基于脑电和眼电的运动想象多尺度识别方法研究

基于脑电信号对同一肢体不同动作想象模式进行识别的正确率低,已成为基于脑机接口对肢体瘫痪患者进行运动想象训练监控的方法,获得临床应用前必须解决的瓶颈问题.针对该问题,本文提出一种利用运动想象时眼睛的活动状态与所想象肢体动作之间存在的耦合关系,进行运动想象多尺度识别的新方法.该方法首先在大尺度上,利用脑电信号对运动想象是否发生进行识别,再结合同一运动想象过程眼电信号协同变化模式的识别结果,基于决策融合在更精细的尺度上,对同一肢体不同动作的想象模式进行识别.实验结果表明,仅基于脑电进行右臂三种动作想象模式识别的平均正确率为63.0%,而应用所提出方法可以将其提高到91.4%.所提出方法可望有临床应用前景.

样本空间基于多级高维特征表示的微小故障诊断

传统主元分析(Principal Component Analysis,PCA)、相对主元分析等多元统计法基于阈值诊断故障,由于是原空间等价表示,并未增加任何信息量,使得微小故障难以诊断;且降维分成主元空间和残差空间,微小信息得不到充分表示.深度学习在模式识别方面有成功的应用,深度学习多层次网络对细节进行线性组合表示,但不具备可解释性,仅有训练结果无理论依据,机理分析困难.本文提出一种将主元分析思想与深度学习思想结合的故障诊断方法,在原PCA基础上先扩维再降维,使得原始空间中不能表达的信息充分表达,且具备可解释性.理论和仿真实验分析表明,本文方法能判断出传统PCA无法检测的微小故障,提高了故障检测的检出率,且具备可解释性.

一种基于数据变化率的预处理及主元分析故障诊断方法

基于深度学习的方法解决微小故障已经取得了很大的进展和很好的效果,但是前提要有充足的样本数据,在现有的情况下却难以实现.所以基于传统的数据预处理的故障诊断方法仍然有很好的必要性和现实性.主元分析(Principal Component Analysis, PCA)被广泛应用在故障诊断中,由于传统的数据预处理方法各有优势和不足,造成特征提取不准确,为此该文提出了一种基于数据变化率(Rate Of Change, ROC)的数据预处理方法以提高PCA在故障诊断中的性能指标.通过变化率变换对原始数据集预处理后,能够有效地检测系统变量中的微小故障.最后,通过仿真验证基于数据变化率的PCA故障诊断方法的可行性和有效性.

基于信度区间的故障特征约简方法

多源信息融合故障诊断方法可以有效提高设备故障的确诊率,但同时需要使用由不同传感器获取的多种故障特征数据.此时若将所有特征的数据用于诊断,则计算量过大,诊断的实时性差.对此,将证据理论与粗糙集相结合,提出基于信度区间的属性约简定理及相应的故障特征(属性)约简方法,力图利用约简后的重要特征进行快速诊断.利用随机模糊变量和K均值对特征数据进行离散化处理,通过压缩二进制矩阵获取核属性,再将属性的信度区间大小作为迭代约简过程中属性的选取标准,向核属性中添加重要属性,最终获得属性约简结果.最后进行电机转子的特征融合诊断实验,通过与经典的粗糙集简约方法对比验证所提出方法的有效性.