A HIGH RESOLUTION TIME DELAY ESTIMATION BASED ON THE MAXIMUM ENTROPY POWER SPECTRUM ESTIMATON

Multipath time delay estimation is constrained by the width of the signal correlation function when using correlation based methods. This paper obtains a high resolution time delay estimation by introducing Burg algorithm and Marple algorithm of the maximum entropy power spectral estimation to non-resolvable multipath time delay estimatoin. The principles, the performaces and the results of computer simulation are given.

阿尔茨海默病和轻度认知障碍患者脑电特征分析与识别研究

目的分析阿尔茨海默病(AD)和轻度认知障碍(MCI)患者脑电特征, 并结合特征进行分类预测。方法选取天津医科大学总医院神经内科就诊患者135例为研究对象, 其中AD患者34例, MCI患者67例, 健康对照(HC)34例, 分别采集静息状态下脑电信号并进行预处理。提取多频段尺度的相对功率谱密度特征和样本熵特征, 比较3组被试脑电特征的全脑差异, 然后再细分脑区、单个导联深入分析。融合上述2种特征, 通过支持向量机(SVM)对AD、MCI和HC进行分类预测。结果额叶区域δ相对功率谱密度高于其他区域, 枕叶和颞叶区域表现出相对更低的分布占比。θ频段相对功率谱密度在各个脑区的大小分布情况较为平均。α频段相对功率谱密度较高的导联均集中于枕叶。β频段的相对功率谱密度较高的导联则主要集中在顶叶和颞叶。除中央叶外, 其余各个脑区及全脑, AD组的δ频段相对功率谱密度值均高于MCI组和HC组(均P<0.05、0.01)。AD组全脑及各个脑区的θ频段相对功率谱密度高于MCI组和HC组(均P<0.001)。AD组的α频段相对功率谱密度仅在颞叶低于其他组(均P<0.05)。AD组β频段的相对功率谱密度在全脑及各脑区高于其他组(P<0.05、0.01、0.001)。AD组与HC组中央叶的C3导联的δ频段相对功率谱密度差异比较有统计学意义(P<0.05)。AD组、MCI组和HC组颞叶γ频段相对功率谱密度均高于其他区域。AD组T3导联处γ频段相对功率谱密度明显低于T4导联处。AD组和MCI组的全脑平均及各个脑区平均样本熵均低于HC组(均P<0.05)。AD组C3导联处的样本熵低于MCI组(P<0.05)。相对功率谱密度、样本熵以及融合2种特征的实际数据分类评价指标(准确率、精确率、召回率和F1分数)与重排数据差异均有统计学意义(均P<0.001);当分类特征中融合了相对功率谱密度特征及样本熵特征时, 分类预测效果最好, 准确率达80%, 精确率达78%, 召回率为78%, F1分数为79%。结论相对功率谱密度与样本熵分析能够从不同角度(线性与非线性)揭示AD、MCI患者脑电活动的异常, 在分类预测时结合相对功率谱密度和样本熵特征, 能够提高分类效果。

基于图谱功率谱熵和最大均值差异的GIS机械状态辨识方法

针对常规方法对于气体绝缘金属封闭开关设备(Gas Insulated Switchgear,GIS)机械缺陷的特征识别稳定性差、识别率低的问题,在图谱理论的基础上,提出一种基于图谱功率谱熵和最大均值差异(Maximum Mean Discrepancy,MMD)的GIS机械状态辨识方法。首先将采集得到的GIS振动信号转化为图信号,并利用图傅里叶变换技术变换至图谱域进行分析处理;然后提取图谱功率谱熵作为表征GIS不同状态的特征参数;最后利用MMD距离判别函数实现GIS不同工况下的状态辨识。实验结果表明:在噪声干扰的情况下,所提方法能够有效提取GIS不同状态下的特征参数,并成功区分出屏蔽罩松动及内部异物缺陷,状态辨识精度高达93.89%,较常规方法有明显提高。

一种基于脑电信号的疲劳驾驶检测方法

脑电信号一直被誉为疲劳检测的“金标准”,基于脑电信号的功率谱特征和微分熵特征,构建了基于Conformer和门控Transformer网络(gated Transformer network,GTN)的脑电信号分类器。引入深度可分离卷积,实现了基于脑电信号的疲劳检测方法。该方法使用SEED-VIG数据集进行验证,同时引入了其他主流时序分类模型作为对比。采用所提方法对疲劳状态进行分类时,准确率最高可达97.5%。通过混淆矩阵分析,证明了该方法识别各状态时都有很高的准确率。实验结果表明,微分熵特征在各分类器上的训练效果更好,相比其他模型,所提出的基于Conformer和GTN的分类器在4种特征处理数据集上的平均准确率达到96.2%,具有明显优势。

