基于SVM的EMD端点效应抑制方法研究

针对经验模态分解在对脑电数据进行处理时存在的端点效应问题,提出了一种新的端点效应抑制方法。该方法将支持向量机和数据加窗进行结合对原始信号进行处理。该方法包括三个步骤：采用支持向量机对原始信号两端分别延拓有限个极大值和极小值;用窗函数对延拓后的数据进行加窗处理;分别对原始信号以及支持向量机延拓和加窗处理后的信号进行经验模态分解,并舍弃各阶固有模态函数中延拓的数据点。为了分析所提方法的性能,以正交性作为量化评价指标对比不同方法的性能。以人工信号和实际脑电信号为实验对象进行的模拟实验表明,相比于其他几种方法,提出的方法可有效抑制经验模态分解处理过程中端点效应问题。     

基于改进EMD的运动想象脑电信号识别算法研究

针对现有的单一特征提取算法对运动想象脑电信号识别率不高的问题,提出一种以相关系数改进的经验模态分解(EMD)的特征提取算法。对已有的BCI竞赛数据中C3、C4两个通道脑电数据进行预处理,之后通过EMD对脑电信号进行分解,得到IMF分量。通过计算原始信号与各阶IMF分量之间的相关系数,选择具有较大相关系数的IMF作为特征,由这些IMF分量的能量特征和平均幅值差来组成脑电信号的特征。使用支撑矢量机分类器(SVM)对左右手运动想象脑电信号进行分类。实验结果表明,基于相关系数改进的EMD脑电信号的处理方法明显优于只用EMD的脑电处理方法,得到的最高正确识别率为88.57%。从而证明了该方法的有效性。     

一种改善EMD端点问题的方法

经验模态分解（EMD）是一种先进的数据处理方法,对脑电信号（EEG）等非线性非平稳信号的处理非常有效。但是其在利用三次样条曲线构造上下包络时,端点附近的包络存在严重的摆动。针对该问题,在镜面延拓算法的基础上,提出了二次延拓算法。根据邻近端点的数据计算出该信号在端点处的拟合函数;利用该拟合函数在左右端点各延拓出一个极值点;采用镜面延拓算法对延拓后的信号进行EMD分解。算法考虑了信号端点处的变化趋势,使得端点处的延拓更加合理,从而使三次样条曲线在端点处不会出现大的摆动。仿真结果表明,该算法能有效地对脑电信号进行分解。     

基于EMD和LVQ的信号特征提取及分类方法

针对非平稳、非线性、微弱信号难以分析和处理的特点,本文提出了一种基于经验模式分解和学习向量量化神经网络的信号处理和分类方法,并在生物信号处理领域(左、右手运动想象的脑电信号)进行了研究和应用.首先通过经验模式分解算法对脑电信号分解,然后选取主要固有模态函数分量并计算其绝对均值作为特征值,最后使用学习向量量化网络进行分类,并分别与支持向量机和误差反向传播神经网络分类算法进行了对比研究.实验结果表明,所提出的算法分类正确率达到了87％,相比于其余两种对比算法在特定的信号处理领域优越,具有一定的参考和研究价值.     

基于局部均值分解与样本熵的脑电信号特征提取与分类

针对运动想象脑电信号的识别问题,提出一种改进的脑电信号特征提取与分类方法。利用局部均值分解算法将原始信号分解为一系列乘积函数(PF)分量,根据μ节律和β节律范围内的脑电信号剔除无意义的PF分量。通过特征时间选择原则,选取4 s~6 s运动想象脑电信号作为分类数据,分别计算C_3,C_4导联信号二阶和三阶PF分量样本熵的和,并将其均值MSampEn(C_3,C_4)作为输入元素构造脑电特征向量,利用支持向量机进行分类预测以识别左右手想象运动。实验结果表明,与经验模态分解以及总体经验模态分解方法相比,该特征提取方法具有更高的分类准确率。     

联合改进CEEMD与近似熵的脑电去噪方法

针对现有完备总体经验模态分解方法在脑电去噪中的模态筛选偏差问题,结合改进的完备总体经验模态分解(ICEEMD)与近似熵,提出一种新的脑电(EEG)信号去噪方法。对EEG信号进行ICEEMD分解,得到一系列本征模态函数(IMF),再对IMF分别计算近似熵,比较并选择近似熵值最大的IMF作为去噪后的信号。基于模拟信号和真实脑电信号的实验结果表明,与添加自适应噪声的完备总体经验模态分解方法相比,该方法能得到更清晰稳定的去噪结果,并且解决了IMF盲目选取导致的去噪失准及虚假模态等问题。     

