基于小波包分解的意识脑电特征提取_颜世玉

基于离散小波变换提取脑机接口中脑电特征
杨帮华;颜国正;鄢波
【期刊名称】《中国生物医学工程学报》
【年(卷),期】2006(025)005
【摘要】在脑机接口中,针对脑电特征提取利用单一种类信息、使用数据量大、分类性能较差等缺点,提出一种新颖的基于离散小波变换的方法.分析了小波变换特征提取的特点和特征表示方式,用Daubechies类db4小波函数对脑电信号进行6层分解,抽取小波变换各子带关键的部分逼近系数、小波系数、小波子带系数均值组成特征向量.以分类正确率为指标检验了提取特征的性能.实验结果表明,这种方法能够利用少量数据提取脑电信号本质特征,具有较高的分类性能,为利用脑电识别人的不同意图提供了快速而有效的手段.
【总页数】5页(P518-522)
【作者】杨帮华;颜国正;鄢波
【作者单位】上海交通大学电子信息与电气工程学院仪器系,上海,200030;上海交通大学电子信息与电气工程学院仪器系,上海,200030;上海交通大学电子信息与电气工程学院仪器系,上海,200030
【正文语种】中文
【中图分类】R318;TN911.7
【相关文献】
1.在线脑机接口中脑电信号的特征提取与分类方法 [J], 徐宝国;宋爱国;费树岷
2.脑机接口中脑电信号的特征提取和模式分类 [J], 潘家辉;冯宝
3.在线脑机接口中脑电信号特征提取与分类方法的思考 [J], 褚凯轩
4.基于小波包分解与近似熵的脑电特征提取方法研究及在脑机接口中的应用 [J], 袁瑞;魏庆国
5.基于非负CP分解模型的边界规避任务中脑电特征提取方法研究 [J], 付荣荣;于宝;孙洁娣
因版权原因，仅展示原文概要，查看原文内容请购买。

基于小波包能量的脑电信号特征提取方法徐宝国;宋爱国;王爱民【期刊名称】《东南大学学报（自然科学版）》【年(卷),期】2010(040)006【摘要】在脑机接口研究中,针对运动想象脑电信号的特征抽取,提出了一种基于小波包变换和AR模型的特征提取方法.该方法首先利用小波包变换对大脑C3和C4处采集的2路运动想象脑电信号进行3层分解,抽取小波系数的能量特征;然后,利用Burg算法提取脑电信号的5阶AR模型系数;最后,将这2类特征组合,使用基于马氏距离的线性判别分类器对左右手运动想象脑电模式进行分类,正确率达到91.43%.该方法提取的特征向量较好地反应了运动想象脑电信号的事件相关去同步和事件相关同步的变化时程,为BCI研究中脑电信号的模式识别提供了新的思路.此外,该方法的识别率高,复杂性低,适合应用于在线脑机接口中.【总页数】4页(P1203-1206)【作者】徐宝国;宋爱国;王爱民【作者单位】东南大学仪器科学与工程学院,南京210096;东南大学仪器科学与工程学院,南京210096;东南大学仪器科学与工程学院,南京210096【正文语种】中文【中图分类】R318【相关文献】1.基于小波包和ICA的ERD/ERS脑电信号特征提取 [J], 段锁林;徐亭婷;庄玮2.基于小波包和ICA的ERD/ERS脑电信号特征提取 [J], 段锁林;徐亭婷;庄玮;3.基于CSP算法与小波包分析方法的运动想象脑电信号特征提取性能的比较 [J], 吴林彦;鲁昊;高诺;王涛4.结合小波包和ICA的脑电信号特征波提取方法 [J], 谢松云;潘辉;张伟平5.基于小波包和共同空间模型的运动想象脑电信号特征提取算法 [J], 高枫; 鲁昊; 高诺因版权原因，仅展示原文概要，查看原文内容请购买。

