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.     

基于小波包分解的脑电信号特征提取

在脑机接口研究中,针对脑电信号的特征抽取,提出一种基于小波包分解的方法,利用Fisher距离准则,选择具有较大可分离性的特定子带小波包系数和能量作为有效特征,构成特征矢量,并采用BCI2003竞赛数据,通过对该特征矢量的可分性和识别精度2个指标的评估,表明了所提出方法的有效性。     

基于小波包分析和Elman网络的肌电信号处理

提出了一种基于小波包变化和Elman神经网络的表面肌电信号特征提取和模式识别方法.在对表面肌电信号进行预处理的基础上,提出了以小波包变换各频段的能量来构造特征值,以该特征值作为训练样本输入Elman神经网络进行网络训练,构筑手部动作分类器,训练完成的分类器可完成伸腕、屈腕、展拳和握拳等4种手部动作模式的识别.实验结果表明,与其他分析方法比较,该方法不仅识别率高,鲁棒性好,同时也为其他非平稳生理信号分析提供了新方法.     

基于最优小波包分析的肌电信号消噪

为了清除表面肌电信号(SEMG)夹杂的生理噪声,提出了一种基于最优小波包分析的消噪处理方法.该方法以受试者做内旋动作,采自尺侧腕屈肌的SEMG信号为例,基于symlet5小波函数,分别采用小波方法、小波包方法和最优小波包方法进行了消噪处理.分析比较结果表明,该消噪处理方法能更有效地去除肌电信号中的噪声.     

基于小波包技术的脑电特征波提取分析

为了更有效地提取脑电信号特征波,结合小波包技术,提出了一种脑电特征波提取方法.首先对脑电信号进行小波包分解,然后进行褶关频段信号的重构,从而提取出特征波,并对其进行功率谱分析和能量计算.实验结果表明,小波包技术能有效地提取脑电信号特征波.     

结合小波变换和独立分量分析的脑电特征提取

在多道脑电信号的独立分量分析 ICA (Independent Com ponent Analysis)过程中 ,脑电独立源在数量上的不确定性往往是造成分离结果不理想的主要原因。目前还没有找到解决此问题的有效方法。根据脑电信号自身的特点 ,提出了一种结合小波变换 WT(Wavelet Transform)和独立分量分析的脑电特征提取新方法— WICA。新方法的主要思路是先对每一道脑电数据进行小波分解 ,然后根据需要选择不同尺度的小波子带信号进行脑电独立分量提取。实验结果表明 ,WICA方法在一定程度上能够克服因脑电独立源的不确定性所带来的影响 ,并能获得较好的脑电特征提取效果。     

基于小波包分解的意识脑电特征提取

针对2种不同意识任务(想象左手运动和想象右手运动)的脑-机接口(brain-computer interface,BCI)设计,提出了基于小波包分解的特征提取方法。首先深入研究了小波包变换,结合事件相关去同步化(event-related desynchronization,ERD)/事件相关同步化(event-related synchronization,ERS)现象,提出以小波包分解系数来考虑特征,然后对C3、C4导联脑电信号进行小波包分解系数方差和相对能量2种特征的提取,最后采用最简线性分类器进行分类。结果表明,2种特征对应的最大分类正确率均达到了85%,对应时间分别为4.34 s和4.39 s。因此,在保证分类正确率的前提下,所提方法更加简单和有效,为大脑意识任务分类提供了新思路。     

基于小波包变换和小波阈值消噪的语音特征提取

为了实现强噪声背景下语音信号的特征提取,根据小波变换的多分辨率特性,以及与人耳耳蜗滤渡相一致的特性,利用小波包变换,在各语音特征频率段上,提取出包含丰富的非平稳信息的语音特征;并在小波包分解去噪的基础上,构造了模糊阈值函数,利用小波模糊阈值去噪,得到了信噪比较高的语音信号.研究结果表明,小波包变换和小波阈值去噪,较好地消除了强噪声背景下的噪声,并有效地提取出了语音信号特征.     

