基于普通摄像头的心率测量系统设计

为了研究一种通过普通摄像头非接触地拍摄人脸获取人体心率的测量系统,提出基于光电容积描记法原理,从人脸图像序列中可以提取出含有脉搏成分的信号,对该信号进行小波滤波得到血液容积脉搏波,然后用改进的时间间隔差法计算得到心率值。实验结果证明,如果将脉搏血氧仪测量的心率作为标准值,该系统测量结果的95%置信区间为［-2.2139, 2.1539］,该系统与脉搏血氧仪的心率测量结果具有很高的一致性;通过调节光照强度和摄像头硬件参数等能够在一定程度上提高测量准确度。     

基于ICA-CEEMD小波阈值的传感器信号去噪

针对传感器在采集信号时混入不同的噪声,提出一种基于ICA-CEEMD小波阈值的组合去噪算法。该方法是对一维含噪信号进行剪切分段、平移和拼接,得到几个不同的含噪信号作为独立分量分析(ICA)的输入通道信号。通过ICA的盲源分离技术使得信号和噪声进行初步分离。再利用互补集合经验模态分解(CEEMD)对分离信号进行分解去噪,由于不同的高频和低频噪声,需要对分解的高阶和低阶固有模态函数(IMF)进行处理。对第一层和最后一层IMF利用3σ原则提取细节信息,进一步抑制模态混叠影响,重构去噪信号。最后,利用小波阈值对重构信号做去噪处理,提升去噪效果和性能指标。为验证该方法的有效性,进行了仿真和中北大学汾机实测实验,结果表明,该方法在去噪效果和性能指标上都优于小波软阈值去噪和基于CEEMD的小波阈值去噪方法,是一种有效的信号去噪新方法。     

EWT和ICA联合降噪在轴承故障诊断中的应用

在强背景噪声下提取非平稳振动信号的微弱故障特征时,系统信号和干扰噪声在频带互相混叠难以分离,传统消噪方法存在较大局限。为此提出一种基于经验小波变换(EWT)和独立分量分析(ICA)联合降噪的方法。利用EWT算法将振动信号进行分解,避免了经验模态分解(EMD)和总体经验模态分解(EEMD)存在的模态混叠和端点效应;依据峭度及相关系数准则选取相应分量,引入虚拟噪声通道;利用ICA对重组信号进行解混去噪,分离出源信号后进行Hilbert包络解调,提取故障特征频率,实现故障诊断。通过对实际轴承信号的分析,验证了该方法不仅对时变、非平稳的强噪声干扰具有较好的消除效果,还能更清晰、准确地提取故障特征信息。     

基于ITD与ICA的滚动轴承故障特征提取方法

针对滚动轴承故障信号因受背景噪声、信号传递途径、轴承各部件间相互作用及其它能量较大振源信号干扰,限制传统方法提取故障特征信息的准确性问题,提出结合固有时间尺度分解(ITD)及独立分量分析(ICA)的信号分析方法,将单通道振动信号进行ITD分解,得到若干固有旋转分量及一个趋势项,基于互相关准则对分解信号进行重组作为ICA的输入矩阵,采用Fast ICA算法解混,实现故障特征信号与噪声信号分离,从而提取故障特征信息。通过滚动轴承故障诊断实验结果分析表明该方法有效可行,具有一定工程应用价值。     

基于倒谱与经验模态分解的盐敏大鼠血压信号特征提取方法

为从盐敏大鼠血压信号中快速准确地提取出血压、心率等生理特征信息,采用经验模态分解(EMD)、倒谱、过零点检测结合的方法对PhysioNet数据库中的达尔盐敏大鼠的血压信号进行特征参数提取,可以获得平均血压、心率及动态血压、瞬时心率曲线。首先利用EMD将血压信号分解为有限个固有模态函数(IMF),根据不同的研究目的,用不同的IMF分量重构信号。可以得到动态血压及平均血压。然后对血压信号求倒谱得到平均心率,最后利用过零点检测得到瞬时心率的变化。仿真结果表明:基于倒谱、EMD和过零点检测的血压信号特征提取方法具有运算量小、特征值明显且精确的优点;在高低盐饮食下,得到大鼠血压、心率的变化与医学分析完全吻合。     

