基于多尺度Lempel-Ziv复杂度的运动想象脑电信号特征分析

运动想象脑电信号特征提取是脑机接口研究领域的重要问题,提出一种基于多尺度Lempel-Ziv复杂度的运动想象脑电信号特征提取算法。该算法是传统二值化Lempel-Ziv复杂度算法的改进,它将脑电信号分成多个不同幅值范围的区域,根据信号在各区域间的上升和下降趋势,对脑电信号进行二值化处理得到Lempel-Ziv复杂度。本文将运动想象脑电信号分为4个区域,提取各典型时段的Lempel-Ziv复杂度作为特征值,最后利用支持向量机对脑电信号进行分类识别。实验结果表明,以多尺度Lempel-Ziv复杂度为特征的分类方法,对想象左右手运动脑电信号的平均分类识别率最高达87.87%,优于传统二值化Lempel-Ziv复杂度算法。

基于变步长多尺度Lempel-Ziv复杂度融合指标的旋转设备损伤评估

损伤程度评估对于旋转设备的故障预测与维护至关重要。Lempel-Ziv复杂度已被广泛用于旋转设备的定量故障诊断。但是传统Lempel-Ziv复杂度指标只能在单一尺度提取故障信息,难以全面挖掘故障特征。为此,学者提出了多尺度Lempel-Ziv复杂度。然而,多尺度分析会缩减时间序列的长度,易于导致评估结果不准确。因此,提出了一种基于变步长多尺度Lempel-Ziv复杂度融合的旋转设备损伤程度评估指标。首先采用变步长策略优化粗粒化过程,更全面地挖掘故障信息;然后运用基于拉普拉斯得分加权的融合方法来评估每个尺度的重要性,将变步长多尺度复杂度序列转化为一个单一但全面的评价指标,即所提的变步长多尺度复杂度融合指标,用以全面挖掘振动信号的特征,实现对旋转设备的损伤评估。本文采用轴承单点缺陷数据、轴承全寿命数据和齿轮箱疲劳试验数据验证所提方法的有效性,并与其他复杂度指标进行比较分析,结果表明:所提指标可100%准确地对轴承故障严重程度及齿轮磨损程度进行评估,发现早期故障,实现旋转设备的定量诊断。

滚动轴承复合故障振动建模及Lempel-Ziv复杂度评价

故障建模是探寻机械诊断中认知规律的关键环节。为了更能准确地预知振动特征,研究滚动轴承结合面间的多体接触与传递过程的耦合作用,根据Hertzian理论建立一种详细的计及内圈-外圈-轴承座传递过程的6DOF振动模型。从轴承实际运动学的角度刻画故障的形成及渐进发展过程,进而实现单点、复合故障的有效模拟,并与实验结果进行了比较。轴承运行过程中故障状态的变化,必然导致振动信号复杂性的变化。基于非线性动力系统理论,引入Lem-pel-Ziv复杂度指标评价运行状态。结果表明,单点及复合故障的信号具有不同的复杂度,反映了不同故障状态的动力学响应的差异。Lempel-Ziv复杂度能有效描述轴承振动信号的复杂性,可作为量化指标用于滚动轴承状态评价。

结合高斯多尺度变换和颜色复杂度计算的显著区域检测

提出一种结合全局和局部对比度的数据驱动自底向上的视觉计算模型,采用高斯多尺度变换和颜色复杂度计算相结合的方法检测图像的显著区域。图像经过高斯金子塔多尺度变换后,用改进的冗余计算方法,在频域中消除全局冗余信息,初步将大范围的目标从周围环境中分离出来,并均匀地突显目标,利用多尺度特征子图点对点平方融合使全局显著区域显著度进一步增强,背景冗余信息进一步得到消弱;同时采用改进的像素颜色复杂度计算方法得到局部显著图,最后用最大类间方差法(Ostu)分割出图像中的显著区域。在多种自然图像上进行实验,实验结果表明,该方法能迅速检测出与人类视觉结果一致的显著区域。

