基于ICA和相关性分析的脑电信号眨眼伪迹去除

眨眼伪迹是脑电信号采集过程中的常见噪声,严重影响其有用信息的提取。该文尝试采用独立成分分析中的快速算法分离脑电信号中的各个独立分量,并通过相关性分析自动识别独立分量中的眨眼伪迹干扰并去除。研究结果表明该方法能有效识别和去除眨眼伪迹,在脑电信号的处理中有重要应用价值,值得深入研究和推广。     

基于小波包和改进EMD的脑电信号消噪研究

由于采集到的脑电信号含有噪声,提出了总体经验模态分解(EEMD)的希尔伯特黄变换(HHT)结合小波包分析的脑电信号去除噪声的方法。含噪脑电信号经EEMD分解可以得到一定数量的IMF分量,而且可以解决经验模态分解(EMD)时的模态混叠问题,然后,对IMF分量进行Hilbert变换,分析Hilbert谱,把含噪的IMF部分进行小波包处理,最后,把各IMF相加,可得处理过噪声的脑电。经验证得,单独使用小波包方法消噪和改进EMD消噪,都没有小波包结合改进EMD方法的信噪比高,提高了去噪效果,有利于更精确的诊断医学疾病。     

基于局域均值分解与典型相关分析的眼电伪迹去除方法

为消除眼电伪迹( ocular artifact, OA)对脑电信号( electroencephalography, EEG)造成的严重影响,提出一种基于局域均值分解法( local mean decomposition, LMD)与典型相关分析( canonical correlation analysis, CCA)的眼电伪迹自动去除方法,记为LMDC法。首先,利用LMD将每导脑电采集信号自适应地分解为一系列具有物理意义的乘积函数( production function, PF)分量,通过CCA去除PF分量之间的相关性,获得相应的典型变量;其次,计算每导脑电信号与多导眼电信号间的相关系数矩阵,实现眼迹成分的自动识别,将典型相关变量中对应眼迹成分的部分随机变量置零,其余随机变量不变,得到新的典型相关变量;最后,基于CCA逆变换将新的典型相关变量投影返回得到眼迹去除后的PF分量,并进一步重构出眼迹去除后的脑电信号。基于BCI竞赛数据库进行实验研究,结果表明：LMDC法相对其他常用方法获得了较好的眼迹去除效果,并对多位实验者和多种眼迹表现出较强的自适应性。     

EMD及其在脑电分析中的应用研究

基于经验模态分解(EMD)的数据分析方法,是一种针对非线性、非平稳信号处理的新方法.使用EMD法可以将任意复杂的数据信号分解为多个有限的、数据量较小的“本征模函数”(IMF).这些本征模函数很适合求其Hilbert变换.信号的局部能量和瞬时频率都可以从其本征模函数中推导出来.这个完整的能量-频率-时间关系称为Hilbert谱,它是一种分析非线性、非平稳信号的理想方法.介绍了EMD法的原理和实现过程,给出了多个实例的本征模函数和Hilbert谱.并展示了它在非稳态信号处理中的特性.同时,还探索将这种基于EMD的分析方法应用于脑电信号的分析中,并给出了脑电信号的部分本征模函数(IMF)分量及Hilbert振幅和频谱图.试图用一种新的方法分析复杂的非平稳脑电信号.     

酒精脑电信号降维去噪方法的研究

脑电信号数据维度高,且极易受到噪声干扰。除环境噪声干扰外,自身伪迹干扰对脑电的影响更严重,因此,对采集到的原始数据进行去噪处理是有必要的。常见的脑电去噪方法 (如FastICA、奇异性检测、差分谱法等)并不适用于采样点数有限的酒精脑电去噪,经过实验,去噪后的酒精脑电信号特征损失严重。针对酒精脑电数据特点在传统脑电信号预处理方法的基础上,提出了一种基于主成分分析算法(Principal components analysis,PCA)和奇异值迭代分解法(Singular Value Decomposition,SVD)相结合的方法对酒精脑电信号进行去噪。通过PCA算法成功将64维脑电信号降至15维,减少了脑电信号处理的计算量,对提取的主成分进行4次奇异值迭代分解,达到了对脑电信号去噪的同时保留了更多信号特征的目的。     

基于Teager能量算子和EEMD的滚动轴承故障诊断方法

针对应用集合经验模态分解(ensemble empirical mode decomposition,EEMD)方法难以提取强噪声背景下滚动轴承微弱故障特征的问题,提出了将最小熵反褶积(minimum entropy deconvolution,MED)和小波阈值去噪与EEMD相结合的改进方法.先采用MED对滚动轴承振动信号降噪,增强冲击特征;然后利用基于EEMD的小波阈值去噪方法处理降噪后信号得到一组固有模态分量(intrinsic mode function,IMF),并依据相关系数准则剔除虚假分量;对重构后信号进行Teager能量算子解调分析,提取其微弱故障特征.通过仿真信号和实验台信号验证了该改进方法的有效性.     

