共查询到20条相似文献,搜索用时 15 毫秒
1.
皮层肌肉功能耦合是大脑皮层和肌肉组织间的相互作用, 脑肌电信号的多尺度耦合特征可以体现皮层-肌肉间多时空的功能联系. 本文引入变分模态分解并与传递熵结合, 构建变分模态分解-传递熵模型应用于脑肌间耦合研究. 首先基于变分模态分解将同步采集的脑电(EEG) 和肌电(EMG) 信号分别进行时频尺度化, 然后计算不同时频尺度间的传递熵值, 获取不同耦合方向(EEG→EMG 及EMG→EEG) 上不同尺度间的非线性耦合特征. 结果表明, 在静态握力输出条件下, 皮层与肌肉beta (15—35 Hz) 频段间的耦合强度最为显著; EEG→EMG 方向上脑电与肌电高gamma (50—72 Hz) 频段的耦合强度总体上高于EMG→EEG 方向.研究结果揭示皮层-肌肉功能耦合具有双向性, 且脑肌间不同耦合方向上、不同频段间的耦合强度有所差异.因此可利用变分模态分解-传递熵方法定量刻画大脑皮层与肌肉各时频段之间的非线性同步特征及功能联系. 相似文献
2.
针对传统语音情感特征参数在进行情感分类时性能不佳的问题,该文提出了一种基于变分模态分解的语音情感识别方法。情感语音信号首先由变分模态分解提取固有模态函数,然后对所选主导固有模态函数进行重新聚合,再提取梅尔倒谱系数和各固有模态函数的希尔伯特边际谱。为了验证该文提出的特征性能,选用两种语音数据库(EMODB、RAVDESS)进行实验,按该文方法提取特征后使用极限学习机进行语音情感分类识别。实验结果表明:相比基于经验模态分解和集合经验模态分解的语音情感特征,该文提出的特征有更好的识别性能,验证了该方法的实用性。 相似文献
3.
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%. 相似文献
4.
5.
6.
7.
8.
在页岩气开采过程中,基于相位敏感光时域反射计(Φ-OTDR)的分布式光纤声波传感(DAS)系统是对水力压裂作业中产生的微震波进行监测的常用方案。为了提高Φ-OTDR系统测量振动信号的信噪比,提出了一种基于变分模态分解(VMD)和互信息(MI)的振动信号去噪方法,对数字正交(I/Q)解调得到的相位信号进行进一步处理,VMD层数K通过去趋势波动分析(DFA)计算的标度指数确定,相位信号的失真和噪声通过剔除MI法确定的非相关模态进行抑制。并搭建了相干探测Φ-OTDR系统验证VMD-MI方法的去噪效果,分别对500 Hz单频振动信号和500、1000、1500 Hz多频振动信号使用VMD、小波降噪(Wavelet)、经验模态分解(EMD)、自适应噪声完备集合经验模态分解(CEEMDAN)进行处理。实验结果表明,所提方法对振动信号信噪比提升最为明显,在Φ-OTDR系统中具有良好的实用性。 相似文献
9.
10.
根据高强度聚焦超声(HIFU)治疗中超声散射回波信号的特点,本文利用变分模态分解(VMD)与多尺度排列熵(MPE)对生物组织变性识别进行了研究.首先对生物组织中的超声散射回波信号进行变分模态分解,根据各阶模态的功率谱信息熵值分离出噪声分量和有用分量;对分离出的有用信号进行重构并提取其多尺度排列熵;然后通过Gustafson-Kessel (GK)模糊聚类确定聚类中心,采用欧氏贴近度与择近原则对生物组织进行变性识别.将所提方法应用于HIFU治疗中超声散射回波信号实验数据,用遗传算法对多尺度排列熵的参数优化后,对293例未变性组织和变性组织的超声散射回波信号数据进行了多尺度排列熵分析,发现变性组织的超声散射回波信号的多尺度排列熵值要高于未变性组织;多尺度排列熵可以较好地识别生物组织是否变性.相对于EMD-MPE-GK模糊聚类以及VMD-小波熵(WE)-GK模糊聚类变性识别方法,本文所提方法中变性与未变性组织特征交叠区域数据点更少,聚类效果和分类性能更好;本实验环境下生物组织变性识别结果表明,该方法的识别率更高,高达93.81%. 相似文献
11.
提出一种变分模态分解-排列熵的去噪方法,分析并设定排列熵中关键参数和阈值,进而通过排列熵来确定变分模态分解的分解层数值,将分解的各模态进行重构以实现对振动信号的去噪。通过仿真测试来验证该方法在正交性、完备性、信噪比和效率方面的优越性,最后对系统采集的实际振动信号进行去噪处理。实验结果表明,与现有的经验模态分解-相关系数和完全经验模态分解-相关系数方法相比,所提方法对触网、车轮碾压和雨淋三种振动信号具有最优的去噪信噪比(含噪信号与降噪值之比),分别为32.5358 dB、30.5546 dB和29.3435 dB,耗时也较少,分别为1.4432,1.6320,1.2349 s,信号模式识别准确率最高,均在99%以上。 相似文献
12.
