基于AdaBoost算法的癫痫脑电信号识别

AdaBoost算法作为Boosting算法的经典算法之一, 在人脸检测和目标跟踪等领域得到了广泛应用, 但该算法也有一个缺点-退化问题. 为了解决这个问题, 通过对弱分类器进行筛选、引入平滑因子和权值修正函数三个措施对算法进行优化, 并将优化后的算法与小波包分解相结合应用到癫痫脑电信号的识别上. 结果表明, 本文算法对癫痫脑电信号的识别率为96.11%, 对正常脑电信号的识别率为99.51%, 具有较高的识别率, 为癫痫的正确诊断提供了一种可能有效的解决方案.     

基于Lempel-Ziv复杂度和经验模态分解的癫痫脑电信号的检测方法

癫痫脑电信号是非平稳、非线性的,根据此特性我们提出一个基于Lempel-Ziv复杂度和经验模态分解(EMD)的癫痫脑电信号的检测方法,首先将癫痫脑电信号用EMD分解,再分别计算每阶固有模态函数(IMF)的复杂度,最后将得到的复杂度作为特征进行检测.实验用波恩数据库来评估提出的方法.结果表明,该方法检测准确率可达到95.25%,具有准确率高、适应性强等优点.     

基于频率切片小波变换和支持向量机的癫痫脑电信号自动检测

实现癫痫脑电信号的自动检测对癫痫的临床诊断和治疗具有重要意义.本文提出先使用频率切片小波变换分离出5个不同频段的节律信号,再分别计算每个节律信号的近似熵和相邻节律的波动指数,最后使用遗传算法优化的支持向量机进行分类.实验结果表明,所提出的方法能够对正常、癫痫发作间期和癫痫发作期三种脑电信号进行准确分类,分类准确率为98.33%.     

针刺足三里的脊髓背根神经电信号非线性特征提取

神经系统在外部刺激下会呈现出丰富的放电模式,针刺作为对穴位的机械作用可以等效为对神经系统的一种外部刺激,在针刺刺激下神经系统会产生不规则的电信号.由于神经系统是高度复杂的非线性动力学系统,神经电信号具有很强的非线性,所以本文设计了提插补法、提插泻法、捻转补法、捻转泻法等四种针刺手法的动物实验,获取针刺大鼠足三里穴位的脊髓背根神经束动作电位序列.采用峰峰间期的思想,应用非线性时间序列的方法分析此动作电位序列,通过计算Lyapunov指数、关联维数以及Lempel-Ziv复杂度等参数,提取神经电信号的非线性特征,得到不同针刺手法的神经电信息的编码;并证明了针刺作用下脊髓背根的神经电信号具有明显的混沌特性. 关键词： 针刺 神经电信号 非线性分析 混沌     

多类运动想象脑电信号特征提取与分类

针对多类运动想象情况下存在的脑电信号识别正确率比较低的问题,提出了一种将小波包方差,小波包熵和共同空间模式相结合的脑电信号特征提取,输入到支持向量机达到分类目的。首先选择小波包去噪后重要导联的脑电信号,进行小波包分解;然后对通道优化选取的重要导联的每个通道信号计算方差和熵值,对重要导联的每个通道信号的子带系数进行重构后,进行共同空间模式特征提取;最后结合2种不同导联方式所获取的特征向量进行分类。采用BCI2005desc_IIIa中l1b数据,该算法的分类正确率最高达到88.75%,相对2种单一的提取方法分别提高28.27%和6.55%。结果表明该算法能够有效提取特征向量,进而改善多类识别正确率较低的问题。     

基于弹性变分模态分解的癫痫脑电信号分类方法

癫痫脑电信号分类对于癫痫诊治具有重要意义.为了实现病灶性与非病灶性癫痫脑电信号的分类,本文利用弹性网回归重构变分模态分解算法,提出弹性变分模态分解算法并将其应用到所提癫痫脑电信号分类方法中.该方法先将原信号分割成多个子信号,并对各子信号进行弹性变分模态分解,然后从分解后的不同变分模态函数中提取精细复合多尺度散布熵作为特征,最后利用支持向量机进行分类.针对癫痫脑电的公共数据集,最终的实验结果表明,准确率、灵敏度和特异度三个性能指标分别达到92.54%,93.22%和91.86%.     

