共查询到20条相似文献，搜索用时 329 毫秒
1.
运动想象脑电信号的特征提取对脑-机接口研究者是一大难题。针对该问题,介绍了一种相位同步和AR模型系数相结合的特征提取方法。该方法对采集的脑电信号进行Hilbert变换计算脑电信号的相位同步特征,选用Burg算法对滤波后的脑电信号进行AR模型谱估计,比较6阶和8阶功率谱密度,求出AR模型的系数为6。采用支持向量机对两种特征组合的14维特征向量进行分类。分类结果显示在Trail的3s~7s期间,相位同步与AR模型系数相结合的特征提取平均分类正确率为82.58%,最高分类正确率达到了88.96%,优于传统的小波变换和共空域模式特征提取方法。实验结果也表明相位同步特征提取的最佳时间为Trail的3s~7s期间,该方法为BCI研究运动想象脑电信号的分类识别提供了有效手段。 相似文献
2.
为了提高基于表面肌电与三轴加速度信号的运动识别准确率,提出了一套多源信息融合处理的实验流程与方法。该方法利用5层离散小波变换对表面肌电信号进行分解,充分提取不同运动产生的肌电信号中各频域的特征信息;再将分解后的表面肌电信号与三轴加速度信号通过滑动窗口的方法进行特征融合,构造融合肌电与空间运动特征的特征图;最后用融合特征图对深度学习模型进行训练,并结合自动状态机进行最终运动状态的识别。实验结果表明,多源信息融合处理方法可以提高运动识别的准确性,总体识别精度分别达到了95.4%和89.2%。该方法在实时性与准确性上均有良好表现。 相似文献
3.
针对癫痫脑电(EEG)信号的非平稳性和非线性,提出一种基于集合经验模式分解(EEMD)提特征并利用最小二乘支持向量机(LS-SVM)的脑电信号分类方法。首先利用EEMD将EEG信号分成多个经验模式分量,得到各阶本征模式分量(IMF),然后提取有效特征,最后用LS-SVM对其进行分类,实验结果表明,该方法对癫痫发作间歇期和发作期EEG的提特征后分类识别正确率达到98%。 相似文献
4.
通过使用单次提取脑电信号的分类技术进行情绪词的脑电(EEG)识别研究.以中文情绪双字词为实验材料,通过其诱发的EEG信号,对正性词与中性词、负性词与中性词分别进行分类.使用时域正则化的共空间模式对单次提取脑电信号进行特征提取,并利用线性判别分析方法进行特征分类,分类准确率集中于55%~65%.置换检验验证了实验分类准确率的统计学显著性,表明了情绪词和中性词的成功识别,也有效地证实了基于脑电信号的语言情绪信息的可识别性.此外,在15名被试中,10名被试的负性词与中性词识别率显著,而仅有4名被试的正性词与中性词识别率显著,说明负性情绪更易被识别. 相似文献
5.
轴承作为工业中旋转机械中的重要部件,其故障将严重影响机械设备的安全运行.为了实现对轴承运行故障状态的有效诊断,提出了一种基于经验模态分解(empirical mode decomposition,EMD)提取的多特征参数的关联向量机的(Relevance vector machine,RVM)的滚动轴承的多故障诊断模型.首先运用经验模态分解的方法将轴承振动信号分解为多个固有的模态分量,之后将提取的表征轴承故障特征的IMF分量的能量、峭度、偏度构造特征向量,最后采用关联向量机多分类故障诊断模型进行故障模式识别.轴承实测振动信号分析表明:该方法能够有效、准确地诊断出轴承的故障状态,具有较高故障诊断准确率. 相似文献
6.
经验模态分解(EMD)广泛应用在故障分析过程中,特征提取时从状态信息中提取与机械设备故障有关的信息［1］。针对经验模态分解受噪声影响较大的问题,提出多分辨奇异值分解的方法,可以先利用多分辨奇异值分解将信号分成具有不同分辨率的近似信号和细节信号实现信号降噪,再进行经验模态分解,并计算其Hilbert边际谱得到准确的特征频率。实验通过仿真信号和滚动轴承故障特征提取,证明了多分辨奇异值分解（MRSVD-EMD）方法在滚动轴承故障诊断中能有效去除信号中的噪声成分,提取故障特征频率。 相似文献
7.
针对滚动轴承早期故障信号微弱、背景噪声强、故障特征难以提取的特点,提出一种基于包络谱灰色关联度改进的经验模态分解（Empirical Mode Decomposition,EMD）特征提取方法。首先,用EMD将原始振动信号分解成若干本征模函数（intrinsic mode function,IMF）分量,计算原始信号及分解后各阶IMF分量的包络谱;然后,用灰色关联度分析计算原始信号包络谱与IMF分量包络谱之间的关联度,以包络谱关联度大小筛选IMF分量进行加权;最后,对加权的IMF分量计算能量、峭度、偏度形成特征集,通过主元分析(Principal Component Analysis,PCA)降维后输入概率神经网络（Probabilistic Neural Network,PNN）进行故障状态识别。该方法利用包络谱灰色关联度有针对性地筛选出对故障特征敏感的IMF分量,相比于单纯利用线性关系大小筛选IMF分量的相关性分析更具针对性。对滚动轴承4种故障状态早期故障信号进行识别,准确率为97.5%,表明该方法是有效的。 相似文献
8.