针对利用可调谐半导体激光器吸收光谱学(TDLAS)技术测量气体浓度过程中二次谐波谱线存在的外界噪声干扰问题,提出一种基于变分模态分解和小波阈值函数复合算法的二次谐波降噪方法。首先对二次谐波含噪信号进行分解,得到有用固有模态函数(IMF)并进行重构,再对重构信号进行小波阈值函数降噪处理。讨论了变分模态分解中最佳平衡参数的选取,得出最佳平衡参数与含噪信号中噪声成正比的结论。通过改变小波变换的阈值函数改变高频小波系数,以更好地抑制噪声。对实际测量曲线的降噪结果表明,所提出的降噪方法可以在信噪比较低的情况下有效抑制噪声,提取有用的二次谐波信号。 相似文献
13.
为更准确地实现扬声器异常声分类以及促进其分类的自动化,提出一种基于变分模态分解(Variational Mode Decomposition,VMD)能量熵和遗传算法优化的支持向量机(Genetic Algorithm-Support Vector Machines,GA-SVM)的扬声器异常声分类方法。首先对测得的扬声器单元声响应信号进行VMD,然后提取每个变分模态函数(Variational Mode Function,VMF)的能量熵并进行统计分析,最后利用GA-SVM进行异常声判断。实验结果表明,与VMD时频熵、经验模态分解(Empirical Mode Decomposition,EMD)能量熵、EMD时频熵这3种特征提取方法相比,VMD能量熵能更准确地表征扬声器单元异常声特征,具有更高的平均识别率,其平均识别率为96.3%,较以上3种方法分别提高了18.3%,24.0%,54.3%。 相似文献
14.
特征线谱提取是舰船目标识别的一个重要研究环节,常采用传统的DEMON谱分析方法,处理过程中,一般对舰船噪声时域信号未予抑噪,低信噪比情况下,传统DEMON谱分析性能差。对此,提出一种采用遗传算法优化变分模态分解方法,用于分解舰船噪声原时域信号,获得抑制噪声后的舰船噪声重构信号,进而有效提取了舰船目标噪声幅度调制特征线谱。该方法首先采用遗传算法优化变分模态分解的两个关键输入参数(分解所取模态个数和惩罚因子),对变分模态分解得到的各阶固有模态分量加以判别,去除噪声主导分量,保留信号主导分量,使重构舰船噪声信号显著抑制了干扰噪声,然后对降噪后的重构信号进行频谱分析,获得目标噪声调制特征线谱。理论分析、仿真和实验数据处理结果表明,相比传统DEMON谱分析法,基于遗传算法优化变分模态分解的舰船噪声特征线谱提取方法具有更好的噪声抑制能力,所获取的舰船噪声幅度调制特征线谱信噪比明显高于传统DEMON方法,具有一定优势,前景良好。 相似文献
15.
理论上考察了两耦合玻色-爱因斯坦凝聚体间的相干原子振荡,我们用时空不能完全分离的波函数去描述囚禁在双磁阱中的玻色-爱因斯坦凝聚体,根据托马斯-费米近似,得到两凝聚体的相位差和布局数随时间的演化方程,应用数值计算的方法,考察了相干原子遂穿和宏观量子自囚禁效应.这些研究结果和采用双模时空分离波函数近似法得到的结果进行了比较. 相似文献
16.
基于密歇根大学射电天文台数据库中从1965年到2012年收集的类星体3C 345,3C 273和3C 279在射电8.0 GHz的光变数据,利用集合经验模态分解方法将这些类星体的光变资料分解为周期项、趋势项和高频项,并对分解后的高频项计算其饱和关联维数、最大Lyapunov指数和Kolmogorov熵,判断是否具有混沌性.结果表明,这些类星体的光变不仅具有周期性,也具有明显的混沌特性,表明类星体光变应为产生周期性运动的物理机制和产生混沌现象的非线性机制的综合结果. 相似文献
17.
分子间的能量转移是维系生命及其演化的重要方式,也是实现化学反应、构造分子功能材料的重要手段。大量的研究表明,分子间的能量转移可以通过分子间的偶极耦合来实现。偶极是表征分子内电荷空间分布的一个物理参量,偶极耦合是分子间库仑相互作用的一种基本形式。对于光子的吸收和发射过程而言,人们常常利用跃迁偶极来描述分子在基态和激发态之间的跃迁过程中所引起的电荷振荡,因此,多分子体系的光学特性和能量转移过程往往与分子间的跃迁偶极耦合有关。直觉上大家通常认为分子间的能量转移应该是以递进式的非相干传递来实现的,即由接受能量的分子传送给相邻的下一个分子。尽管不断有新的实验通过在能量域和时间域的测量(超快光谱测量)表明分子间的高效能量转移可能具有一定的相干性,但由于光学衍射极限对空间分辨能力的制约,使得对于这种偶极相互作用的相干性形式和特性一直缺乏直接的认识。 相似文献
18.
19.