小波变换与神经网络技术的滋养特征提取及识别应用近年来，小波变换与神经网络技术已经在图像、音频、信号等领域广泛应用，特别是在特征提取和识别方面取得了许多重要进展。

本文将介绍小波变换和神经网络技术的原理及其在特征提取和识别中的应用。

一、小波变换原理小波变换是一种时间-频率分析方法，它将时域信号分解成不同尺度和不同频率的子信号，可以帮助我们更好地理解信号的局部特征。

在小波分析中，小波函数是一种长度有限的函数，它具有自相似性、局部化和可变性等特点。

小波变换的基本过程是将原始信号分解成一组小波系数，这些系数包含了信号在不同尺度上的特征信息，包括低频和高频成分。

其中，低频成分代表信号的整体趋势，高频成分反映了信号的局部细节。

二、神经网络技术原理神经网络是一种模拟人类神经系统运作的计算模型。

它由大量简单的单元组成，这些单元相互连接并通过学习来实现特定任务。

神经网络可以通过多次迭代来优化网络连接权重以及神经元的激活函数，从而得到更好的分类和识别效果。

在神经网络中，网络的输入层接收原始数据，隐含层和输出层则通过多层非线性变换将输入数据映射到具有特定意义的特征空间中。

神经网络的输出层通常表示分类或者识别结果。

三、小波变换与神经网络技术在特征提取中的应用小波变换和神经网络技术已经被广泛应用于图像、音频、信号等领域，特别是在特征提取和识别方面。

以下是一些典型应用案例：1.图像特征提取在图像处理中，小波变换可以将图像分解为不同的频率和尺度。

通过选取合适的小波函数和分解层数，可以提取出图像的不同特征，如边缘、纹理等。

这些特征可以被用于分类、识别和双目视觉等应用中。

神经网络可以通过卷积层和全连接层等深度学习结构学习这些特征，并将其映射到更高层次的特征空间中。

这些特征被广泛应用于计算机视觉任务，如图像分类、目标检测和物体识别等。

2.音频特征提取在音频处理中，小波变换可以将音频信号分解为不同频率的子信号。

这些子信号可以用于声音识别、语音合成、语音分析等应用。

基于小波包最优基的运动想象EEG自适应特征提取方法李明爱;林琳;杨金福【期刊名称】《计算机测量与控制》【年(卷),期】2011(19)11【摘要】In brain-computer interfaces of imagery movement, a new method which can adaptively extract features on the basis of the best wavelet package basis is proposed to solve the problems such as the low classification accuracy and weak self-adaptation, etc. First, wavelet packet is exploited to decompose the motor imagery EEG signal ; second, the traditional distance criterion is optimized by introducing a weight parameter which reflects the importance of including both the interclass and the intraclass inertias, and this evaluation criterion for classification is not only under the condition that the criteria is additive for the choice of the best wavelet packet basis, but also can effectively improve the separability of the feature information in frequency subbandst Third, the best wavelet packet basis is attained by using a fast search strategy of "from the bottom to the top, from the left to the right", and the classification feature is extracted by choosing the part wavelet package coefficient which can attain higher value by calculating the classification evaluation criterion according to the best basis; The experimental results which are compared with another common method of time and frequency analysis, show that the algorithm could produce high classificationaccuracy and less time consumption.%针对运动想象脑机接口系统存在分类正确率低、自适应能力差等不足,提出一种基于小波包最优基的自适应特征提取方法;该方法首先对运动想象EEG进行小波包分解；其次,对传统的距离准则进行改进,通过引入权重因子表征对类内距离和类间距离的关注程度,获得一种既可满足小波包最优基评价准则的可加性条件,又有效地增强了频带特征信息的可分离性的评价准则；进而,采用“自底向顶、自左至右”的快速搜索策略获取小波包最优基,并选取最优基对应的分类性能评价值较高的部分频带小波包系数构成分类特征；仿真结果表明本方法最高分类正确率可达93.4％,与常用的时频分析方法对比,验证了本算法具有较高的分类正确率和较小的时间花费.【总页数】5页(P2755-2758,2762)【作者】李明爱;林琳;杨金福【作者单位】北京工业大学电子信息与控制工程学院,北京100124;北京工业大学电子信息与控制工程学院,北京100124;北京工业大学电子信息与控制工程学院,北京100124【正文语种】中文【中图分类】R318【相关文献】1.基于最优小波包的水轮发电机组振动信号特征提取方法 [J], 严平;李书明;马安2.基于CSP-PSO-SVM的运动想象EEG信号特征提取与分类算法 [J], 刘宝;唐雨琦;蔡梦迪;薄迎春;张月3.基于深度时空特征融合的多通道运动想象EEG解码方法 [J], 杨俊;马正敏;沈韬;陈壮飞;宋耀莲4.基于小波包最优基子带能量的裂纹特征提取 [J], 左宪章;康健;师小红;王建斌;唐力伟5.基于最优小波包基的自适应数字水印算法 [J], 陈中孝;王曦因版权原因，仅展示原文概要，查看原文内容请购买。

基于小波包变换的电机定子故障特征提取方法邱赤东;薛征宇;邵萍波;任光【摘要】针对感应电机定子故障的特征频率处在低频段,小波分解系数易受电机负荷波动影响的问题, 提出一种采用希尔伯特变换对信号进行预处理,利用小波包分解来实现定子故障特征的提取方法.通过小波包分解,使相应分解子频段能始终覆盖随电机转差率以及供电电源频率变化的故障特征频率.增加小波时域波形的波峰数,减少了子频段间的频域混叠及频谱泄漏现象.对原始信号进行希尔伯特变换的预处理,降低了电机负荷波动对分解系数的影响;采用子频段节点重构系数的均方根值变化率作为故障特征指标.通过对实测故障数据的应用,利用上述方法可以有效地识别出电机的定子故障.【期刊名称】《电力系统保护与控制》【年(卷),期】2010(038)022【总页数】6页(P52-56,62)【关键词】感应电机;小波包变换;希尔伯特变换;电流特征分析法【作者】邱赤东;薛征宇;邵萍波;任光【作者单位】大连海事大学轮机工程学院,辽宁,大连,116026;大连海事大学轮机工程学院,辽宁,大连,116026;大连海事大学轮机工程学院,辽宁,大连,116026;大连海事大学轮机工程学院,辽宁,大连,116026【正文语种】中文【中图分类】TM341感应电机是船舶动力及电力系统的重要支撑设备。

定子故障是感应电机经常出现的故障类型，其出现几率占电机总发生故障的37%[1]，而且是船舶管理人员唯一没有能力进行现场维修的故障类型，一般需要到港后由专业厂家修理。

由于船舶电网是低压电网（380 V），且电机的制造工艺要求高于陆地电机，所以，通常在定子故障出现时，还可以运行一段时间，在这段潜伏期内，准确地发现定子故障及其严重程度，通过及时安排靠港期间的修理，可以确保船舶航行的安全。

基于电流特征分析（Motor Current Signature Analysis）的方法将电机的常见故障与定子电流的频率特征量建立了函数关系。