基于LABVIEW的脑电信号虚拟采集系统设计

在神经科学研究领域,对大脑的观察主要来源于对脑电信号的收集与分析。当前对脑电信号收集的方法是通过专业脑电设备将信号收集保存,再由专业软件处理。由于这类仪器非常昂贵,系统体积也比较大,软件更新快,现在只能用在科学研究上,根本无法用于有规模的实验教学,更不可能一人一机。为此,提出了一种基于LABVIEW的脑电信号虚拟采集系统设计方法,使脑电收集与分析可以广泛地应用于教学。该方法首先对脑电信号虚拟采集系统的硬件进行构造,然后以硬件构造为依据,利用AR模型功率谱估计对脑电信号进行特征提取,在特征提取过程中,对模型类型与模型系数算法以及模型最佳阶数进行分析,最后通过将二阶低通滤波器与二阶高通滤波器进行串联,形成4阶Bessel带通滤波器,实现脑电信号的滤波,并以脑电信号传输电路的设计完成脑电信号虚拟采集系统的设计。实验结果证明,所提方法可以快速地对脑电信号虚拟采集系统进行设计,并为该领域的研究发展提供支撑。#$NL关键词：LABVIEW;脑电信号;虚拟采集系统;     

基于复杂度的针刺脑电信号特征提取

为探究针灸刺激对大脑活动产生的影响,文章设计了4种针刺频率针刺右腿足三里穴获取脑电的实验.首次采用排序递归图和关联维数方法提取针刺脑电信号的复杂度参数来反映针刺大脑的功能状态,并基于这些方法研究了针刺作用对大脑功能区域的影响以及不同针刺频率与脑电复杂度的相关性.发现针刺时脑电的复杂度高于针刺前,尤以频率为100次/min的针刺影响最为明显;从FP2, F7, T3导联脑电中提取的确定性指标(DET)可作为区分针刺状态与针刺前状态的一种特征参数. 关键词： 针灸 脑电 排序递归图 关联维数     

基于多尺度传递熵的脑肌电信号耦合分析

神经运动控制中脑肌电同步特征可以反映皮层与肌肉之间的功能联系. 为定量研究脑电和肌电信号在不同时间尺度上的同步耦合特征, 提出多尺度传递熵方法实现静态握力输出下的脑肌电耦合分析: 对同步采集的头皮脑电信号(EEG) 和表面肌电信号(EMG)进行多尺度化, 计算不同尺度因子下EEG与EMG间的传递熵值, 获取不同耦合方向(EEG→EMG及EMG→EEG)上的非线性脑肌电耦合特征; 进一步计算功能频段下的显著性面积指标, 定量分析不同尺度下皮层肌肉功能耦合强度的差异. 分析结果显示, 静态握力输出时beta频段(15–35 Hz)皮层肌肉功能耦合特征显著, 且beta2频段(25–35 Hz)在不同尺度上EEG→EMG方向的耦合强度大于EMG→EEG方向, 耦合强度最大值和方向间耦合强度差异显著值均出现于较高时间尺度. 研究结果揭示: 皮层肌肉功能耦合具有双向性, 且耦合强度在不同时间尺度和不同功能频段上有所差异, 可利用多尺度传递熵定量刻画大脑皮层与肌肉之间的非线性同步特征及功能联系.     

脑电信号的样本熵分析

运用非线性动力学方法对癫痫患者与正常人的脑电数据进行分析。研究结果表明,癫痫患者发作期的样本熵值总体上低于正常人,并且癫痫患者在发作时的脑电样本熵值较发作前有明显降低,发作后又回到发前水平。这预示着样本熵可能为癫痫病的临床诊断提供一定的参考。同时通过实验验证,样本熵具有较好的一致性,且只需要较短的数据就能达到分析目的,是分析脑电信号的有利手段。     

基于信息融合的模拟电路故障的特征提取与融合方法

在模拟电路故障诊断中,故障特征的提取是一个非常重要的环节,其提取结果的好坏将直接影响最终的诊断正确率。对现有文献研究发现,每种特征提取方法单独使用时都有一定的局限性,为了能够更加充分的提取模拟电路故障特征,提出了小波包分析与主元分析并行应用的方法,并将两种方法提取的特征向量依据不同规则进行了三种类型的融合,方便对比实验。为获取最优小波特征,提出了特征偏离度,并以此为标准选择最优小波基。最后,通过设计一种改进的神经网络分类器模型,将融合后的三种特征向量送入其中进行仿真验证,得出最终诊断结果。结果表明,该方法能够有效克服单一特征提取方法提取不充分的缺点,提高故障诊断的正确率,并且融合因子 适中时诊断正确率最高。     

A new method of determining the optimal embedding dimension based on nonlinear prediction

A new method is proposed to determine the optimal embedding dimension from a scalar time series in this paper. This method determines the optimal embedding dimension by optimizing the nonlinear autoregressive prediction model parameterized by the embedding dimension and the nonlinear degree. Simulation results show the effectiveness of this method. And this method is applicable to a short time series, stable to noise, computationally efficient, and without any purposely introduced parameters.     

