在线脑机接口中脑电信号的特征提取与分类方法

在脑机接口研究中,针对运动想象脑电信号的特征抽取,提出了一种基于离散小波变换和AR模型的方法.利用Daubechies类小波函数对脑电信号进行3层分解,抽取小波变换系数的统计特征;利用Burg算法提取脑电信号6阶AR模型系数.将这两类特征进行组合后使用神经网络、支持向量机、马氏距离线性判别进行分类并比较分析.采用BCI...     

基于希尔伯特边际谱和极限学习机的癫痫脑电信号分类

提出了一种基于希尔伯特边际谱和极限学习机相结合的癫痫脑电信号分类方法.首先将脑电信号进行经验模态分解,对前5个本征模态函数进行希尔伯特变换,得到其希尔伯特边际谱;然后将希尔伯特边际谱的Shannon熵、Renyi熵和Tsallis熵,以及5个不同频段节律信号的能量作为有效特征输入极限学习机进行分类.实验结果表明,本文方...     

脑电信号中眼电伪迹自动去除方法的研究

 针对实际采集的脑电信号受眼电干扰较大,提出一种基于离散小波变换(DWT)与独立分量分析(ICA)的自动去除眼电伪迹的方法(DWICA).对采集的多导脑电和眼电信号进行离散小波变换,获取多尺度小波系数,将串接小波系数作为ICA的输入;利用基于负熵判据的FastICA算法实现独立成分的快速获取,引入夹角余弦准则自动识别眼迹成分,并经过ICA逆变换将剔除眼迹后的独立成分投影返回到原脑电信号各个电极;通过DWT逆变换重构信号,即可得到去除眼迹的各导脑电信号.实验结果表明,DWICA方法极大地提高了脑电信号的信噪比,抗噪能力强且实时性好,为脑电信号的在线预处理提供了新思路.     

一种基于FPGA的脑电分类算法实现

通过对脑电信号特征的分析,利用小波变换的多尺度分析技术对脑电信号进行特征提取,进而使用主成分分析算法对特征进行降维,并对降维后的信号使用Fisher线性判别方法进行分类。最后,利用VerilogHDL硬件编程语言设计实现了Mallat分解算法、PCA算法和LDA算法模块,并在FPGA应用板上实现了脑电分类功能。系统对2008年BCI大赛的数据进行了测试,分类准确率达到92.31%,表明该方法对开发便携式脑机接口系统具有良好的应用价值。     

基于神经网络的光标上下移动EEG信号分类方法

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。在此主要通过时域回归方法对BCIⅡ竞赛数据进行EEG信号去噪预处理,运用6阶AR参数提取脑电特征作为神经网络的输入,最后用Matlab 7.0进行仿真,得到分类正确率为90%。实验表明,该方法可以达到很好的分类效果。     

思维状态的EEG信号分类方法研究

脑电信号(EEG)是一种研究脑活动的重要信息来源,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.运用时域回归方法对2～5种不同思维脑电信号进行预处理,用AR模型提取信号分段前后特征,最后用BP算法进行分类.并对分段前后的分类结果进行比较,实验表明,该方法达到很好的分类效果.     

基于小波包融合微分熵的运动想象脑电信号处理

针对脑电信号特征提取导致有效信息丢失的问题,提出了一种基于小波包融合微分熵提取脑电信号特征的方法,可以充分提取脑电信号的有效信息。首先对脑电信号进行小波包分解,选取与运动想象相关的频率进行重构,得到脑电信号的时频信息;考虑到脑电信号的非线性特征,提取脑电信号微分熵特征。实验在脑电大赛数据集上进行验证,在不同分类器上分类准确率分别达到了88%和91%,结果表明小波包融合微分熵的脑电信号处理方法准确率明显提高。     

基于脑功能网络和样本熵的脑电信号特征提取

针对脑-机接口(BCI)研究中采用单一特征对运动想象脑电信号(EEG)识别率不高的问题,该文提出一种结合脑功能网络和样本熵的特征提取方法.根据事件相关同步/去同步(ERS/ERD)现象以及皮层与肢体运动想象间的对侧映射机制,选取小波包变换消噪重构后的μ节律脑电信号,用左侧27个通道、右侧27个通道分别对左半球脑区和右半球脑区构建脑功能网络,计算网络的平均节点度和平均聚集系数作为运动想象的脑功能网络特征,并结合C3,C4通道μ节律的样本熵构筑分布性和指向性相结合的特征向量.选用支持向量机(SVM)对左右手运动想象脑电信号进行分类,结果表明基于脑功能网络和样本熵的特征提取方法能够实现更优的分类效果,分类准确率最高可达90.27％.     