基于经验模态－小波包分解和卷积神经网络的 Ｐ３００ 脑电信号分类研究

针对P300脑电信号信噪比低、随机性强及个体差异性大等问题,本文提出了一种将经验模态分解（EMD）和小波包分解（WP）相结合的滤波方法,并使用改进的卷积神经网络（CNN）对脑电信号进行分类识别。首先利用经验模态分解算法将原始脑电信号分解成若干个本征模函数（IMF）分量,并对每个分量进行频谱分析以去除主频段在0~30Hz以外的分量;然后,对保留的IMF分量进行小波包分解,根据P300电位的有效时频信息,选择合适的频段进行重构,再将重构后的各个本征模函数叠加,得到经过滤波后的脑电信号;最后,设计合适的卷积神经网络结构,对P300信号进行分类识别。本文使用国际BCI竞赛数据集对提出的方法进行验证。实验结果表明,两名被试的分类准确率分别为97.78%、95.56%,说明该方法能够有效的改善P300信号的识别效果（相比其他方法至少提升了2.78%,1.39%）,为进一步提高基于P300信号的脑机接口系统的性能提供了一种新的有效的途径。     

基于EEMD与改进提升小波的脑电信号消噪方法

为消除混杂在脑电信号中的噪声,提出一种总体平均经验模态分解(EEMD)与改进提升小波相结合的脑电信号消噪方法。利用EEMD算法将含噪脑电信号分解为若干个内蕴模式函数(IMF)分量,通过自相关函数特性法提取出由噪声主导的高频IMF分量,并运用改进提升小波进行消噪处理,将保留的低频IMF分量与消噪后的高频IMF分量进行叠加,从而得到消噪后的脑电信号。实验结果表明,与传统提升小波消噪方法以及改进的提升小波消噪方法相比,该方法的信噪比较高,均方根误差较低。     

基于VMD和小波阈值的ECG肌电干扰去噪处理

针对现有心电信号肌电干扰去噪方法的不足,本文提出利用变分模态分解和小波阈值相结合的方法对心电信号肌电干扰进行去噪处理,该方法通过对含噪心电信号进行变分模态分解,确定信号主导模态分量与噪声主导模态分量,噪声主导模态分量的小波阈值变换和重构无噪心电信号,共四步实现对含有肌电干扰的心电信号的去噪处理。其中,通过分析研究所有模态分量中心频率的分布,确定变分模态分解的层数,多组仿真与真实含噪心电信号的相关实验表明。本文所提出的去噪方法可有效去除心电信号中的肌电干扰,且去噪效果优于小波阈值法、变分模态分解法和经验模式分解法。     

基于EEMD和LeNet-5的脑电信号情绪识别

随着科学技术的进步,人们对情绪这一概念有了全新的认识,从过去认为情绪来源于“心”逐渐发展到了当下普遍认为情绪来源于“脑”。针对脑电信号所具有的诸多特性,首先通过去除心电、肌电噪声,滤波提取脑电信号中的有用波段;再利用集合经验模态分解算法(Ensemble Empirical Mode Decomposition,EEMD)对脑电信号进行特征提取,利用提取特征通过空间插值法绘制脑电地形图;接着利用LeNet-5算法开展具体情绪识别,并建立模型。最终通过不断地改进模型,显著提高了情绪识别准确率,准确率最高可达80.1%。     

多特征融合的运动想象脑电特征提取方法

针对单一特征识别率低、自适应性差等问题,提出一种基于希尔伯特-黄变换（HHT）和共同空间模式（CSP）的特征提取方法HCHT。首先,对原始脑电信号（EEG）进行经验模态分解（EMD）得到固有模态函数（IMF）,并将IMF分量合并成新的信号矩阵;然后,对IMF进行希尔伯特谱分析,得到信号的时-频域特征;接着,对构造的信号矩阵进行进一步的CSP分解,将时-频域特征扩展成时-频-空域特征;最后,通过支持向量机（SVM）对特征集进行分类。在BCI Competition II数据集的实验表明,与HHT时-频域和CSP空域特征的方法相比,所提方法的识别准确率分别提高了7.5、10.3和9.2个百分点,且标准差更小。在智能轮椅平台进行在线实验的结果表明,HCHT能有效提高识别准确率和稳定性。     

