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.     

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.     

利用小波包分解提取思维脑电40Hz阵发性信号

确定大脑思维活动与脑电记录之间的时间对应关系是思维脑电研究的关键,阵发性40Hz脑电信号理论有效地解决脑电信号的选择问题,而准确提取阵发性40Hz脑电信号成为分析思维脑电的前提.论文在研究小波包分解与重构的特征的基础上,讨论了小波包分解树的频带分布规律,确定以Shannon熵为熵标准选择Daubechies5小波对脑电信号的进行9层分解,并通过重构获得了频带约为36.1-43.9Hz的窄带40Hz阵发性脑电信号.小波包分解比传统的滤波器分解更便捷,分解得到的阵发性40Hz脑电信号更精确,可以用来作为思维脑电同步选择的依据.     

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。     

脑电信号的混沌分析和小波包变换特征提取算法

针对脑电(EEG)信号的手部动作模式信息处理,提出一种混沌分析和小波包变换相结合的特征提取方法.用眼动辅助来采集手部动作时的脑电信号,对采集的C3、C4 、P3和P4脑电信号消噪后分别用混沌分析和小波包变换的方法进行特征提取,前者提取混沌特征的最大Lyapunov指数和关联维数,组成8维向量;后者提取脑电信号的4种特征节律波,分别计算其相对能量,组成16维向量;最后把两种方法提取的向量组成24维特征向量,输入SVM分类器,实现基于EEG信号的手部动作模式的识别.对不同个体上翻、下翻、展拳、握拳4种手部动作的识别实验表明,平均识别率均在80%以上,明显优于其他方法识别的结果.     

基于小波变换的脑电特征信号自动检测方法

首先对原始脑电信号(EEG)进行小波分解来进行滤波.然后利用双正交样条小波对EEG进行二进小波变换,进而求出小波模极大值,最后通过一系列策略匹配出相应的模极大值对来确定出特征信号的起止点,从而达到自动检测脑电特征信号的目的.     

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EMD分解与小波包的滚动轴承故障诊断

针对滚动轴承故障信号分析中的问题,提出了将Hilbert-Huang变换和小波包分析相结合的滚动轴承故障诊断新方法,实测信号分析表明,该方法能有效地对滚动轴承故障信号进行检测.     

Motor imaginary-based BCI for controlling a remote car

This paper presents the application of an effective electroencephalogram (EEG) based brain-computer interface (BCI) for controlling a remote car in a practical environment.The BCI uses the motor imagin...     

基于小波包特征提取及支持向量回归机的光纤布拉格光栅冲击定位系统

以光纤布拉格光栅(FBG)为传感网络,构建了复合材料冲击载荷实时在线监测系统,研究了基于小波包特征提取及支持向量回归机的光纤-碳纤维复合材料结构冲击定位方法.针对同一冲击点,分析不同传感信号,获得了冲击响应信号小波包能量谱,分析结果表明小波包能量谱中特定阶数对冲击敏感.改变冲击点位置研究小波包能量谱与冲击位置之间的关系,提出将第6阶小波包能量值作为冲击定位的特征向量.采用支持向量回归机建立样本数据的回归模型,预测冲击载荷位置,并对支持向量机的相关调整参数进行了优化.实验表明,支持向量机的网络测试误差为4.81％.研究结果可为碳纤维复合材料(CFRP)层状结构的冲击性能评估提供可行的实验方法.     

基于梯度boosting的癫痫脑电检测方法(英文)

自动癫痫脑电检测对癫痫的诊断具有重要意义,可以减轻监测长期脑电的工作强度。本文提出和探讨一种基于梯度boosting的长程脑电癫痫检测的新机器学习算法。该算法提取长程脑电的相对波动指数作为特征,采用梯度boosting算法训练分类器来识别发作和正常脑电。最后采用平滑和"collar"技术作为后处理进一步提高检测准确率。利用弗莱堡21位病人的脑电数据对该癫痫检测算法进行评估,实验表明,该算法的平均灵敏度为94.6%,误检率为0.18/h。     

单通道视觉诱发脑电的单次提取方法研究

针对单通道脑电信号单次提取识别率较低的问题,提出了一种正交B样条小波变换与Fisher线性判别相结合的方法,提高了视觉诱发电位P300的单次提取识别率。首先采用相干平均和小波变换的方法对脑电信号进行预处理,然后根据脑电信号的时-频特性及视觉诱发电位的锁时关系,提取出表征P300的8维小波系数模板,再次利用模板对单次样本进行特征提取,最后根据Fisher线性判别对测试样本进行分类识别,判断单次输入是否为视觉诱发脑电信号。实验结果表明,该方法对单次样本P300的平均识别率为95.10%。     

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。     

基于小波分解的脑CT图像纹理特征提取

本文针对海量医学影像信息的计算机辅助诊断技术中特征提取的难题,以脑CT图像为研究对象,提出了一种基于小波分解的纹理特征提取方法。首先通过对预处理后的子图像分别进行的分层处理与分层提取,构成纹理特征向量;然后采用创建数字化统计图谱的方法,对实验数据集进行了计算机辅助诊断实验。实验结果表明此方法可以标记出可能存在病变的区域,为医师的诊断提供辅助信息。     

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.     

小波包原理在滚动轴承声发射检测技术中的应用

详细分析了小波滤波原理。在大量实验分析和理论分析的基础上，提出了使用基于特征频率的小波滤波方法。从而解决了由噪声引起的检测故障滚动轴承误判的问题，并为下一步的信号特征提取打下了坚实的基础。