一种新的基于小波包分解的EEG特征抽取与识别方法研究

为了提高脑思维任务分类精度,提出一种新的脑电特征抽取与识别方法.首先进行小波包分解,然后结合能反映脑电信号在时域与频域上的能量分布特征的小波包熵概念,从小波包库中选择最优小波包基,对各个最优基所对应的小波系数求取统计特性,然后根据不同脑思维任务下左右半脑各导联间的差异性对各个导联对求取不对称率构成分类特征向量,最后利用SVM分类器对其进行分类.实验结果表明:相对于一般的小波包分解,最优小波包基和自回归特征抽取方法,该方法对5类不同脑思维任务的所有10种不同组合任务对的平均分类预测精度可以达到95.41％～99.65％.     

基于有记忆递归神经网络的脑电特征情感识别研究

为了提高脑电信号多分类的情感识别率,文中选用上海交通大学提供的SEED脑电信号数据集,对其进行分频带特征提取。将脑电数据的微分熵特征、微分不对称性特征和有理不对称性特征通过线性动力系统平滑特征后,与功率谱密度特征进行分类效果比较,再利用有记忆递归神经网络的方法进行分类,发现提取的微分熵特征经过分类的效果好。在对3种情感进行分类的过程中,采用长短时记忆神经网络分类相比于其他机器学习方法识别率有所提高,情感识别的平均准确率可达到95.045 9%。     

基于EMD的声发射管道泄漏检测研究

针对管道泄漏声发射检测信号的非平稳特征,该文提出了基于经验模态分解(EMD)的声发射信号分析方法。该信号分析法将管道泄漏产生的复杂声发射信号分解成有限个固有模态信号(IMF),使Hilbert-Huang变换(HHT)的瞬时频率具有了实际物理意义,提高了管道泄漏检测的定位精度。结果表明,HHT法能准确描述声发射波形信号的非线性、非平稳时变特征,是声发射信号时频分析的有效工具。     

基于HHT的多分量LFM信号检测与参数估计

文中将Hilbert—Huang变换应用到多分量线性调频信号（LFM）信号的分析中：首先利用经验模态分解法（EMD）将原信号分解成有限个本征模态函数（IMF）；然后埘各个IMF进行Hilbert变换，获取瞬时频率、瞬时振幅，得到信号的Hilbert谱，该谱反映r瞬时振幅在频率一时间平面上的分布，从而可以比较准确地检测和估计各LFM分量的初始频率和调频斜率等参数。仿真结果验证了该方法的有效性。     

希尔伯特-黄变换在谐波和间谐波检测中的应用

提出了一种检测电力谐波和间谐波的方法。将Hilbert-Huang变换（Hilbert—Huang Transform,HHT）用于谐波检测中,应用该方法可以提取任意频次的谐波信号。首先,运用经验模态分解处理含谐波的信号,得到一组平稳的固有模态函数分量。然后,对每个固有模态函数分量进行希尔伯特变换,得到每个模态分量的瞬时幅值和瞬时频率,从而检测出各种分量的谐波和间谐波的参数。仿真研究表明该方法的可行性与有效性,并且可以准确地确定谐波的幅值、频率和时间。     

Multivariate autoregressive models for classification ofspontaneous electroencephalographic signals during mental tasks

This article explores the use of scalar and multivariate autoregressive (AR) models to extract features from the human electroencephalogram (EEG) with which mental tasks can be discriminated. This is part of a larger project to investigate the feasibility of using EEG to allow paralyzed persons to control a device such as a wheelchair. EEG signals from four subjects were recorded while they performed two mental tasks. Quarter-second windows of six-channel EEG were transformed into four different representations: scalar AR model coefficients, multivariate AR coefficients, eigenvalues of a correlation matrix, and the Karhunen-Loeve transform of the multivariate AR coefficients. Feature vectors defined by these representations were classified with a standard, feedforward neural network trained via the error backpropagation algorithm. The four representations produced similar results, with the multivariate AR coefficients performing slightly better and more consistently with an average classification accuracy of 91.4% on novel, untrained, EEG signals     

HHT在脑电信号去噪中的应用

脑电信号在采集过程中极易受到噪声的干扰,如何有效地去除混入脑电信号中的噪声已经成为信号前期处理的难点。根据脑电信号和噪声的特点,使用HHT方法去除脑电信号中的工频噪声,并通过信噪比和均方误差对去噪效果进行了检测。仿真结果表明该方法不仅能够有效地抑制工频噪声,还可以较好地保持脑电信号的波形特征。     

Study on denoising of continuous spectrum on-line monitoring signal of water quality with micro-reagents based on HHT

