基于时频分析自动识别睡眠脑电的梭形波

为了识别睡眠脑电图（EEG）中出现的梭形波，使用Choi-Williams分布对EEG信号进行时频变换，根据瞬时频谱估计局部范围里EEG的波形特征，在此基础上设计了一个自动识别睡眠EEG梭形波的方法，对实际睡眠EEG中的梭形波进行识别，识别正确率为85．04％，并且能够提供梭形波的定量指标。实验结果表明，经过进一步完善，这种方法可以作为神经内科专家用于研究睡眠生理变化的一种辅助工具。     

心音信号的短时傅立叶变换分析

心音信号是一种典型的非平稳信号,短时傅立叶变换(STFT,又称窗口傅立叶变换)是用于对非平稳信号进行时频分析的有效工具.在用STFT分析心音信号时,窗口宽度的选择是非常重要的.一方面,要使用尽可能窄的窗口来保证信号的局部平稳性,另一方面,要选用较宽的窗口来提高频率分辨率.如何处理这一矛盾就成了问题的关键.通过调整滑动时间窗的宽度,达到了比较满意的效果.首先用窄时间窗进行分析,频谱图具有高时间分辨率,得到了心动周期等时域特征参数.进而逐渐加宽时间窗,最后得到高频率分辨率的频谱图,可以看出各心音成分的频谱特征.实验结果表明,不同时频尺度的STFT分析可以很好地描述正常心音信号的时域和频域特征.     

基于匹配跟踪的脑电睡眠纺锤波的时频分析

匹配跟踪(MP)算法是一种冗余算法，通过信号x在所选择的最佳向量(最佳基)上的反复正交投影而逼近原信号。它不仅可以获得较好的时频分辨率，而且可以参数化描述任何类型的数据。在临床应用实践中已发现睡眠纺锤波与多种病症有关，因此，有效地检测出睡眠纺锤波具有重要的临床应用价值。文中根据脑电信号(EEG)睡眠纺锤波的特征，利用基于Gabor函数的MP算法对EEG中的睡眠纺锤波进行检测和分析，并给出了分析结果的时频表示。     

Hilbert-Huang变换与大地电磁信号的时频分析

将Hilbert-Huang变换引入大地电磁信号的时频分析中,介绍HHT(Hilbert-Huang transform)时频分析原理及方法,给出仿真信号的经验模态分解及其时频分布,并对实测大地电磁信号进行HHT时频处理与剖析.研究结果表明:Hilbert能量谱随时频的具体分布具有很强的非稳态动态变换时频刻画能力;时频谱的时间、频率分辨率不受Heisenberg测不准原理的限制,且其时间、频率分辨率都很高,有很好的时频聚集性;HHT方法能用于描述大地电磁信号的非线性时变特征,是大地电磁信号时频分析的有效工具.     

超窄带甚小线性调频信号的小波分析

甚小线性调频调制作为一种超窄带调制方式,使用升频信号和降频信号分别对应二进制数据“0”和“1”.根据时频分析理论,证明了甚小线性调频信号是一类小波信号,并采用墨西哥草帽小波对甚小线性调频超窄带信号进行频谱分析比较,还讨论了甚小线性调频信号多周期情况.通过小波分析,从时频分析图中可以直观地看到甚小线性调频信号的频谱随时间的变化,即升频信号的频谱峰能量随码元变化有向高频偏移的趋势,反之,降频信号有向低频偏移的趋势;在多周期甚小线性调频信号中,调制系数越大,频率偏移的趋势则越明显.小波分析精确可靠,为设计特殊滤波器以及系统性能分析提供了基础.     

基于瞬时频率的窗宽递增寻优的短时傅里叶变换

讨论了窗函数在时频分析中的作用,分析了S变换的缺陷,指出了依据分析频率调整窗宽和使用窄窗均严重影响时频分析效果.以短时傅里叶变换为基础,提出了一种窗宽根据信号自身时变特征进行自主调节的时频分析方法,该方法以瞬时频率的变化作为判断信号频谱结构发生变化的依据,通过在瞬时频率变化之前逐次递增窗宽,使窗函数能够覆盖信号中的局部平稳区域的大部甚至全部,从而可对信号中的各局部平稳段得到最佳的时频分辨率.通过对线调频信号、时变信号和含噪声信号的分析和比较可知,本方法可准确描述信号的时间分布特征,并可同时获得最佳的频率分辨率,且对噪声不敏感,具有一定的先进性和实用性.     

