基于MEMD与全息谱技术的加速度传感器信息融合

针对加速度传感器测得的多通道信号中存在耦合的问题,提出了基于多元经验模态分解(multivariate empirical mode decomposition,MEMD)与全息谱技术相结合的信号分析方法.首先使用MEMD对多通道信号进行自适应分解.然后选择工频的经验模态函数分量做全息谱分析,得到二维全息图和全息瀑布图,这些全息图可以直观地反映出振动形态的大小和方向,实现对振动模态特性的分析.最后将该方法应用于叉车方向盘的振动分析,分析的结果很好地验证了方法的正确性和有效性.

基于MEMD的管道阻塞声信号特征提取与识别方法

针对供水管道阻塞声信号的非平稳性和多元数据分解尺度问题,提出了基于多元经验模态分解(MEMD)的管道阻塞声信号特征提取及识别方法。利用MEMD对三种运行状态下的管道检测声信号进行多通道同步自适应分解,获取各个信号通道间的共同模式;根据相关系数和方差贡献率筛选出反映管道主要信息的固有模态分量(IMF),计算所选IMF的能量占比作为管道运行状态的特征向量;采用支持向量机(SVM)对不同运行状态下的管道声信号进行分类识别。实验结果表明:方法能够有效地对管道阻塞声信号进行特征提取及识别。

基于APIT-MEMD的电力系统低频振荡模式辨识新方法

传统多元经验模态分解(Multivariate Empirical Mode Decomposition,MEMD)在处理多信道量测信息时存在量测信道之间数据不平衡性及数据相关性导致的主导振荡模式辨识结果误差较大,且模式混合现象未有效消除。提出了一种基于自适应投影多元经验模态分解(Adaptive-Projection Intrinsically Transformed Multivariate Empirical Mode Decomposition,APIT-MEMD)的电力系统主导振荡模式辨识方法。首先采用APIT-MEMD将含有振荡信息的多信道量测信息整体分解,精确分离出各量测信道内含有振荡模式的固有模态函数(Intrinsic Mode Functions,IMF)信号。然后,采用Teager能量判据甄选能表征主导振荡模式的IMF信号。进而,采用希尔伯特黄变换(Hilbert-Huang Transform,HHT)实现对各IMF中所含主导振荡模式的频率和阻尼比估计。最后,将所提方法应用到IEEE-68节点时域仿真算例和辽宁电网广域实测算例中进行分析和验证,结果表明所提方法的可行性和有效性。

基于MEMD和ELM的飞机机翼健康状态预测技术

复合材料在现代飞机结构中的应用越来越广泛,为了有效地对飞机机翼健康状态进行预测,提出了基于多元经验模态分解(MEMD)和极限学习机(ELM)的飞机机翼健康状态预测方法。以某型飞机复合材料机翼盒段为具体研究对象,对其进行冲击与疲劳加载试验,利用光纤传感器及其采集系统募集飞机复合材料机翼盒段的原始应变信息,对其健康状态予以表征。对所采集的原始应变信息进行MEMD分解,提取分解后各频带信号的能量熵作为表征飞机复合材料机翼盒段健康状态的特征信息,采用动态主元分析法(DPCA)将所提取的能量熵特征信息进行融合,采用融合后所得到的能量熵构建ELM预测模型,对某型飞机复合材料机翼盒段健康状态进行预测。试验研究表明,本文方法可以有效实现飞机机翼的健康状态预测,具有很好的应用前景。

基于通道信息不平衡度的多元经验模态分解方法

在轴承多通道振动信号中,由于多通道故障信息不平衡会导致轴承故障诊断精度降低。针对这一问题,提出了一种考虑多通道故障信息不平衡的,基于多元经验模态分解(MEMD)的轴承故障特征提取与诊断方法。首先,分析了传统MEMD随机选择映射方向的缺陷,设计了依据通道间故障信息不平衡度自适应调整映射方向的策略,使分量信号中包含更多故障信息,并基于多元模态分解结果构造了特征空间;然后,基于冗余属性投影法对多通道提取的故障特征进行了融合,得到了多通道融合的本质故障特征;最后,采用反向传播(BP)神经网络进行了故障模式识别,设计了三层神经网络结构,且使用误差反向传播法进行了参数训练,并制定了基于BP神经网络的轴承故障诊断流程。研究结果表明:改进MEMD提取特征的类边界比传统方法更加明确,说明改进方法能够提取更具代表性的故障特征;从诊断精度看,与传统多元模态分解方法、完备集成辛几何分解方法相比,改进MEMD方法的诊断准确率最高,达到了99.5%。实验结果验证了改进方法在多通道故障诊断中是可行的,且从诊断精度上看,其具有一定的先进性。

基于全矢融合与多维经验模态分解的滚动轴承退化过程频谱结构研究

为了识别滚动轴承退化过程,提出一种多维经验模态分解和全矢融合相结合的方法。首先对不同状态的多通道信号同时进行多维经验模态分解,得到一系列多元固有模态函数分量,然后利用互相关系数准则选取最敏感的一阶固有模态函数分量进行全矢包络分析来提取信号的特征。为了验证该方法的有效性,分别对模拟信号和实际信号进行了分析。结果表明此方法在出现故障时,能够很好地表征频谱结构的变化;随着故障严重程度的增加,频谱结构变得复杂,且呈现出了规律性。

