融合机器视觉与ESMD-ApEn算法的大坝新型安全监测方法研究

为实现水利水电工程大坝变形监测自动化,引入一种新型机器视觉测量系统对大坝外观变形进行实时测量和分析。首先对机器视觉系统原理和架构进行详细说明,接着构建基于极点对称模态分解算法(ESMD)和近似熵理论(ApEn)相结合的ESMD-ApEn算法,用于对机器视觉原型监测序列进行多模态分解和重构,并基于拉依达和IQR准则,实现对ESMD-ApEn算法重构序列与机器视觉原型监测序列之间的重构残差进行异常识别和剔除。案例分析表明,构建的融合监测方法可以实现大坝外观变形观测自动化和实时化,通过引入红外补光系统,在夜间及雨雪等恶劣气候天气,也能实时准确获取大坝变形监测数据,从而确保大坝安全稳定运行。

基于EEMD与DSS-ApEn的脑电信号消噪方法

为了在消除信号中噪声的同时尽可能保留有效信息,提出了一种基于集合经验模态分解EEMD(Ensemble Empirical Mode Decomposition)和降噪源分离DSS(De-noising Source Separation)与近似熵Ap En(Approximate Entropy)相结合的脑电信号消噪方法。利用EEMD分解算法将含噪脑电信号分解为若干个内蕴模态函数IMF(Intrinsic Mode Functions)分量,滤除最高频分量后的IMF分量应用DSS分离出各独立源信号,再选择频谱近似熵最大的独立源信号作为去噪信号。仿真和真实脑电信号的消噪实验表明,与独立EEMD消噪方法以及基于EEMD与改进提升小波消噪方法相比,本文提出的方法消噪效果更好。

碳纤维复合材料拉伸损伤声发射信号MC-ApEn分析

采用滑动移除近似熵(MC-ApEn)分析碳纤维环氧树脂复合材料拉伸损伤过程中产生的声发射信号。从信号的无序性、复杂性及动力学平衡角度描述基体开裂、纤维/基体脱胶及纤维断裂三种典型声发射信号的近似熵谱特征并给出相应解释。用MC-ApEn分析载荷、计数、声发射能量与时间的相关曲线。由不同趋势间过渡引起的近似熵突变发现,拉伸断裂过程被两结构突变时间点划分为三个不同阶段,并据其演进特点推荐复合材料拉伸失效的临界载荷。

MMN、P300、ApEn在轻度认知功能障碍诊断中的价值探讨

目的：分析轻度认知功能障碍（MCI）患者和正常对照组失匹配负波（MMN）、事件相关电位（ERP）及脑电活动非线性指数近似熵（ApEn）的变化，评估MMN、P300、ApEn在MCI诊断中的价值。方法：根据Peterson制订的MCI诊断标准，筛选出46例MCI患者（MCI组）及48例正常对照组（NC组）。对所有研究对象进行神经心理学量表（MMSE）、MMN、ERP及脑电图（EEG）检查，分析MMN、ERP和ApEn的变化。结果：①MCI组MMN、N2、P3波潜伏期和N2-P3峰间期延长，和NC组相比，差异有显著意义（P〈0．01）；②MMN潜伏期和N2、P3潜伏期呈正相关，差异有统计学意义（P〈O．01）；③MMSE与N2、P3潜伏期及N2-P3峰间期呈负相关，差异有统计学意义（P〈0．01）；④和NC组相比，MCI组安静闭眼状态下ApEn于Fp1、C3、P3、P4、T3、T4、T5降低；闭眼心算状态下于Fp1、Fp2、P4、C3、C4、P3、P4、F7、F8、T3、T4、T5降低，差异均有统计学意义；⑤MCI患者MMN、N2、P3潜伏期的异常率分别为54％、54％和76％；MMN潜伏期延长的MCI患者中，安静闭眼和闭眼心算时至少有1个脑区ApEn下降的患者分别为68％和100％；在P3潜伏期延长的MCI患者中分别为71％和91％。结论：①MMN、ERP和脑电非线性分析是诊断MCI的辅助检查方法；②MMN、ERP和ApEn可用于评估MCI患者的认知功能，联合应用为评估MCI可提供客观的依据。