基于ICEEMDAN-ICA的滚动轴承振动信号降噪算法

船用滚动轴承的振动信号由于机舱环境复杂以及轴承周期性与非周期性冲击的影响容易淹没在噪声信号中,导致故障特征频率难以提取。针对这一现状,提出一种结合改进的自适应噪声完备经验模态分解(ICEEMDAN)和独立分量分析(ICA)的滚动轴承振动信号降噪处理方法。该方法主要针对经验模态分解(EMD)衍生算法存在的模态混叠问题进行改进并导入ICA处理,然后利用功率谱熵(PSE)对ICA分离信号进行筛选重构,利用包络谱和快速傅里叶变换对信号进行处理得到特征频率。通过该方法对多故障滚动轴承信号进行处理,发现本算法大幅降低了噪声及干扰,多项参数表现良好,有效提取了故障特征。

面向运动规划能力评估的脑电特征分析

运动规划涉及生活的方方面面,从拿起一个水杯到驾驶车辆时的应急处理,大脑无时无刻不在规划着运动的方式以获得最好的运动结果。运动规划能力的评估可以对运动员的选拔和运动规划障碍患者的诊断治疗提供重要的依据,但是传统的运动规划能力评估方法以行为学为主,经验不足的评估人员可能会得出不准确的结论。为了解决上述问题,本研究探索了基于脑电的运动规划能力评估方法,分别从时域、频域和非线性角度进行分析,提取了运动相关皮质电位(Movement-Related Cortical Potentials,MRCP)幅值,脑电功率谱密度(Power Spectral Density,PSD),脑电复杂度特征。通过相关性分析方法挖掘与行为学指标显著相关的脑电特征,发现FC4,C4及其周围导联的运动相关皮质电位幅值和反应时间呈显著负相关(FC4导联:ρ=-0.509,p=0.021;C4导联:ρ=-0.447,p=0.047),基于脑电功率谱密度计算的标准脑对称性指数(Standard Brain Symmetry Index,sBSI)和反应时间呈显著正相关(ρ=0.494,p=0.026),LZC(Lempel-Ziv Complexity)、模糊熵(Fuzzy Entropy,FuzzyEn)均与反应时间呈显著负相关(LZC:ρ=-0.626,p=0.015;FuzzyEn:ρ=-0.459,p=0.041)。研究结果表明MRCP幅值、sBSI、LZC和模糊熵可能成为评估运动规划能力的潜在生理靶标。综上,本研究结果有望为运动规划能力的评估提供方法学指导。

无线电通信中的端点检测算法

针对无线电语音传输过程中低信噪比(Signal-to-Noise Ratio,SNR)的情况,改进优化谱减法,通过对多窗谱谱减算法中参数的自适应选择,获得对噪声频谱的合理估计,提高信号的降噪效果,并使用谱熵为特征的端点检测算法对人声进行提取。仿真对比实验结果显示,在强噪声环境下,所提算法在语音增强方面表现更出色,识别准确率更高。

基于声发射参数分析的滑动轴承故障诊断方法研究

本文通过研究声发射产生机理,探索了一种基于声发射参数分析的滑动轴承故障诊断方法。首先,我们使用实验台模拟了滑动轴承的三种润滑状态,并使用声发射技术获取不同润滑状态下的数据。接着,我们对所采集到的声发射信号进行了能量均值和功率谱熵均值的计算,并提出了一种基于散度指标的滑动轴承润滑状态诊断方法。本研究采用了多参数结合的指标诊断,将该方法与单一能量参数分析法进行对比,发现单一能量参数分析法不能很好地反映出滑动轴承的润滑状态,而采用多参数结合的指标诊断方法在信号适应性和区分度方面表现更佳。因此,本研究结果为滑动轴承故障诊断提供了一种有效的方法。