文章将抑郁症脑电识别作为“云计算与数据挖掘”课程的实验内容,设计了利用机器学习进行抑郁症脑电识别诊断系统,利用信号处理方法进行脑电特征提取。时域采用基于统计特征的近似熵及非线性特征的模糊熵、频域采用基于脑电波段划分的功率谱密度进行特征提取,用以更加精准地提取抑郁症患者的脑电信号特征。最后利用机器学习方法,实现了对抑郁症的快速客观诊断。实验采用Python语言实现,实验结果表明近似熵特征取得了最佳分类结果。 相似文献
9.
《绵阳师范学院学报》2017,(8)
为了识别人类疲劳程度,文中提出一种基于Morlet小波变换的EEG脑电信号测量方法来分析受测者的眼动信号,通过时域信号的特征值筛选来识别疲劳状态,进而了解受测者的疲劳程度.本研究使用非侵入式脑电信号测量仪,进行脑电信号原始数据的采集,使用Matlab程序对于脑电信号进行Morlet小波变换(Morlet Wavelet transform,MWT)将信号分解,再将数据转化为特征值之后,使用支持向量机(Support vector machine,SVM)与反向传播类神经网络(Back propagation neural network,BPNN)进行疲劳的状态分析.该方法对400名测试者在不同疲劳程度状态下进行测试,结果显示脑电信号识别的正确率平均达到96.15%. 相似文献
10.
为提高基于表面肌电信号的人体腰背动作识别率,提出一种基于小波包能量与改进NARX神经网络的分类识别新方法。利用小波包变换对动作部位进行表面肌电信号特征提取,并采用改进NARX神经网络进行分类识别。选取8名实验者分别在扭腰、弯腰、侧弯腰3种动作下进行表面肌电信号数据采集,选择db4小波包函数对信号进行6层分解,得到第6层64个频带的小波包分解系数,代表各个动作信息的特征向量,作为改进NARX神经网络的输入进行分类识别。对照实验组中,改进NARX神经网络的识别率较高,总体识别率达到96.7%。实验结果表明,利用该识别方法对腰部动作进行分类识别,分类准确,且识别率更高。 相似文献
11.
为了改善传统脑电情绪识别方法需要对脑电信号进行深入了解,且需要人工提取相关特征的缺点,基于深度森林的表征学习能力对脑电样本的时域与频域数据进行自动特征提取,并融合32通道脑电信号的时域特征向量和频域特征向量,通过级联森林对特征作进一步学习。实验结果表明,该方法对效价二分类预测的准确率达到68.4%,查准率达到66.3%,查全率达到89.9%,F1分数达到76.3%;对唤醒度二分类预测的准确率达到68.2%,查准率达到65.8%,查全率达到91.2%,F1分数达到76.4%。通过与DEAP数据集使用EEG信号给出的二分类实验结果进行对比,基于深度森林的脑电情绪识别方法对未知样本的识别准确率高于DEAP的结果。 相似文献
12.
经验模态分解(EMD)是以信号极值特征尺度为度量的时空滤波器,它充分保留了信号本身的非线性和非平稳特征,在信号去噪中具有较大的优势.本文以电力绝缘气体SF6为研究对象,在介绍EMD分解方法的基础上,首先对含噪的SF6光谱信号做EMD分解,得到各阶本征模态函数(IMF),然后对高频的IMF分量用阈值法进行处理,把经过阈值处理后的高频IMF分量与低频IMF分量叠加重构得到去噪后的信号.分析了在不同噪声水平上与小波阈值去噪方法的处理效果.实验结果表明EMD阈值去噪法有效地去除了噪声,较好地保留了光谱的细节信息,与小波阈值去噪方法相比较具有自适应的优势. 相似文献
13.
《赣南师范学院学报》2020,(3):36-40
为改善表面肌电信号手势识别的抗噪性和分类识别率,提出了一种基于多重分形特征的表面肌电信号手势识别方法.该方法首先借助多重分形测度分析手段,研究了不同手势动作下表面肌电信号的多重分形特性,根据不同手势表面肌电信号的多重分形谱之间的差异,提出了多重分形特征的提取算法,并利用多重分形特征结合支持向量机进行了手势识别.实验研究表明,上臂肌肉的表面肌电信号具有显著的多重分形特性,最大、最小概率子集分形维数差等多重分形特征可以作为不同手势动作的分类识别的有效特征,所提出的方法具有良好的分类识别性能,是一种有效的分类识别方法. 相似文献
14.
