-
公开(公告)号：CN108095722A
公开(公告)日：2018-06-01
申请号：CN201810093526.7
申请日：2018-01-31
Applicant: 南京邮电大学 , 南京邮电大学南通研究院有限公司
IPC: A61B5/0476 , A61B5/00 , G06K9/00
Abstract: 本发明公开了一种基于脑电信号的改进EEMD算法，该方法首先基于脑电信号的先验知识，选取μ节律频段(8‑12Hz)和β节律频段(18‑26Hz)分别设计两个带通滤波器；利用上述带通滤波器对全带高斯白噪声进行滤波处理，得到两个带限高斯白噪声；最后在原始脑电信号中加入上述带限高斯白噪声w(t)，进行经验模式分解。应用本发明算法对脑电信号进行分解，得到了频率相对集中的固有模态函数信号，各个频段的固有模态函数得以区分，大大抑制了由于经验模式分解所带来的模态混叠问题。
-
公开(公告)号：CN108042132A
公开(公告)日：2018-05-18
申请号：CN201711441431.1
申请日：2017-12-27
Applicant: 南京邮电大学 , 南京邮电大学南通研究院有限公司
IPC: A61B5/0476
CPC classification number: A61B5/0476 , A61B5/7235 , A61B5/7253 , A61B5/7264
Abstract: 本发明公开了一种基于DWT和EMD融合CSP的脑电特征提取方法，包括：将获取的脑电信号作为训练集和测试集，分别对训练集和测试集中所选取通道内的脑电信号进行预处理；对训练集中预处理后的脑电信号进行小波分解,得到小波变换后的子带信号，及选取在设定频率范围内的子带信号；对所选取的子带信号进行经验模式分解得到固有模态函数，以获得重构信号；将子带信号中的IMF分量合并构成矩阵，及对矩阵进行公共空间模式分解获得空间滤波器，经空间滤波器获得特征向量；对特征向量利用支持向量机进行特征分类训练，将预处理后的测试集输入训练好的支持向量机特征分类，获得特征分类结果。本发明可以可以有效解决CSP多输入、缺频域信息的问题。
-
公开(公告)号：CN108573207A
公开(公告)日：2018-09-25
申请号：CN201711402734.2
申请日：2017-12-22
Applicant: 南京邮电大学 , 南京邮电大学南通研究院有限公司
Abstract: 本发明公开了EMD和CSP融合最优波长空间滤波脑电特征提取方法，该方法对预处理后的信号进行经验模式(EMD)分解，得到固有模态函数(Intrinsic Mode Functions,IMFs)，观察并计算每个IMF分量的能量谱，筛选有效的IMF频段(5-28Hz)，组成新的信号矩阵，对其进行最优波长计算，再使用CSP滤波器进行滤波获取特征，最后使用支持向量机(Support Vector Machine,SVM)进行分类。分类结果得到9位受试的想象运动平均分类正确率为95％以上，保证了本发明的可行性与有效性。
-
Patent Agency Ranking
公开(公告)号：CN108095722B
公开(公告)日：2021-05-28
申请号：CN201810093526.7
申请日：2018-01-31
Applicant: 南京邮电大学 , 南京邮电大学南通研究院有限公司
Abstract: 本发明公开了一种基于脑电信号的改进EEMD算法，该方法首先基于脑电信号的先验知识，选取μ节律频段(8‑12Hz)和β节律频段(18‑26Hz)分别设计两个带通滤波器；利用上述带通滤波器对全带高斯白噪声进行滤波处理，得到两个带限高斯白噪声；最后在原始脑电信号中加入上述带限高斯白噪声w(t)，进行经验模式分解。应用本发明算法对脑电信号进行分解，得到了频率相对集中的固有模态函数信号，各个频段的固有模态函数得以区分，大大抑制了由于经验模式分解所带来的模态混叠问题。
-
公开(公告)号：CN108280464A
公开(公告)日：2018-07-13
申请号：CN201711403297.6
申请日：2017-12-22
Applicant: 南京邮电大学 , 南京邮电大学南通研究院有限公司
IPC: G06K9/62 , A61B5/0476
Abstract: 本发明公开了DWT和EMD融合近似熵的脑电特征提取方法，该方法对预处理后的信号进行小波分解(DWT)，得到各个子带信号，选择频带合适的子带进行经验模式(EMD)分解，得到固有模态函数(Intrinsic Mode Functions,IMFs)，观察并计算每个IMF分量的能量谱，筛选有效的IMF频段(5-28Hz)，组成新的信号矩阵，对其进行近似熵计算，最后使用支持向量机(Support Vector Machine,SVM)进行分类。分类结果得到9位受试的想象运动平均分类正确率为90％以上，保证了该方法的可行性与有效性。
-
公开(公告)号：CN109858537A
公开(公告)日：2019-06-07
申请号：CN201910058001.4
申请日：2019-01-22
Applicant: 南京邮电大学
IPC: G06K9/62 , A61B5/0476
Abstract: 本发明提供一种改进的EEMD与CSP结合的脑电信号特征提取方法，包括：对脑电信号集进行预处理，将其划分为训练集和测试集；对预处理后的脑电信号进行集合经验模式分解，得到若干个固有模态函数；对脑电信号进行FIR滤波，每一个固有模态函数被分解为q个子带信号，各个固有模态函数中频段相同的子带信号构成一个子带信号集，得到q个子带信号集；将q个子带信号集分别经过公共空间模式进行特征提取，得到q个特征向量，将q个特征向量组合为一个特征矩阵；训练支持向量机；将待分类脑电信号的特征矩阵输入支持向量机进行分类。本发明在CSP的基础上结合了EEMD的频域信息，并且经过滤波器组过滤优化，能够更好的用于运动想象特征提取，获得更高的分类精度。
-
公开(公告)号：CN109117775A
公开(公告)日：2019-01-01
申请号：CN201810868243.5
申请日：2018-08-02
Applicant: 南京邮电大学
IPC: G06K9/00
Abstract: 本发明提供一种基于多项式的改进EMD算法，包括如下步骤：步骤1：选择以信号的开始点为中心点的窗口，对该窗口内的信号值进行多项式拟合；步骤2：以窗口的中心点为均值点，构造离散高斯信号；步骤3：将窗口内拟合得到的序列值与对应的高斯信号值相乘后求和，得到窗口的中心信号点的去噪值；步骤4：以步长为1，对窗口进行滑动，重复步骤1-3，完成所述信号的全部信号点的去噪；步骤5：对去噪后的信号进行经验模式分解，得到重构信号。本发明对传统的EMD算法进行了改进，应用本发明算法对脑电信号进行分解，得到了频率相对集中的固有模态函数信号，各个频段的固有模态函数得以区分，大大抑制了分解时的端点效应问题，同时改善了模态混叠问题。
-
公开(公告)号：CN110135286A
公开(公告)日：2019-08-16
申请号：CN201910347620.5
申请日：2019-04-28
Applicant: 南京邮电大学
Abstract: 本发明提供一种基于DWT和EMD融合样本熵的脑电信号分类方法，首先对预处理后信号进行小波分解，根据子带的频谱选择子带信号，再经过经验模式分解，根据各阶固有模态函数的频谱分析筛选出集中在想象运动频段的前2阶固有模态函数，对其进行样本熵计算，通过支持向量机进行特征选择得到最终分类结果。本发明利用三个通道小波分解后的子带信号进行EMD分解，对固有模态函数进行样本熵计算，在EMD的基础上加入DWT，很好地解决EMD分解时频带涵盖宽泛的问题。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.016 seconds)