基于混合多变量经验模态分解和极限学习机的非平稳过程预测

传感器布置不足和传感器数据缺失是风压实测研究中需要解决的重要问题,风压的空间预测可以恢复缺失数据和拓展风压空间信息,帮助建立结构表面的风压分布.为此提出一种基于多变量经验模态分解(MEMD)和极限学习机(ELM)的空间预测算法.采用MEMD分解非平稳信号,得到多组模态数目相同且频率匹配的固有模态函数和余项.对分解得到的数据按频率进行重组,作为输入数据,用ELM进行学习和预测.采用基于自回归滑动平均的模拟风速数据和实测非平稳风压数据来验证算法的有效性和精确度,同时引入基于径向基核函数的最小二乘支持向量机(RBF-LSSVM)和ELM方法作为对比.试验结果表明,MEMD-ELM方法的预测结果误差更小,与真实值更为接近.MEMD的多变量同时分解可以保留数据间的相关性,从而在非平稳过程空间预测时达到更好的效果,是一种稳定而有效的多变量预测方法.

间隔阈值的多元经验模态分解电磁信号去噪

传统小波分解去噪需要先验知识,缺乏自适应性,将多元经验模态分解间隔阈值(Multivariate Empirical Mode Decomposition,MEMD)滤波方法用于电磁泄漏信息预处理。首先对电磁泄漏信号进行对齐处理。然后,针对多元经验模态分解直接阈值滤波产生的不连续性问题,提出采用MEMD间隔阈值滤波方法进行不相关模态滤波,解决传统经验模态分解的模态混叠问题。最后,分别采用巴特沃斯低通滤波、小波阈值、MEMD-DT和MEMD-IT方法对密码芯片电磁泄漏数据进行去噪处理,通过基于最小二乘支持向量机分类识别,实验结果表明该自适应去噪方法的优于传统的电磁侧信道分析预处理方法。

基于自适应多尺度脑功能连接的局灶性癫痫发作检测方法研究

利用长时程脑电图检测癫痫发作是临床中较为广泛的应用,然而这项工作乏味、耗时,且很大程度上依赖于临床医生的自身经验和主观判断,准确性和可重复性也较低。针对长时程脑电图检测癫痫中存在的问题,提出一种基于自适应多尺度脑功能连接的癫痫发作检测方法(AMBFC),并选取10例局灶性癫痫患者的发作期和非发作期的样本作为研究对象。首先在一个滑动时间窗内,通过多元经验模态分解(MEMD)提取19通道脑电信号的7个本征模函数(IMF)分量及残差;然后建立多变量自回归(MVAR)模型,利用有向传递函数(DTF)提取流出信息强度,进行特征组合,并通过主成分分析(PCA)降维保留原始特征数目的85%;最后经代价敏感支持向量机(CSVM)分类区分发作期和非发作期脑电,并通过五重交叉验证进行癫痫发作检测算法的效果评价。结果表明,AMBFC算法检测脑电癫痫发作得到的平均准确率为98.6%,精确率为81.9%,召回率为81.4%,F2值为0.80。与各IMF分量、DTF-CSVM算法等检测结果相比,AMBFC算法更具有优越性。有望应用于长时程脑电的实时监测。

使用深度学习和不同频率维度的脑功能性连接对轻微认知障碍的诊断

准确诊断轻微认知障碍(MCI)对于阿尔兹海默症(AD)的预防和治疗十分关键,目前常使用深度学习和静息态功能核磁共振成像(rs-fMRI)对MCI进行辅助诊断。皮尔逊(Pearson)相关法和加窗的皮尔逊(WP)相关法能在时间维度上表示脑功能性连接(FC),但不能将不同频率维度上的信息进行分解表示。针对这一问题,提出将不同频率维度的FC系数作为现有深度学习的特征输入的方法,以提高MCI分类准确率。首先将被试的数据进行拼接后进行多通道经验模态分解(MEMD),然后通过切割求得不同频率维度上的FC系数,最后使用VGG16和长短期记忆(LSTM)网络进行测试。实验结果表明,使用所提出的FC系数时,MCI的分类准确率最高可达84.33%,相较使用传统FC系数时的准确率提高了18.33~21.00个百分点;而且不同频率维度的FC系数对MCI有着不同的分辨率。

改进的正弦辅助多元经验模式分解及其在滚动轴承故障诊断中的应用

正弦辅助多元经验模式分解算法(SA-MEMD)通过在额外的通道中加入正弦辅助信号来减少模式混合,但该算法对噪声敏感,辅助信号的主频率比需要根据经验确定,为此,提出了一种改进的正弦辅助多元经验模式分解算法。首先使用非局部均值降噪对原始信号进行预处理,减少噪声对算法的干扰,其次使用短时傅里叶变换确定信号频谱范围,然后以最小集成EMD能量熵准则选择最优主频率比,最后根据正弦辅助多元经验模式分解算法的步骤进行信号处理。模拟信号和实际信号的对比分析结果证明,改进的方法可以减少传统的多元经验模式分解方法存在的模式混合现象。

