首页 > 文献资料
-
基于希尔伯特-黄变换的心音包络提取
目的 提取心音信号的包络特征,根据包络对信号进行时域分析.方法 本文提出了利用希尔伯特一黄变换对心音信号进行包络提取的方法.首先利用黄变换对心音信号进行预处理:然后对处理后的信号进行希尔伯特变换得到心音信号的包络.结果 突出了心音信号的第一心音和第二心音,准确提取了心音的各种时域特征.结论 采用此方法能够准确地提取心音信号的包络,为进行下一步分析奠定了基础.
-
基于脑电信号Hilbert-Huang变换的睡眠分期研究
目的 研究基于脑电信号Hilbert-Huang变换的睡眠自动分期方法.方法 对睡眠脑电信号进行Hilbert-Huang变换,求出具有物理意义的瞬时频率,并得到脑电信号在频率上的能量分布,作为睡眠脑电信号各个时期的特征,终利用近邻模式分类方法对睡眠各阶段进行分期决策.结果 通过对560个睡眠脑电信号样本进行分期,平均正确率达到81.7%.结论 经Hilbert-Huang变换得到的睡眠脑电信号特征,可以作为睡眠分期的有效分类依据.
关键词: Hilbert-Huang变换 脑电信号 睡眠分期 固有模态函数 -
HHT在生物雷达回波信号噪声抑制中的应用
目的:利用Hilbert-Huang Transform(HHT)的频率区分特性,对生物雷达回波信号进行处理,去除高频噪声成分,提高生物雷达对生命信息的识别能力.方法:首先对经过预处理的雷达回波信号进行经验模态分解获取其固有模态函数,并根据能量分析方法将固有模态函数区分为有用信号占主导模态与噪声占主导模态2个部分,然后用小波软阈值的方法提取噪声占主导模态部分中的有用成分,与有用信号占主导模态部分的固有模态函数叠加,获取雷达回波信号中的生命信息,实现对目标的识别.结果:HHT有效地去除了生物雷达回波信号中的高频噪声成分,提取出了人体呼吸信号.结论:与传统傅里叶去噪方法相比,HHT分辨率更高,能保留信号中的细节特征,为生命体目标的识别提供了更多的信息.
-
基于EMD的左右手运动想象脑电信号分析研究
基于经验模态分解(EMD)理论,提出一种左右手运动想象脑电信号分析方法.首先利用时间窗对脑电信号数据进行划分,对每段数据通过经验模态分解法将其分解为一组固有模态函数IMF,提取主要信号所在的IMF层去除信号中的噪声.对含有主要信号的几层IMF进行Hilbert变换,得到瞬时频率与对应的瞬时幅值.再提取左右手想象的特定频段mu节律和beta节律的能量信号作为特征,分别利用支持向量机(SVM)和Fisher进行了分类比较.对EMD和小波包在去噪和特征提取进行了比较.结果表明,EMD是一种很有效的去噪方法,经过EMD分解后提取的能量信号在区分左右手想象上更具有优势,识别率高.
-
基于固有模态分解和深度学习的抑郁症脑电信号分类分析
以采集到的抑郁症患者和正常人的脑电信号为基础,采用固有模态分解算法对原始信号去噪处理,通过卷积神经网络对抑郁症患者和正常人进行分类分析.首先通过脑电信号的采集实验,采集15位抑郁症患者和15位正常人对照组Fp1的静息态脑电信号;之后对采集到的静息态脑电进行去噪处理,脑电去噪处理主要包括固有模态分解算法对原始信号的分解获得不同层次的IMF分量,对IMF分量进行频域分析,通过硬阈值的方法剔除原始信号中的噪声信号;后采用卷积神经网络对抑郁症患者和正常人对照组进行二值分类,结果相较于传统的特征提取-机器学习算法,分类准确率明显提高.
-
基于集合经验分解与改进阈值函数的小波变换心电信号去噪方法研究
针对心电图(ECG)信号去噪问题,提出了一种基于集合经验分解(EEMD)和改进阈值函数的小波变换去噪方法.首先利用EEMD对含噪的ECG信号进行分解,选取固有模态函数(IMF),重构ECG信号,实现ECG信号的一次去噪;再利用改进阈值函数的小波变换方法对ECG信号进一步去噪.实验中,利用MIT-BIH心电图数据库对提出的方法进行评估,用参数信噪比(SNR)和均方误差(MSE)比较EEMD、改进阈值函数的小波变换方法以及本文提出的方法的去噪效果.实验结果表明:本文提出的方法去噪后的ECG信号波形平滑,特征点幅值无衰减,在去噪的同时更好地保留了原始ECG信号的特征.
-
小波变换结合经验模态分解在音乐干预脑电分析中的应用
本文旨在结合小波分析与经验模态分解(EMD),充分提取音乐干预下的脑电(EEG)信号特征参数,提高情绪状态评估的分类准确率与可靠性,以期为辅助音乐治疗提供支持与帮助.采用音乐诱发情绪的多通道标准情感数据库(DEAP)中的数据,利用小波变换提取出额区(F3,F4)、颞区(T7,T8)和中央(C3,C4)通道的α波、β波以及θ波节律;对提取的脑电节律进行EMD以获得固有模态函数(IMF)分量,再进一步提取脑电节律波的IMF分量平均能量和幅度差特征值,即每种节律波中包含3个平均能量特征和2个幅度差特征值,以达到充分提取EEG特征信息的目的;后基于支持向量机分类器实现情感状态评估.结果表明,利用该算法可以使无情绪、积极情绪、消极情绪之间分类优正确率达到100%,使得积极与消极情绪之间的识别率提升10%左右,可以实现无情绪与积极、无情绪与消极情绪等情感状态的有效评估.处于不同情感状态下,音乐治疗效果差异较大,提高情感状态评估的分类正确率,将帮助提高音乐治疗的效果,更好地为音乐治疗提供支持.
-
基于多通道经验模式分解的脑机接口特征提取
针对脑机接口(BCI)系统中的多通道非平稳脑电(EEG)信号和脑磁(MEG)信号,本文提出一种基于多通道经验模式分解(MEMD)与功率特征结合的信号特征提取算法.首先将多通道脑信号经MEMD算法分解为一系列多尺度多元固有模态函数(IMF)近似平稳分量,然后对每个IMF分量提取功率特征,并利用主成分分析(PCA)降维处理,后使用线性判别分析分类器对信号特征分类.实验采用第三次和第四次国际BCI竞赛的数据进行验证,对皮层EEG信号和MEG信号运动想象任务的识别正确率分别达到92.0%和46.2%,均位于竞赛第一名水平.实验结果表明本文所提方法有较好有效性和稳定性,为脑信号特征提取提供了新思路.