一种综合小波变换的心电信号消噪算法

针对心电信号中混有的基线漂移、工频干扰、肌电干扰等噪声,比较了适于心电信号的4种基于小波变换的心电信号消噪算法,结合消噪后的信噪比和信号失真度,提出一种综合小波变换的心电信号消噪算法.该算法先使用小波分解法消除心电信号中的基线漂移,再利用模极大值法消除工频干扰、肌电干扰等噪声.并且运用该算法对MIT-BIH心律失常数据库中的含有多种噪声的心电数据进行了仿真与实验,结果表明噪声被有效地消除并且失真度较小,可满足临床分析与诊断对心电波形的要求.     

小波包与混沌集成的心音特征提取及分类识别

针对心脏疾病诊断过程中心音识别的难点,提出了一种结合小波包分析及混沌的特征提取的心音识别方法。首先分析统计了心音信号的小波包能量特征,然后选取小波包分解中能表征心音信号特征的分量进行混沌分析,计算了最大Lyapunov指数和关联维数;最后以这些参数构成特征矢量作为支持向量机的输入,对临床采集到的65例正常及有心脏疾病的心音信号进行识别分类。结果表明,结合小波包分析和混沌的特征参量,较传统的分类识别方法具有更高的识别精度,说明非线性混沌特征能够较有效地表征心音信号的特征,为下一步临床心脏疾病的更准确诊断奠定了基础。     

分数阶小波包时频域的信号去噪新方法

为了提高信号去噪的效果,提出了一种基于分数阶小波包变换(FRWPT)的信号去噪新方法。该方法根据输出信号信噪比的大小,用迭代法寻找分数阶小波包变换的最优分数阶p值,通过分数阶小波包变换将带噪信号映射到最优分数阶小波包时频域内,对变换后的信号进行窄带通滤波,最后通过分数阶小波包逆变换对信号进行重构,实现分数阶小波包时频域内的信号去噪。以带噪Bumps信号和语音信号为例的去噪实验结果表明,采用该方法去噪后的信号信噪比明显提高,在抑制噪声的同时可以有效保持细节信息。     

基于小波变换和时域能量熵的 P300特征提取算法

针对P300信号特征提取和分类过程中训练及测试速度相对较慢的不足,提出了一种基于P300带内带外特征的脑电信号特征提取方法,将时域能量熵和离散小波变换相结合,克服了P300信号识别中对电极数量和脑电信号叠加次数的苛刻要求.试验采用支持向量机作为分类器,在BCI Competition 2003和BCI Competition 2005的P300试验数据集上进行验证,结果表明,提出的方法只需对一导数据进行处理,只有2次叠加平均,就能得到很好的分类效果及较短的分类系统运算时间.     

基于小波包分析和BP神经网络的字符识别方法

利用小波包分析具有提取图像时、频两域细节和局部特征的能力,提出了将字符图像的小波包分析和BP神经网络相结合以达到识别字符的新方法。该方法首先对字符图像进行小波包分解,然后对分解系数进行重构,求得重构图像的能量;然后提取了不同字符图像的能量构造成能量特征向量,作为神经网络的输入;然后通过选取初始权值、隐层节点数和权值学习算法,创建BP神经网络;最后通过神经网络模型进行训练。实验证实该方法具有识别正确率高、速度快等优点。     

改进Chebyshev混沌算法的小波变换数字水印技术研究

本文主要利用混沌算法和小波分解实现数字图像的水印处理。首先,利用混沌算法对水印数字图像进行置乱,然后,将置乱后的水印嵌入到小波分解后的宿主图像里面。通过实验证明,该算法对常见的信号攻击和几何剪切攻击均具有较好的鲁棒性。     

基于ICA和小波变换的房颤F波提取算法

应用独立成分分析(independent component analysis,ICA)提取的房颤F波在QRST数据段有明显“扰动”失真,为减少这种失真,提出了一种ICA与小波变换相结合的F波提取算法.首先对原始信号进行ICA分解,获得初始F波及其分离向量;然后对初始F波进行多层小波分解,在小波域内构造反映F波失真的目标函数;最后利用最速下降法优化目标函数,获得准确的F波分离向量,从而实现对F波的准确提取.对仿真信号和真实信号的F波提取实验表明,该算法明显减少了F波的“扰动”失真.     

