基于小波变换的ERP信号分析

介绍多分辨率小波变换的基本概念,并介绍多分辨率小波变换在诱发脑电信号（ERP）分析中的应用以及如何应用多分辨率小波变换提取脑诱发电位的各频段信号。实验表明：该方法应用于脑诱发电位的分析是十分有效的。     

基于小波变换的弹射加速度滤波分析

根据小波分解与重构理论，对弹射加速度信号进行多尺度的小波变换，即用不同中心频率的带通滤波器对信号滤波，把主要反映噪声频率的那些尺度的小波变换去掉，再把剩余各尺度的小波变换结合起来，作小波重构变换，从而得到较好地抑制了噪声的信号。     

基于小波多分辨率分析的信号消噪

小波变换是近10年来迅速发展起来的学科，它与傅立叶变换、Gabor变换相比，是一个时间和频率的局部变换，因而能有效地从信号中提取信息。通过对信号进行多尺度细化分析，解决了傅立叶变换不能解决的许多问题。利用噪声信号小波变换的极大值随尺度的加大而显著减少的特点，运用小波多分辨率分析进行信号噪声的消除，仿真结果表明:小波多分辨率分析的效果，优于传统的傅立叶变换。     

基于小波变换的脑电噪声消除方法

分析了基于传统陷波器的脑电消噪方法,根据脑电噪声所处频带及陷波器原理,设计了一种陷波器.并提出了基于小波变换的脑电信号分析方法并利用它来消除脑电信号中的噪声干扰.小波变换是一种多分辨率的时间-尺度分析方法,它能够将信号划分为不同频段的子带信号.根据小波变换的这一特性,对采样获得的脑电信号进行各尺度分解及消噪分析,并给出了各尺度分解结果及消噪结果.最后对这两种方法的消噪结果进行比较.分析表明:利用小波变换能更有效、灵活地检测并去除脑电信号中的噪声干扰.     

基于小波变换的脑电信号分析

介绍小波变换的基本概念和Mallat快速小波变换算法，并探讨了小波变换在脑电信号分析中的应用这一课题。实验结果表明，小波变换是检测脑电信号中的瞬态脉冲以及脑电基本节律的有效工具。     

多分辨率小波变换在表面肌电信号模式识别中的应用

采用一种多分辨率小波变换来进行表面肌电信号的模式识别.该方法选择各个尺度下的小波系数幅值的一对最大最小值作为特征向量,对表面肌电信号作5尺度小波分解.对内旋动作、外旋动作、握拳动作、展拳动作的多尺度分解结果证明,该方法提取的特征信号用于识别时比传统方法的分类精度高.     

用小波变换提取局部放电信号

为了提取局部放电信号,采用二进尺度小波变换的Ｍａｌａｔ算法,应用Ｄａｕｂｅｃｈｉｃｓ小波,设计了低通、带通滤波器。数值仿真研究中,用指数衰减或衰减振荡波来模拟放电信号,研究了小波变换提取信号的效果及有关影响因素。仿真和现场监测数据处理的结果表明,由于小波变换具有多分辨率特性,能快速而有效地从多种窄带干扰中提取出放电信号,适当条件下还可实现较完整波形的提取。由于处理速率较高,适合在线监测时实时使用。     

基于小波变换的脑电信号分析

:介绍小波变换的基本概念和Mallat快速小波变换算法 ,并探讨了小波变换在脑电信号分析中的应用这一课题。实验结果表明 ,小波变换是检测脑电信号中的瞬态脉冲以及脑电基本节律的有效工具。     

小波变换和PSD估计在弧焊电信号处理中的应用

用小波变换对含有瞬态干扰的弧焊电信号进行多尺度分解,在某些尺度下,瞬态信号特征得以明显增强,用简单的阀值比较就可以有效地检测并消除瞬态干扰.然后对消噪后的信号利用PSD对其估计一段时间内弧焊电信号功率与频率的关系,从而得到可以反映焊接过程稳定性的信号统计特征.最后在Matlab环境下进行仿真实验,验证了此上两种方法的结合在提取弧焊特征信号中的有效性.     

基于FSWT和GBDT的癫痫脑电信号分类研究

为解决癫痫脑电信号分类类别以及分类精度不足的问题,使用频率切片小波变换对脑电数据进行信号重构,得到5 个频段的节律信号,再利用非线性指标近似熵和线性指标波动指数共同作为癫痫信号的特征值,充分提取信号的特征信息。随后使用梯度提升树算法对得到的特征数据集进行多分类。实验表明,该算法对癫痫脑电信号的三分类识别率为98． 4%。较传统Adaboost 算法,该方法采取了GBDT( Gradient Boosting Decision Tree) 作为分类算法,成功利用更多的数据集,并且使得分类精度更高。     

岩石超声波检测信号的小波分析

利用小波变换分析岩石超声检测信号，了解岩石内部结构特性和物理力学特性。建立了岩石超声测试实验系统，并进行多分辨率分析。结果表明，小波分析可以对指定频带和时间段内的信号成分进行分析，在时域和频域具有良好的局部化性质。可以准确地抓住瞬变信号的特性，对频率成分采用逐渐精细的时域或空域取样步长，从而聚焦到信号的任意细节。完整岩石试样超声检测信号及其小波变换波谱比较规则，无复杂变化，但反射波衰减较快，不同岩性的岩石，其超声波检测信号无明显差别，其小波变换却不相同。这差异是由于岩石的细观组构不同造成的。小波变换波谱反映了岩石节理、裂隙等岩石的完整程度。     

