相位锁定指示值与GNSS观测值质量分析

全球卫星导航系统(GNSS)信号易受外界环境干扰,出现衰弱或短暂丢失现象,影响载波相位观测值的质量。相位锁定指示(PLD)值P_(LDR)是一种载波相位跟踪性能的度量,用于指示信号跟踪状态和评估载波相位的跟踪能力。为深入研究P_(LDR)与GNSS观测值质量的关系,对空旷、树荫、墙角和玻璃幕墙环境中P_(LDR)、载噪比、高度角、周跳和载波相位残差间的关系进行分析,结果表明:在空旷环境中,P_(LDR)与载噪比、高度角强相关;在树荫等复杂环境中,P_(LDR)与载噪比强相关,但与高度角无明显相关性;在所有环境中,P_(LDR)与周跳发生概率的相关性强,与载波相位残差的周期性变化部分相关性强且没有时延现象,但P_(LDR)不能反映载波相位双差残差的总体变化趋势。为验证P_(LDR)作为观测值质量指标的有效性,建立了一种顾及P_(LDR)的高度角随机模型,实验结果表明,新模型可有效提升定位精度与可靠性。

基于全局图振幅排列熵的EEG心算分类研究

心算是生活中常使用到的技能,涉及到多种引起大脑活动变化认知加工环节,对于心算的脑电(Electroencephalogram,EEG)研究有助于提高对认知任务的研究水平。本文提出了一种全局图振幅排列熵(Amplitude permutation entropy for global graph,APEGG)应用于脑电心算研究,以弥补传统图排列熵(Permutation entropy for graph,PEG)无法全面反映脑网络节点周边邻居节点变化的缺陷,克服了脑电信号幅值不敏感的问题。首先采用相位锁定值构建了EEG脑网络,分析多导联脑电信号之间的同步性和相关性,然后计算了不同频段下脑网络的全局图振幅排列熵,最后运用支持向量机(Support vector machine,SVM)进行分类。使用脑电心算公开数据集进行仿真,分析了不同频段的心算状态与静息状态的熵值散点图,两种状态的熵值散点图表现出较大差异。心算状态与静息状态分类结果与其他算法比较表现出更好的效果。

基于相位同步的癫痫信号识别与分析

针对临床人工诊断癫痫信号效率低下的问题,建立一种基于相位同步的癫痫信号自动诊断模型。使用相位锁定值衡量各脑区间不同状态下的同步化程度,构建对应的脑功能网络连接矩阵,提取聚类系数和特征路径长度2种全局属性作为输入支持向量机的训练特征,使用六折交叉验证的方式对发作间期及发作期的信号进行分类识别。实验结果表明,加权网络的分类效果优于二值网络,其平均准确率为83.4 %,单一属性难以全面反映癫痫患者2种状态下的功能网络连接差异,多数患者在gamma和beta频段取得较好的分类效果。

基于同步性脑网络的支持张量机情绪分类研究

一直以来,情绪是心理学、教育学、信息科学等多个学科的研究热点,脑电信号(EEG)因其客观、不易伪装的特点,在情绪识别领域受到广泛关注。由于人类情绪是大脑多个脑区相互作用产生的,该文提出一种基于同步性脑网络的支持张量机情绪分类算法(SBN-STM),该算法采用相位锁定值(PLV)构建了同步性脑网络,分析多导联脑电信号之间的同步性和相关性,并生成2阶张量序列作为训练集,运用支持张量机(STM)模型实现正负情绪的二分类。该文基于DEAP脑电情绪数据库,详细分析了同步性脑网络张量序列的选取方法,最佳张量序列窗口的大小和位置,解决了传统情绪分类算法特征冗余的问题,提高了模型训练速度。仿真实验表明,基于支持张量机的同步性脑网络分类方法的情绪准确率优于支持向量机、C4.5决策树、人工神经网络、K近邻等以向量为特征的情绪分类模型。

相位同步方法用于稳态视觉诱发电位的测量

稳态视觉诱发电位(SSVEP)被广泛用于脑-机接口和脑电的稳态标记频率检测中。在这些研究中,都需要解决一个问题:当视觉刺激的频率发生变化时,如何通过分析SSVEP信号,快速准确地跟踪上这种变化。解决这个问题通常的分析方法是利用信号的频谱特征。该文依据稳态视觉诱发电位与视觉刺激之间的时间锁定关系,提出用相位同步化方法来解决这个问题。实验结果表明,相位同步化方法能够更加准确地定位刺激频率的变化时刻。在SSVEP研究中,相位同步化可以作为一个新的可资利用的特征。