结合小波包和ICA的脑电信号特征波提取方法

为了更有效地提取脑电信号特征波,结合小波包和ICA（独立分量分析）,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,然后进行相关频段信号的重构,从而提取出特征波的概貌作为初次提取的特征波;再利用ICA分离技术,以初次提取的特征波为参考信号对其进行增强。实验结果表明,对比于独立地应用某一种方法,两种方法相结合更能有效地提取脑电信号特征波。     

基于小波包的LMD在EEG信号分析中的研究

脑电信号(Electroencephalograph,EEG)是一种产生自脑神经细胞活动的极其微弱的电位反映,同时也是一种非平稳、非线性的电信号。针对脑电信号在采集过程中易受到外界噪声干扰的问题,为了降低脑电信号中噪声的含量,提高脑电信号分解效率,提出了一种基于小波包的局部均值分解(Local Mean Decomposition,LMD)方法。该方法主要利用小波包对采集到的脑电信号进行去噪预处理,再通过局部均值分解进行分析。仿真实验结果表明,采用经过小波包去噪预处理的LMD分解能够有效地去除原始信号中的高频噪声,使得局部均值分解效率提高,且能够有效消除噪声分量对分解过程和结果的影响。     

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CEEMD小波包算法的降噪方法研究

针对脑电信号易受噪声干扰的特性,提出一种使用CEEMD小波包对脑电信号进行降噪的方法。首先对脑电信号进行CEEMD分解,得到一组固有模态函数分量（IMF）,然后对包含噪声的IMF分量采用小波包阈值降噪,同时保留信号的低频IMF分量,最后将使用小波包阈值降噪的IMF分量和保留的IMF分量进行累加重构,从而得到最终降噪后的脑电信号。仿真结果表明采用CEEMD小波包对脑电信号进行降噪,在抑制噪声的同时,还有效地保留了脑电信号的细节特性,达到良好的去噪特性。     

基于改进小波包与样本熵的表面肌电信号特征提取

针对表面肌电信号(sEMG)进行小波包分解后子空间维数较大导致部分子空间的特征信息被减弱和相邻子空间的频率接近会导致不同程度的信息冗余问题,提出了一种基于改进小波包与样本熵相结合的特征提取方法.在对原始sEMG进行小波变换的同时,对其某一高频子空间也进行小波变换,提取改进小波包分解后四个低频子空间的样本熵作为特征.在智能轮椅平台上进行实验,实验结果显示采用基于该算法的轮椅系统不仅正确识别率较高,而且稳定性更好.     

基于小波包分析的数字信号处理

小波包分析具有优良的时频特性,可以有效地用于数字信号的消噪处理和对信号进行特征提取。小波包分析可以对电机振动故障进行诊断,以便随时排除故障。同时,给出并分析了试验结果。     

基于小波包变换的肌电信号特征提取

本文提出一种新的基于小波包变换的特征提取方法,提取表面肌电信号进行小波包变换后得到的信号的协方差矩阵的特征值的最大值作为特征值。利用该方法对表面肌电信号提取特征值构建特征矢量,送入Elman神经网络对手部6种动作模式进行识别,在Matlab平台上进行实验仿真。实验结果表明,该方法取得了很好的识别效果。     

基于小波包最优基的运动想象EEG自适应特征提取方法

针对运动想象脑机接口系统存在分类正确率低、自适应能力差等不足,提出一种基于小波包最优基的自适应特征提取方法;该方法首先对运动想象EEG进行小波包分解;其次,对传统的距离准则进行改进,通过引入权重因子表征对类内距离和类间距离的关注程度,获得一种既可满足小波包最优基评价准则的可加性条件,又有效地增强了频带特征信息的可分离性的评价准则;进而,采用自底向顶、自左至右的快速搜索策略获取小波包最优基,并选取最优基对应的分类性能评价值较高的部分频带小波包系数构成分类特征;仿真结果表明本方法最高分类正确率可达93.4%,与常用的时频分析方法对比,验证了本算法具有较高的分类正确率和较小的时间花费。     

基于小波包提取特征的声纹识别

关于生物特征识别问题,人耳的听觉识别精度很重要.识别研究难点在于如何选取有效的耐噪特征参数,以提高识别率,传统的特征参数都将语音视为一种平稳信号进行处理,不能很好的反映语音信号的动态特性,故不能得到较好的识别率.针对提高抗噪声性能和识别声信精度,提出了一种新的特征参数(DWP-MFCC),用在感知倒谱分析(Mel-Cepstrum)的基础上引入多分辨率小波包分析技术,通过提高时频分辨率,增强语音动态信息,克服了原有单一线性分析的不足,并基于矢量量化(VQ)系统进行说话人识别实验.实验证明,与LPCC和MFCC参数相比采用新方法使系统的识别率得到显著的提高.     

小波包熵和BP神经网络在意识任务识别中的应用

探索了小波包熵和BP神经网络在识别左右手想象运动中的作用.采用脑-机接口2003竞赛中Graz科技大学提供的脑电数据,计算C3、C4电极8～16Hz频带脑电信号的小波包熵,将其作为反应想象左右手运动的特征量,用BP神经网络对大脑想象左右手运动任务进行分类,最大分类正确率可达88.57%,与使用线性判别式算法分类结果相比,效果更好.脑电信号小波包熵随时间的变化与事件相关去同步和事件相关同步现象相一致,可在线识别左右手想象运动,为大脑运动意识任务的特征提取及肢残患者的临床康复提供了新思路.     

