基于小波变换的脑电信号瞬态特征提取

本文探讨了利用小波变换对脑电信号瞬态提取的新方法.实验结果表明基于小波变换的脑电信号瞬态检测法能方便而有效地完成瞬态波形的检测与参数提取.     

基于小波变换的心电采集分析系统设计与实现

针对心电信号微弱和非平稳的特点,采用Ag/AgCl表面心电电极拾取心电信号,设计了心电信号预处理电路,并在LABVIEW环境下开发了心电信号小波滤波与心电波群检测应用程序;在LabVIEW程序设计过程中采用正交小波变换去除心电的基线漂移,再用非抽样小波变换去除心电信号中的噪声,最后用多尺度小波变换检测心电信号中的心电波群点位;经过实验表明,系统不仅能够有效的采集心电信号,消除信号中的基线漂移和噪声,并且还能找到心电倌号中重要的点位。     

基于新型能量算子和多尺度熵的癫痫自动检测

提出癫痫检测的新算法,创新地使用新型能量算子和多尺度熵,不仅能够实时跟踪脑电信号能量,而且可以在脑电信号未知情况下提取其有效的特征信息。对脑电信号进行一定尺度的小波变换;利用新型Teager能量算子和多尺度熵提取脑电信号的非线性特征,将特征信号输入到极限学习机中,用来识别正常脑电信号与癫痫脑电信号。实验结果表明,此方法具有高分类精度,可达到98.89%,优于文献中所报道的多种检测方法,可以应用于癫痫临床检测。     

基于小波分析的脑电智能诊断应用与研究

根据小波分析的多分辨率特性,重点分析了多分辨率特性在脑电诊断中的应用.首先确定小波函数和分解层数,进行小波变换,对脑电高频低频进行小波变换重构信号,接着基于在不同尺度下伪迹和异常波不会完全相同的原理,将脑电信号分解到各个尺度上.把分解后的脑电信号输入神经网络进行识别,最终输出异常波的识别结果.     

基于小波的模拟自然阅读事件相关电位单次提取的研究

选择适当的信号处理方法从脑电信号中提取用户的信息和命令,是改进脑计算机接口通信速率的方法之一.由于自发脑电信号(electroencephalograph ,EEG)是非高斯有色噪声,且自发脑电信号的频谱不规则,与有效信号的频谱相重叠,传统的滤波方法难以取得较好的效果.基于随机噪声与有效信号的小波变频模极大值在不同尺度下的传播行为不一样的原则,提出了一个基于自回归模型和小波变换多尺度分析的模拟自然阅读事件相关电位的单次提取方法.经对实际脑电信号处理的实验表明,该算法能更为有效的提取脑电信号.     

基于ICA-WICA方法的脑电信号α波提取的仿真研究

脑电信号的波形提取和特征提取成为当前研究的热点,其中较多的是对能反应大脑某种状态波的特征提取,比如反应闭眼脑功能的α波。通常测得的脑电信号会有很多的干扰,用ICA的方法对脑电信号的多种噪声信号进行分离和去除,然后对脑电信号α波成分进行了基于小波变换的多尺度分析,结合ICA的方法对脑电信号α波成分进行二次提取(即本文中提出的ICA-WICA方法)。最后的仿真结果证明了这种方法的有效性。     

运动想象脑电信号特征的提取与分类

为了能更好地对左右手运动脑电信号进行检测,用VC设计了脑电处理的上位机系统,利用小波变换和SVM的方法对脑电信号进行研究。这种方法主要是通过小波分解,针对C3电极处脑电信号,将脑电信号中各成分分别突出到不同尺度。提取不同尺度上的脑电信号的两种特征,即变化系数和波动指数。然后再将这两种特征组成一个向量送到支持向量机中进行训练和检测。共选取了四种采样频率,准确率最高达到98．32％。     

