基于最佳小波包的表面肌电信号分类方法

针对表面肌电信号的分类问题，采用最佳小波包分解构造最能体现分类能力的小波包基。用Fisher线性判别分析对肌电信号各个子空间的相对能量特征进行降维处理，然后利用BP神经网络进行分类识别。实验表明该方法能够有效地从伸肌和屈肌采集的两道肌电信号中识别前臂内旋、前臂外旋、握拳和展拳四种运动模式，是一种稳定、有效的特征提取方法，为非平稳生理信号的分析提供了新的手段。     

小波变换在表面肌电信号分类中的应用

针对肌电信号的非平稳特性,采用小波变换方法对表面肌电信号进行分析。通过奇异值分解有效地提取信号特征进行模式识别,能够成功地从掌长肌和肱桡肌采集的两道表面肌电信号中识别展拳、握拳、前臂摧旋、前壁外旋四种运动模式。实验表明,基于小波变换的奇异值分解方法是一种稳定、有效的特征提取方法、为非平稳生理信号的分析提供了新的手段。     

基于改进人工蜂群优化与组合特征提取的手部运动意图识别

为了解决表面肌电信号混迭导致的手部运动意图识别率较低的问题,提出了一种基于改进的人工蜂群优化盲源有序分离算法。本算法以表面肌电信号的规范四阶累积量作为代价函数,使用改进的人工蜂群优化算法代替传统的梯度算法对代价函数进行优化,并以代价函数绝对值的降序逐次提取出源信号;对于肌电信号的非平稳性及易受干扰的问题,采用一种基于小波包变换和样本熵的特征提取方法,并与表征肌电信号细节和强度的特征峰度、偏度、肌电积分值组合构建特征向量,训练二叉树支持向量机分类器。实验结果表明,采用表面肌电信号的盲源分离预处理与组合特征提取的方法识别六种手部运动意图,平均准确率达到93. 33%。     

基于小波变换的肌肉疲劳表面肌电信号特征提取的研究

当前肌肉疲劳表面肌电信号(surface electromgography,sEMG)特征提取方法,忽略了非线性跳错信号的影响,且不能在非平稳状态下进行特征提取,存在特征提取准确度差的问题。提出基于小波变换的肌肉疲劳sEMG特征提取研究,采用小波变换对所采集的样本去噪,结合时域、频域特征分析法,融合傅里叶变换方法对肌电信号中的线性特征进行提取,根据带谱近似熵理论对非线性挑错信号进行特征回归分析,并利用拟态分解函数和希尔伯特变换法对肌电信号进行时频特征的整合提取,最终完成基于小波变换的肌肉疲劳sEMG特征提取研究。实验验证,所提方法具有可行性,且将1000个肌电信号样本分成5组,对其中的跳错信号进行特征提取,所提方法准确度较文献方法高出75%,在非平稳状态下将200个肌电信号样本分成5组进行特征提取,所提方法准确度较文献方法高出33%。由此得出,所提方法优于当前特征提取方法。     

基于小波分析与神经网络相结合的表面肌电信号识别的研究

表面肌电信号是从人体骨骼肌表面通过电极记录下来的神经肌肉活动发放的生物电信号,具有非平稳性和复杂性的特点。本研究通过使用小波分析与神经网络相结合的方法,识别正常肌电信号与疲劳肌电信号。实验表明,将小波分解后的肌电信号代替原始肌电信号,能明显提高神经网络对肌电信号的识别准确率。     

一种基于提升小波的膈肌肌电信号在线去噪方法

膈肌肌电信号传递着膈肌生理状态和呼吸系统的功能等重要信息,但用食道电极采集该信号常受到心电信号的强烈干扰。本研究以提升小波为基础,针对膈肌肌电信号与心电干扰的特征,提出了一种新的膈肌肌电信号在线去噪方法。该方法由于采用了提升小波变换和简单的阈值滤波,运算速度较传统小波方法大为提高。模拟信号的仿真实验中,用该方法去噪后的信号相对于原纯净信号其功率谱相对误差很小。将该方法应用于临床采样数据时,也能达到比较理想的去噪效果。     

