基于相位同步与AR的运动想象脑电信号特征提取研究

运动想象脑电信号的特征提取对脑-机接口研究者是一大难题。针对该问题,介绍了一种相位同步和AR模型系数相结合的特征提取方法。该方法对采集的脑电信号进行Hilbert变换计算脑电信号的相位同步特征,选用Burg算法对滤波后的脑电信号进行AR模型谱估计,比较6阶和8阶功率谱密度,求出AR模型的系数为6。采用支持向量机对两种特征组合的14维特征向量进行分类。分类结果显示在Trail的3s~7s期间,相位同步与AR模型系数相结合的特征提取平均分类正确率为82.58%,最高分类正确率达到了88.96%,优于传统的小波变换和共空域模式特征提取方法。实验结果也表明相位同步特征提取的最佳时间为Trail的3s~7s期间,该方法为BCI研究运动想象脑电信号的分类识别提供了有效手段。     

基于小波变换的心电信号特征提取

心电信号中的QRS波群及T波包含心脏活动的重要信息,对心脏疾病的预防和治疗具有重要意义.为正确高效地提取出心电信号中的这些特征点,提出一种基于小波变换的QRST波检测方法.采用Coiflet4小波基对心电信号进行8层分解,用软阈值法去除心电信号中的噪声,采用改进的自适应差分阈值法对心电信号中的特征点进行检测.研究表明,...     

癫痫脑电信号的非线性分析方法

癫痫是大脑神经元过度放电而导致的一种大脑功能障碍性疾病,癫痫发作对大脑的损害是不可逆的.目前,针对癫痫常用的几种非线性动力学分析方法包括相关维数,Lyapunov指数,复杂度等.这些方法可有效分析癫痫患者的脑电信号,对治疗癫痫具有重要临床价值.     

基于脑电信号的癫痫发作预测

为满足临床上癫痫发作预测的准确性和实时性要求,提出一种基于时域和频域特征提取的癫痫发作预测算法.算法采用移动步长为1s,窗口大小为5s的数据段进行特征提取,并代替原始数据送入LightGBM分类器进行训练,样本分类标准为15min后患者癫痫发作与否,发作即为负样本.将该算法应用于南京市某医院癫痫数据集上进行测试,结果表...     

八通道脑电信号前置放大器设计

介绍了基于仪表放大器和通用滤波器的八通道脑电信号放大电路的设计方案。该方案通过多级放大和滤波,有效地消除了脑电信号强大背景噪声的干扰,从而实现微弱脑电信号的放大,采集到准确清晰的脑电波形。放大器结构简单,八个通道能实现从大脑皮层不同区域并行采集。     

基于CNN-LSTM模型的癫痫脑电信号识别方法

为提高癫痫脑电图(electroencephalography, EEG)信号识别的准确率,提出了一种将一维卷积神经网络(convolutional neural network, CNN)与长短期记忆网络(long short-term memory network, LSTM)相结合的新模型(CNN-LSTM模型)。首先采用3个卷积块来搭建CNN,用于提取EEG序列的局部内在特征;然后利用LSTM学习长期序列依赖关系;最后利用具有Softmax激活函数的全连接神经网络实现癫痫EEG信号的自动识别。采用德国波恩大学癫痫研究室的癫痫数据库中的数据进行实验分析。结果表明,CNN-LSTM模型具有良好的分类性能,平均分类准确率达到99.1%。     

字符特征提取方法

特征提取是模式识别中的重要步骤,提取描述性强的特征能够有效提高分类的识别率.为了使人们对这一步骤有个概略了解,首先对图像处理中的特征提取进行了较为全面的介绍,然后详细介绍了投影归一化的字符特征表示方法,最后着重探讨了矩技术在图像特征研究方面的应用。     

基于EEMD和LS-SVM的癫痫脑电信号识别

针对癫痫脑电(EEG)信号的非平稳性和非线性,提出一种基于集合经验模式分解(EEMD)提特征并利用最小二乘支持向量机(LS-SVM)的脑电信号分类方法。首先利用EEMD将EEG信号分成多个经验模式分量,得到各阶本征模式分量(IMF),然后提取有效特征,最后用LS-SVM对其进行分类,实验结果表明,该方法对癫痫发作间歇期和发作期EEG的提特征后分类识别正确率达到98%。     

基于脑电信号与集成分类器的心理负荷评估

为了精确评估个体心理负荷状态,需要获取目标脑电信号数据,脑电信号是评估脑力负荷变化的重要指标。机器学习和神经网络越来越多地用于脑力负荷分类。利用脑电信号特征可在时域和频域中提取突出信息。因此提出一个结合支持向量机（SVM）与超限学习机（ELM）的混合型脑力负荷分类框架。其中支持向量机作为成员分类器,可在高维EEG特征中查找隐藏信息|超限学习机用于融合成员分类器的输出。将ELM-SVM模型与经典脑力负荷分类器进行比较,得出该模型训练精度准确率为1,且测试精度提升0.1个百分点。     

μV级脑电信号采集系统的关键技术

μV级脑电信号采集技术是生物电信号检测的一个瓶颈,在保证足够高的信号增益前提下有效抑制外界干扰是μV级脑电信号采集的关键问题.以C<,3>+C4电极电位平均作为单极导联公共参考电极,结合Z电极电位反馈控制技术、50 Hz工频干扰抑制技术和基于高速串行AD的多导联同步信号采集技术,在不采用前端50 Hz工频陷波器的前提下,将外界干扰尤其是50 Hz工频干扰有效地抑制,得到较好脑电波原始信号波形.     

