首页 > 文献资料
-
遮蔽情况下多人体目标的探测和识别研究
目的 探讨遮蔽情况下多个人体目标探测的有效方法 .方法提出小波熵识别算法,分析不同距离点信号小波分解后的各尺度能量分布复杂度,区分探测区域中的人体目标和杂波.结果 实测数据结果显示传统的自适应谱线增强算法和能量累积算法只能探测出遮蔽情况下距离雷达较近的人体目标,而小波熵识别算法不仅能探测雷达近端人体目标,还能够识别出雷达远端人体目标.结论 小波熵识别算法能有效提高多人体目标识别的准确率.
-
独立分量分析和小波熵在动作模式分类中的应用
在表面肌电信号(electromyography,EMG)中,各类动作的识别是一个重要研究方向.本文采用独立分量分析independent component analysis,ICA)对肌电信号进行处理,消除各动作信号之间的相互线性耦合叠加,并采用信号的小波熵作为特征向量进行模式识别.试验表明,在对信号进行先期ICA处理以后,动作模式的识别效果较好.此方法也可应用于其他生理信号的识别分类.
-
构建基于小波熵的自训练半监督支持向量机分类模型评价老年人步态
研究应用半监督学习算法分析未标注步态数据评价老年人步态,提出基于小波熵的自训练半监督支持向量机步态分类模型,通过小波熵从未标注步态数据中选取为每次自训练步态分类模型所需具信息量的标注样本,有效获取步态数据类别间和步态数据内在的“有价值”的步态变异信息,提高步态分类器的泛化性能.首先采用10名老年人和10名青年人步态数据构建支持向量机分类模型,然后对120名不同年龄组未标注步态数据分类预测,依据小波熵选取样本数据,逐步添加更新步态样本训练集,自训练支持向量机分类模型.实验结果表明,本算法较准确鉴别青年和老年人步态模式(分类正确率90％),比基于有监督学习的支持向量机步态分类算法正确率提高近5％,有效改善支持向量机步态分类算法性能,有望为临床提供一个评价老年人步态的新方法.
-
基于复杂度熵特征融合的高压力人群情感状态评估
长期处于压力状态容易引发各类疾病,合理有效的情感压力状态评估是进行压力情感干预的基础.脑电数据含有丰富的情感信息,针对脑电数据的压力情感特征提取问题,提出一种基于Kc复杂度、小波熵与近似熵相结合的脑电数据的压力情感特征提取方法,以Kc复杂度因子来量化脑电数据的随机程度,以小波熵和近似熵参数分别在时域和频域来量化脑电数据的复杂程度与能量分布；采用遗传算法进行全局寻优,按适者生存的原则进行支持向量机参数的选择、交叉、变异,以此优化的支持向量机融合3类不同层次的特征参数,实现压力情感状态评估.以“切水果”游戏作为压力源,采集8名被试共92组脑电信号,基于该算法来分析被试者的压力状态,高识别率为94.12％,平均识别率82.06％.研究表明,不同脑区对压力敏感程度不同,左半球相对右半球来说,压力感受敏感.希望通过此工作,可以帮助人们有针对性地采取相应措施缓解压力,恢复身心健康.
-
基于小波熵的心电信号去噪处理
实测的心电信号不可避免地存在一些强干扰和噪声,如何在强背景干扰和噪声下准确提取出有用的心电信号, 是心脏病智能诊断的一个重要内容.提出一种新的基于小波熵的弱心电信号去噪方法,先将信号小波分解,再对不同分解尺度上的高频系数进行小波熵阈值的量化处理,然后利用高一层小波分解的低频系数分量和经过阈值处理的不同尺度的高频小波系数分量,组成进行信号重构所需要的系数分量进行重构,将严重的干扰和噪声去掉,实现有效信号的提取.后分别利用临床的实测心电数据和MIT/BIH心电数据库信号进行验证,并针对不同噪声类型和不同信噪比情况进行分析.结果表明,该方法简单有效,尤其对于高频噪声效果更优,且适于实际应用.
-
想象动作中动态脑电的信息熵研究
想象动作可以引起脑电信号的特异性变化,如何通过提取脑电特征参数来识别想象动作的发生是目前脑-计算机接口(BCI)系统设计的技术关键之一.本研究使用两种信息熵(功率谱熵和小波熵)作为特征参数,对手部想象动作执行前后的动态脑电信号进行分析,并与目前常用的mu节律事件相关去同步(ERD)参数进行比较,以寻找特异性更强的动态参数.结果 显示在想象动作对侧的运动感觉区域中,功率谱熵和小波熵均表现出与mu节律强度变化具有明显锁时关系的改变,且区分错误率得到明显降低.而在中顶部位置mu节律强度无明显变化处,熵参数对左右手想象动作的响应也具有明显的不同.结论,功率谱熵和小波熵具有良好的时域分辨能力和更准确的区分效果,可以作为特征参数用于在线BCI系统.
-
网络成瘾患者的EEG小波熵与复杂度特征分析
通过分析网络成瘾患者与正常受试者的自发脑电复杂性的差异,研究网络成瘾患者自发脑电复杂性的特点.对9名网络成瘾患者(实验组)和9名正常受试者(对照组)在安静状态下的自发脑电分别进行小波熵和复杂度分析.发现网络成瘾患者的自发脑电的小波熵值以及复杂度值在绝大多数导联位置上均比正常受试者具有显著性的降低(P<0.05),两种方法的分析结果相似.网络成瘾患者在安静状态下的自发脑电的小波熵值以及复杂度值比正常受试者均有显著降低,提示脑电的复杂性显著降低.因此在安静状态下脑电复杂性降低是网络成瘾患者的一大显著特征.