脑机融合控制中脑电伪迹处理方法

脑机融合控制的典型控制信号源是脑电,然而脑电信号具有低信噪比、低空间分辨率、极易受到伪迹的污染,这给该类控制系统中脑电信号的处理带来了巨大的挑战.针对脑电中存在的各种伪迹,分析总结了各种伪迹处理方法并比较它们的优缺点,最后针对脑机融合控制的实用化需求,指出该领域脑电伪迹处理方法未来的研究方向——在线实时、自适应/机器学习、免伪迹参考、少通道/单通道、优化融合多种有效方法综合去除EEG中的主要伪迹.     

基于EEMD-CNN-GRU的短期风向预测

为了提高短期风向的预测精度,提出一种基于集合经验模态分解（Ensemble Empirical Mode Decomposition,EEMD）、卷积神经网络（Convolutional Neural Network,CNN）和门控循环单元网络（Gated Recurrent Unit,GRU）的混合模型：EEMD-CNN-GRU.针对风向序列的随机性和不平稳性等特点,先利用EEMD将数据分解成多个分量;再运用CNN的局部连接和权值共享来提取分量中的潜在特征;最后,使用GRU对CNN所提取的潜在特征进一步构建特征,叠加各分量的预测值,得到最终预测结果.实验结果表明：相对于BP神经网络和长短期记忆网络（Long Short-Term Memory,LSTM）等其他模型,本文所提出的预测方法取得了良好的性能.     

基于集合经验模态分解法的局部放电信号去噪

针对局部放电检测中存在较多白噪声干扰的问题,采用基于集合经验模态分解的方法对放电信号进行消噪处理。该方法首先利用集合经验模态分解(EEMD)把信号分解成多个经验模态函数分量(IMFs),然后利用3σ法则对各分量进行细节信息提取和能量估计,最后对IMF分量进行PCA变换,并根据IMF所含噪声能量选择主成分分量进行重构。EEMD建立在经验模态分解(EMD)基础之上,通过人为添加白噪声成分,并利用多次重复取均值的方式去除白噪声,同时抑制模态混叠现象。仿真数据分析表明,所提消噪方法可以有效抑制局部放电噪声干扰,成功提取出有效的局部放电信号。     

基于窗口经验模式分解的医学图像增强

提出了基于窗口经验模式分解(WEMD)的医学图像增强算法。用WEMD算法分解医学图像,能够自适应地提取图像的内涵模式函数(IMF)分量。利用IMF分量图像的直方图服从正态分布的特性,结合直方图匹配算法的增强能力处理前几个IMF分量,经处理的IMF分量中的高频细节信息得到增强。将处理后的IMF分量和剩余分量重构,获取增强的医学图像。实验表明,WEMD算法增强效果优于目前的图像增强算法。 更多还原     

基于EEMD降噪与非抽样提升小波包的滚动轴承故障诊断方法

针对传统小波包在诊断滚动轴承隐含故障中存在频率混叠、精度不高等问题,提出一种基于集成经验模态分解(ensemble empirical mode decomposition,EEMD)降噪与非抽样提升小波包相融合的故障诊断方法.首先利用EEMD方法分解原始故障信号得到多个本征模态函数(intrinsic mode function,IMF)分量,然后计算各个IMF分量与原始信号间的相关系数,并与设置的相关系数阈值相比较,将小于阈值的IMF分量视为伪分量予以剔除; 对剩余的IMF分量采用峭度准则再次筛选最优IMF分量进行重构,进而实现降噪目的.为了避免传统小波包因采取抽样运算方式导致频率混叠情况,文中采用非抽样运算的提升小波包来分解降噪信号,并采用Hilbert变换进行包络解调分析得到滚动轴承的故障位置.仿真实验和滚动轴承内圈故障应用实例表明:采用EEMD分解原始故障信号,结合相关系数-峭度准则,达到了很好的降噪效果; 采用非抽样提升小波包比传统小波包具有更高的故障诊断精度,且不存在频率混叠问题.     