基于多模态特征组合的真实驾驶疲劳状态识别

对驾驶员在驾驶过程中的疲劳状态进行实时准确的预判,可减少由于驾驶疲劳引发的交通事故。首先,通过无线体域网采集了12名驾驶员在真实驾驶过程中的多模态特征,提取了脑电、肌电、呼吸等3种生理信号的特征参数近似熵,其中基于畸变能密度理论(DED)确定肌电信号的采集位置为颈6棘突旁开2 cm处的上斜方肌;然后,通过模糊C聚类方法分析了3种特征参数组合对疲劳状态的反映效果;最后,建立基于马氏距离理论的真实驾驶疲劳判别模型。研究结果表明,驾驶员颈6部位比颈7部位肌电信号的ApEn值显著下降(P<0.05),表明颈6处肌肉比颈7处肌肉对驾驶员的疲劳状态反映更为敏感,实际检测结果与畸变能密度理论计算结果一致,证明了该位置提取肌电信号的正确性和准确性;脑、肌、呼吸这3种生理信号的ApEn值均随驾驶时间的延长呈递减变化,驾驶约90 min时递减趋势变缓,表明驾驶员进入疲劳状态;通过模糊C聚类分析可知,当脑电与肌电ApEn组合时,清醒与疲劳的概率分布界限清晰,可有效反映驾驶疲劳状态;以脑电和肌电近似熵为自变量,基于马氏距离理论建立真实驾驶过程的疲劳判别模型,其测试集准确率达90.92%,表明该模型能够比较准确的判别出驾驶员的疲劳状态。

基于方向盘转角近似熵与复杂度的驾驶人疲劳状态识别

提出了一种基于实车工况下方向盘转角近似熵与复杂度的驾驶人疲劳状态识别方法。利用动态时间序列的非线性特征构造理论,计算短时方向盘转角时间序列的近似熵(ApEn)与复杂度特征。以此非线性特征为输入,设计了硬阈值多级疲劳判别模型,构建了"二入二出"的疲劳等级映射规则,输出驾驶过程样本的疲劳预判状态。将近邻样本的疲劳预判状态进行比较,实现了驾驶人的三级疲劳状态识别。进行了实车实验。结果表明:本方法对三级疲劳状态识别的平均正确率达到84.6%;因而,本方法具有工程应用价值。

挠力河流域径流变化特征与影响因素分析

挠力河作为三江平原最大的流域,其径流变化过程对三江平原的社会经济发展、生态环境变化起着至关重要的作用。为获取该流域的径流量变化特征,首先采用线性趋势分析法和Mann-Kendall趋势检验法对流域4个代表性水文站径流序列进行趋势分析,然后采用滑动移除近似熵法(MC-Ap En法)和Mann-Kendall突变检验法分别对径流进行突变检验,并对径流发生变化的原因进行了探讨。结果表明:挠力河流域上、中、下游径流量分布不均匀,且同一水文站径流年际变化较大,不利于挠力河流域水资源的开发利用;挠力河流域近50 a来径流量呈明显的减少趋势,其中宝清站、保安站、菜咀子站径流下降趋势明显;挠力河径流量在1966年发生突变,突变后径流呈明显的减少趋势,发生突变的主要原因是降雨量减少、农业开垦的扩张以及水利工程建设的日益增多;滑动移除近似熵法在进行径流突变分析的过程中,表现出精确度高、抗干扰能力强等特点,是一种适于径流序列突变检测的方法。

近似熵的性质及其在气固流化床复杂性研究中的应用

介绍了一种新的度量序列复杂性的统计方法——近似熵(ApEn),并将其应用于气固流化床流型识别中。通过分析和研究不同操作条件下气固流化床压力脉动时间序列,证明了近似熵与气泡行为有着良好的对应关系,能够较好反映床内复杂性的变化,可以作为有效辨识气固流化床起始鼓泡态、充分鼓泡态和湍动流化态等流型的特征参数。实验数据的计算和分析也表明了近似熵随数据长度的变化小,只需要较短的时间序列就能得到较为稳定的ApEn值;受数据中的瞬态噪声影响小,抗干扰能力强。是一种适合数据变化快、干扰大的工业现场测量的复杂性参数。

基于小波变换与近似熵的睡眠分期研究

目的:考察睡眠各期与近似熵的相互关系及相关参数选取对其的影响,以获取一种能较好反映睡眠分期的特征量。方法:数据处理于2007-05/09在江苏大学电气信息工程学院生物医学工程系实验室完成。睡眠脑电数据取自波士顿Beth Israel医疗睡眠数据库,16个测试对象均为男性,年龄32～56岁。对睡眠脑电数据首先应用小波变换,将脑电信号中的噪声进行消噪处理,然后再利用近似熵将消噪后的睡眠脑电信号进行特征提取。结果:睡眠各期脑电的近似熵是不一样的,清醒状态时,其值最大,随着睡眠的深入,大脑思维活动减少,近似熵的值逐渐降低;进入III期、IV期深度睡眠状态时,近似熵的值减到最低;在快速眼动睡眠期,脑电信号又与非快速眼动睡眠期I期类似,近似熵的值开始回升。近似熵在睡眠各个阶段具有显著差异性和规律性,表明近似熵能很好的用于表征睡眠分期。结论:①睡眠脑电信号经过小波变换能有效的消除噪声并保持原信号的突变性质,从而表明了小波变换对非平稳信号的消噪具有很好的有效性和实用性。②对消除噪声后的睡眠脑电信号利用近似熵能很好的实现睡眠分期,从而实现了提取睡眠脑电有用信息的目的。