基于能量特征的脑电信号特征提取与分类

为了快速、有效地提取脑电特征,提高分类正确率,采用带通滤波和小波包分析的方法提取Mu、Beta节律对应的脑电信号,在时域范围内,将信号幅度的平方作为能量特征值;在频域范围内,采用AR模型功率谱估计法所得的功率谱密度作为能量特征值.根据运动想象脑电信号特点,构造左右通道信号能量差值的符号特性作为分类判别依据,进行分类测试,方法简单.初步实验结果表明,所利用的两种方法的分类正确率达87.857%.     

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。     

基于改进HHT和样本熵的脑电信号特征提取

针对运动想象脑电信号在经验模态分解（EMD）后人为选取固有模态函数（IMF）导致重构信号混入噪声且丢失有用信息的问题,提出一种改进希尔伯特‐黄变换（HHT）和样本熵结合的特征提取方法。在原始脑电信号经过EMD后,计算各个IM F与原始信号的相关系数以及IM F中瞬时频率在μ／β节律频带内的个数,提取有效IM F的能量均值,联合计算脑电信号的样本熵构成特征向量,采用支持向量机（SVM ）分类器对提取的特征进行分类,在智能轮椅平台上对算法进行验证。验证结果表明,采用改进 HHT结合样本熵的智能轮椅系统有较高正确识别率,稳定性更好。     

改进的Gabor小波变换特征提取算法

针对基于Gabor小波幅值与相位的人脸特征提取方法的特征级联方式使得特征向量维度较高的问题,提出了一种改进的Gabor小波变换特征提取算法。该算法计算局部幅值特征和局部相位特征,增强了每个像素的局部关联性;然后通过实验选定加权系数,将幅值特征与相位特征进行加权融合。实验结果表明,该算法与改进前的算法相比,降低了特征向量的维度,且提高了最终的人脸识别率。     

基于小波变换的高光谱散射图像特征提取

高光谱散射图像的特征提取是影响模型精度的重要因素。本文对600个'Golden Delicious'苹果样本的高光谱散射图像进行分析,分别采用平均反射法和小波变换提取特征。小波变换以Danbechies小波系的Db1函数作为基函数进行1层和2层小波分解,然后选取小波低频系数的一范数作为特征值。利用Kennard-Stone算法划分样本,450个样本用于建模,150的样本用于预测。不同方法提取的特征值输入结合偏最小二乘(PLS)算法建立苹果内部品质的预测模型。结果表明1层小波变换特征提取方法与平均反射(mgan reflectance,Mean)特征提取方法相比能将硬度的预测集相关系数从0.797提高到0.821,预测集均方根误差保持不变;糖度的预测集相关系数从0.837略微提高到0.842并降低了预测集均方根误差。因此小波变换为高光谱散射图像提供了一种有效的特征提取方法。     

基于小波包分析的经络心电信号熵特征提取

为研究人体经络特征,提出了基于小波包分析的经络穴位心电信号熵特征提取的方法。首先通过建立经络检测实验采集了经络测试点的心电信号,然后采用小波包对经络心电信号进行三层分解,并根据重构后的心电信号提取经络穴位的熵特征。同时采用了K-means和模糊C均值聚类方法实现了穴位点和非穴位点的有效分类。研究结果表明经络上穴位点心电信号的能量熵明显大于非穴位点的熵值,并且这一特征可以作为区分经络穴位点和非穴位点的有力科学依据。     

雷达辐射源信号小波变换特征提取方法

在小波域滤波算法的基础上提出一种对雷达辐射源信号进行脉内特征提取方法,该方法能够从信号中有效地提取定量信息。将小波变换后低频逼近小波系数的能量分布熵与经过尺度相关去噪计算后反映信号边缘的高频细节小波系数能量分布熵构成雷达辐射源信号的二维特征向量。通过对10种雷达辐射源信号的特征提取和分类仿真实验分析表明：提取的样本特征在0 dB下具有很好的抗噪性和可聚类性,方法是有效的。该方法能够简化分类器的设计,有利于工程应用。     

EEG signal classification using wavelet feature extraction and a mixture of expert model

Mixture of experts (ME) is modular neural network architecture for supervised learning. A double-loop Expectation-Maximization (EM) algorithm has been introduced to the ME network structure for detection of epileptic seizure. The detection of epileptiform discharges in the EEG is an important component in the diagnosis of epilepsy. EEG signals were decomposed into the frequency sub-bands using discrete wavelet transform (DWT). Then these sub-band frequencies were used as an input to a ME network with two discrete outputs: normal and epileptic. In order to improve accuracy, the outputs of expert networks were combined according to a set of local weights called the “gating function”. The invariant transformations of the ME probability density functions include the permutations of the expert labels and the translations of the parameters in the gating functions. The performance of the proposed model was evaluated in terms of classification accuracies and the results confirmed that the proposed ME network structure has some potential in detecting epileptic seizures. The ME network structure achieved accuracy rates which were higher than that of the stand-alone neural network model.