基于GA-RBF神经网络和sEMG的下肢动作识别方法研究

为了提高人体肌电信号对于下肢动作识别的准确率,提出一种基于遗传算法(GA)优化的径向基(RBF)神经网络分类模型.通过采集人体日常8种下肢动作的表面肌电信号并选择"sym6"系小波函数对肌电信号进行滤波预处理,使用主成分分析法(PCA)对时频域特征降维,把特征向量输入GA算法优化的RBF神经网络进行训练和识别.实验结果...     

基于灰色系统理论的表面肌电分类

为提高假肢分类的准确率和速度 ,提出采用灰色系统理论中的灰关联法进行动作辨识。首先用小波变换方法对表面肌电信号进行分析 ,通过对小波系数奇异值分解提取信号特征 ,根据待分类动作与各标准动作模式间特征矢量的灰关联系数做出判断。从掌长肌和肱桡肌采集的两道表面肌电信号中识别四种运动模式 ,准确率达87.5 %。与神经网络等识别方法相比 ,此方法不需大量训练样本数量 ,运算量小 ,在识别率相近的情况下 ,辨识速度大大提高。     

基于自回归小波包熵特征融合算法的情感识别研究

针对提高情感识别正确率这一国际开放问题,本文提出了一种基于小波包熵和自回归模型相结合的脑电信号特征提取算法。自回归过程能最大程度逼近脑电信号,用很少的自回归参数提供丰富的谱信息。小波包熵反映脑电信号在各个频带中的谱能量分布情况。将二者结合,能够更好地体现脑电信号的能量特征。本文基于核主成分分析方法,实现了脑电信号特征提取融合。课题组采用情感脑电国际标准数据集(DEAP),选取6类情感状态以本文算法进行情感识别。结果显示,本文算法情感识别正确率均在90%以上,最高情感识别正确率可达99.33%。本文的研究结果表明,该算法能够较好地提取脑电信号情感特征,是一种有效的情感特征提取算法。     

基于双谱分析表面肌电信号特征的提取与模式识别

背景:肌电信号在本质上是一种具有非平稳、非高斯特性的生理信号。目前基于高阶累积量的高阶谱技术广泛应用于非高斯、非平稳、非线性等问题。目的:基于非高斯AR参数模型,将双谱分析和fisher线性判别分析方法相结合进行表面肌电信号特征提取。方法:针对表面肌电信号特点,从信号高阶统计处理角度,基于"非高斯AR参数模型"进行双谱分析,提取有效特征,用fisher线性判别分析降维方法构造特征向量,然后利用支持向量机实现不同动作模式的准确分类。并与多种常用表面肌电信号特征的识别准确率进行对比研究。结果与结论:利用多类支持向量机分类器对8种前臂动作进行分类,8种动作的平均识别率达到97.6%以上。通过比较发现,基于短数据的双谱特征在分类性能上优于AR模型系数、小波包系数等构造的特征,能够提高肌电假肢的实时控制的性能。     

基于小波分析和灰度纹理特征的乳腺X线图像微钙化点区域的提取

目的乳腺癌的早期发现对患者意义重大。为帮助医生进行乳腺癌的早期检查和诊断,本文提出利用小波分析与图像纹理特征提取相结合的方法来提取乳腺X线图像微钙化点区域,在提高检查准确性的同时避免漏检误检。方法首先利用灰度共生矩阵所提取的能量、熵、对比度、相关性以及小波分解后得到的各层高频系数的方差、能量作为图像的特征向量,然后利用支持向量机进行训练建立最优分类模型。最后利用建立的最优分类模型实现乳腺X线图像微钙化点区域的提取并利用检出率和误检率对结果进行评估。结果使用临床数据进行验证,结果表明利用小波分析与图像纹理特征提取相结合的方法能有效提取乳腺图像中的微钙化点区域。结论基于小波分析和灰度纹理特征的乳腺X线图像微钙化点区域的提取方法比单一的图像纹理特征提取或小波分析等方法,提取的效果更好。另外,该方法设计简单,更易于实现乳腺癌的自动化诊断。     

