基于ICA与小波阈值的癫痫脑电信号去噪方法

在癫痫性发作的自动检测中,脑电信号的去噪对检测结果起着至关重要的作用。文中提出了一种新的基于ICA与小波阈值的癫痫脑电信号去噪方法。该方法首先利用ICA将多通道癫痫脑电信号分解为若干独立分量;其次基于独立分量与脑电信号间的夹角余弦识别含噪独立分量并用小波阈值对其去噪处理;最终,在去噪后的癫痫脑电信号与原始癫痫脑电信号中提取样本熵作为脑电特征,并结合超限学习机完成癫痫性发作的自动检测。实验结果表明,在去噪后癫痫脑电信号上的分类性能均优于原始癫痫脑电信号,该文所提方法一定程度上达到了自动去除脑电噪声的效果。同时,该方法避免了去噪过程中对噪声人工辨别及干净参考噪声选取等问题。     

基于AR-Copula与ICA的脑电噪声检测和去除

在脑电信号的实时采集过程中,噪声伪迹会对采集到的脑电信号产生较大的畸变。利用Copula理论结合AR时间序列模型研究脑电信号与引起其畸变的噪声之间的相关性,设计并实现了基于尾部相关性的脑电噪声自动检测算法。根据检测结果,对受干扰的数据段进行了ICA噪声去除处理。本文方法能够自动检测受干扰影响的数据段,并且在很大程度上减少了ICA算法的迭代次数,提高了数据实时处理的效率,适用于脑电信号的实时处理过程。     

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·     

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.     

基于隐马尔可夫树非高斯信号的建模分析与分类识别

研究了基于小波域隐马尔可夫树模型非高斯信号的建模方法．探讨了海洋环境噪声和船舶辐射噪声在不同工况下所表现出的不同模型特征，并根据它们在HMT模型参数上的特征差异提出了一种新的检测方法，实验证明，该方法的检测性能比过零检测、能量检测以及二阶统计量检测方法要好．通过结合小波域隐马尔可夫模型和支撑向量机，提出了一种新的水声非高斯噪声信号的识别分类方法，实验证明，该方法具有较好的分类性能．     

基于降噪源分离的脑电信号消噪方法

为了解决采集的脑电信号中常含有工频、心电、肌电和眼电等多源干扰问题,提出一种基于降噪源分离的脑电信号消噪方法.首先,该方法经过小波分解重构,消除高斯噪声完成预处理;然后,根据脑电信号的非高斯性,用正切函数进行降噪源分离,将含干扰的脑电信号逐次迭代提取得到分离信号作为消噪结果;最后,引入相关系数检测消噪效果.实验结果表明:经过降噪源分离提取得到的分离信号之间呈现弱相关性,而目标分离信号与源信号具有强相关性,可有效去除脑电信号中的心电和眼电伪迹.     

麻醉监测诱发脑电信号检测技术研究

阐述相干平均技术、加权平均技术和小波变换技术用于麻醉监测诱发脑电信号的基本原理和具体实现过程，通过仿真实验实现用这3种方法来滤除被测信号的强噪声成分，提取中潜伏期听觉诱发脑电信号．相干平均技术简单明了，硬件容易实现；加权平均技术可以有效地减少叠代次数，但它们都需要上百次甚至上千次刺激才能提取出有效的诱发脑电信号，得到的信号有时还可能是畸变信号；而小波变换技术则在单次刺激的情况下，就能获得较高的信噪比及满意的波形特征，得到的信号的噪声仍然是白噪声，具有较高的可信度．     

基于匹配滤波器和度量学习的脑电信号分类

脑电信号识别和脑机接口技术是人机交互领域的热点问题.当前脑电信号分类方法模型复杂,难以实际应用.该文提出基于匹配滤波器的脑电信号分类框架:根据脑电信号特点和假设检验建立生成式模型,并基于Gauss噪声假设推导出一个简单的线性判定算子;利用度量学习方法估计主信号分量和最优协方差矩阵,进一步增强分类器的鉴别力.实验结果表明...     

诱发脑电信号中工频噪声及其谐波成分的去除

提出了一种去除工频噪声及谐波成分的方法，克服了噪声频率漂移时窄带滤波器所存在的困难，避免了滤波过程引起的附加失真，有效地抑制了混叠在诱发脑电信号中的工频噪声。     

基于多频段图模型的微弱脑电信号异常检测

脑电信号（electroencephalogram,EEG）在癫痫发作检测方面具有重要意义。为了实现对癫痫发作的早期预警,充分利用δ,θ,α,β和 γ波这五个频段中脑电的微弱变化信息和图模型的独特优势,提出了基于多频段图模型的脑电信号微弱异常变化检测方法。该方法首先对滤波后脑电信号的5个频段分别进行图模型动态建模,利用距离函数得到量化图模型之间关系的相似性分数,并用自适应权重融合算法融合所有的相似性分数得到综合性指标,最终通过假设检验来判断脑电信号是否发生异常。利用公开的波士顿儿童医院-麻省理工学院(Children’s Hospital Boston - Massachusetts Institute of Technology, CHB-MIT)头皮脑电信号数据库和山东大学第二医院神经内科的EEG数据库分别进行了实验,并最终用查准率、查全率和F分数来评价所提方法的检测性能。通过与基准方法比较,实验结果表明：所提方法在查准率和F分数方面优于基准方法,且查全率结果可达100%,表明所提方法能够检测所有潜在的微弱脑电信号异常变化,实现了对所有癫痫发作时刻的变化检测,具有突出的优越性和广阔的应用潜力。     

基于Duffing混沌系统的频谱感知算法

针对极低信噪比情况,提出一种基于混沌理论的周期信号的频谱感知算法.该算法利用混沌系统中对周期小信号的敏感特性以及对噪声的免疫特性,在很大程度上解决了感知低功率谱密度信号和隐藏的授权用户的问题.仿真证明了算法的可行性和有效性.     

