视觉诱发电位提取中闪光刺激的PWM实现

视觉诱发电位提取过程中,可以通过闪光刺激获得诱发脑电信号．实验发现,闪光刺激的脉宽、频率和闪光刺激次数对于视觉诱发电位的提取具有关键作用．针对视觉诱发电位的提取特点及其相关因素,探讨了基于脉宽调制（PWM）技术的闪光刺激方法,研究了PWM的软硬件实现方法,同时利用专用集成芯片实现了精确的PWM输出,从而可以根据视觉诱发电位提取过程中的具体条件调整闪光刺激的参数,实现视觉诱发电位的有效提取．实验结果表明利用PWM的精确提取方法控制闪光刺激的发生,对于闪光视觉诱发电位的有效提取具有较好的效果．     

运用小波变换实现听觉诱发电位的单次提取

论述了运用小波变换进行听觉诱发电位单次提取的原理,方法和实验分析。结果表明,对单次试验信号,经小波变换及相关分析后,可从带自发脑电干扰的信号中提取诱发电位信号。小波变换分析与传统的叠加平均方法相比,可减少试验次数,缩短检测周期。     

基于独立分量法的多导诱发脑电的单次提取

脑电 ( Electroencephalographic,EEG)视觉诱发电位 ( Visual Evoked Potential,VEP)的提取在生物医学信号处理领域近年来是一项备受关注的研究问题 .本文提出的一种基于独立分量分析法 ( Independent Component Analysis,ICA)单次提取多导脑电信号 ,其与叠加平均法相比 ,可以看到令人满意的结果     

基于EMD与遗传算法结合的参数辨识

提出将EMD（empirical mode decomposition）信号分解与遗传算法结合用于参数辨识,以一个三自由度系统的算例进行验证,结果表明该方法行之有效。     

EMD的单次分解频域属性及IMF的生成机理研究

本文通过使用2个单频率信号的组合应用于EMD分解来研究EMD的单次分解的频域属性和探索研究本征模态函数IMF的生成机理.数值实验结果证明,EMD过程中,信号中的最高频率组分通过抽取相对低频信号而生成IMF并决定其频域位置和带宽,数值实验结果也证明了EMD过程中相对高频分量对低频分量的抽取能力的非传递属性,最后给出单次EMD的频域滤波器组结构的示意图,并讨论了EMD和小波的频域结构的异同.     

关于视觉诱发电位提取方法的探讨

介绍了几种视觉诱发电位的处理方法，包括各种方法的原理，工作过程，并比较各自的优劣     

小波变换在视觉诱发电位信号提取中的应用

在基于视觉诱发电位脑机接口研究中，需要在强噪声背景下迅速准确地提取出微弱的视觉诱发电位信号。对信号进行小波分解，分析诱发电位信号及噪声在不同尺度上的分布特点，选择诱发电位信号能量相对集中且能较好反映信号主要特征的频带设计了小波时频滤波器。小波时频滤波器结合少量次累加平均，可提高信噪比，提取出视觉诱发电位信号。实验表明，平均刺激9-20次就能提取出信号。本方法能准确快速地提取出有明显特征的诱发电位信号，有利于提高脑机接口通信速度及正确率。     

基于EMD法的语音信号特征提取方法研究

为了提高语音信号的识别率,提出了一种基于经验模态分解(EMD)法的语音信号特征参数提取方法。该方法先对语音信号进行EMD分解,获得其内模函数;再进行FFT和DCT变换,得到特征分量,以此构成语音信号新特征参数。最后采用高斯混合模型(GMM)进行说话人语音识别,实验表明新特征参数取得了较好的识别率。     

特征筛选对脑-机接口信号单次提取精度的影响

脑-之机接口的核心问题之一是通信载体信号的单次提取．在构建脑控拼写器的过程中，通过“模拟自然阅读”诱发模式产生的视觉诱发电位作为人脑与计算机之间的通信载体，采用支持向量机方法进行特征信号的单次识别．为提高识别精度，详细研究了信号时程、时段的选择对模式识别精度的影响．结果表明，信号时程越长分类精度越高，时程达到300ms时，分类精度就可达到最大值（且趋于饱和）；信号时段的选择对分类精度亦有较大影响，最佳时段在靶刺激出现后约250～350ms作为起始处．这一结果为提高系统的整体速度与精度打下了基础．     

基于EEMD和ICA的语音去噪方法

语音去噪技术是语音识别系统走向实用化的一个关键性难题.针对语音信号为非平稳信号的特点,提出了一种基于EEMD和ICA相结合的语音去噪方法,首先利用集合经验模态分解(EEMD)算法将含噪语音信号分解为若干个独立的固有模态函数(IMF),消除了经验模态分解(EMD)算法处理语音信号时产生的模态混迭现象;然后将固有模态函数通过改进的独立分量分析(ICA)算法分离出若干个有效的语音信号分量;最后对其进行语音重构,从而达到消除噪声干扰的目的.实验结果表明,该方法在输入信噪比为-10dB的汽车噪声条件下,可以将语音信号的信噪比提高到2.741 2 dB.     

基于经验模式分解的包络解调技术及其应用

提出了一种新的调制信号解调分析技术,来抑制传统的包络解调方法中经常出现的无意义的频率成分.首先,对复杂的振动信号进行经验模式分解,得到若干个基本模式分量,再对包含调制信号的基本模式分量进行包络分析以提取故障信息.该方法利用经验模式分解来实现故障信息的有效分离,从而提高了诊断信号的信噪比.利用该方法对某齿轮箱轴承座振动信号进行经验模式分解,进而解调出高速轴转频这一调制频率,准确地诊断出该故障是由齿轮轴不对中所引起的,通过针对性的维修后,消除了故障,从而验证了该方法的有效性.     