基于背景最佳滤波尺度的红外图像复杂度评价准则

提出一种基于背景最佳滤波尺度的红外图像复杂度评价准则来解决传统方法评价背景效果较差的问题.同时,这种方法还可以为红外图像滤波提供最佳高通滤波尺度信息,从而对红外图像进行性能最佳滤波.首先,生成高斯仿真目标并与红外图像进行融合,获得包含仿真目标及真实红外背景的图像.然后,在不同高斯滤波尺度下对图像滤波,并计算滤波后仿真目标的信噪比.最后,取滤波后目标信噪比最大时的滤波尺度作为背景最佳滤波尺度,使用该尺度可评价红外图像的复杂度.另外,本文还使用数学模型推导了红外图像最佳滤波尺度,得出最佳滤波尺度的数学表达式.大量实验表明:1)本文推导的最佳滤波尺度数学表达式与实验曲线吻合.2)这种方法在评价红外图像复杂度方面比传统的基于信息熵的方法效果要好很多.并且这种方法获取的红外背景复杂度为滤波最佳尺度,可以直接利用这项指标对图像进行最佳滤波从而更好地检测弱小目标.3)仿真目标尺度越大,最佳滤波尺度也会相应增大.因此,在评价图像复杂度时,应使用相同尺度的仿真目标,不同图像之间才具备可比性.同时,最佳滤波尺度与仿真目标的强度无关.4)本文算法使用的滤波器宜用高斯及Butterworth高通滤波器实现.5)本文提出的方法不仅可以有效分析红外视频的复杂度,并且可以通过复杂度的变化分析图像内容的突变.

不同地形复杂度下的水文尺度效应研究

分布式水文模型都建立在基于DEM的地形分析基础上,因而DEM分辨率对径流模拟的影响十分显著。以资水流域的新宁站集水区为研究对象,计算了该区域地形复杂度指数空间分布,分析了降雨和地形空间变化的相互作用对不同DEM分辨率下水文模拟的影响。结果表明,DEM分辨率对流量过程的影响取决于暴雨中心所在地区的地形复杂程度。当暴雨中心所在的区域地形变化剧烈,复杂程度较高时,此时DEM空间分辨率对径流模拟的影响十分明显,不同DEM分辨率下的洪水过程模拟精度差异显著;若暴雨中心所在的区域地形变化一致或比较平坦时,此时径流模拟精度对DEM分辨率的变化不敏感。以上结论对于进一步解决水文过程中的尺度问题提供了理论分析基础。

基于多尺度熵方法的网络流量复杂度分析

引入多尺度熵方法对路由协议和网络流量复杂度之间的关系进行研究和分析。以经典路由协议AODV及其改进协议AODV-FABL和AODV-CM路由协议引起的网络流量为研究对象,定量分析了其在不同时间尺度下的复杂度。分析结果验证了这些路由协议在小时间尺度下网络流量复杂度高且波动较大,在大时间尺度下网络流量复杂度低且具有长程相关性。指出并分析了这些路由协议的网络流量复杂度与网络拓扑变化速度之间的关系。

情感识别中脑电信号Lempel-Ziv复杂度的研究

在生理信号中,基于脑电信号的情感识别越来越引起研究者的重视。Lempel-Ziv复杂度测量是一种有效的非线性脑电信号分析方法,同时在情感脑—机接口系统中还可以用于进行情感的识别。文章在传统Lempel-Ziv复杂度算法的基础上,提出一种新的Lempel-Ziv复杂度算法,从而更好地进行基于脑电信号的情感识别。首先进行脑电信号的预处理,通过小波包变换来保留脑电信号的低频信号;然后利用非线性滤波器来移除脑电信号中的奇异值;进一步我们提出一种有效的自适应Lempel-Ziv复杂度算法来度量脑电信号的复杂度,并应用此特征值来识别情感。实验结果证明此方法可以从脑电信号中提取出更多有效的模式。同时,它还能够精确地检测到脑电信号的振荡情况,从而提取出不同情感状态下脑电信号中本质的非线性特性。

基于AR模型和Lempel-Ziv复杂度的癫痫发作预报

目的癫痫是由多种病因引起的慢性脑功能障碍综合征,及时的发作预报,对于建立新的治疗方法和改善患者的生活质量有着至关重要的作用。目前大部分脑电分析算法存在计算速度慢、适应性差等问题,无法满足癫痫脑电发作预报的要求。方法本文应用自回归模型对脑电信号进行特征提取,支持向量机(support vector machine,SVM)作脑电各个时期分类器,并与Lempel-Ziv复杂度分析计算相结合,准确识别发作前期,以实现癫痫的发作预报。结果应用弗莱堡大学数据对上述方法的有效性进行验证。仿真结果表明,该方法得到的发作漏检率、误报率较低,预报提前时间较长。结论将AR模型和Lempel-Ziv复杂度相结合,对癫痫发作预报的实现,有一定参考价值和意义。

