动轴承的故障类型。对滚动轴承外圈和内圈故障信号的分析结果表明,基于Hilbert-Huang变换的特征能量法可以有效地提取滚动轴承振动信号的故障特征。     

基于HHT的机翼盒段的健康监控

提出了一种基于HILBERTHUANG变换技术的结构微损伤检测方法.基于HHT方法,提取了同损伤相联系的特征量-瞬时频率变化量和瞬时能量变化量.给出了结构损伤前后瞬时频率的变化情况,根据结构损伤前后瞬时频率的变化量,可以判断结构发生了一定程度的损伤.最后研究了结构损伤前后瞬时能量的变换情况,并讨论了瞬时能量变化最大值与结构损伤程度之间的关系.结果表明,结构原始响应信号经过HHT变换后得到的瞬时能量变化最大值与结构损伤程度有一定的规律可寻.