奇异目标信号的多尺度定位识别方法

在复杂环境下检测微弱目标信号是信号检测技术中关键问题。基于奇异目标信号和噪声干扰在多尺度小波变换下表现出截然不同的特性,利用奇异目标信号的小波变换模极大值随尺度增大而增大,而随机白噪声小波变换模极大值随尺度增大而减小,进行复杂环境中的目标定位识别。理论和实验表明该方法特别适合弱信号的定位识别。     

奇异目标信号的多尺度定位识别方法

在复杂环境下检测微弱目标信号是信号检测技术中关键问题。基于奇异目标信号和噪声干扰在多尺度小波变换下表现出截然不同的特性，利用奇异目标信号的小波变换模极大值随尺度增大而增大，而随机白噪声小波变换模极大值随尺度增大而减小，进行复杂环境中的目标定位识别。理论和实验表明该方法特别适合弱信号的定位识别。     

基于全频带小波能量相对熵的脉冲涡流感应信号辨识

脉冲涡流检测是一种新兴的无损检测技术,检测方便、成本低、安全性好,适用于对各种材料缺陷进行在线检测。然而,脉冲涡流感应信号强度微弱、识别困难,必须采用比较有效的信号处理方法对信号进行处理。为了提高脉冲涡流检测系统的精度和正确率,在详细分析了脉冲涡流感应信号特性后,提出了一种基于全频带小波能量相对熵的脉冲涡流感应信号辨识方法。对几种典型脉冲涡流感应信号的采样数据进行多尺度小波分解,并单支重构各尺度小波系数。利用小波变换对局部信号特征的放大作用以及小波相对熵对信号之间差异的辨识优势,计算各尺度小波能量占所有小波系数能量的权重系数,及原始信号在各频带下的小波能量相对熵,然后根据小波能量相对熵对脉冲涡流感应信号的类别进行信号辨识。理论分析和试验表明,该方法能够有效消除干扰,提高无损检测的精度和正确率。     

基于头动与眼电信号的疲劳检测研究

针对疲劳识别率有待提高和现行疲劳检测设备不便携带的问题,提出一种以便携式眼镜为载体结合处理头动与眼电信号的疲劳检测方法.利用便携式眼镜采集头动与眼电信号并通过蓝牙将数据传输到手机终端.采用融合卡尔曼滤波算法处理头动信号并提取点头频率特征,采用Perclos算法P80原理和分段平均功率比值法处理眼电信号得到眨眼频率和低高...     

基于小波熵的电机故障诊断

小波分析的方法为弱信号检测技术开辟了一条新途径,但小波变换对弱信号进行特征提取的关键在于确定小波系数的阈值．基于小波熵分析的方法能够在强噪声环境中对微弱信号准确定位,实现低能量的瞬变信号有效提取。仿真实验证明小波分析技术对电机声频故障诊断十分有效,有进一步的研究的必要,在电机的故障诊断方面小波有良好的应用前景。     

基于小波包变换的脑电波信号降噪及特征提取

针对原始脑电波信号存在非平稳性且非常容易受到各种信号干扰等特点,对基于小波变换和小波包变换的脑电波信号的滤波降噪方法,和基于小波包变换的脑电波信号特征提取方法进行了研究。首先利用MindSet采集到原始脑电波数据,然后分别应用小波变换和小波包变换对其进行降噪处理,比较了两种方法的性能,验证了基于小波包变换的降噪方法的优越性和特征提取方法的有效性。     

基于小波变换Mallat算法的电网谐波检测方法

针对传统的傅里叶变换方法在分析非平稳运行电网的电量信号时误差较大的问题,提出了一种基于小波变换Mallat算法的电网谐波检测方法。该方法根据不同的分辨率将电量信号分解到不同的子频段,然后分别对子频段进行多次重构,得到原始信号的基波,最后将采样得到的原始信号与重构的基波信号相减,得到谐波信号。Matlab仿真结果表明,该方法能够有效地将电量信号中的基波与谐波成分分离,谐波检测精确度较高。     

