基于IMF能量熵的脑电情感特征提取研究

为提高脑电信号情感识别分类准确率,结合经验模态(EMD)分解和能量熵提出一种新的脑电特征提取方法。本研究主要介绍了EMD分解的基本原理,分析了传统EMD算法中的"端点效应",采用分段幂函数插值算法改善了EMD分解的精度和性能,然后将改进后的算法应用到脑电信号特征提取,获取脑电信号的IMF分量后计算出IMF能量熵作为情感识别的特征,最后通过分类实验对比改进后的EMD算法和传统EMD算法对脑电情感特征的分类准确率。实验结果显示改进的EMD算法能使识别率提高15%左右,并且以IMF能量熵为特征的平均识别率在80%以上,实验结果表明将IMF能量熵用于脑电信号情感识别是可行的。

基于表面肌电信号的手腕动作意图在线识别方法

目的设计并实现基于表面肌电信号的4种手腕动作意图的在线自动识别,为基于生物电信号的控制系统提供一种可行的人机交互方式。方法采集受试者4种手腕翻转动作时,人体上肢3处肌肉群的表面肌电信号。计算肌电信号特征,并与初始化阶段设定的阈值相比较,获得特征参数的二值化处理结果,根据三通道肌电二值化结果的逻辑识别组合,实现4种手腕翻转动作意图的在线识别。结果通过10名受试者的在线测试,识别准确率接近100%。结论提出的动作意图识别方法,具有良好的在线处理性能,方法简单且易实现,所提取的手腕动作意图可转换成不同的控制命令,能够提供一种有效可行的基于生物电信号的人机交互模式。

基于改进的K均值聚类算法的睡眠自动分期研究

睡眠分期是医学、神经信息领域的研究热点。人工标记睡眠数据是一项费时且费力的工作。自动睡眠分期方法能够减少人工分期的工作负荷,但在复杂多变的临床数据的应用上仍存在局限性。本文提出了一种改进的K均值聚类算法,主要目的是从实际睡眠数据的特点出发,研究睡眠自动分期方法。针对原始K均值聚类算法对初始聚类中心和离群点敏感的问题,本文结合密度的思想,选择周围数据密集的点作为初始中心,并根据"3σ法则"更新中心。改进算法在健康被试和接受持续正压通气(CPAP)治疗的睡眠障碍者的睡眠数据上进行了测试,平均分类精确度达到76%,同时结合实际睡眠数据的形态多样性验证讨论了该方法在临床数据上的可行性和有效性。