基于KL-CEEMD的风机传动系统故障诊断方法研究

互补集合平均经验模态分解（complementary ensemble empirical model decomposition,CEEMD）作为一种时频特征分析方法,可以较好地提取复杂非线性非平稳信号的故障特征,但其存在虚假分量,很大程度限制诊断过程中的准确性。针对该问题,提出一种基于KL散度(Kullback-Leibler divergence, KLD)的CEEMD虚假分量识别方法（KL-CEEMD）。该方法在原有CEEMD方法基础之上,进一步计算各分量IMF与原信号之间的KL散度值,从而量化各分量与原信号之间的相关性。最后通过对各个IMF的KL散度值进行聚类分析,找出虚假分量和真实分量,最终解决CEEMD的虚假分量问题。为验证KL-CEEMD的有效性,研究搭建风力机传动系统振动试验台,基于该方法对实验台实验数据以及仿真数据进行验证性研究,最终证明所提方法可以很好改善CEEMD的虚假分量问题,能够有效提取出故障信号的真实特性。     

基于CEEMD与TQWT组合方法的爆破振动信号精细化特征提取

针对传统小波在爆破振动信号特征提取和分析方面的局限性,提出了基于CEEMD和TQWT组合的信号精细化特征提取方法。预先设定可调品质因子小波TQWT高、低品质因子参数对CEEMD分解优势分量重组信号进行分解,并引入相对权重因子θ,优化了分解过程,实现了爆破振动信号特征的精细化提取。分析结果表明:组合方法对爆破振动信号的分析不依赖于先验小波基的选择,分解过程实现了信号的二次滤波。通过连续小波多尺度三维谱和时频小波脊线对比,说明组合算法分解得到的最佳分析信号可真实反映振动信号的细节信息,时频分辨率更高。该组合方法抑制了杂波分量对信号特征的干扰,可精确地提取复杂环境下的爆破振动信号特征信息。     

基于CEEMD和GG聚类的电能质量扰动识别

提出一种基于完备总体经验模态分解(complete ensemble empirical mode decomposition,CEEMD)和GG(gath-geva)聚类的电能质量扰动识别方法。CEEMD是一种对EEMD(ensemble empirical mode decomposition)的改进算法,其特点是向原始信号中以正负成对的形式加入白噪声,有利于减少重构信号中残余的辅助噪声;且在分解的每一个阶段都加入特殊噪声,计算一个唯一残差以得到每个IMF,因此分解的结果是完整的,优于EEMD。CEEMD不仅有效解决了EEMD的模态混叠的问题,同时也保留了EEMD处理非平稳信号的优势,再将CEEMD 分解的IMF分量的互近似熵值作为特征向量输入到GG模糊分类器中进行电能扰动的分类识别。为了验证该方法的有效性,进行了仿真和实测实验,结果表明,该方法有较好的频谱分离效果,且仅需要较少的迭代次数,减轻了计算成本。     

基于CEEMD和排列熵的故障数据小波阈值降噪方法

针对旋转机械故障数据的非平稳性及总体平均经验模态分解方法(CEEMD)舍弃高频分量降噪方法和小波阈值降噪方法存在的不足,提出了基于CEEMD和排列熵的小波阈值降噪方法。运用CEEMD将信号分解为一系列的固有模态函数(IMF)分量,利用排列熵来确定含有噪声成分较多的IMF分量,采用小波阈值降噪方法对含有较多噪声成分的IMF分量进行降噪处理,保留这些分量中的有效信息。仿真分析和实例分析表明,基于CEEMD和排列熵的小波阈值降噪方法效果优于单纯的CEEMD降噪方法和小波阈值降噪方法。     

基于EEMD-Fast ICA-STFT的车用起动电机噪声源识别

提出基于集成经验模态分解(EEMD)、快速独立分量分析(Fast ICA)和短时傅里叶变换(STFT)的噪声源识别方法,对起动电机噪声信号进行声源识别研究。首先采用集成经验模态分解法将单一通道的电机噪声信号分解为一系列本征模态分量,随后用Fast ICA算法提取独立成分,最后利用短时傅里叶变换良好的时频分析特性,对Fast ICA分离结果进行时频分析,结合时频分析结果和电机噪声的先验知识,确定了各独立分量与电机不同噪声源的对应关系。