脑电信号中的频谱不对称指数特征与情绪识别

研究了脑电信号中的频谱不对称指数(SASI),采用国际标准图片刺激被试者诱发产生正、中和负性情绪并采集其脑电信号,依据后期正电位段具有特征性的特点[7],对来自不同脑区、电极的1 000~1 500 ms时间段内脑电信号选取后期正电位段进行处理分析,分别计算不同脑区分别处于正、中、负性情绪时脑电信号的平均SASI。结果显示,相比于中性情绪,处于负性情绪时的SASI明显偏大;处于正性情绪时的SASI明显偏小,尤其是在左颞区、右颞区和枕叶区其特征性更加明显,表明SASI可作为情绪种类识别的特征量之一,若与后期正电位特征量结合使用,有望显著提高情绪种类识别的准确率。

基于频谱不对称性的雷达辐射源个体识别

针对低信噪比下雷达辐射源个体识别率低的问题,提出基于频谱不对称性的雷达辐射源个体识别方法。辐射源产生的信号会受到相位噪声的影响,造成频谱的不对称,通过对频谱的不对称性进行评估来进行个体识别。首先通过分数阶傅里叶变换算法来估计中心频率,然后以中心频率为中心,把频谱分为左右2个频谱,把左右频谱的能量差、欧式距离和相关系数作为特征送入到支持向量机中进行识别。并通过实测数据进行仿真验证,结果表明,该算法在不同信噪比下都有较高的识别率,尤其是在低信噪比下,在信噪比为-5 dB时正确识别率仍可达到90%。

基于智能跳频的短波无线接入网动态频谱分配算法

针对现有短波无线接入网的固定式频谱分配方法难以满足使用智能跳频技术新要求的问题,分析智能跳频短波无线接入网的通信需求,提出智能跳频短波无线接入网的动态频谱分配策略及算法。首先将各机动用户和接入基站看作一子网;然后将对各子网的频谱分配建模为基于图着色理论的智能跳频短波无线接入网频谱分配模型;最后结合通信需求提出分配策略和算法,完成频谱分配并进行了仿真分析。结果表明,这些频谱分配策略及算法以不同的目标进行频谱分配,能够有效支撑智能跳频技术在短波无线接入网中的应用,与固定式频谱分配方法的定频通信相比,在网络效益、子网满意度、网络公平性、网络支持用户数和频谱利用率等方面均有明显提升,同时能有效降低互扰率。

一种新的抗窄带干扰的方法

基于变换域的窄带干扰抑制技术是一种极具潜力的抗干扰方法。本文提出了一种基于变换域抗窄带干扰的新方法,利用直扩BPSK调制信号频谱的对称性,用干扰污染谱线对称位置上未被干扰的谱线恢复被污染谱线,从而更精确的重构原信号频谱,达到抗干扰目的。文中称该算法为SS(symmetricalspectrum)算法,详细讨论了算法流程,并进行了数字仿真。该方法结构简单、计算量小,是一种实用的抗干扰方法。

抑郁症患者脑电导联选择算法及分类研究

基于EGI公司64导脑电采集系统,采集了16位青少年抑郁症患者和16位正常人静息态下闭眼4分钟的脑电数据。运用频谱不对称分析法(Spectral Asymmetry Index,SASI)和去趋势波动分析(Detrended Fluctuation Analysis,DFA)算法提取脑电时域和频域特征。针对提取的特征的导联,一方面,选择最佳电极Pz作为分类的导联,另一方面,通过遗传算法对所有导联进行筛选,将筛选后的导联特征用于分类。使用支持向量机(Support Vector Machine,SVM)在单导联和多导联的情况下,对抑郁症患者和正常人进行分类,结果发现,单导联下,使用SVM分类器对抑郁组和对照组的SASI和DFA结果进行分类,分类精度分别为45.5%和51.5%,使用遗传算法的分类精度分别为78.1%和90.6%,SASI算法的计算实时性优于DFA算法,DFA算法的准确性优于SASI算法。该研究为抑郁症的计算机辅助诊断提供了理论依据。