基于多尺度样本熵的时间序列复杂度研究

对于三维空间中时间序列的复杂度分析,多采用多尺度样本熵(MSE),针对MSE方法随着时间序列复杂度的增加样本熵估计的准确率下降的缺陷,提出采用多尺度样本熵模型。对提出的MSE模型进行实验验证分析,根据时间序列复杂程度的不同,分别采用复合多尺度样本熵(CMSE)以及改进复合多尺度样本熵(RCMSE)对时间序列进行研究分析,得出不同的仿真结果。证明对于时间序列的复杂度研究,采用MSE的方法能达到提高准确率的效果。

基于自适应Lempel-Ziv复杂度的情感脑电信号特征分析

脑电信号是研究人类情感的主要手段之一。将Lempel-Ziv复杂度算法应用在脑电情感分类方面,并对其进行相应改进。针对脑电信号变化微弱的情况,在二值化过程对原有二值化方法进行改进,采用自适应方法调整信号分段区域,提取脑电情感数据特征,刻画了相邻点之间的相互关系和细节信息。探究不同情感状态下、不同电极复杂度的变化规律,采用SVM进行特征分类,验证了所提取特征的质量和有效性。

多时间尺度下黄河上游径流复杂度变化特征研究

研究黄河上游径流复杂度变化特征,对揭示区域径流演化规律具有重要意义。同时采用灵活样本熵和多尺度熵对该区域干、支流12个水文站1956-2015年的年、汛期及非汛期径流复杂性进行测度,分析不同时间尺度下径流复杂度变化特征。结果表明:黄河上游干流的年径流呈不显著减小趋势,汛期径流减小的同时非汛期径流增大。支流除湟水民和站外,其他站年、汛期及非汛期径流均呈显著减小趋势。在不同时间尺度下,黄河上游干流贵德站至兰州站、支流湟水民和站的年、汛期和非汛期径流复杂度差异明显,径流复杂度变化具有指示人类活动影响的作用。人类活动在单一时间尺度下对年和非汛期径流的影响作用强于汛期,在多时间尺度下对汛期径流的影响作用强于年和非汛期,而对湟水民和站径流的影响在不同时间尺度和不同时段下差异较大。同时使用灵活样本熵和多尺度熵能详尽测度径流复杂度的变化特征,识别人类活动影响强度的差异。基流对黄河上游年径流和非汛期径流的补给比例大于全流域,其变化对年径流有重要影响。

基于Lempel-Ziv复杂度和经验模态分解的癫痫脑电信号的检测方法

癫痫脑电信号是非平稳、非线性的,根据此特性我们提出一个基于Lempel-Ziv复杂度和经验模态分解(EMD)的癫痫脑电信号的检测方法,首先将癫痫脑电信号用EMD分解,再分别计算每阶固有模态函数(IMF)的复杂度,最后将得到的复杂度作为特征进行检测.实验用波恩数据库来评估提出的方法.结果表明,该方法检测准确率可达到95.25%,具有准确率高、适应性强等优点.

基于多尺度排列熵的舰船辐射噪声复杂度特征提取研究

针对复杂海洋环境中舰船辐射噪声的特征提取问题,提出了一种基于多尺度排列熵的舰船辐射噪声复杂度特征提取方法。分别利用基于EEMD的最强固有模态中心频率法、高低频能量差法和基于复杂度的排列熵与多尺度排列熵提取了五种不同类别、一定样本数量的舰船辐射噪声特征,并将四种特征提取方法所提取的舰船特征分别输入概率神经网络进行分类识别。研究发现,多尺度排列熵是一种一致性好、稳定性强的非线性特征参数,能够从多个维度描述信号的复杂度。实验结果表明,多尺度排列熵特征具有很好的可分性,以多尺度排列熵为特征进行舰船分类识别,识别率显著高于其他舰船辐射噪声特征提取算法.

基于确定学习理论和Lempel-Ziv复杂度的非线性系统动态特征提取

对非线性系统产生的非线性非平稳信号进行有效的特征表达是特征提取领域重要且困难的问题.本文基于确定学习理论和Lempel-Ziv复杂度(LZ复杂度)提出一种新的非线性系统动态特征提取方法.新方法将从系统的动力学轨迹中提取特征.通过确定学习理论对产生回归轨迹的非线性动力学系统的未知系统动态进行局部准确建模/辨识, 1)使用LZ复杂度对辨识得到的动力学轨迹进行特征表达,并提出时间复杂度和空间复杂度两个指标组成时空LZ复杂度,从时间域和空间域的角度刻画系统动力学轨迹的复杂程度. 2)对提出的动态特征提取方法进行敏感度分析,定量评价系统的动态特征指标相对于系统从周期轨迹到混沌轨迹的参数变化敏感程度. 3)通过数值仿真和实验分析以验证动态特征提取的有效性.与从系统状态轨迹中提取特征相比,本文提出的动态特征提取方法可以从系统内在动态的角度对原系统进行更好的表达.

