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DWT、MEMD和模糊熵的脑电信号特征提取与分类研究

针对脑电信号分类准确率不高导致脑控设备控制稳定性差的问题,提出一种基于离散小波变换(DWT)、多变量经验模态分解(MEMD)和模糊熵的特征提取与分类方法。首先,利用DWT将脑电信号分解成一系列窄带信号;其次,利用MEMD对子带信号进行分解,得到一系列本征模函数(IMFs),选择合适的IMFs进行信号重构,利用模糊熵算法对信号提取特征,作为实验的特征向量;最后,使用支持向量机(SVM)进行分类。利用脑机接口(BCI)大赛数据作为验证集,验证了该算法的有效性,使分类精度提高到了96.2%,同时解决了经验模态分解(EMD)中频带覆盖较广的问题。     

基于CNN脑电信号伪迹检测与去除的EEMD方法

为了去除在脑电信号采集过程中受到的干扰,在传统方法的基础之上,提出了一种基于卷积神经网络(CNN)脑电信号伪迹检测与去除的方法。该方法通过CNN模型对脑电信号电压幅值计算后的特征进行提取,完成Softmax分类器对脑电信号的检测分类。采用EEMD算法将含噪脑电信号分解为若干个本征模式函数IMF分量,通过Hilbert特征法提取出噪声占主导的高频IMF分量,再由FastICA的方法将剩余信号分离,达到眼电伪迹的去除。实验表明,CNN方法检测准确率高达80%以上,CNN与EEMD的结合提高了脑电信号伪迹去除的有效性。     

基于音乐诱发脑电的抑郁症识别研究

抑郁症是最常见的精神类疾病之一,临床诊断存在困难,有必要寻找一种客观、高效的方式来辅助抑郁症的快速识别.通过融合中性、负性、正性音乐刺激下的不同脑电图(EEG)数据,提出一种新的抑郁识别方法来区分轻度抑郁症患者和正常对照组.在接受不同音乐刺激的同时同步记录抑郁症患者和正常对照组的脑电信号;然后从各模态的脑电图信号中提取线性和非线性特征,得到各模态的特征;此外,采用线性组合技术融合不同模型的脑电特征,构建全局特征向量,找出最佳的特征子集.最后比较了各分类器K-NN、DT和SVM的分类精度.实验结果表明,基于音乐刺激诱发脑电建立有效的抑郁症识别模型,KNN分类器的分类准确率最高达86.93％,可为抑郁症的辅助识别提供客观的指标和依据.     

P300信号分类的多样本融合支持向量机算法

脑电信号是大脑受到自发或诱发刺激所产生的一种变化的脑电活动,利用结合了多样本融合思想的支持向量机（SVM）算法,在不同受试者的多样本数据上对诱发脑电信号中的P300信号进行了分类识别。首先对实验数据进行预处理和特征提取,然后利用SVM算法训练分类模型,最后通过融合多个样本的预测结果对测试数据的P300信号进行识别。结果表明,相比单样本SVM算法该方法对检测数据有较高的分类准确率,能够成为P300脑电信号预测的较好方法,具有应用前景。     

四类运动想象脑电信号特征提取与分类算法

针对脑机接口(BCI)系统中存在的信息传输速率较慢和脑电信号识别正确率较低的问题,对多通道四类运动想象脑电信号进行研究.通过对4种运动想象及休息状态脑电信号进行功率谱分析,合理确定预处理滤波器的最佳滤波频段,然后使用PW-CSP,Hilbert变换及归一化处理的方法,对四类运动想象脑电信号进行特征提取,分类算法分为特征信号算术求和与阈值比较的预分类过程及包含单个支持向量机(SVM)的细分类过程,算法复杂度明显比采用多个SVM组合的多类分类算法要低,为实现算法的在线应用打下基础.仿真结果表明,该算法分类正确率高,时间开销小,并且可以通过调节阈值,在正确率与算法复杂度之间获得平衡.     