复杂性测度及其在脑电研究中的应用

我们对目前较为流行的两种复杂性测度 (Kc和 Ap En)应用于脑电的背景、特点及其在脑电分析中的应用进行了回顾和总结。指出用复杂性测度去分析各种不同的脑功能状态是一个新的思路 ,有其优点和不足。

一种基于数值模式诊断自适应的北京地区对流性降水临近集合预报新方法

局地触发及组织化发展中尺度系统的生消演变是影响对流性降水临近预报的核心和关键。本文结合雷达外推预报、专家系统以及快速循环更新的高分辨数值模式系统,发展和构造了一种适合北京地区的基于数值模式预报诊断自适应的对流性降水临近集合预报新方法(APEN)。APEN基于降水外推预报结果,采用模糊逻辑算法,利用北京市气象局快速循环更新同化系统(RMAPS-IN)提供的对流诊断因子,计算对流系统发展演变(新生、增加和减弱)概率;在此基础上,扰动诊断因子阈值和权重,形成对流发展的集合概率预报;最后综合专家经验,根据对流集合概率,在降水外推预报基础上进行对流性降水调整。应用APEN,针对北京两次强弱降水过程,进行了降水的临近预报试验,结果表明:基于RMAPS-IN多种诊断因子的对流发展集合概率在强弱两种天气背景下,都能较好的反映对流系统在临近时段的发展趋势;基于专家经验模型的三种对流发展状态(对流新生、增加和减弱)下的降水调整,能合理的表征对流系统发展演变对降水的影响。APEN降水预报和RMAPS-IN的业务预报的对比显示:无论是系统性对流过程还是局地激发对流过程,APEN预报的降水落区和强度都更接近于实况,尤其是考虑对流发展演变影响的降水强度预报明显优于RMAPS-IN,APEN在北京地区对流性降水的临近预报中有明显的优势和应用潜力。

基于脑电反馈训练改善轻度认知功能障碍综合症的脑功能状态研究

阿尔茨海默病(AD)作为典型的脑功能障碍性疾病,严重影响患者的工作与生活。轻度认知功能障碍综合症(MCI)作为阿尔茨海默病的前期症状,对其干预治疗对延缓病情具有重要作用。本文基于记忆力障碍训练仪中的意念力游戏训练系统对20名确诊的轻度认知功能障碍患者进行干预治疗,采集其脑电信号,提取并分析近似熵和相干性两种脑电特征。结果表明:两个疗程干预后的脑电信号近似熵与相干性均高于干预前,且除近似熵的F3、F8通道和相干性的F3-F4和T3-T4两组对应通道外,其余均具有显著性差异( P < 0.05)。由此得出记忆力障碍训练仪对轻度认知障碍的干预训练增大了脑电近似熵与对应通道相干性,提高了脑电复杂性,增强了脑电信号(EEG)同步性,能够改善轻度认知障碍症状,且具有显著效果的结论。

近似熵、互近似熵的性质、快速算法及其在脑电与认知研究中的初步应用

本文从信号处理的角度介绍了近似嫡、互近似熵的概念、性质与应用，并给出了一种计算近似熵、互近似熵的实用快速算法．本文还通过实际算例说明了近似烟在表征信号的复杂性、互近似熵在表征信号的模式相似性方面的能力及其在脑电与认知研究中的初步应用。

睡眠脑电的关联维数和近似熵分析

睡眠的正确分期是睡眠研究的基础,脑电的非线性参数可以表征不同的睡眠状态。本研究计算睡眠脑电的关联维数和近似熵,通过统计和比较发现关联维数不随嵌入维数的增加而饱和,但其相对大小能有效区分各种睡眠状态;近似熵计算简单,性能稳定,可较好地表征不同睡眠期;相对关联维数和近似熵从不同角度表现了脑电(大脑)复杂性的相同演变规律清醒时复杂性最高,而且波动最大,随着睡眠加深,复杂性降低且变异减小,REM期复杂性基本介于S1期和S2期之间。