CEEMD与Lempel-Ziv复杂度相结合的滚动轴承损伤程度评估方法

针对不同损伤程度的滚动轴承其内、外圈故障在背景噪声影响下难以检测的问题,提出补充总体平均经验模态分解(Complementary ensemble empirical mode decomposition,CEEMD)与Lempel-Ziv复杂度(简称LZC指标)分析相结合的滚动轴承损伤程度评估方法。首先,对滚动轴承振动信号进行CEEMD分解,得到多个IMF(Intrinsic mode function)分量;然后,基于峭度最大准则选取有效IMF分量并计算其Lempel-Ziv复杂度综合指标;最后,根据Lempel-Ziv复杂度综合指标的变化规律判断滚动轴承的损伤程度,并基于6σ原则给出了不同损伤程度的滚动轴承内、外圈故障Lempel-Ziv复杂度取值区间。将该方法应用于滚动轴承的损伤程度评估,分析结果表明了该方法的有效性和可行性。

多尺度样本熵对脑信号复杂度评估算法的修正

多尺度样本熵(MSE)算法作为一种时间序列非线性复杂度测量方法,近年来在生物信号分析中得到广泛应用。针对MSE对不同粗粒化程度数据序列的匹配标准缺少区分度的问题,提出一种修正方法,将序列匹配标准与不同粗粒化程度的数据相对应,以提高MSE对信号复杂度测量的准确度和可解释性。采用修正前、后的MSE分别对模拟噪声信号和人类脑电信号复杂度进行了计算。结果表明:修正后的MSE所表征的复杂度更符合白噪声与1/f噪声的物理意义,且对脑电信号在高时间尺度闭眼与睁眼实验条件下的复杂度具有更好的区分效果,复杂度差异存在统计显著性。

个体脑功能网络在长时间尺度上的动态复杂度分析

为人脑功能网络在长时间尺度上的动态复杂度变化情况,基于单个被试在18个月内近百次密集扫描的纵向静息态功能磁共振成像的数据集,采用排列熵对全脑功能网络的动态复杂度进行定量分析。结果表明,所有功能网络的复杂度会随着时间变化而发生一定的动态波动变化,但这种变化的幅度范围较为有限;不同功能网络的表现各异,其中小脑网络和皮下核团网络的复杂度最高,而额顶网络复杂度最低。

基于Lempel-Ziv复杂度的精神分裂症MEG信号分析

将非线性动力学中的Lempel-Ziv复杂度分析方法应用于精神分裂症的脑磁图(MEG)信号的复杂性研究,探究精神分裂症MEG信号的非线性动力学特性。对10例精神分裂症患者和10个健康正常人(正常对照组)的静息态MEG信号进行Lempel-Ziv复杂度分析,并采用两独立样本t检验方法进行统计学分析。研究发现,精神分裂症患者MEG信号的Lempel-Ziv复杂度明显高于正常对照组。这表明精神分裂症患者比健康正常人有更高的大脑活动复杂性。

基于ITD复杂度和PSO-SVM的滚动轴承故障诊断

针对滚动轴承故障诊断问题,提出了一种基于固有时间尺度分解(ITD)、Lempel-Ziv复杂度特征和粒子群优化支持向量机(PSO-SVM)的故障诊断新方法。首先对滚动轴承的振动信号使用ITD方法进行分解,得到若干个频率由高到低的固有旋转(PR)分量,由于滚动轴承在不同的故障状态下的PR分量Lempel-Ziv复杂度的分布不同,提取各PR分量的Lempel-Ziv复杂度值作为每个样本的特征向量,使用支持向量机(SVM)对轴承振动信号样本进行故障类型的识别,并用粒子群优化(PSO)方法对支持向量机的参数优化以获得较高的识别准确率。对滚动轴承振动信号的实测结果的分析表明:该方法可以实现对滚动轴承快速、准确地诊断,且不受载荷变化的影响。