基于小波包能量谱和包络分析细化的轴承故障诊断

提出了一种将小波包能量法和细化包络分析相结合的滚动轴承故障诊断方法。首先利用小波包变换将滚动轴承振动信号分解到独立的频段上,计算出不同频率段的能量,根据频段能量的变化情况,确定滚动轴承故障所在频段。重构故障频段信号。然后应用Hilbert变换对重构信号实现包络解调,提取故障特征频率。最后为了进一步提高包络谱的分辨率,采用线性调频Z变换细化频谱。实际的滚动轴承实验数据的处理和分析结果表明,该方法在滚动轴承故障诊断中是有效的。     

基于小波包和细化包络分析的滚动轴承故障诊断方法研究

滚动轴承故障是旋转机械常见的故障之一,针对传统包络解调分析方法需要人为选定共振频带的缺陷,首先采用小波包变换滤波的方法提取滚动轴承固有频率共振频带的信号,并对提取的信号进行重构,滤除了其他信号的干扰．然后用Hilbert变换检波的方法对提取的重构信号实现包络解调,去除高频固有振动成分,诊断轴承的缺陷信息．为了进一步提高包络谱的分辨率,最后采用快速傅立叶变换-傅立叶级数（FFT—FS）方法细化频谱．并在ADBE-56-N4型交流电机上实测了6350型滚动轴承故障模拟信号,与理论分析基本吻合．     

An enhanced feature extraction model using lifting-based wavelet packet transform scheme and sampling-importance-resampling analysis

The efficiency of data processing is critical for the on-line monitoring applications of industrial components and systems, both from the viewpoints of the rapid adaptation to the non-stationary signals and the cost of information storage and transmission. In this paper, we propose an enhanced feature extraction model for machinery performance assessment, which is based on the lifting-based wavelet packet transform (WPT) and sampling-importance-resampling methods. The lifting-based WPT decomposes the signals. Then the sampling-importance-resampling procedure is applied in the wavelet domain to extract the distribution information and compose the feature vectors. Finally, a support vector machine is used to assess the normal or abnormal condition based on these extracted features. To validate the proposed new model, an endurance test of pressure regulators has been carried out. Compared to the traditional wavelet packet method, the new model can not only keep the precision level but also improve the efficiency by over 60%.     

The fault feature extraction and classification of gear using principal component analysis and kernel principal component analysis based on the wavelet packet transform

The vibration signal of a gear system is selected as the original information of fault diagnosis and the gear system vibration equipment is established. The vibration acceleration signals of the normal gear, gear with tooth root crack fault, gear with pitch crack fault, gear with tooth wear fault and gear with multi-fault (tooth root crack & tooth wear fault) is collected in four kinds of speed conditions such as 300 rpm, 900 rpm, 1200 rpm and 1500 rpm. Using the method of wavelet threshold de-noising to denoise the original signal and decomposing the denoising signal utilizing the wavelet packet transform, then 16 frequency bands of decomposed signal are got. After restructuring the decomposing signal and obtaining the signal energy in each frequency band, the signal energy of the 16 bands is as the shortlisted fault characteristic data. Based on this, using the methods of principal component analysis (short for PCA) and kernel principal component analysis (short for KPCA) to extract the feature from the fault features of shortlisted 16-dimensional data feature, then the effect of reducing dimension analysis are compared. The fault classifications are displayed through the information that got from the first and the second principal component and kernel principal component, and these demonstrate they have a different and good effect of classification. Meanwhile, the article discusses the effect of feature extraction and classification that caused by the kernel function and the different options of its parameters. These provide a new method for a gear system fault feature extraction and classification.