基于EEMD与DSS-ApEn的脑电信号消噪方法

为了在消除信号中噪声的同时尽可能保留有效信息,提出了一种基于集合经验模态分解(Ensemble Empirical Mode Decomposition, EEMD)和降噪源分离(De-noising Source Separation, DSS)与近似熵(Approximate Entropy, ApEn)相结合的脑电信号消噪方法。利用EEMD分解算法将含噪脑电信号分解为若干个内蕴模态函数(Intrinsic Mode Functions, IMF)分量,滤除最高频分量后的IMF分量应用DSS分离出各独立源信号,再选择频谱近似熵最大的独立源信号作为去噪信号。仿真和真实脑电信号的消噪实验表明,与独立EEMD消噪方法以及基于EEMD与改进提升小波消噪方法相比,本文提出的方法消噪效果更好。     

基于EMD和PCA的P300分类算法

提出一种基于经验模态分解(EMD)及主分量分析(PCA)的分类算法,采用支持向量机(SVM)对P300脑电信号字符拼写实验进行分类,通过EMD变换对P300脑电信号分解,从而达到去噪增强特征的效果,使用PCA方法对原始P300信号进行特征提取和集中,并送入SVM中实现分类。实验结果表明,该算法能获得高达96%的分类正确率。     

基于EMD和PCA的P300分类算法

提出一种基于经验模态分解(EMD)及主分量分析(PCA)的分类算法,采用支持向量机(SVM)对P300脑电信号字符拼写实验进行分类,通过EMD变换对P300脑电信号分解,从而达到去噪增强特征的效果,使用PCA方法对原始P300信号进行特征提取和集中,并送入SVM中实现分类。实验结果表明,该算法能获得高达96%的分类正确率。     

基于改进EMD的脑电信号去噪方法

以经验模态分解(EMD)为理论基础,提出一种相似波形加权匹配的方法,对脑电信号(EEG)端点进行延拓,改善EMD分解过程中存在的端点效应,利用延拓后的EMD方法对EEG进行去噪。基于美国加州理工学院数据库中EEG的仿真结果表明,延拓后的EMD方法可有效去除EEG波形中的噪声部分,使EEG的特征更明显。     

思维作业脑电的IMF能量熵特征提取与分类研究

提出了一种基于固有模态函数（Intrinsic Mode Function,IMF）能量熵的特征提取方法。对三类脑电思维信号分别进行了经验模态分解（Empirical Mode Decomposition,EMD）,并得到与其相对应的IMF。试验发现对于不同类别的信号,同阶的IMF能量的判别熵有明显的不同。而采用K-近邻分类器对三类脑电信号进行了分类,发现基于最佳特征向量选择的分类试验的平均正确识别率达75%以上。     

微电网HHT谐波检测与时频分析方法

为解决微电网谐波、突变等复杂非平稳信号的精确检测问题,提出一种基于Hilbert-Huang变换（HHT）的微电网谐波检测与时频分析方法。该方法采用保形分段三次埃尔米特插值法拟合极值点曲线,对谐波信号进行经验模态分解（EMD）,得到有限个固有模态分量（IMF）并进行Hilbert变换,最终计算各个IMF分量的瞬时频率和瞬时幅值,实现微电网谐波等非平稳电能信号的时频特性精确检测。仿真结果表明,该方法能够快速、准确地获取谐波信号频率成分、幅度及电压突变时刻。相对于FFT变换及传统HHT方法具有较高的精度和时域区分特性,可满足微电网谐波微机检测的工程应用需求。     

基于经验模态分解的算法改进

经验模态分解（EMD）算法是Hilbert—Huang变换（HHT）的核心算法,它的分解效果依赖于采样频率的选择,介绍一种新的EMD的采样频率选取方法,并通过仿真信号实验表明该方法分解信号更完全,对电力系统谐波检测分析有一定的实际应用价值。     

基于HHT的人员脚步信号识别算法

针对地面环境监控中的人员脚步信号识别问题,提出一种基于希尔伯特-黄变换的识别算法。利用经验模态分解方法将探测得到的震动信号分解成若干个固有模态函数分量,找出各分量在频谱上的奇异点,通过对这些奇异点的希尔伯特谱进行判定,实现对人员脚步信号的识别。实验结果证明,该算法具有较高的正确识别率。     

基于经验模态分解和递归图的语音端点检测算法

结合Hilbert-Huang变换中的经验模态分解（EMD）和递归图（RP）法,提出了一种新的语音端点检测算法。该算法首先基于语音和噪声通过经验模态分解及其多尺度特征,在不同的固有模态函数（IMF）上进行软阈值时间尺度滤波处理,然后采用非线性动力学行为中的递归图法,定量统计递归分析中的确定性进行语音端点检测。仿真结果表明,该方法具有很强的非稳态动态变化分析能力,在低信噪比环境下较传统方法能更准确提取出语音信号的起止点,鲁棒性好。