基于关联维数的神经元动作电位特征提取与分类研究

神经元动作电位模式分类是动作电位序列分析和解码的基础.由于神经元动作电位信号波形隐藏着动作电位的特征信息,而关联维数是度量波形不规则程度的一种手段,因此基于神经元动作电位信号的波形差异,提出一种基于关联维数对神经元动作电位进行特征提取的新方法.首先,对采集到的神经元动作电位信号进行相空间重构;然后,在重构的相空间中,以关联维数作为对非同源动作电位信号的特征进行描述;最终,结合K均值算法,对神经元动作电位实现无监督模式分类.仿真和真实数据实验结果表明:该方法分类的准确率较高,且稳定性较好,仿真数据分类错分率基本稳定在4.9％以内,真实数据的分类能较大程度地贴近人工分类的结果,因此用来代替人工分类具有一定的可行性.     

基于小波变换的心电图QRS波群检测方法研究

本文就心电图信号的QRS波群检测提出了一种基于小波变换的信号特征提取方法,此方法对心电信号中QRS波群的时变特性及几种常见的心电干扰具有较强的鲁棒性.文中我们采用两种不同性质的小波为母小波对含有噪声污染的心电信号进行多尺度的小波分解,在没有预先消噪处理的情况下,较为准确、快速地检测出QRS波群的信息,并且以国际上广泛承认的心电数据库MIT-BIH中的记录对算法进行检验.     

采用分块耦合广义分形维的语音端点检测技术研究

为了克服传统广义分形维算法存在的边缘效应,提高低信噪比环境中语音信号起止点的检测能力,我们提出了一种分块耦合(Boxes-coupling)的广义维数计算方法,并将其应用于语音信号的端点检测中.首先确定各分块之间的耦合边长,利用耦合的分块覆盖待检测的语音信号,求得容量维数、信息维数和关联维数,以构成三维特征向量;然后根据特征距离和相似度之间的关系,用一般距离度量进行特征提取;最后采用双门限模式分类进行决策分类.实验结果表明,该方法适合多种噪声环境下的语音端点检测.与传统广义维数(Original generalized dimension, OGD)以及谱熵(Spectral entropy, SE)算法相比,在低信噪比情形下,具有检测精度高、抗干扰能力强以及强系统稳定性(Robustness)等优点.     

基于自适应动态特征库的P300诱发脑电单次提取算法研究

目的 诱发电位的单次提取技术一直是脑电信息处理领域的难题之一,为进一步提高单次提取算法的时间准确性和特征精度,针对体感诱发脑电数据信噪比低、试次间参数变化大的特点,研究诱发脑电参数单次提取新算法,保留试次间诱发脑电的动态特性,并提高估计准确率.方法 基于小波滤波和多元线性分析技术,加入自适应动态特征库并由此提出的诱发脑电P300参数单次提取新方法.随机选取4组小波滤波(WF)后诱发脑电数据,分别叠加平均后进行主成分分析(PCA)组成特征库.单次提取时,针对每试次数据从特征库中选择与当次诱发脑电信号相关系数最高的成分作为自变量开展多元线性回归分析,由回归分析结构重构出单次诱发电位信号并自动提取潜伏期和幅值等关键特征.结果 与专家判定的基准数值相比,新算法预测的P300成分潜伏期与幅值参数更准确,两者的平均差值分别为(11.16±8.60) ms和(1.40±1.34)μV;与常用的叠加平均法结果亦更为接近,平均差值分别为(23.26±25.76) ms和(2.52±2.50) μV,新算法相比传统多元线性回归分析算法具有显著优势.结论 将动态更新的诱发脑电数据主成分样本库应用于小波滤波与多元线性回归方法,能有效保留单次诱发脑电数据中的动态特征,从而提升参数估计的准确率.     

