基于Hilbert-Huang變換和支持向量機的生物電信號的分析研究.pdf

1、對諸如肌電、腦電等生物電信號的研究具有重大的意義和實用價值。例如，利用表面肌電信號可以反映肌肉在不同疲勞程度下的變化；基于腦電的腦機接口系統(tǒng)(EEG-basedBCI)，就是依靠從用戶頭皮上記錄的腦電信號進行控制的。 Hilbert-Huang變換(HHT)是一種分析非線性、非穩(wěn)態(tài)的復雜信號的新方法，它能夠將時間和頻率的信息整合在一起。HHT方法可以產生自適應的基，而且，由于它可以獲得信號的局部和瞬時頻率，所以很適合對復雜的時間

2、序列信號進行特征提取。在本文中，我們的具體研究內容如下： ●基于Hilbert-Huang變換的表面肌電信號的研究：我們選擇了一組包括十二個成年男子的肱二頭肌靜態(tài)負荷數據，最大收縮負荷(MVC)為80％。我們將Hilbert-Huang變換運用于肌電信號，分別從Hilbert三維的譜分析、瞬時能量、瞬時頻率、Hilbert邊際譜和邊際能量譜幾個度量指標上得到了清晰而明確的肌肉疲勞狀態(tài)的分析結果。實驗結果表明證Hilbert-Hu

3、ang變換作為一種新方法，在生物電信號分析方面的潛力。 ●基于Hilbert-Huang變換和支持向量機(SVM)的腦電信號分析：我們使用HHT算法對更為復雜的高維腦電數據進行了特征提取，在這個過程中，我們把皮層慢電位(SCP)和高頻β波段相結合，時域與頻率信息相結合，根據不同通道的實際物理意義分別提取了具有明顯區(qū)分度的分類特征，組成了一個四維的特征空間。接下來，我們使用支持向量機(SVM)對定義好特征空間的信號進行模式分類。最

4、后，我們將上述方法運用于2003腦機接口大賽的數據集Ia，實驗結果表明該方法可獲得較高識別率。 本文的具體結構如下：第一章為簡介；第二章介紹了我們研究過程中使用的主要算法和工具-Hilbert-Huang變換和支持向量機(SVM)，它們分別應用于信號的特征提取過程和模式分類過程；第三章闡述了我們的研究內容；第四章給出了我們實驗所采用的數據的說明；在第五章中給出了我們具體的研究和分析過程，并展示了實驗結果；第六章為全文的總結以及展