关于图象特征提取方法

目前大多数图象数据库系统对图象数据的检索是根据图象的某些属性，如图象名、制作日期、作者等能用文字表示的特征，利用查询语言对整个图象库进行检索，这种方法存在检索费时、必须熟悉查询语言等缺点。一种解决方法是提取图象的二维特征，据此进行检索。这样，检索信息就不仅包含有图象的属性，更多和更重要的是包含有图象本身的内容。一、引言在图象中存在着一些特殊的信息，这些信息使该图象有别于其它任何图象。这些特殊信息就是图象的特征。从广义上讲，图象的特征是图象场明显可分的、本原的特性或属性。这里的属性是指图象的名称、…     

基于脑电信号的不同年龄段驾驶员疲劳水平评估

为研究不同年龄段驾驶员的疲劳累积情况,对比其疲劳驾驶的差异性,获取最优驾驶时间,文章通过eego^TMmylab全移动脑电记录分析系统采集脑电数据,结合主观调查法对被试者疲劳状态进行调查。采用ASA软件对原始数据进行数据预处理,并通过积分法获得不同时段的α波、β波、θ波的平均功率谱密度,计算出脑电指标R_α/β,R_θ/β及R₍(α+θ)/β),通过SPSS对处理后数据进行分析;以R₍(α+θ)/β)作为驾驶疲劳指标,分别求出不同年龄段驾驶员的R₍(α+θ)/β),并将其与驾驶时间进行拟合,分析不同年龄段驾驶员与驾驶疲劳累积速度之间的关系。结果表明：在2 h内青年及中年驾驶员疲劳累积速度较慢,老年驾驶员疲劳累积速度较快,青年、中年、老年驾驶员最优驾驶时间分别为105～120 min, 105～120 min及75～90 min。     

基于STM32的便携式脑电信号采集处理系统设计

为实现脑电信号的实时采集和显示,设计了一个基于STM32f103的便携式脑电信号采集处理系统.该系统通过无线模块接收经过放大处理后的数字脑电信号,通过微处理器STM32f103内置的FIR滤波、功率谱估计等算法对脑电信号进行处理,将采集到的数据存储到SD卡里,最后通过触屏控制系统在TFT屏上显示出清晰、稳定的脑电信号.该系统具有体积小、功耗低、抗干扰能力强和便于携带等特点.     

基于嵌入式系统的诱发脑电信号采集仪器设计

在建立了一个脑电信号源模型的基础上,仔细分析了脑电信号放大器的干扰与噪声,提出了抑制干扰与噪声的一系列措施．然后根据脑电信号的特点着重讨论了前置放大器的设计,介绍了整个脑电信号采集系统的组成,以及软件设计方面的任务分析、数字滤波器和关键的数据结构,最后讲解了诱发事件与诱发脑电信号的同步关系和数据的封装．     

基于特征提取的视频预处理方法

针对现有视频识别算法对不同帧中同一对象反复分类、反复识别问题,提出一种基于特征匹配的预处理算法。该算法将前一帧中已识别物体的图像特征与下一帧画面提取出的特征相比较,找出下一帧中已经被分类或识别过的物体,并将其剔除,达到压缩输入视频画面尺寸、提升视频处理效率的目的。为了验证算法的预处理效果,对两组道路图形进行实验,结果表明,该算法平均降低85%的画面尺寸,视频画面处理时间平均降低5%。     

基于脑电信号的不同轮班制度下管制员疲劳评估

为评估不同轮班制度下管制员的疲劳变化情况和管制员疲劳在不同轮班制度之间的差异性,根据A空管局进近管制中心、B空管局进近管制中心和B空管局区域管制中心3个管制单位的不同轮班制度,设计疲劳测量方案,采集管制员脑电信号并以脑电慢波能量与快波能量之比作为表征疲劳状态的疲劳指标,采用SPSS15.0软件分析3种轮班制度下疲劳指标变化情况以及不同轮班制度对疲劳影响的差异性。结果表明:在同一轮班制度下,各次测量的管制员疲劳指标存在差异性;不同轮班制度对疲劳的影响存在显著性差异,A空管局进近管制中心的疲劳值最小,B空管局进近管制中心次之,B空管局区域管制中心最大。     

基于步态特征提取方法的研究

对步态识别的国内外研究现状进行了详细的论述;介绍了基于步态识别的身份识别过程,阐述了在步态识别各阶段用到的一些方法;对步态识别的下一步工作进行了探讨。     

文本特征提取方法研究综述

特征提取是文本挖掘、信息检索、自然语言处理（NLP）、文本情感分析、网络舆情分析等领域的研究热点。特征提取作为文本挖掘系统的主要因素,文本特征提取性能是文本分类结果的重要性度量。从两方面对特征选择算法进行总结,分析国内外对常用特征提取算法的改进和创新,最后针对影响特征提取的因素,指出在实际应用中应考虑的问题。     

基于EMD的运动想象脑电特征提取与识别

针对运动想象脑电特征的提取与识别,提出了一种采用经验模态分解(EMD)提取脑电信号能量特征与幅值特征的分类识别方法。首先用时间窗对脑电信号进行细分;然后利用EMD方法对细分后的数据进行分解,取前三阶的固有模态函数分量(IMF),提取能量和平均幅值差作为特征向量;最后,使用支持向量机对左右手运动想象进行分类识别。多次仿真试验数据表明,分类准确度达到88.57%,证明了该方法有效、适用。     

独立分量分析在脑电特征提取分析应用

本研究从独立分量分析（ICA）和FastICA算法分析入手,对采集的脑电信号（EEG）进行FastlCA算法消噪、特征提取,形成独立分量的脑地形图、功率谱图,在此基础,对干净的EEG应用独立分量分析（ICA）分析VEP信号中的相关事件电位,对各成分进行说明、分析,并重构。以帮助对人类认知等高级神经活动进行更深入的研究,有助于人们在认知领域内进一步探索。