基于CSP算法与小波包分析方法的运动想象脑电信号特征提取性能的比较

运动想象脑电特征快速准确提取是脑-机接口技术研究的重要问题.本研究分别讨论了共同空间模式(common spatial pattern, CSP)与小波包分析关于左右手运动想象特征提取的原理,并对两种方法进行了比较.对于GRAZ大学提供的运动想象脑电数据,使用CSP 与支持向量机(support vector machine, SVM)结合的分类正确率最高为85.5%;使用小波包分析与SVM结合的分类正确率最高为99%.同时对于本实验室采用Emotiv epoc+ 系统采集的运动想象脑电数据,利用小波包分析与 SVM结合的分类正确率也保持在98%以上.实验结果表明,相较于CSP算法,小波包分析对于运动想象特征提取的效果更好.     

多尺度样条小波变换

本文基于数学样条理论提出了一种新的多尺度小波变换，通过其模极值或零交叉可以有效地提取信号的特征。本文给出了该小波变换相应的分解和重建快速算法及其时域、频率响应，并验证了三次Ｂ样条小波变换在特征提取等实际应用中是渐近最优的。     

Neighbourhood search feature selection method for content-based mammogram retrieval

Content-based image retrieval plays an increasing role in the clinical process for supporting diagnosis. This paper proposes a neighbourhood search method to select the near-optimal feature subsets for the retrieval of mammograms from the Mammographic Image Analysis Society (MIAS) database. The features based on grey level cooccurrence matrix, Daubechies-4 wavelet, Gabor, Cohen–Daubechies–Feauveau 9/7 wavelet and Zernike moments are extracted from mammograms available in the MIAS database to form the combined or fused feature set for testing various feature selection methods. The performance of feature selection methods is evaluated using precision, storage requirement and retrieval time measures. Using the proposed method, a significant improvement is achieved in mean precision rate and feature dimension. The results show that the proposed method outperforms the state-of-the-art feature selection methods.     

Matrix decomposition based feature extraction for murmur classification

Heart murmurs often indicate heart valvular disorders. However, not all heart murmurs are organic. For example, musical murmurs detected in children are mostly innocent. Because of the challenges of mastering auscultation skills and reducing healthcare expenses, this study aims to discover new features for distinguishing innocent murmurs from organic murmurs, with the ultimate objective of designing an intelligent diagnostic system that could be used at home. Phonocardiographic signals that were recorded in an auscultation training CD were used for analysis. Instead of the discrete wavelet transform that has been used often in previous work, a continuous wavelet transform was applied on the heart sound data. The matrix that was derived from the continuous wavelet transform was then processed via singular value decomposition and QR decomposition, for feature extraction. Shannon entropy and the Gini index were adopted to generate features. To reduce the number of features that were extracted, the feature selection algorithm of sequential forward floating selection (SFFS) was utilized to select the most significant features, with the selection criterion being the maximization of the average accuracy from a 10-fold cross-validation of a classification algorithm called classification and regression trees (CART). An average sensitivity of 94%, a specificity of 83%, and a classification accuracy of 90% were achieved. These favorable results substantiate the effectiveness of the feature extraction methods based on the proposed matrix decomposition method.     

基于子波多尺度分辨的心电QRS波分类方法的研究

本文分析了心电QRS波的子波多尺度分辨特征,探讨了曲线非线性分开维数的计算方法,提出了一种新的QRS波的分类方法：对心电QRS复合波进行子波多尺度分解,在尺度为4的情况下,根据局部正负极大值对检测出它们前后两个零点Zp1,Zp2,计算出局部正负极大值对位于┃Zp1,Zp┃之间的曲线段的分形维数。根据局部正负极大值对的幅度和分开维数能很好地检出正常心电信号的QRS波及早搏信号;该方法具有很强的抗噪能力,提高了QRS波的正确检出率。