基于时频和形态学滤波的长时间能量积累检测

为了检测强噪声背景下长积累时间、低信噪比、信号波形未知的机动目标，提出了一种时频分析和形态学滤波检测的方法．利用时频分布聚集信号能量在其瞬时频率曲线附近，而散布白噪声能量在整个时频平面上的特点，应用时频分布、阈值处理和数学形态学滤波估计高能量时频支撑区域，并累积这些区域的时频能量以构造检验统计量进行统计判决．该方法不需要先验波形信息，检测积累时间不受处理方法的限制，可在更长观测时间内检测噪声环境中的微弱机动目标．仿真实验表明，在信噪比为-9dB、虚警概率为10^-5时，检测概率可达99％．     

一种基于事件相关电位的时频表示方法

生物信号的非平稳特性使得经典的时域分析方法和频域分析方法不能更好地描述信号的局部特征,而联合时频表示可以有效地反映信号的瞬时频率特性.事件相关电位(ERP)是指在特定认知任务下获取的脑电信号,它与刺激所引起的皮层电位直接相关,ERP信号的时频分析将有助于从更深层次上解读其中蕴涵的丰富信息.本文在对几种典型时频表示方法的比较基础上,提出了一种基于滤波器组-Hilbert变换的信号时频表示方法,将这几种方法应用到模拟信号的结果表明,该方法可以更好地保留信号时频特征的细节.因此通过将滤波器组-Hilbert变换方法应用到心理学经典Stroop任务的ERP信号分析中,除了可以得到与心理学传统ERP分析一致的结果外,还可以获取比之更为丰富的信息.     

基于时频分析的海洋激光探测信号检测与识别

针对机载海洋激光探测系统接收信号中噪声的非平稳性及与信号的相关性问题 ,利用信号的 Gabor展开在时间和频率域局部化信号的能力 ,对信号进行时频相关检测和分析 ,提出了一种基于时频分析的相关检测方法以及基于时频特性描述的信号分析和识别 .实验结果表明该方法是一种抗噪性能强 ,自适应性能好的弱信号检测与识别方法     

一种消除局域波法中边界效应的新方法

局域波法能在时频图上正确地描述平衡非线性信号的局部特征，但由于信号边界的不确定性，现有的边界处理方法都不能有效地消除边界效应，造成时频图内两边端点附近信号的能量扩散，因此精确估计边界值是局域波法的关键问题，采用边界波形匹配的方法预测边界值，无论边界点是极值点或非极值点，都能有效地消除边界效应。     

睡眠脑电波的计算机分析

利用微型计算机对七名健康人和一名帕金森氏综合症病人的睡眠脑电图的能量一频率分布曲线进行分析,发现帕金森症患者的睡眠各期能量与正常组相比有较大的差异.由此,我们提出睡眠脑电波的能量和幅度大小有可能作为临床诊断的两项指标.     

睡眠脑电信号的多重分形去势波动分析

睡眠过程中的脑电信号时间序列具有复杂的波动性特点,为了研究不同睡眠时期脑电信号的分形特征,运用多重分形去势波动分析的方法对5例受试者的整夜睡眠脑电信号进行了分析．计算结果表明,睡眠脑电序列具有长程相关性,而且是多重分形过程．不同的睡眠时期广义赫斯特指数不同,随时间尺度的增加而增大,变化趋势一致．醒期的脑电信号广义赫斯特指数最大,REM期介于睡眠一期和二期之间,其他各期随睡眠的加深逐渐增大．为睡眠脑电信号动力学机理的进一步研究提供了坚实的实证基础．     

利用BRIR提取脑电信号基本节律特征及其虚拟仪器系统

研制了一种“虚拟式脑电记录分析仪”，不仅可以实现脑电信号的无纸描记、记录和显示，而且可以对脑电信号进行定量分析，进行脑电特征波形(如癫痫样波、棘波等)提取和时频域特征分析，从临床应用的角度出发，该仪器引入了频带相对强度比(BRIR)的概念，利用时频分析方法，可以获得某一时刻各个基本节律的相对强度，从而为医生临床诊断提供了一种较好的辅助分析工具。     

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.     