左右手运动想象脑电模式识别研究

如何提高左右手运动想象脑电信号的分类率是脑机接口研究领域的一个热点话题。基于美国EGI64导脑电采集系统得到3名健康被试的脑电数据,首先,采用独立成分分析（Independent Component Analysis,ICA）对采集的数据进行去噪处理;然后,利用离散小波变换方法对分解C3/C4处的EEG平均功率信号,选用尺度6上逼近系数A6的重构信号作为脑电特征信号;最后,用Fisher线性判别分析法（Fisher Linear Discriminant Analysis,FLDA）、支持向量机方法 （Support Vector Machines,SVM）和极限学习机分类方法 （Extreme Learning Machine,ELM）分别对特征信号进行分类。分类结果表明：极限学习机分类方法得出的平均分类率要高于Fisher方法与SVM方法的平均分类率,可以达到92%,而且运行速度也高于另两种分类算法。     

脑梗塞时心电信号和脑电信号的相关性分析

心电信号与脑电信号在心脑血管健康评测方面具有重要而不可替代的位置。临床中发现脑梗塞会引发心电信号和脑电信号同时产生异常现象,然而关于脑梗塞时引发的异常脑电信号和心电信号之间的关系研究甚少。通过FP-Growth算法研究,利用小波变换提取信号的特征值,对脑梗塞时心电信号和脑电信号的特征值进行关联分析,结果表明脑梗塞时脑电信号和心电信号存在关联关系,对脑梗塞疾病的预防及早期治疗具有重要的参考价值。     

基于时域、频域脑电(EEG)特征情感分类研究

目前的情绪识别技术已经成功地将情绪变化与脑电信号联系起来,并在适当的刺激下从脑电信号中进行识别和分类.因为声音以及表情等信号具有一定的伪装性,而脑电信号(EEG)和情绪的变化密切相关,通过对EEG信号的分析可以更精确的反映人的情感变化.对EEG信号的研究集中于通过时域和频域的角度提取出特征信号,采用基于熵(entropy)的可分性判断进行特征选择,分别使用SVM和HMM-SVM模型两种分类方法进行情绪分类,然后对分类结果进行分析、比较.结果表明,利用HMM-SVM模型基于频域特征的分类结果最好,平均准确率为83.93％.     

基于改进CSSD的脑电信号特征提取方法

针对脑-机接口系统在训练样本较少的情况下,存在脑电(EEG)信号特征值稳定性低、特征向量区分度差等不足,提出一种脑电特征提取方法,即正则化共空域子空间分解法(R-CSSD).该方法在传统共空域子空间分解(CSSD)算法的基础上引入正则化思想,通过正则化参数将目标实验者的训练数据与其他实验者(称为辅助实验者)的同类型训练数据进行有效结合,以构造正则化空间滤波器,完成对目标实验者运动想象EEG信号的特征提取,并进一步选用K近邻(KNN)算法实现脑电数据的分类.实验结果表明:在小训练样本情况下,R-CSSD方法有效提高了脑电信号特征值的稳定性,在提高分类正确率、降低时间消耗方面具有良好的性能.     

基于高斯核函数支持向量机的脑电信号时频特征情感多类识别

为了找到一种综合分析方法,提高对脑电信号情感多分类识别的分类精确度,将DEAP数据库中的脑电数据采用经验模态分解的方法分解为多个本征模函数,并对本征模函数按不同的时长窗口进行分片,提取其功率谱密度作为脑电信号特征.将被试对音乐视频的情感评价指数用于生成情感分类标签,按"唤醒度"和"效价"2个维度将评价指数映射到二维情感模型中,分成4类.采用"一对一"的高斯核函数支持向量机对脑电特征进行多分类分析.实验结果表明:高斯核函数支持向量机的最高分类准确度达到90.9%(22号被试),平均分类准确度达到68.3%.高斯核函数支持向量机能有效地从脑电信号中识别出不同的情感状态;同时,对于相同刺激,不同的被试产生的情感状态不同;并且,在清醒状态下,脑电信号的高频子波对情感分类有更高的分类精确度.     

基于HOC-SVM的运动状态下脑电的特征提取与分类

研究人脑在不同运动状态下的脑电信息,不仅能够揭示出各种运动状态对于大脑活动的影响,也是工程技术人员设计脑-机接口与神经修复系统的关键技术之一。文章根据脑电信号的μ节律变化,首次将表征时间序列摆动特性的高阶过零分析(Higher Order Crossing,HOC)方法运用于运动状态下的脑电信号的特征提取并结合支持向量机(Support Vector Machine,SVM)对输入的高阶过零特征量进行了有效的分类。将该方法提取的特征量与基于统计学的特征量分别用SVM进行分类,结果表明本方的识别率明显高于基于统计学特征量的方法。说明基于HOC-SVM方法在脑电信号的特征提取与分类中有较强的可行性和实用性。     

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...     

