基于SVM和小波分析的脑电信号分类方法

根据癫痫脑电信号与正常脑电信号波形和能量特征的不同,研究了两种的脑电信号分类方法,一种采用支持向量机SVM(Support Vector Machines)分类器对正常脑电和癫痫脑电进行分类;另一种使用小波分析和支持向量机相结合的方法对脑电进行分类,并比较了这两种方法对正常脑电和癫痫脑电分类的正确率。实验结果表明,小波分析和SVM结合的方法对脑电信号分类可以取得更好的效果,能有效区分癫痫脑电和正常脑电。

基于小波分析和SVM的P300脑电信号识别算法研究

为了满足瘫痪人士和虚拟现实的需求,提出基于小波分析和SVM的P300脑电信号处理算法研究,并通过实验数据论证算法的可行性。本算法首先使用工频陷波器和小波分析去噪,然后使用小波分解和teager能量算子分别提取时域特征量和能量特征量,并基于SVM判断特征量是否含有P300脑电信号。实验数据表明,本算法比单一特征量判别算法有较好的判别精度,符合需求标准。

基于小波变换及异质SVM方法的土壤盐渍化高光谱定量分类研究

为研究宁夏回族自治区平罗县土壤盐渍化问题,运用Matlab R2016a软件对实测高光谱数据进行小波变换去噪、数值变换,以400~1 800 nm波段的反射率数据作为特征值,建立基于异质支持向量机(SVM)算法的土壤盐渍化分类模型,分析土壤盐渍度。结果表明:最优小波基为db3,最优分解层数为3层,最优阈值为H阈值时,利用最优参数的小波变换可以有效地消除噪声;选择波段800~848 nm,核函数为Polynomial的核函数,参数值c=2.828 4,g=0.933 0,异质SVM模型二分类时准确率最高可达85.0%,四分类时准确率达70%。

基于PCA与SVM的振动传感器故障诊断方法

为加快振动传感器故障诊断速度、提高诊断的准确率,提出了基于支持向量机(SVM)和主元分析法(PCA)特征信息提取相结合的故障诊断方法。首先进行诊断方法的调查,将振动传感器输出的时序电信号通过小波包分解得到频域领域的原始数据;然后经过PCA的特征信息提取得到原始数据的特征向量,加强振动传感器工作状态的可分性;最后进行二叉树与SVM结合的多分类算法,实现振动传感器运行故障的诊断。为提高分类速度,引入最小二支持向量机(LS_SVM)算法,并应用到多分类器中。仿真试验表明,改进后的方法提高了诊断准确率、加快了故障分类速度,优于单一方法进行故障诊断的情况,为其他种类传感器(如温度、瓦斯等)的故障诊断提供了参考。对传感器故障诊断方法的研究,为传感器的正常运行提供了保证,降低了因传感器故障而造成应用设备的损失。

脑电信号的混沌分析和小波包变换特征提取算法

针对脑电(EEG)信号的手部动作模式信息处理,提出一种混沌分析和小波包变换相结合的特征提取方法。用眼动辅助来采集手部动作时的脑电信号,对采集的C3、C4、P3和P4脑电信号消噪后分别用混沌分析和小波包变换的方法进行特征提取,前者提取混沌特征的最大Lyapunov指数和关联维数,组成8维向量;后者提取脑电信号的4种特征节律波,分别计算其相对能量,组成16维向量;最后把两种方法提取的向量组成24维特征向量,输入SVM分类器,实现基于EEG信号的手部动作模式的识别。对不同个体上翻、下翻、展拳、握拳4种手部动作的识别实验表明,平均识别率均在80%以上,明显优于其他方法识别的结果。

支持向量机在脑电信号分类中的应用

首先采用小波变换提取精神分裂症与健康人的脑电信号频率和空间的能量特征,然后用基于统计学习理论的支持向量机(SVM)分类器进行训练和分类测试,并比较了不同核函数和参数对脑电信号分类正确率的影响,最后与RBF神经网络的分类能力进行了实验比较。试验结果表明,利用基于支持向量机和能量特征的方法实现对脑电信号的分类可以取得理想的效果,精神分裂症患者和健康人的16导脑电信号在能量特征上表现出较高的模式可分性。这种分类方法在精神分裂症患者的病理诊断中具有一定的应用价值。

一种分层小波模型下的极光图像分类算法

为提高极光图像的分类精度,提出了一种基于分层小波模型的极光图像分类算法.该算法分层提取全局和局部小波特征,通过主成分分析法对特征进行降维后,利用支持向量机分类器进行了极光图像的弧状和三种冕状的四分类.通过比较分类准确率和分类所用的时间,实现了分层小波模型中各个最优参数的选取,验证了利用主成分分析法进行特征降维的有效性,比较了文中算法与部分经典算法的分类效果.实验结果表明,文中算法在耗时允许范围内提升了分类准确率,极光图像的两两分类实验还给出了进一步提高分类准确率的方向.