基于经验模态分解的生命信号提取算法

穿墙生命探测雷达系统中,传统的基于快速傅里叶变换(FFT)的生命信号提取算法不能有效处理非平稳信号,且易受呼吸谐波干扰.为此,文中提出了一种从时域上提取生命信号的新方法.首先应用经验模态分解(EMD)将雷达接收信号分解成有限个固有模态函数(IMF),再用反映生命信号结构特征的IMF分量从时域上分别重构呼吸与心跳信号.仿真结果表明,所提出的新方法能避免呼吸信号谐波对心跳信号的干扰,因而能更加精确地提取心跳信号.     

基于经验模态分解的煤矿设备温度预测

煤矿设备出现故障时,设备温度会迅速上升,表现出非线性和非平稳性的特点。为了较准确地预测温度异常,采用了基于经验模态分解（EMD）的神经网络方法对设备温度进行预测。该方法首先采用经验模态分解算法对设备温度时间序列进行分解,得到若干个平稳性较好的本征模态函数（IMF）分量和一个剩余量,然后分别对各分量及剩余量进行神经网络预测。仿真结果表明,基于EMD的神经网络预测方法比单一神经网络预测方法,预测精度更高,对于温度异常预测更有效。     

正交化经验模式分解方法

针对Hilbert—Huang变换中经验模式分解所得固有模式函数存在的不完全正交问题，基于Gram-Schmidt正交化方法，提出了一种新的正交化处理方法，可得到完全正交的固有模式函数，从而完善了Hilbert—Huang变换方法．通过典型时程曲线的数值模拟的分解结果表明了这一方法的正确性，实际地震波数据的分解显示了这一方法的良好应用前景．     

基于经验模态分解的上证综合指数时间序列分析

采用经验模态分解(empirical mode decomposition,EMD)方法对上证综合指数(Shanghai composite index,SCI)进行研究,将其分解为多个内模函数(intrinsic mode functions,IMFs)和剩余项之和.通过对各阶内模函数进行基本统计分析和分布拟合,发现其"尖峰厚尾"的特点基本服从自由度为3的t分布.通过对各阶内模函数进行周期性分析,揭示各阶模态间不同的波动信息,并得到周、月、半年等时间尺度股指的波动特点,以及典型上涨和下跌时段的波动周期和波动特点.     

经验模态分解和Kolmogorov测度的癫痫预测算法

针对头皮脑电信噪比低的缺点,提出了一种新的癫痫发作预测算法.首先对头皮脑电进行经验模态分解,去除伪差,保留包含主要癫痫预测信息的固有模态分量,然后用Kolmogorov测度来反映大脑的非线性动力学特征变化,并发现在癫痫发作之前,仅位于病灶区域附近导联的Kolmog-orov测度明显降低.通过对3例癫痫病人共5段长程头皮脑电信号的分析表明,这3例病人的平均发作预测时间为338 s,敏感性为66.7%,特异性为19.2%,因此该算法具有良好的临床应用前景.     

经验模式分解模糊特征提取的支持向量机混合诊断模型

为解决机械故障小样本模式识别问题，有效地提高分类的准确率，提出了一种基于经验模式分解模糊特征提取的支持向量机混合诊断模型．该模型通过对信号进行经验模式分解，提取信号的本征模式分量并转化为模糊特征向量，对机器故障进行诊断，然后将模糊特征向量输入到多分类的支持向量机中，实现了对机器不同故障类型的识别．将该模型应用于汽轮发电机组的3种工作状态的识别中，测试结果表明，同原有的未经过任何特征提取以及经过小波包模糊特征提取的2种多分类支持向量机方法相比，该模型将分类准确率从原有的53．33％和86．67％提高到100％，有效地改善了分类的准确性．同时，该模型还为汽轮发电机组的故障确诊提供了有力依据．     

基于经验模式和全变分模型的图像去噪方法研究

文章利用经验模式分解算法的自适应性及高频噪声的强获取能力.对图像进行分解得到固有模式分量.再运用全变分模型对高频的固有模式分量进行去噪处理,处理后的分量与其他未进行处理的低频固有模式分量及剩余模式进行合成.采用峰值信噪比来比较处理后的加噪图像与处理前的加噪图像.结果表明该方法在提高峰值信噪比的同时,也使得图像的主观视觉效果更好.     

基于经验模态分解的齿轮箱故障特征提取

利用小波去噪阈值法对齿轮箱故障振动信号进行去噪,将经验模态分解(EMD)和快速傅里叶变换(FFT)相结合对齿轮箱故障进行特征提取,此方法适合于对非线性非稳态信号进行自适应的分析.利用小波阈值去噪方法对原始信号进行预处理,将去噪后的信号进行经验模态分解,得到一定数量的本征模态函数(IMF)分量,选取特定的IMF进行FFT,得到相应的功率谱,从而达到提取齿轮箱故障特征频率的目的.对齿轮箱故障信号进行分析,结果表明该方法能够有效地识别出齿轮箱故障特征频率.     

经验模态分解的一种改进算法

针对信号采样频率过低对经验模态分解造成的虚假模态等问题,提出了一种改进的算法,即在进行分解前,对原始信号进行重构,其实质是通过内插的方式来增加采样点数,从而达到增加采样频率的目的.对模拟信号的处理结果表明,该算法消除了分解过程中包络曲线的异常波动,从而抑制了分解结果中多余模态的出现,使得对模态的物理解释更加清晰.在机械信号处理中,应用该算法成功地提取出机械信号中具有明确物理意义的故障模态,从而增加了机械故障诊断的能力.