基于脑电功率谱特征的脑力疲劳分析

目的研究连续数学运算对脑力疲劳的影响,探讨脑电的功率谱特征与脑力疲劳之间的关系,寻找脑力疲劳程度评价的客观指标。方法对连续数学运算前后以及休息后3种状态下脑电的功率谱重心频率以及功率谱熵进行了分析,并采用主观评价和行为学方法对3种状态进行对照分析。结果连续数学运算后脑电功率谱重心频率以及功率谱熵显著降低,主观感觉疲劳程度、数学运算及PVT测试的平均反应时间显著增加;休息后脑电功率谱特征、主观感觉疲劳程度及反应时间的变化规律相反。结论脑电功率谱重心频率以及功率谱熵与脑力疲劳有较强的相关性,随着脑力疲劳程度的增加,脑电功率谱重心频率以及功率谱熵降低。同时脑电功率谱特征与主观评价和行为学分析结果有较强的一致性,有望成为衡量脑力疲劳程度的客观指标。

一种改进的自适应子带谱熵语音端点检测方法

噪声环境下的语音端点检测在稳健语音识别中占有十分重要的地位。自适应子带谱熵法是一种新的端点检测方法,它的思想是将一帧语音分成若干个子带,再用谱熵法进行运算,子带的个数可以自适应选择。该方法具有一定的稳健性,但随着信噪比的降低,语音端点检测的准确性也随之下降。提出了一种结合加权功率谱减的子带自适应谱熵法,并给出了该方法的实现步骤。该方法采用边降噪边用稳健性好的特征参数做语音端点检测,从两个方面来提高端点检测的准确性。实验结果表明该方法具有良好的性能,在不同信噪比的不同加性噪声下系统识别率都有提高。

Tsallis小波包奇异熵与功率谱分析在电力谐波检测的应用

针对Shannon小波能量熵在电力谐波检测过程中的局限性,提出一种基于Tsallis小波包奇异熵与功率谱(PSD)分析结合的电力谐波检测新方法。从Shannon熵和Mallat算法理论入手,论证Shannon小波能量熵在电力谐波复杂度表征及频率辨析中存在的不足。在分析Tsallis熵与Shannon熵的区别与联系的基础上,将Tsallis非广延熵理论和小波包算法结合,构造具有非广延性的Tsallis小波包奇异熵。根据Tsallis小波包奇异熵对电力谐波复杂度的表征结果,对谐波信号进行分段PSD分析。理论分析及仿真结果证明:该方法在正确表征电力谐波复杂度的同时,能对电力谐波的具体频率和功率进行具体量化。

往复压缩机气阀故障混合诊断方法研究

由于往复压缩机气阀振动信号呈现强非线性和非平稳性特点,目前应用较好的三次样条EEMD(S-EEMD)方法仍然存在模态混叠及包络不准确问题。针对此情况提出一种基于四次Hermite插值EEMD(QH-EEMD)与功率谱熵(PSE)相结合的分析方法。结合四次Hermite插值保形性、可调性与EEMD提高信号在不同分解尺度上连续性的优点改善插值曲线的逼近精度,减少模态混叠,通过对振动信号进行分解,得到IMF分量。通过与S-EEMD-PSE(S-EEMD结合PSE)算法、QH-EEMD-SE(S-EEMD结合样本熵)算法比较,验证了QH-EEMD-PSE(QH-EEMD结合PSE)方法的优越性。以往复压缩机常见故障为研究对象,基于QH-EEMD-PSE方法提取故障特征实现了常见故障的准确诊断。

功率谱熵对大鼠痫性发作预报的评估意义

目的:研究功率谱熵在青霉素致痫大鼠脑电检测中的应用,探索运用功率谱熵进行痫性发作预报的可行性。方法:SD大鼠18只随机分为3组,分别为正常组、对照组、致痫组,致痫组采用青霉素在大鼠海马微注射制备急性痫性发作模型(注射点为右侧海马),用深部电极连续记录大鼠脑电信号,运用功率谱熵对痫性发作大鼠发作全过程的脑电信号进行分析,并与正常组及注射生理盐水对照组进行对比分析。结果:在青霉素致痫大鼠的整个痫性发作过程中,功率谱熵在发作前期开始下降,而在痫性发作期呈显著下降,与发作间期比较,发作前期与发作期的功率谱熵明显降低。致痫组痫性发作期和发作前期的功率谱熵与正常组和对照组比较差异有统计学意义(P<0.05)。结论:功率谱熵的变化揭示了痫性发作过程脑电信号复杂度的变化过程,并对痫性发作的预报提供了可能。

基于Burg算法的短序列谱估计研究

在频域对采集数据进行了分析,提出了一种基于修正伯格算法的短序列谱估计方法.该方法在阶数估计时引入收敛因子,从而更为有效地估计了阶数,同时未直接采用伯格算法计算反射系数,而是先求得二阶预测误差系数,再求出一阶反射系数,并最终求得高阶系数完成谱估计.这种算法减小了谱偏,提高了分辨率.