《东南大学学报》2019,(4)
为了提高滚动轴承性能退化评估中退化指标的早期故障敏感性和稳定性,提出了一种基于嵌入选择的邻域保持嵌入(ESNPE)方法.首先,采用变分模态分解(VMD)对获得的振动信号进行分解,提取各本征模态分量的奇异值和相对能量等组成高维故障特征集.然后,采用NPE流行学习方法提取特征空间内的嵌入特征.针对传统NPE存在有效嵌入信息容易被抑制的问题,构建了一种基于Spearman相关系数的嵌入选择策略.该策略通过相关系数的大小衡量嵌入特征的有效性,并通过一阶差分的方法在轴承退化的早期阶段确定并保留有效嵌入特征.最后,采用支持向量数据描述(SVDD)模型构建性能退化指标,实现轴承性能退化评估.使用轴承全寿命退化实验数据,并与传统的主成分分析(PCA)方法和NPE方法特征提取分析结果进行对比,验证了所提方法在提升退化指标早期故障敏感性和稳定性方面具有优越性. 相似文献
15.
16.
为了精确评估个体心理负荷状态,需要获取目标脑电信号数据,脑电信号是评估脑力负荷变化的重要指标。机器学习和神经网络越来越多地用于脑力负荷分类。利用脑电信号特征可在时域和频域中提取突出信息。因此提出一个结合支持向量机（SVM）与超限学习机（ELM）的混合型脑力负荷分类框架。其中支持向量机作为成员分类器,可在高维EEG特征中查找隐藏信息|超限学习机用于融合成员分类器的输出。将ELM-SVM模型与经典脑力负荷分类器进行比较,得出该模型训练精度准确率为1,且测试精度提升0.1个百分点。 相似文献
17.
徐小华 《邢台职业技术学院学报》2009,26(3):80-82
去除在心电信号采集过程中混入的基线漂移等噪声信号,避免噪声对心电信号特征点的识别和提取造成误判和漏判.利用样条小波小波对心电信号按Mallat算法进行分解,然后小波重构的算法进行去噪.采用MIT-BIH数据库中的心电信号进行仿真、验证,有效去除了噪声信号.此方法实时性好,为临床分析与诊断莫定了基础. 相似文献
18.
基于小波分解频带能量特征和BP神经网络的方法识别油浸式变压器短路故障。利用电弧光信号进行油浸式变压器短路故障诊断,对不同工况下的光信号进行多分辨率分析的四层小波分解,选择合适的重构小波系数,提取特征频带。对提取出的特征频带的小波系数作平方和归一化处理,求出每个特征频带的能量,作为特征参数输入到BP神经网络模型中进行训练和故障识别。 相似文献
19.
《浙江大学学报(A卷英文版)》2016,(2)
目的:相对于由能量平衡方程得到的数值预报模型和以神经网络为代表的非线性模型而言,自回归(AR)模型在波浪预报中具有计算效率高、自适应性强和建模所需的样本小等优点,但同时存在局限于平稳线性假设的缺陷。针对非线性非平稳波浪的极短期预报问题,提出一种复合的经验模态分解自回归预报模型,提高波浪预报精度。创新点:1.研究非线性非平稳波浪极短期预报问题,提出一种复合的预报方法;2.基于三个不同地理位置的海洋波浪实测数据对预测模型进行验证,并分析非线性非平稳性对波浪预报结果的影响。方法:1.在AR模型中引入经验模态分解(EMD)方法,形成复合的EMD-AR预报模型;2.分析实测波浪数据的非线性和非平稳性特点,并基于实测波浪数据获得AR模型和EMD-AR模型的预报结果;3.基于多种预报误差度量分析AR模型和EMD-AR模型的预报性能以及非线性非平稳性对波浪预报结果的影响。结论:1.波浪非线性和非平稳性会导致AR预报模型精度降低。预报误差中,幅值上的偏差主要由波浪的非线性引起,而相位上的偏差则是源于波浪的非平稳性;2.EMD方法能够有效地克服波浪非线性和非平稳性对AR模型在精度上所带来的不良影响,在精度上EMD-AR模型的预报结果较AR模型有较大提高。 相似文献
20.
目的：齿轮箱的振动信号频谱结构比较复杂,难以提取其故障特征频率。傅里叶分解方法可以将振动信号分解为多个单分量信号,利用共振频率筛选出最优分量并进行包络解调,识别特征频率以实现故障诊断。创新点：1.为了求解共振频率,提出一种基于短时向量的最大奇异值比方法;2.将傅里叶分解方法引入到齿轮箱故障诊断中,并利用共振频率选择最优分量进行包络解调以提取故障特征频率。方法：1.分析奇异值比与冲击信号的关系,提出求解共振频率的最大奇异值比方法;2.对比最大奇异值比方法与谱峭度方法在求解共振频率方面的表现,从而验证最大奇异值比方法的有效性;3.对比分析所提方法与传统的总体经验模态分解（EEMD）和变分模态分解（VMD）方法在信号分解与故障特征提取方面的效果,并通过仿真和实验进行验证。结论：1.最大奇异值比方法能够准确计算出共振频率,比谱峭度方法求解的频率值更加精确;2.基于傅里叶分解方法和最大奇异值比的共振解调方法能够有效提取故障特征频率,其在故障诊断方面的表现优于EEMD和VMD方法。 相似文献