基于表面肌电信号小波包熵的情感识别

情感识别是情感计算的一个关键问题。针对表面肌电信号（EMG）的非平稳性,根据小波包变换在不同时频段均能精确的刻画信号,并提供丰富模式信息的特点,提出利用小波包熵方法对不同情感状态下的表面肌电信号进行分析。实验表明,该方法对情感的唤醒度识别效果较好。     

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。     

脑电信号的小波变换和样本熵特征提取方法

针对现有的采用单一的特征提取算法对运动想象脑电信号识别率不高的问题,提出一种结合小波变换和样本熵的特征提取方法.通过小波变换,把脑电信号进行3层分解,抽取出对应于脑电β节律频带的小波系数的能量均值和能量均值差,并结合脑电信号的样本熵组成特征向量,使用支持向量机分类器对左右手运动想象脑电信号进行分类.结果表明,结合小波变换和样本熵的特征提取方法明显优于仅采用小波变换、样本熵以及其他传统的特征提取方法,得到的最高正确识别率为91.43%.     

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。     

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。     

基于自排序熵的表面肌电信号特征提取方法

针对人体表面肌电信号的非平稳、非线性特点,提出一种基于排序熵和自互信息的自排序熵指标,定量描述表面肌电信号的内在动力学特性,实现肢体不同运动状态下肌电信号非线性特征的有效刻画.进行健康受试者上肢肘关节不同弯曲角度下表面肌电采集实验,计算其自排序熵指标并运用支持向量机进行动作识别,通过与已有表面肌电特征指标的对比分析,验证文中方法的有效性.     

基于小波包的表面肌电信号特征表示与识别

为提高智能轮椅人机接口中表面肌电信号的正确识别率和识别效率,主要研究了基于小波包多尺度分解的特征表示及识别。把采集的表面肌电信号在指定尺度及核函数的同一组正交小波包基下进行分解,用小波包多尺度分解的系数构造表面肌电信号的特征基向量。考虑到多通道表面肌电信号可能存在特征信息冗余,为消除这些冗余信息,对多通道表面肌电信号的特征空间通过正交规范化进行重构,并且用重构特征向量的对偶坐标向量作为表面肌电信号的最终特征表示。用非线性自回归神经网络实现了双通道表面肌电信号四种不同动作模式的分类。实验结果表明,小波包多尺度分解系数的重构对偶坐标向量不仅可作为表面肌电信号的特征表示,并能有效简化分类器的结构。     

基于小波变换和样本熵的假手肌电模式识别方法

提出一种新的模式分类器,利用安置在拇长屈肌、指深屈肌和指伸肌上的3个电极所测得的肌电信号,实现了对3自由度假手手指运动的控制．该分类器采用小波变换和样本熵的方法构造特征矢量．经过由变学习速率算法和RP算法构建的集成3层前馈神经网络的分类,能够成功地分辨出拇指、食指和中指的弯曲与伸展运动,平均识别率可达96％以上．实验结果表明,该分类器为多自由度肌电假手的控制提供了一种有效的方法．     

抑郁症静息脑电的小波包节点功率谱熵分析

头皮脑电(EEG)信号反映了大脑皮层神经元细胞群自发性节律性的电生理活动,含有丰富的生理与病理信息,是临床脑神经与精神疾病诊断的重要依据.针对抑郁症的研究和诊断中缺少客观有效的量化参数和指标的状况,提出一种基于小波包分解节点重构信号的功率谱熵值(记为W值)的脑电信号分析方法,并利用此方法对静息态的脑电信号进行计算和分析.实验和分析结果表明:抑郁症患者脑电信号S32节点(频率24~32 Hz)的熵值(置信区间[0.0129,0.0176])在部分脑区显著大于正常健康人(置信区间[0.0246,0.0303]),显示抑郁症病人快波节律的能量分布存在弥散性,符合现在关于抑郁症患者自我调节能力减弱的发病机制.对结果进行了T检验统计分析,证明了这种辨别方法的准确性和可行性,将为抑郁症疾病检测诊断提供有效的量化物理指标.     

小波包信息熵特征矢量光谱角高光谱影像分类

目的 针对高光谱数据波段多、数据存在冗余的特点,将小波包信息熵特征引入到高光谱遥感分类中。方法 通过对光谱曲线进行小波包分解变换,定义了小波包信息熵特征矢量光谱角分类方法(WPE-SAM),基于USGS光谱库中4种矿物光谱数据的分析表明,WPE-SAM可增大类间地物的可区分性。在特征矢量空间对Salina高光谱影像进行分类计算,并讨论了小波包最佳分解层的确定,分析了WPE-SAM与光谱角制图(SAM)方法的分类精度。结果 Salina数据实例计算表明：小波包信息熵矢量能较好地描述原始光谱特征,WPE-SAM分类方法可行,总体分类精度(OA)由SAM的78.62%提高到WPE-SAM的78.66%,Kappa系数由0.769 0增加到0.769 5,平均分类精度(AA)由83.14%提高到84.18%。此外,通过Pavia数据验证了WPE-SAM分类方法具有较强的普适性。结论 小波包信息熵特征可较好地表示原始光谱波峰、波谷等特征信息,定义的小波包信息熵特征矢量光谱角分类方法(WPE-SAM)可增大类间地物可区分性,有利于分类。实验结果表明,WPE-SAM分类方法技术可行,总体精度及Kappa系数较SAM有一定的提高,且有较强的普适性。但WPE-SAM方法精度与效率有待进一步提高。     

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。     

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。     

小波包熵在水下目标识别中的应用研究

研究了基于小波包变换和Fisher线性分类器的水下目标识别方法。小波包是在小波变换的基础上发展起来的时频分析方法,能够对非平稳信号提供更丰富的时频信息。通过对水下目标辐射噪声信号进行小波包分解,提取小波包分解的终端节点的熵值作为特征矢量,应用Fisher线性分类器设计的分段线性分类器对水下目标进行分类识别。仿真结果表明,以小波包熵作为特征矢量的分类方法具有较高的识别正确率。     

基于小波包分解的虹膜识别算法

特征提取是虹膜识别的关键技术;由于虹膜图像具有丰富的纹理,提出了基于小波包分解的虹膜识别算法。小波包分解不仅包含了图像的低频部分而且还保留了高频部分,它能够有效地提取虹膜纹理特征,并按hamming距离对虹膜进行匹配。实验结果表明,该算法具有良好的鲁棒性。