融合单通道框架及多通道框架的运动想象分类

针对运动想象脑电信号非平稳、非线性、低信噪比的特点,多种分析方法被广泛应用于运动想象脑电信号特征提取研究中。但单通道脑电分析方法难以有效刻画多通道脑电间的交互信息,且现有特征指标未考虑到通道间的非线性动力学耦合特性。为此,提出一种融合单通道时-频特征和多通道耦合特征的运动想象脑电分析方法策略。通过引入多变量经验模态分解（MEMD）将脑电信号分解为具有共有震荡模式的固有模态函数（IMFs）,然后对有效特征频带下的IMF分量获取单通道的边际谱（MS）及瞬时能谱（IES）时-频特征和多通道的互样本熵（CSampEn）、锁相值（PLV）及锁频值（FLV）耦合特征,将融合特征输入加权线性判别分类器（LDA）进行运动想象模式识别。实验引入BCI 2008竞赛Dataset IIb数据集与实测数据进行分析,结果表明所提方法可有效提升运动想象脑电识别率,实验中竞赛数据集的9名受试者的平均识别率与平均Kappa系数分别达到80.1%与0.62,与其他方法相比提高了分类精度,为运动想象脑-机接口研究提供了新思路。

基于脑电的立体视频加速度的特征识别

构建一种能够自适应提取脑电特征的PMEMD-2JSD-CSP模型,明确了立体视频的两类匀加速深度运动的可分性.利用部分噪声辅助多变量经验模态分解(PNA-MEMD)对脑电(EEG)信号进行分解得到本征模态函数(IMF),应用基于詹森-香农散度(JSD)的有效因子对IMF进行两次不同范围的自适应筛选,筛选结果按照权重叠加构成重构信号.利用共空间模式(CSP)对重构信号进行空域特征提取,支持向量机(SVM)对特征进行分类,分类正确率最高为73.16%,证明了该模型对两类EEG信号特征提取的有效性.

基于MEMD的运动想象脑电信号的特征提取与分析

对于传统特征提取算法对运动想象脑电信号识别能力不足的问题,采用多元经验模式分解(multivariate empirical mode decomposition,MEMD)的方法用于分析运动想象的脑电信号。目前此方法主要应用在股票收益与宏观经济关系分析上,MEMD将标准经验模式拓展到多通道信号处理,适合于分析多元时间序列,并能够同时处理多通道的多尺度分解,进而在不同尺度下对多元时间序列的时间频率特性进行比较。通过Emotiv传感器对自定义的左右运动想象任务采集数据,采用MEMD提取相关脑电特征的边际谱,使用支持向量机对相关特征量进行分类。实验表明,此方法增强了定位脑电信号的频率信息的准确性,能够有效地提高对脑电信号的识别能力。

人类交互行为的隐马尔可夫模型

为了满足临床中单个患者合作与竞争实验的需求,本文提出了两个基于隐马尔可夫模型的人类交互行为按键模型。基于两个按键模型,设计了验证实验并采集了有效被试行为学数据和前额叶脑血氧数据用于模型的评价。利用被试参与度与模型预测得分之间的相关性评价模型合理性;利用被试按键时间信息评价模型行为学模拟的准确率;提取前额深层信息,从信号同步性关系评价模型对生理学信息的提取。合理性评价表明合作按键模型在训练数据和测试数据的相关系数别为0.883 1和0.578 6,竞争模型则分别为0.813 1和0.617 8。行为学信息评价结果表明,两种模型对被试行为学模拟的准确率都达到71.43%。生理学评价结果表明,合作按键模型与竞争按键模型能够提取到被试的前额叶深层信息,且该信息与双人合作按键与竞争按键提取到的信息具有一致性。综上所述,合作、竞争两种按键模型的行为学、生理学评价结果显示,模型的实际表现与人-人的交互过程一致性较高,因此可考虑用于临床试验研究。

融合多元经验模态分解与Hilbert空间填充曲线的sEMG处理方法

基于卷积神经网络(convolutional neural network, CNN)的表面肌电信号(surface electromygraphy, sEMG)手势识别算法通常将一维sEMG转换成二维肌电图作为CNN的输入。针对sEMG瞬时样本量偏少、以及一维sEMG转换成二维肌电图时带来的局部时序特征丢失等问题,提出了将多元经验模态分解(multivariate empirical mode decomposition, MEMD)算法与Hilbert空间填充曲线相结合的方法,以提升手势识别算法的准确率。采用开源数据集NinaPro-DB1作为实验数据集;通过MEMD算法对sEMG进行分解;将分解后的本征模态函数(intrinsic mode functions, IMFs)作为Hilbert曲线的填充域(Hilb-IMFs)映射成二维肌电图;选择DenseNet作为手势识别的基本网络。实验结果表明,提出的方法相对于传统信号升维方法在手势识别准确率上约有4%的性能提升,验证了该方法的有效性。