迷走神经在心率变异性中的作用

采用功率谱和近似熵 (approximateentropy ,ApEn)的方法 ,分析清醒家兔在双侧迷走神经保留 ,右、左侧迷走神经切断以及双侧迷走神经同时切断时心搏间期 (RRI)的变化。结果显示 :双侧迷走神经保留时功率谱中高频功率 (HF)、低频功率 (LF)及ApEn值均高于双侧及单侧迷走神经切断时 (P <0 0 5 ) ,LF/HF比值最小 ;切断单侧迷走神经 ,ApEn变小 ,LF/HF比值在右侧迷走神经切断时增大 ,而切断左侧迷走时LF/HF比值无明显变化 ;双侧迷走神经切断后LF/HF比值最大 ,ApEn最低。结果表明 :心率变异主要由迷走神经调节 ,右侧迷走神经起主要作用 ;

基于ELM和近似熵的脑电信号检测方法

脑电癫痫波的自动检测与分类对癫痫病情的诊断具有重要意义。提出了一种基于极端学习机(extreme learning ma-chine,ELM)和近似熵的脑电信号检测方法。首先,计算脑电信号的近似熵作为非线性特征,并与利用小波变换技术提取的线性特征波动指数相结合,组成特征向量,然后将特征向量送入单隐层前馈神经网络,采用ELM学习算法训练网络。实验表明,与BP(backpropagation)和SVM(support vector machine)算法相比,ELM在训练时间和识别精度两方面性能最佳,对用于实验的脑电数据检测识别率达到98%以上。

生物时间序列的近似熵和样本熵方法比较

从信号处理的角度给出了样本熵(SampEn)的定义,算法和应用。通过实例说明样本熵比近似熵更具相对一致性。样本熵比近似熵更符合理论性。适用于分析脑电等生物信号。

基于脑电近似熵分析的麻醉深度监测研究

目的通过对麻醉状态下脑电 (EEG)的近似熵 (ApEn)分析 ,寻找适用于临床手术的麻醉深度实时监测参数。方法对SD大鼠在不同麻醉深度下提取的脑电 (EEG)信号进行近似熵分析。结果EEG的近似熵随麻醉深度的加深而减少 ,反之亦然。文中还对近似熵与Lempel Ziv复杂度C(n)在麻醉深度监测上的效果进行了对比分析。结论近似熵算法简单、计算所需数据序列短、抗干扰强 ,因此对脑电信号进行近似熵动态分析为临床麻醉深度监测提供了一个新的方法。

格尔木河地表径流的趋势和突变特征分析

位于柴达木盆地南缘中部的格尔木河是盆地内第二大河流,利用收集到的格尔木水文站1991年至2018年共28年的地表径流日监测数据,采用线性倾向估计法、Mann-Kendall(MK)检验法和滑动t检验法(Moving t-test,MTT),以及滑动移除近似熵(Moving Cut data-Approximate Entropy,MC-ApEn)法对径流数据进行了趋势和突变特征分析。结果表明:1)格尔木河流域径流量年际变化相对稳定,呈现缓慢增加趋势,其速率为1.89×10^(8) m^(3)·(10a)^(-1),但年内平均径流量变化极不均衡,夏秋季径流量相对较大,占年径流总量的53.86%,其中7月径流量最大,占年径流总量的14.6%。2)联合MC-ApEn方法和MTT方法能准确确定出突变点位置,突变探测能力较好。MK方法和MTT方法分别受时间序列长度和时间窗大小的影响,难以准确识别出突变特征,其中MK方法仅能识别出较少的突变点。3)根据MK方法得出的结果,格尔木河年月日尺度的流量序列数据的突变点位于2007年附近,可能与2007年的流量幅值偏小有关。联合MC-ApEn方法和滑动t检验法,在月尺度序列上给出的稳定突变点分布在1996年、2001年、2009年和2015年,结合2010年格尔木发生的大洪水事件,2009年的突变可能指示了该次事件的异常。

复杂度、近似熵应用于麻醉深度监测中的实验研究

目的:研究EEG复杂度、近似熵与麻醉深度的关系,筛选既能充分表达麻醉深度、计算方法又相对比较简单的参数。方法:自制虚拟仪器信号采集系统:EEG放大器采用北京祥云公司的体表EEG模块,其放大倍数为1万倍,带宽为0.25～70Hz;MSP430单片机负责AD转换并通过RS232接口将数据传送至上位机;上位机控制软件在LabView6.0平台上开发,将数据初步处理后存贮。动物实验:10只大耳白兔,麻醉剂使用3%戊巴比妥钠,按每公斤体重0.5ml、0.25ml、0.25ml、0.25ml的剂量分4次于耳缘静脉注射,间隔为20min,麻醉前和每次注射麻醉剂5min后记录2minEEG;之后,在苏醒过程中,每隔10min记录一次,共3次。数据后期处理用Matlab实现。结果:复杂度和近似熵与麻药剂量关系的一致性较好。结论:复杂度算法简单,特别适合用于嵌入式麻醉深度监测系统。