基于能量特征的脑电信号特征提取与分类

为了快速、有效地提取脑电特征,提高分类正确率,采用带通滤波和小波包分析的方法提取Mu、Beta节律对应的脑电信号,在时域范围内,将信号幅度的平方作为能量特征值;在频域范围内,采用AR模型功率谱估计法所得的功率谱密度作为能量特征值。根据运动想象脑电信号特点,构造左右通道信号能量差值的符号特性作为分类判别依据,进行分类测试,方法简单。初步实验结果表明,所利用的两种方法的分类正确率达87.857%。

基于SEM图像的低维纳米材料自动分类方法

针对传统方法在低维纳米材料形貌检测和分类鉴别方面的不足,提出了一种基于扫描电子显微镜(SEM)图像的低维纳米材料自动分类方法.以纳米材料的SEM图像为基础,利用小波包分解技术对材料表面纹理特征进行提取,通过将纹理特征与支持向量机(SVM)相结合,实现了纳米材料的自动分类.该方法具有检测速度快、精度高、无损耗等诸多优点,可用于纳米材料大规模生产中的自动检测.对16种不同类别材料的SEM图像仿真结果表明,该方法的分类精度能够达到93.75%,证明了其在实际工程中的有效性.

基于脑电BCI的研究综述

一直以来脑研究都是国内外的研究热点，脑机接口（Brain Computer Interface, BCI）则是脑研究中的重要内容之一。正因为如此，越来越多的国内外研究者开始从事BCI的相关研究，并取得了诸多优秀成果。该文从BCI信号角度入手，总结了近年来基于脑电BCI的典型系统、相关分析方法及研究成果，并具体分析了其中存在的不足之处。

一种便携式体育训练即时数据分析系统设计

运动分析技术已被广泛用于监测运动员伤害的可能性研究,然而,该类技术所采用的设备大部分都很昂贵,目前只能在实验室环境中使用,并且只能对每次移动动作进行少量检测.提出了一种新颖的动态运动分析框架,使用可佩戴惯性传感器来准确评估运动员在真实训练环境中的所有活动;并利用该框架设计了一个分析系统,系统使用离散小波变换(DWT)和随机森林分类器自动分类大范围的训练活动,分类器能够以高达98%的准确度成功分类各种活动.其次,使用计算有效的梯度下降算法来估计安装在对象的小腿、大腿和骨盆上的可佩戴式惯性传感器的相对方位,由此计算屈伸膝关节和髋关节角度;这些角度以及骶骨冲击加速度会在慢跑过程中为每个步幅自动提取.最后,生成规范性数据并用于确定受试者的移动技术是否与规范性数据不同以确定潜在的受伤相关因素.

330 kV变电站过电压仿真分析及分类识别

随着电网的不断扩展,电力系统过电压对输电线路和电气设备造成的危害日益严重,研究电网过电压信号对有效遏制过电压和完善系统绝缘具有关键意义。以某330 k V变电站为例,基于ATP-EMTP构建过电压仿真模型,取得单相接地、空载变压器合闸、电容器组合闸、空载线路合闸、直击雷以及感应雷6种典型过电压波形;然后采用时域与小波分析法提取电压有效值、陡度、小波能量等14个具有良好差异性的特征量;构造了基于SVM的过电压种类识别结构,用以对过电压特征量在每层SVM中进行选择。仿真计算结果表明,上述6种过电压平均识别率为87.9%,识别速率约1 s。该方法识别精确率高,运行速度快,可满足对电网过电压自动识别的工程要求。

一种基于小波包与KPCA的发动机多信号融合故障诊断方法

针对活塞式发动机典型故障提出一种基于小波包分析与核主成分分析技术的多信号融合诊断方法。首先采用小波包对原始振动信号进行分解,提取故障频域特征;然后融合振动时域信号及机组排温等热工参数,采用核主成分分析技术进行参数维度缩减,获得典型故障的敏感特征;最后采用支持向量机完成故障自动分类。实际故障案例数据表明,该方法可有效提取发动机故障特征,故障分类准确性较高。

SVM和小波分析方法在脑电分类中的应用

根据癫痫发作前后脑电(EEG)波形、能量、频率特征的不同,本文研究了两种小波分析和支持向量机(SVM)结合的脑电分类方法。一种直接利用EEG的波形特征对癫痫发作间歇期脑电和癫痫脑电进行分类,另一种采用EEG信号的波动指数和变化系数为特征进行分类;并比较了这两种方法分类的正确率。实验结果表明,两种方法均能有效区分间歇期脑电和癫痫脑电,以波动指数和变化系数为特征的方法具有更好的分类效果。

基于时—频分析的步态模式自动分类

针对不同路况和运动模式下的高维、非线性、强耦合和高时变下肢加速度信号的识别问题,提出了一种基于时--频分析的步态模式自动分类方案.利用三轴加速度传感器采集运动时小腿在矢状面、冠状面和横切面的加速度信号,利用五阶Daubechies小波基对其进行特征提取,并采用线性判别式分析进行降维,最后利用决策树和支持向量机对得到的精简步态特征进行模式分类.实验结果显示两种分类器的总体分类准确率均达到90%以上,个别步态分类可达到100%,验证了特征提取和降维方法的合理性和有效性.

基于眼动辅助脑电信号的手部动作分类方法

提出一种利用小波包变换和支持向量机对手部动作的运动想象脑电信号进行分类的方法.在相关眼动辅助情况下采集想象手部动作时的C3、C4、P3和P4通道脑电信号,用小波包变换的方法提取4种特征节律波,分别计算每种节律波能量占4种节律波能量之和的比值作为特征,然后将16维特征向量输入支持向量机分类器进行手部动作分类.对上翻、下翻、展拳、握拳4种手部动作的分类实验中平均识别率为82.3%,表明眼动辅助能有效提高运动想象脑电信号可分性.