频域多分辨分析及其对提取脑电特征波的应用

提出一种基于傅里叶变换的频域多分辨分析的新理念,对频域空间进行2进制多分辨分解,并用于分解脑电信号的4种脑波主要分量,以及研究脑电信号各种节律的动态特性.结果表明,该方法物理意义清楚,能获得比小波多分辨分析更多的信息,并能够有效提取脑电不同节律的时频特性,是一种新的描述脑电信号动态时频变化特征的定量定性分析方法.     

基于DHWPT的脑电基本节律特征提取

脑电中不同类型的基本节律在不同生理条件下特征不同,有效提取这些特征对于实现脑电定量分析具有重要作用。简要分析了谐波小波独特的优势,研究了基于离散谐波小波包方法精确提取脑电基本节律的问题,得到了两种反映节律特征的量化参数:单个导联上各节律在某时刻的频带能量比例(FBER-S)和某一导联脑电信号在某一频段内的能量占所有导联在该频段内能量的百分比(FBER-A)。对临床病例数据分析表明,这两种特征参数呈现的特点与确诊病例的病症特点吻合得很好,说明它们能够作为临床诊断和长时程脑电监护的有效辅助诊断依据。     

EEG Signal Denoising and Feature Extraction Using Wavelet Transform in Brain Computer Interface

Electroencephalogram (EEG) signal preprocessing is one of the most important techniques in brain computer interface (BCI). The target is to increase signal-to-noise ratio and make it more favorable for feature extraction and pattern recognition. Wavelet transform is a method of multi-resolution time-frequency analysis, it can decompose the mixed signals which consist of different frequencies into different frequency band. EEG signal is analyzed and denoised using wavelet transform. Moreover, wavelet transform can be used for EEG feature extraction. The energies of specific sub-bands and corresponding decomposition coefficients which have maximal separability according to the Fisher distance criterion are selected as features. The eigenvector for classification is obtained by combining the effective features from different channels. The performance is evaluated by separability and pattern recognition accuracy using the data set of BCI 2003 Competition, the final classification results have proved the effectiveness of this technology for EEG denoising and feature extraction.     

基于小波重构的钻头磨损切削力特征提取

采用小波分析对钻头不同磨损状态的切削力信号进行分解与重构处理,获得了切削力信号在不同频段的时域变化特征,并分析了各个频段重构信号的方差随钻头磨损的变化规律,实验结果表明,采用小波分析技术可有效地实现钻头磨损特征信息提取,且提取的信息特征对钻头磨损状态的变化十分敏感。     

应用连续小波变换提取机械故障的特征

针对机械信号的特征和小小变换的特点,论证了机械信号的连续小波可分解特性,提出了信号的时间－小波能量谱和尺度－小波能量谱的概念,同时,利用信号经连续Ｍｏｒｌｅｔ小波变换后在时间－尺度域内的不同能量分布特性,依据信号的尺度－小波能量谱分布特性,对螺杆泵减速器和滚动轴承这两类不同机械的信号进行了特征提取,结果表明,应用机械信号的尺度－小波能量谱进行特征提取,更好地利用了小波变换的恒Ｑ带通滤波器性质,可以     

基于小波脊的超声信号处理

根据超声信号通常是单频载波脉冲信号,具有渐近信号的特性,提出了一种基于小波脊的超声信号处理算法．首先利用渐近小波变换提取超声信号的小波脊,计算小波脊的移动熵,然后通过移动熵实现缺陷信号与噪声的分离和缺陷定位,最后利用小波反变换重构出缺陷信号．该算法充分利用了超声信号的时域、频域和相位信息,不仅消噪性能好,而且缺陷定位准确     

脑-计算机接口系统中诱发脑电信号的小波分析

针对特定思维诱发脑电信号的特点,提出一种确定其分布情况及提取其波形的方法·首先采用离散小波变换对脑电信号进行分解,然后使用小波奇异点检测和小波统计分析相结合的方法进行特征分析,确定特定思维诱发脑电信号处于小波变换的哪个尺度上,并根据分析结果重构出诱发脑电信号·结果表明,这种方法能够有效地消除脑电信号中的常见噪声,尤其适用于对诱发脑电信号的提取·     

短时交通量时间序列的小波分析-模糊马尔柯夫预测方法

基于短时交通量时间序列的随机波动特征,提出一种小波分析和模糊马尔柯夫结合的预测方法．首先对交通量时间序列进行多分辨率小波分解,然后对低频部分和高频部分分别进行重构,对重构后的基本信号和干扰信号建立模糊马尔柯夫模型,最后对多个预测结果进行合成,从而得到交通量的预测结果．此外,根据灰色系统理论的新息优先原理,实时更新马尔柯夫预测模型中的状态转移矩阵,进一步提高预测精度．通过对苏州某交叉口短时交通量预测,表明小波分析和模糊马尔柯夫结合的预测方法具有良好的抗干扰能力和容错能力．