基于固有模态分解和深度学习的抑郁症脑电信号分类分析

以采集到的抑郁症患者和正常人的脑电信号为基础,采用固有模态分解算法对原始信号去噪处理,通过卷积神经网络对抑郁症患者和正常人进行分类分析。首先通过脑电信号的采集实验,采集15位抑郁症患者和15位正常人对照组Fp1的静息态脑电信号;之后对采集到的静息态脑电进行去噪处理,脑电去噪处理主要包括固有模态分解算法对原始信号的分解获得不同层次的IMF分量,对IMF分量进行频域分析,通过硬阈值的方法剔除原始信号中的噪声信号;最后采用卷积神经网络对抑郁症患者和正常人对照组进行二值分类,结果相较于传统的特征提取-机器学习算法,分类准确率明显提高。

经验模态分解方法在混凝土模型检测中的应用

经验模态分解在处理非线性,多分量信号方面有其独特的优势,但是受信号采样率以及频程大小的影响,传统经验模态分解之后,各固有模态分解函数并非由单一频率成分组成。采用屏蔽信号和采样率内插相结合的方法来改进传统固有模态分解,得到的固有模态函数较传统EMD分解有很大改善。以改善分解后的固有模态函数为基础,利用合成孔径聚焦成像,成像结果可以很清楚的发现目标体的位置所在,证明了此种改进方法的可行性。

气-液两相流图像灰度脉动信号的多尺度双分形特性研究

应用高速摄影技术拍取气-液两相流水平管中3种典型流型的动态图像视频,对每一帧图像的平均灰度脉动信号进行提取;将提取的信号进行多尺度固有模态函数分解,然后与极差/标准偏差(R/S)分析方法相结合,提取各尺度的HURST指数和双分形特征。对气-液两相流的3种典型流型进行了气泡群和单个气泡2种形式的动力学行为分析,应用峭度系数提取对分析结果进行验证,并论述了HURST指数值随气相表观速度的变化情况。结果表明:固有模态函数分解(EMD)结合R/S分析能够很好地揭示气-液两相流的非线性动力学特征。

基于EMD和SVM的抑郁症静息态脑电信号分类研究

以静息态脑电信号为基础,通过固有模态分解(empirical mode decomposition,EMD)算法对脑电信号进行信号去噪和特征值提取,通过支持向量机(support vector machine,SVM)算法对抑郁症患者和正常对照组人群的脑电特征值进行分类分析。通过系统化的数据采集试验,采集了20位抑郁症患者和25位健康对照组的静息态脑电信号;对静息态脑电信号进行信号的去噪和特征提取;采用SVM算法对抑郁症患者和正常人对照组脑电特征值进行二值分类,分类正确率达到93.3%。相较于传统的小波变换提取的特征值,分类准确率有明显的提高。