基于EEG的驾驶疲劳识别算法及其有效性验证

为有效识别驾驶员疲劳状态,基于脑电信号(electroencephalogram,EEG)提出了一种驾驶疲劳状态识别方法.首先,以时间段划分疲劳等级,并采用主、客观测评指标对疲劳等级划分的合理性进行验证.然后,利用快速傅里叶变换对脑电信号进行分析,在此基础上选取3种频段的平均幅值和5项合成指标,通过核主元分析(kernel principal component analysis,KPCA)构建疲劳识别脑电指标,结合支持向量机(support vector machine,SVM),构建了驾驶员疲劳状态识别模型.最后,采用30名驾驶员连续驾驶2 h的脑电数据,对该模型方法进行试算.试算结果表明:疲劳状态识别正确率为79.17%~92.03%,平均正确率为84.62%,该方法可用于驾驶疲劳识别.     

基于改进FSVM的旋转机械故障诊断算法

针对旋转机械故障诊断中采集到的振动信号存在强烈噪声及野值干扰,故障特征提取后,利用传统的支持向量机(support vector machine,SVM)进行模式识别会造成最优超平面的模糊性,影响分类效果,引入模糊C均值聚类算法(fuzzy C-means,FCM)与支持向量机结合进行故障诊断.FCM用来求解样本模糊隶属度,但其迭代求解聚类中心及样本模糊隶属度矩阵时容易陷入局部最优,而粒子群算法(particle swarm optimization,PSO)具有全局优化搜索的优点.基于此,提出了基于改进模糊支持向量机(fuzzy support vector machine,FSVM)的旋转机械故障诊断算法.首先,利用经验模态分解(empirical mode decomposition,EMD)提取故障信号的能量特征指标;然后,由PSO优化FCM求解样本的模糊隶属度;最后,将模糊隶属度引入SVM,构建改进的模糊支持向量机模型,并实现故障判别.实验结果表明:改进的FSVM比传统的FSVM算法有更好的抗造性能以及分类效果.     

基于EMD和SVM的高压断路器机械故障诊断方法研究

高压断路器操动过程中,声波信号的变化反映了断路器机械状态,声波信号特征提取直接关系到故障诊断的准确性和实用性。提出一种基于经验模态分解(empirical mode decomposition,EMD)的状态特征提取方法,根据高压断路器分闸过程的物理特点,将分闸声波信号分为分闸前期、分闸中期、分闸后期三个阶段,各阶段声波信号等时间分段,形成等时间分段能量熵以反映声波信号的时间、频率和能量变化。将能量熵输入支持向量机(support vector machine,SVM),采用"一对其余"策略进行多级分类,可诊断出断路器的正常运行状态和典型故障。通过对ZN28A型真空断路器正常状态、拐臂润滑不足、缓冲器有多余无效撞击和其它故障的测试实验,基于EMD和SVM相结合的诊断方法,有效提高了小样本下诊断断路器机械故障的准确性。     

脑机接口中基于BISVM的EEG分类

针对脑电信号(EEG)分类问题,提出基于批处理增量式支持向量机(BISVM)的分类方法.将所有数据通过批处理进行分组,采用第1组数据在SVM中建立初始分类器模型,将剩余组内数据顺序作为新增样本,对满足卡罗需-库恩-塔克(KKT)条件的样本进行增量学习和减量去学习,不断判断KKT条件并更新参数,丢弃错误样本,对初始分类器模型进行更新.对2008年脑机接口竞赛数据及本实验室采集数据,用小波包分解(WPD)结合共空间模式(CSP)进行特征提取,SVM、ISVM及BISVM分类.结果表明,BISVM的平均分类准确率相对SVM及ISVM分别提高了3.3%及0.3%,BISVM平均训练时间相对ISVM从1.076 s减少到0.793 s.BISVM为改善计算机对大脑的适应性,实现快速实时在线的脑机接口系统奠定基础.     

基于多特征融合的交通标志分类

为有效提高交通标志分类的准确度,提出一种融合全局特征和局部特征的多特征交通标志分类方法。首先提取能够描述标志图像内部纹理信息的局部二值模式(local binary pattern, LBP)特征,再提取能够表示标志图像形状信息的方向梯度直方图(histogram of oriented gradient, HOG)特征和描述图像粗略轮廓信息的全局Gist特征,然后采用线性组合方式,实现特征融合互补,并通过主成分分析(principal components analysis, PCA)法进行数据降维,最后采用支持向量机(support vector machine, SVM)分类器进行交通标志训练与识别。试验结果表明:相对于单一特征的交通标志分类方法,基于多特征融合的算法获得了更高的分类精确度,同时也满足实时性要求。