基于Wavelet-CNN的电磁炮过靶信号识别方法

电磁炮测试中,炮口产生强烈的火光信号以及振动等噪声,会严重干扰电枢特征信号的识别处理;为了提升对电枢信号的自动识别率,提出了一种基于小波变换和卷积神经网络(CNN)相结合的电枢信号识别方法;利用小波变换对过靶信号进行小波阈值去噪,进而重构信号,然后利用CNN提取信号的深层次特征,通过CNN的全连接层输出信号的分类结果;当输入信号为电枢信号时,对其作最大值检测获取电枢信号的特征点;实验结果表明,所提方法对比传统小波阈值滤波法在特征点自动拾取准确率上提升了5.88%;该算法对电磁炮电枢过靶信号的滤波、识别具有一定的参考意义。     

Decision-level fusion based on wavelet decomposition for induction motor fault diagnosis using transient current signal

In this paper, we propose and implement a decision-level fusion model by combining the information of multi-level wavelet decomposition for fault diagnosis of induction motor using transient stator current signal. Firstly, the start-up transient current signals are collected from different faulty motors. Then signal preprocessing is conducted containing smoothing and subtracting to reduce the influence of line frequency in transient current signals. Next, we employ discrete wavelet transform technique to decompose the preprocessed signals into different frequency ranges of products, and then features are extracted from decomposed detail components. Finally, two decision-level fusion strategies, Bayesian belief fusion and multi-agent fusion, are employed. That is, fault features are classified using several classifiers and generated decisions are fused using a specific fusion algorithm. The proposed approach is evaluated by an experiment of fault diagnosis for induction motors. Experiment results show that excellent diagnosis performance can be obtained.     

基于自相关平方函数与小波变换的基音检测

在背景噪声干扰条件下,研究语音信号的基音周期,提出了一种基于自相关平方函数与小波变换结合的基音检测算法。该算法先用小波变换对带噪语音去噪,然后再求语音的自相关平方函数以突出真实基音周期的峰值,以获取较精确的基音周期。实验结果表明,与传统的自相关法相比,该算法鲁棒性好,具有更高的准确性,且计算复杂度低,利于语音合成和编码的实时处理。     

子波分析在脑电图癫痫波提取中的应用研究

利用子波和子波变换的性质，并根据其对一小段医学信号的异常信号，可以灵敏地通过子波系数反映出来的特点，将子波分析应用于脑电图（ＥＥＧ）信号处理，把癫痫波从常规ＥＥＧ信号中提取出来，文中给出子波变换分析ＥＥＧ信号的实例，理论和实验表明，利用子波变换检测常规ＥＥＧ中的病理波有独到之处。     

基于小波包分解的时变脑电节律提取

研究从时变非平稳脑电信号中提取脑电动态节律的新方法。首先用小波包分解构造不同频率特性的时变滤波器以提取各种时变的脑电节律，研究临床脑电信号瞬时变化。在此基础上测试并分析两种不同功能状态下的脑电信号，并由此构造各种节律的时变脑电地形图。实验结果表明，小波包分解可以有效提取脑电不同节律的动态特性，此方法也适用于分析其他生物医学信号。     

基于多子带信号采样和小波变换的宽带频谱感知*

在GHz级宽带信号频谱感知中,如果直接采样此宽带信号,其所需采样速率太高,超过现有的模数转换器指标;确切估计出主信号所占频段,可以进一步提高频谱利用率;因此本文基于调制宽带转换系统（MWC）,提出一种基于多子带信号采样和小波变换的宽带频谱感知方法。首先利用MWC实现宽带信号的低速率采样,得到子带信号;然后提出一种噪声功率及检测门限估计方法,再利用能量检测法实现对非噪声子带的频谱感知;最后利用小波变换对信号子带进行频谱边缘检测,以确定主用户信号占用频段的确切位置信息。仿真结果验证了本文所提出的宽带频谱感知方法的可行性和有效性。