-
用小波熵评价人体步态变化
目的 将小波熵应用于步态数据量化分析,探寻新的评价人体步态功能变化的特征参数.方法 运用 Bertec三维测力系统,采集10名青年被试者和10名老年被试者的足-地反作用力步态数据,采用离散正交小波变换分解被试组步态数据,定义相对小波能量和小波熵,用t-检验法分别检验基于两个被试组步态数据的相对小波能量及小波熵的差异,来评价人体步态功能变化.结果 基于两个被试组步态数据的相对小波能量差异显著;基于老年被试组步态数据的小波熵值明显低于基于青年被试组步态数据的小波熵值,显著性水平值P<0.05,基于两个被试组步态数据的小渡熵具有显著差异.结论 相对小波能量可提供步态数据中与人体步态功能内在变化相关的细节信息,小波熵能够表征人体步态内在动态变化程度,有望成为临床上可有效评估人体步态功能变化的特征参数.
-
小波熵在脑电信号分析中的应用
小波熵是一个衡量非线性信号多尺度动力学行为有序、无序程度的量化指标,其可提供信号非线性动力学过程复杂程度的信息.近年来,小波熵在脑电信号中的研究日益受到关注,国内外学者用小波熵研究脑电信号、诱发电位、事件相关电位等的复杂程度,进一步揭示了大脑电活动的动力学机制.其主要应用于大脑感知、认知活动的研究,癫痫脑电信号的动态观测,睡眠、网络成瘾、头外伤后脑神经的康复等几个方面.小波熵不仅可以显示受到刺激后脑电信号频率上同步化的动态演变过程,而且可以有效区分癫痫发作前状态和癫痫发作状态,从而加深了对脑动力学机制的理解,成为认知功能研究的一种新的方法,显示了在脑电信号分析中良好的应用前景.
-
小波包变换分析帕金森病患者足底的压力信号
背景:帕金森病属中枢神经系统的退行性疾病,步态失调是帕金森病3大特征之一.因此对帕金森病患者足底压力的研究较为广泛.以往研究多集中于从力学方面揭示足底压力的分布,而对足底压力信号的研究较少.目的:观察比较帕金森病患者与正常人足底压力信号的差异.方法:采集93例帕金森病患者和72名正常对照的足底数据.被试者以其平时自然的步态在水平地面上行走约2 min,足底在垂直方向所受的反作用力(N)以时间序列记录下来.足底的16个传感器以采样100次/s的速度记录,数据中还包括了每只足底8个传感器的记录之和.采样速度为100 Hz,每个被试采样时间为121.171 5 s.利用小波包分解来分析帕金森病患者和对照组步态数据.结果与结论:通过分解和计算,得到了来自足底不同传感器的信号的熵.D1层分解结果的熵值显示,来自于传感器L1,R1,L2,R2,L6和R6信号的P值明显小于其他传感器的数值,且小于0.05;DD2层分解结果的熵值显示,来自于传感器L1,R1,L6和R6信号的尸值明显小于其他传感器的数值,且小于0.05.由统计结果可知,帕金森病患者与正常对照的足底压力信号熵值存在明显差异,通过分析足底压力信号可以辅助医师诊断和治疗帕金森病患者.
-
小波熵提取脑意识任务特征的脑机接口设计
目的:基于脑电图信号的脑-计算机接口是近年来一个热门的研究领域.脑机接口为残疾人士提供了一种新的可供选择的对外交流的方式.设计一种仅使用进行简单思维任务时脑电信号(脑电图)的高准确率脑机接口.方法:脑机接口的构架可以简单划分为两部分,前端为脑电讯号的特征提取与辨识,后端则为与其他硬体的结合与应用.在前端设计了高辨识率的二分类脑-计算机接口.首先应用小波熵对思维脑电信号进行特征提取,然后采用反向传播神经网络作为分类器,并用得到的信号特征对不同思维作业脑电信号进行分类.结果:采用的思维脑电数据源于美国Colorado州大学,5个实验个体的5种不同思维状态的脑电图数据,对于每个实验对象,均采用小波熵对脑电图数据进行特征提取,然后采用反向传播神经网络作为分类器,对脑休息状态与另外4种思维状态进行两两对比分类.结果表明当选用合适的思维状态时,分类平均正确率可达到90%以上.结论:用小波熵的特征提取方法,能获得高的分类正确率,此方法能够应用到对思维脑电信号的处理中,能作为现在脑机接口设计中另一可行的特征提取方法.同时,提出了一种应用高准确率的二分类脑机接口进行多种工作任务识别的方法,二分类脑机接口进行多种工作任务识别具有广阔得应用前景.
-
基于脑电样本熵和小波熵的麻醉深度监测
目的:通过研究全麻手术病人的脑电信号特征,从分类准确率、算法难易程度、计算时间等方面讨论样本熵和小波熵算法在麻醉深度监测中的应用.方法:基于脑电信号的非线性和不稳定性,采用两种非线性动力学分析方法(样本熵和小波熵)对30例全麻手术病人的脑电信号进行特征提取,并对每位病人清醒状态、轻度麻醉状态和中度麻醉状态下的脑电信号的样本熵和小波熵进行差异分析.结果:不同麻醉状态下的脑电信号的样本熵和小波熵均有明显差异.相同脑电信号的样本熵的变化阈值较小波熵的变化阈值大.结论:样本熵和小波熵算法均可以作为麻醉深度监测的有效指标.从分类准确率、算法难易程度和计算时间等方面考虑,使用样本熵算法的效果优于小波熵算法.
