您当前的位置：
首页 > 文献资料
所属专业：
多元多尺度熵文献资料
-
人体静态平衡运动力学分析中多元多尺度熵特征改进算法
目的 利用改进的多元多尺度熵特征对人体静态平衡运动力学信号进行分析.方法 在多元多尺度熵计算中,要对多元延迟向量的维数进行扩展,本文针对性地将单个变量的依次嵌入改成对所有变量同时嵌入.结果 改进算法的多元多尺度熵特征应用于多种平衡模式的实验中,处理速度更快,熵值在模式间的距离更大,模式内的散度更小,更易区分.结论 本文算法提高了计算效率,改善了特征的可区分性,可以更好地分析人体的静态平衡能力.
-
基于改进多元多尺度熵的癫痫脑电信号自动分类
传统样本熵很难量化信号本身固有的远程相关性,虽然多尺度熵能够检测数据内在相关性,但其多用于单变量信号.多元多尺度熵作为多尺度熵在多元信号上的推广,是非线性动态相关性的一种反映,但是传统的多元多尺度熵计算量大,对于通道数较多的系统需要耗费大量的时间和空间,并且无法准确地反映变量间的相关性.本文提出的改进的多元多尺度熵,将传统的多元多尺度熵针对单个变量的嵌入模式改为对所有变量同时嵌入,不但解决了随着通道数增加内存溢出的问题,也更适用于实际多变量信号分析.本文方法对仿真数据及波恩癫痫数据进行了试验,仿真结果表明该方法对相关性数据具有良好的区分性能;癫痫数据实验表明,该方法对5个数据集均具有较好的分类精度,其中对数据集Z、S的分类精度达100％.
-
基于小波包和多元多尺度熵的癫痫脑电信号分类方法
本文提出一种基于小波包及多元多尺度熵的癫痫脑电(EEG)信号分类方法.首先应用小波包变换对原始EEG信号进行多尺度分解,并提取所需频段的小波包系数用以表示原始EEG信号;然后对选取的不同频段的小波包系数进行多元多尺度熵分析;后用支持向量机(SVM)对EEG数据进行分类.针对波恩大学癫痫病中心公开EEG数据实验结果表明,该方法能够有效提取癫痫EEG特征,具有很好的分类效果.