A continuous spectrum water quality on-line monitoring signal processing method based on Hilbert-Huang transform (HHT) is proposed in this paper, which combines the micro-reagent water quality on-line monitoring technology of sequential injection. The modulation signal and spectrum curve of each intrinsic mode function (IMF) component of the original spectrum signal were obtained by empirical mode decomposition (EMD). The water sample data of different concentrations in the continuous spectrum on-line monitoring system was analyzed by the HHT model. The noise signal was excavated to realize the noise reduction processing, and the reconstruction of the continuous spectrum signal was realized after the noise reduction processing was completed. The research results show that this method can effectively reduce the noise of continuous spectrum signals according to different signal-to-noise characteristics of continuous spectrum, and has convenient use, fast processing speed, and high resolution in the time-frequency domain, which effectively improves the stability and accuracy of the micro-reagent continuous spectrum water quality on-line monitoring system.     

基于改进EEMD的穿墙雷达动目标微多普勒特性分析

穿墙雷达动目标探测中人的心跳、呼吸、手臂摆动等运动的微多普勒信号是非线性、非平稳信号,可以采用经验模式分解(EMD)对其进行时频分析。由于EMD分解存在模式混合问题,该文提出一种改进的整体平均经验模式分解(EEMD)方法,并将其应用于穿墙雷达人的运动微多普勒特性分析中,并且对分解后的每个本征模式函数(IMF)进行Hilbert-Huang变换(HHT),得到信号的时间-频率-能量谱。仿真数据和实验结果分析均表明,改进的EEMD方法不仅能够有效消除EMD中的模式混合问题,将人运动微多普勒信号中的不同频率尺度分解在不同的IMF中,而且还能够有效抑制原始信号中的噪声,提高信噪比,得到更精细、更清晰的时频分布。     

Arterial stiffness using radial arterial waveforms measured at the wrist as an indicator of diabetic control in the elderly

Although current technique of photoplethysmography (PPG) is a popular noninvasive method of waveform contour analysis in assessing arterial stiffness, data obtained are frequently affected by various environmental and physiological factors. We proposed an easily operable air pressure sensing system (APSS) for radial arterial signal capturing. Totally, 108 subjects (young, the aged with or without diabetes) were recruited from July 2009 to May 2010. Arterial waveform signals from the wrist were obtained and analyzed using Hilbert-Huang transformation (HHT). Through ensemble empirical mode decomposition (EEMD), the signals were decomposed into eight intrinsic mode functions (IMF1-8) of which IMF5 was found to be the desired signal with a discernible diastolic peak. The results showed significant differences in reflection index (RI) and stiffness index (SI) from the young subjects and those from the aged participants with or without diabetes. Significant differences in RI and SI were also noted between subjects with well-controlled diabetes and those without. Good reproducibility and correlation were demonstrated. In conclusion, the present study proposed the application of radial arterial signal capturing subsystem and HHT in acquiring more reliable data on RI and SI compared with the conventional PPG method.     

基于改进经验小波变换的时频分析方法及其在滚动轴承故障诊断中的应用

经验小波变换是最近提出的非平稳信号分析方法,针对其不足,提出了一种改进的经验小波变换方法;同时结合瞬时频率新定义,提出了一种非平稳信号时频分析新方法.该方法首先通过改进的经验小波变换将一个复杂的非平稳信号自适应地分解为若干个具有紧支集频谱的内禀模态函数之和;再通过对每个内禀模态函数进行解调,得到原始信号的时频分布.将提出的方法应用于滚动轴承试验数据分析,并将其与希尔伯特黄变换进行了对比,结果表明,论文提出的方法能够有效地诊断滚动轴承故障,且诊断效果优于希尔伯特黄变换方法.     

抑郁症正性情绪加工脑电样本熵异常

本文通过研究抑郁症患者与正常人在处理不同情绪刺激时脑电信号样本熵的差异,探索抑郁症患者情绪加工异常的电生理机制。我们招募了16名抑郁症患者和14名健康对照组参与面部表情空间搜索任务,同时采集了他们完成任务时的头皮脑电信号。我们首先选用希尔伯特-黄变换获取脑电的各频段活动;然后通过比较抑郁症患者与健康对照组脑电的样本熵来研究两组受试者不同情绪加工的电生理差异;最后选取β频段样本熵作为特征,采用不同分类器和不同提取方式进行分类研究。结果反映,抑郁症患者在情绪加工上,尤其是正性情绪的认知加工上存在异常。同时也表明样本熵在一定程度上可以反映不同条件情绪加工脑电的特异性,可作为一种区分正常人与抑郁症患者的潜在的特征指标,用于抑郁症患者的辅助分类识别,为医生诊断抑郁症患者提供一种辅助方案。