改进的相对转移熵的癫痫脑电分析

脑电信号是由脑神经活动产生并且始终存在于中枢神经系统的自发性电位活动,是一种重要的生物电信号. 脑电信号是非常微弱的且是非线性的,脑电信号也具有时间不可逆性. 本文提出了一种新的基于正向序列转移概率与逆向序列转移概率的相对熵方法即相对转移熵方法,并应用此方法研究了正常脑电与癫痫脑电的不可逆性,实验结果显示癫痫患者的脑电信号的不可逆性明显小于正常人的脑电信号的不可逆性. 这说明改进的相对转移熵可以作为一个物理过程不可逆程度的度量参数,这使得应用脑电信号区分病人是否患有癫痫疾病具有积极指导意义. 关键词： 相对转移熵 脑电信号 符号化 时间不可逆性     

基于背景自适应预测的星点提取算法

在分析星图中的星点目标和背景特性的基础上,提出了一种基于背景自适应预测的星点提取算法。为准确预测背景并兼顾算法的速度,只在背景边缘处使用区域最大值背景预测法,其余部分直接使用固定权值进行预测。分割残差星图,提取各星点的目标区域,阈值采用自适应的取值方式。利用质心算法求取各星点目标的精确位置。实验结果表明,基于背景自适应预测的星点提取算法性能优于现有的星点提取算法,是一种有效的星点提取算法,可以降低大量由于强边缘而引起的虚警,能够更准确地预测背景。     

基于流形学习的声目标特征提取方法研究

为解决目前声目标识别面临的鲁棒性不足问题,提出将流形学习应用到声目标的特征提取中,在经典流形学习算法的基础上,研究讨论了目标声信号频域中存在的低维流形,通过两种实际的地面和低空飞行声目标数据集进行对比识别实验,分析了基于流形学习的声目标特征提取方法的性能,结果表明基于流形学习的特征提取方法可以发现声信号的本质特征,提高了声目标识别系统的准确性和鲁棒性. 关键词： 声目标识别 特征提取 流形学习     

基于稀疏表示的核素能谱特征提取及核素识别

提出了一种基于稀疏表示的核素能谱特征提取方法,其实质是将核素能谱在区分性最好的稀疏原子上进行投影。利用稀疏分解方法对核素能谱进行稀疏分解,提取分解系数向量作为表征核素的特征向量,通过模式识别分类方法建立分类模型实现核素识别。与传统稀疏分解方法的区别在于：在能谱稀疏分解过程中按照稀疏字典中的原子排列顺序顺次进行分解;其次,分解目的在于特征提取,即最终提取到的特征对不同核素具有可区分性,并不要求核素能谱的重构精度。在²⁴¹Am, ¹³³Ba, ⁶⁰Co, ¹³⁷Cs, ¹³¹I和¹⁵²Eu共6种核素1200个能谱数据上进行了核素识别实验,7种不同分类算法的平均识别率达到91.71%,实验结果的统计分析表明,本文提出的特征提取方法识别准确率显著地高于两种传统核素能谱特征提取方法准确率。     

基于投影的灰度图像特征提取

采用自顶向下基于知识特征的提取方法 ,在飞机目标红外特性分析的基础上 ,用三维灰度图像投影分解成两个二维平面图像 ,分别提取它们的边缘特征、不变性角特征和区域特征 ,并对特征进行了融合 ,得到飞机目标的灰度图像特征。结果证明 ,该方法大大简化了特征提取系统的复杂性 ,便于硬件的实现     

Determining the minimum embedding dimension of nonlinear time series based on prediction method

Determining the embedding dimension of nonlinear time series plays an important role in the reconstruction of nonlinear dynamics. The paper first summarizes the current methods for determining the embedding dimension. Then, inspired by the fact that the optimum modelling dimension of nonlinear autoregressive (NAR) prediction model can characterize the embedding feature of the dynamics, the paper presents a new idea that the optimum modelling dimension of the NAR model can be taken as the minimum embedding dimension. Some validation examples and results are given and the present method shows its advantage for short data series.     

基于子频带能量特征提取的汽车鸣笛声识别*

针对城市中汽车违法鸣笛声之间识别分类较难的问题,为了快速准确的识别鸣笛声并将不同种鸣笛声之间进行分类,在鸣笛声识别分类中提出了应用子频带能量提取鸣笛声的特征,并利用BP神经网络对提取的子频带能量特征值矩阵进行学习训练,且在神经网络学习过程中利用可变学习速度的方法,减小了神经网络的迭代次数。实验表明利用此种子频带能量特征提取法使鸣笛声与非鸣笛声的平均识别率达到了94.889%;使不同鸣笛声之间的分类正确率最大达到了93.75%,实现了不同鸣笛声之间的分类。     

基于递归量化分析与支持向量机的癫痫脑电自动检测方法

癫痫脑电信号的自动检测对癫痫的临床诊断与治疗具有重要意义.基于递归图(recurrence plot)的递归量化分析(recurrence quantification analysis,RQA)重现了非线性时间序列的动力学行为,分析了其递归特性,本文提出了基于RQA的癫痫脑电信号特征提取方法.实验结果表明:直接基于RQA特征的癫痫脑电的检测准确率较高,其中直接基于确定率DET的分类准确率可达到90.25%.本文还把提取的RQA特征值和变化系数、波动指数相结合组成特征向量,输入到SVM分类器,实现癫痫脑电信号的自动检测;实验结果表明:该方法的分类准确率可达到99%.