柴油机连杆螺栓松动故障的诊断

本研究对某6105型柴油机机体表面振动信号进行采集和分析，通过对测得的发动机正常运转和连杆螺栓松动两种情况下的时域波形的处理和比较，找出发动机连杆螺栓松动时信号的特征频率，为发动机的故障诊断提供技术支持。     

脑电信号的闪光诱发及其数字谱分析

本文对脑电主要机能试验之一——闪光诱发的理论依据及试验方法——作了进一步的探索,从而证实和丰富了控制论创始人之一Wiener的有关设想。作者应用数字谱分折技术研究正常人闪光诱发脑电信号,得出了清晰、明确的“节律同化”谱图及有关特征参数的数值范围,为进而研究各类病理状态打下了基础;为临床脑电图计算机化、为提高脑电图诊断的阳性率提供了依据.     

基于核密度估计方法的涤棉混纺纱拉伸断裂声发射信号分析

为了研究涤棉混纺纱拉伸断裂过程中各组分纤维的断裂情况,自主搭建了声发射信号采集装置,分别采集纯涤纶、纯棉和涤棉混纺环锭纱的拉伸断裂声发射信号,采用HHT和ICA分析方法将声发射信号的时域信号转换成频域信号,并提取特征量频率与幅值。基于核密度估计方法对涤棉混纺纱的拉伸过程中涤纶与棉纤维的声发射信号进行分析。结果表明:涤棉混纺纱拉伸过程中其组分纤维的声发射信号可以用特征频谱表征;在拉伸过程的每一个阶段,各种材料声发射特征频谱的不同可以由特征频率的核密度估计表达,并可推测其组分纤维的断裂次序。     

基于ICA与PSD的ERD／ERS信号检测

介绍一种基于独立分量分析（ICA）空间滤波结合功率谱密度（PSD）曲线分析法用于提取大脑在想象动作时产生事件相关去同步／同步（ERD／ERS）信号的方法．其检测流程为：先对想象动作诱发的脑电（EEG）信号进行ICA分解得到独立分量与相应的解混矩阵,再按特征频段取其主要分量得到滤波后数据,然后采用短时傅里叶变换计算相关导联EEG信号在特征时段与频段的PSD曲线,引入ERD／ERS系数作为量化指标以进行想象动作的识别．计算结果表明,上述方法能够显著增强运动想象脑电信号的ERD／ERS特征信息,且通过实际分类验证,采用该方法可以获得更高的识别正确率,较传统信息检测方法平均提高8％以上．     

一种新的时变参数AR模型分析方法

提出了一种新的非平稳信号的时变参数AR模型分析方法－局域波分解及其时变参数AR模型。该方法先用局域波分解方法把待处理信号分解成有限个基本模型分量，再对分解得到的基本模式分量建立时变参数AR模型，从而得出时频平面上的时变参数AR模型谱。它扩大了传统的时变参数模型法的应用范围，可用于复杂的非平稳信号的分析和处理。     

基于移频技术的短时傅里叶变换阶比分析

提出了一种基于移频技术的短时傅里叶变换阶比分析算法.该算法利用傅里叶变换在频域的卷积性质,对原始信号在时域乘以e-j2πfit使fi的频谱能量搬迁到零频处,按一定的频率间隔改变fi就可以在零频处得到其他频率的频谱能量,以此来提高短时傅里叶变换在时频分析中的频率分辨率.然后在时频面上进行局部阈值降噪,同时跟踪转速的变化,最终应用到变速机械的阶比分析中.与短时傅里叶变换分析结果对比表明,本文方法可以更加准确地跟踪到实际的转速.实际降速过程中轴承信号利用本文方法进行阶比分析,成功提取到轴承的故障特征频率.