因次分析法在电化学噪声分析中的应用

采用电化学噪声技术,研究了铝合金2024-T3在NaCl溶液中孔蚀过程的电化学噪声特征.结果表明:电化学噪声的时域数据通过传统的FFT变换后得到的频域曲线SPD的特征参数(W、、k和f_c)均不能单独正确地刻画材料表面孔蚀的强度和趋势.基于因次分析法的基本原理和对材料腐蚀过程影响因素的分析,从电化学噪声频域曲线SPD的特征参数出发,导出了能正确表征材料表面孔蚀强度和趋势的两个参数S_E和S_G.其中,S_E正比于孔蚀的强度I_S,而S_G的意义仍在进一步的研究之中.

利用功率谱最大最小值的频谱感知算法

为了提高频谱感知性能,首先利用功率谱函数特性和瑞利熵概念,从理论上分析了基于功率谱的频谱感知算法原理,提出一种以功率谱的最大最小值之差作为检测统计量的频谱感知新算法;然后推导给出了检测门限和检测概率表达式;最后给出了仿真结果。理论分析和仿真结果表明,在加性高斯白噪声信道和Rayleigh衰落信道中本文算法都具有良好的检测性能,性能优于已有的利用功率谱的频谱感知算法,该算法不需要主用户信息,不用进行复杂的特征值分解,当虚警概率确定时,检测门限能准确给出。

想象动作中动态脑电的信息熵研究

想象动作可以引起脑电信号的特异性变化,如何通过提取脑电特征参数来识别想象动作的发生是目前脑-计算机接口(BCI)系统设计的技术关键之一。本研究使用两种信息熵(功率谱熵和小波熵)作为特征参数,对手部想象动作执行前后的动态脑电信号进行分析,并与目前常用的mu节律事件相关去同步(ERD)参数进行比较,以寻找特异性更强的动态参数。结果显示在想象动作对侧的运动感觉区域中,功率谱熵和小波熵均表现出与mu节律强度变化具有明显锁时关系的改变,且区分错误率得到明显降低。而在中顶部位置mu节律强度无明显变化处,熵参数对左右手想象动作的响应也具有明显的不同。结论,功率谱熵和小波熵具有良好的时域分辨能力和更准确的区分效果,可以作为特征参数用于在线BCI系统。

基于熵的动态收缩sEMG信号疲劳特征分析

频谱分析方法常被用来检测肌肉疲劳过程。本文将频率分析和非线性动力学方法结合起来,基于表面肌电(sEMG)信号在不同频率分布不均匀的特点将信号能量分解到不同频带,以此计算功率谱/小波包和熵相结合的功率谱熵/小波包熵来衡量系统的复杂度,进而衡量肌肉的疲劳程度,为用EMG信号研究动态收缩过程中的肌肉疲劳程度提供了新的分析手段和方法。文中方法也适用于其它生物医学信号的分析。

基于Burg最大熵法的管道腐蚀超声检测

超声波检测是输油管道在线内检测的重要方法之一,但在管道壁厚测量应用中却经常出现大量的误差,甚至得出相反的结果。本文进行了较深入的超声检测回波分析,指出了由回波信号的前两个脉冲的时间间隔计算管道剩余壁厚的检测方法将产生较高的误检率和漏检率,提出了一种基于Burg最大熵谱估计的信号处理检测方法,Burg法按最大熵原则外推自相关函数,递推计算模型预测误差滤波器反射系数,避免了其他自回归功率谱估计方法中自相关函数的计算。短时间序列、高分辨、抗干扰能力强的功率谱估计算法是超声管道内检测的关键技术。实验结果表明该方法检测精度高、谱估计分辨率高,适用于输油管道在线管壁腐蚀检测。

基于多尺度形态分解谱熵的雷击干扰与短路故障识别研究

研究和识别输电线路直击雷的暂态特征对研制基于暂态量的保护及提高可靠性都具有十分重要的意义.针对雷击未故障、雷击故障和接地短路故障,提出了基于多尺度形态分解谱熵的雷击干扰识别方法.对不同的故障类型进行多尺度分解,分别计算在不同尺度上的能谱熵和奇异谱熵,作为待识别特征矢量.建立标准故障模式矩阵,对待识别样本的特征矢量与标准故障模式进行灰色关联分析,根据关联度的大小,判断待识别样本信号属于哪种故障类型.大量仿真计算验证以上所提方法正确、有效.