基于EEMD-JADE的桥梁挠度监测中温度效应的分离

针对桥梁挠度各成分的分离问题,提出一种基于EEMD-JADE的单通道盲源分离算法。首先,利用传统的集合经验模态分解法（Ensemble Empirical Mode Decomposition,EEMD）将单通道的桥梁挠度信号分解为一系列线性平稳的本征模函数（Intrinsic Mode Function,IMF）;然后,采用基于能量熵增量的判别法识别并剔除虚假的IMF分量,将能量熵增量较大的IMF分量组成盲源分离模型的输入信号;最后,采用矩阵联合近似对角化（Joint Approximate Diagonalization of Eigen-matrices,JADE）算法对输入信号进行盲源分离。JADE算法在源信号频率差异较小且频率有所混叠的状况下也能较好地分离出源信号,但要求观测信号数必须大于等于源信号数目;EEMD具有良好的自适应性,能够将单通道的混合信号进行多尺度分解,形成多通道信号,但分解结果存在端点效应与模态混叠。JADE算法能够解决EEMD分解结果存在的端点效应与模态混叠问题,且EEMD也解决了JADE分离算法的先决条件。两种算法优势互补,能够较好地分离出各挠度组分。通过有限元软件Midas/civil建立了背景桥梁模型,经仿真分析得到了各单项因素作用下的桥梁结构响应,并将其叠加在一起作为待分离的混合挠度信号。仿真信号分离的结果与源信号的相关系数均在0.98以上,说明分离效果较好。最后,采集实测挠度信号进行分离,处于对称位置测点分离出的各挠度组分的相关系数均在0.9以上,证明了该算法的适用性。     

基于EEMD穿墙雷达人的运动模式识别

根据穿墙雷达动目标探测中人的运动多普勒信号属于非线性、非平稳信号的特点,分别采用经验模式分解(EMD)和整体平均经验模式分解(EEMD)将人.5种运动的多普勒信号分解为一系列本征模式函数(IMF).采用支持向量机(SVM)学习算法,将两种方法分解后的各IMF能量占总能量的百分比作为支持向量机分类器的特征向量进行模式识别...     

经验模态分解在电力绝缘气体SF6红外光谱去噪中的应用

经验模态分解(EMD)是以信号极值特征尺度为度量的时空滤波器,它充分保留了信号本身的非线性和非平稳特征,在信号去噪中具有较大的优势。本文以电力绝缘气体SF6为研究对象,在介绍E MD分解方法的基础上,首先对含噪的SF6光谱信号做EMD分解,得到各阶本征模态函数(IMF),然后对高频的IMF分量用阈值法进行处理,把经过阈值处理后的高频I MF分量与低频IMF分量叠加重构得到去噪后的信号。分析了在不同噪声水平上与小波阈值去噪方法的处理效果。实验结果表明EMD阈值去噪法有效地去除了噪声,较好地保留了光谱的细节信息,与小波阈值去噪方法相比较具有自适应的优势。     

组合核RVM与EEMD信息熵的机械设备可靠度评估与预测

机械设备的运行可靠度反映的是机械设备在预期服役环境中正常工作的能力,传统的机械设备运行可靠度评估方法通常是建立在大量历史样本信息的基础上,然而针对没有历史样本信息的机械设备,传统方法难以对机械设备的实际运行状态进行准确评估,也很难对其未来的性能退化趋势进行有效预测。为此,提出通过构建归一化EEMD信息熵与组合核函数相关向量机对机械设备的运行状态进行评估和预测。首先采集机械设备运行过程中的振动信号,采用经验模式分解方法（ensemble empirical mode decomposition,EEMD）对振动信号进行分解,获得多个本征模态函数（intrinsic mode function,IMF）分量,并分别计算其相对能量和归一化EEMD信息熵,构造表征机械设备运行状态的特征指标。随后,构建组合核相关向量机对机械设备的运行状态指标量样本进行学习,并采用粒子群算法对组合核相关向量机中的权值参数和核函数参数进行优化,建立反映机械设备运行状态的可靠度预测模型。最后,将所构造的运行状态特征指标输入给相关向量机进行可靠度的性能退化预测。滚动轴承运行状态评估及预测的结果表明,所提出的机械设备运行状态评价方法能够充分提取反映滚动轴承运行状态的特征信息,运行可靠度预测方法也充分考虑了滚动轴承性能退化状态的历史规律性,相对于单一核函数相关向量机智能预测模型,组合核相关向量机提高了滚动轴承运行状态的预测精度和鲁棒性,为机械设备的运行状态评估和性能退化趋势预测的工程应用提供了一种新的方法。     

Speech-stream detection in short-wave channel based on empirical mode decomposition and higher-order statistics

To capture the presence of speech embedded in nonspeech events and background noise in short-wave non-cooperative communication,an algorithm for speech-stream detection in noisy environments is presented based on Empirical Mode Decomposition (EMD) and statistical properties of higher-order cumulants of speech signals.With the EMD,the noise signals can be decomposed into different numbers of IMFs.Then,the fourth-order cumulant (FOC) can be used to extract the desired feature of statistical properties for IMF components.Since the higher-order cumulants are blind for Gaussian signals,the proposed method is especially effective regarding the problem of speech-stream detection,where the speech signal is distorted by Gaussian noise.With the self-adaptive decomposition by EMD,the proposed method can also work well for non-Gaussian noise.The experiments show that the proposed algorithm can suppress different noise types with different SNRs,and the algorithm is robust in real signal tests.