混沌噪声背景下弱谐波信号的GRNN检测

针对BP(Back Propagation)神经网络方法存在训练时间长,收敛性能不理想;RBF(Radial BasisFunction)神经网络的隐层结构对鲁棒性影响大的问题,将广义回归神经网络GRNN(GeneralizationRegression Neural Network)引入混沌背景下的弱谐波信号检测中,提出了一种提取混沌噪声背景下微弱谐波信号的GRNN检测方法.该方法利用GRNN建立噪声混沌背景的最优一步预测模型,再结合频域处理预测误差提取微弱信号,以Duffing系统产生混沌时序作为混沌背景,使用该方法用MATLAB6.1验证在没有噪声、存在高斯白噪声和存在色噪声情况下的混沌背景下的弱谐波信号检测.实验结果表明,谐波对混沌的信噪比达到-36dB时仍然可以检测出谐波.     

基于小波包及隐式马尔科夫模型的局放信号去噪

将基于小波变换的隐式马尔科夫模型(HMM)方法改进并扩展至小波包域，用于去除发电机局部放电信号中的白噪声．采用实测的局部放电信号验证了方法的有效性．结果表明，对比传统的门限去噪算法，基于小波包的HMM方法有更好的去噪效果；而与基于小波变换的HMM方法相比，所建立的模型更能体现信号的特征，对于信号分析乃至进一步的模式识别有着更大的价值．     

小波去噪及其在信号检测中的应用

基于信号和噪声在小波变换下表现出的截然不同的性质，提出了一种非线性的消噪方法．该方法与传统的消噪方法不同，它并非等价于信号通过一个低通或带通滤波器，而是根据信号与噪声的奇异点性质不同进行滤波，因而在改善信噪比的同时，又保持相当高的时间分辨率．理论分析和实验表明该方法特别适合于弱信号的检测和定位     

瞬态信号波形提取的子波变换方法

提出了一种把子波变换与假设检验结合起来从噪声中提取有用瞬态信号波形的方法。先对瞬态信号加高斯噪声的混合信号进行离散子波变换得到了子波系数，根据假设检验理论确定门限，把子波系数与门限进行比较，如果子波第数大于门限，则保留这些子波系数，否则置为零。     

基于差分算子的薄层弱信号检测方法

随着石油勘探程度的提高,新勘探的目标更加隐蔽,表现出圈闭规模小,储层厚度薄等特点,特别是砂泥岩薄互储层,地震反射信号微弱,常规地震资料难以准确识别,制约了精细构造解释、精细储层预测及圈闭落实程度。为了解决实际地震资料中的薄层弱信号检测问题,发展了一种能增强弱信号能量且不会抬高高频噪音的差分算子技术。该方法利用原始地震道的高斯平滑衍变地震道抬升薄层弱信号的低频段能量,利用原始地震道的偶数阶衍变地震道抬升薄层弱信号的高频段能量,并将输出地震道经过完全总体经验模态分解(CEEMD)算法处理以压制高频的衍生干扰信息。数值模拟以及实际资料均验证了该方法的高效性。     

基于混沌理论和小波变换的微弱周期信号检测方法

根据小波变换具有多分辨率,混沌系统对噪声的强免疫力和对周期微弱信号的敏感性等特性,通过对小波阈值去噪方法和混沌Duffing振子方程的改进,提出小波阈值去噪和混沌系统相结合的微弱周期信号检测新方法.该方法利用小波变换的平滑作用对包含噪声的信号进行有限离散处理,并根据小波分解尺度确定阈值去噪深度,然后把重构的信号作为周期策动力的摄动并入混沌系统,采用混沌振子阵列实现在噪声背景下微弱信号的检测,并采用梅尔尼科夫方法作为混沌判据.该检测方法克服了以往小波分解对尺度确定的盲目性和阈值选择的不合理性以及对混沌临界状态与周期态区别的模糊性:同时能检测多种频率的信号.仿真测试表明:该方法直观、高效,检测精度高,检测的最低信噪比达到-100dB,频率误差为0.04％左右,改善了湮没在强噪声下的微弱信号检测技术.     

Chaotic system for the detection of periodic signals under the background of strong noise

We propose a method to study the chaotic system for the detection of periodic signals in the presence of strong background noise.The numerical experiments indicate that the chaotic system constructed from the modified Duffing-Holmes equation is sensitive to the weak periodic signal mixed with noise,and it has certain imunity to noise.The signal to noise ratio for the system can reach to about -91dB.     

微弱信号提取中的小波方法研究

针对于实际应用中的小信号特别是完全被噪声淹没情况下的微弱信号提取的问题，本文依据白噪声信号的小波变换系数相对比有用信号的小波系数小的特点，利用小波变换对信号进行消噪来提取微弱信号，仿真结果表明：小波变换能够有效的消除噪声，将有用微弱信号从受噪声污染的信号中提取出来。     

随机共振技术检测弱信号的两种方法的比较研究

详细介绍利用随机共振技术检测微弱周期信号的原理,采用增加噪声强度及调节系统参数2种方法提取周期弱信号,相应的给出了数值模拟仿真实验,由此得出2种方法具有协调统一性．