目的:解决运动信号因非平稳性而难以提取特征的难题.方法:以人体小腿角加速度信号为例,用希尔伯特-黄变换对其进行时频分析,即先对信号进行经验模态分解得到多个特征模态函数,再对全部或多个特征模态函数进行希尔伯特变换得到该信号的希尔伯特谱.结果:在跺脚、行走、摔倒的行为模式下,当试验脚着地时,能量分别集中在频率4、3、2 Hz处,时频分辨力较高,且这些行为的信息主要集中于高频分量的特征模态函数中.结论:该方法可成功提取人体小腿角加速度信号的时频特征,也适用于对其他下肢运动学参数信号的提取,以得到整个下肢的运动特征.

为了测量与超声探头信号接收轴线相垂直的碳颗粒悬混液的流速,采用多普勒频谱的标准偏差估计频带展宽,频谱标准偏差由自相关方法计算.光声信号由波长532 nm重复频率20 Hz的脉冲激光激励,由中心频率10 MHz的聚焦超声换能器采集.碳颗粒悬混液由微量注射泵驱动,时域光声信号经希尔伯特变换为复信号后进行自相关计算,多普勒频宽的标准偏差由若干序列A扫的自相关平均得到.对比之前基于序列A扫的互相关方法,所提出方法的优点是自相关中的信号时移大小可自定义,如时移量远小于信号扫描间隔,可避免信号混叠,避免互相关中对重复频率为数千赫兹脉冲激光的需求.该方法的可行性通过测量横向流速为5.0～8.4 mm/s的碳颗粒悬混液的频谱标准偏差得到初步验证,实验结果显示信号的自相关结果在测量范围内呈现线性分布趋势.

为准确提取到脑电信号中的疲劳特征,以此作为预警器提醒程序员休息,本文设计了一个基于稳态视觉诱发电位(SSVEP)的脑电实验,采用希尔伯特黄算法提取被试者脑电信号中EEG参数θ、α、β、β α、(α+θ)β在正常状态和疲劳状态下的希尔伯特边际谱能量值,分析两种状态下的希尔伯特边际谱能量的变化趋势.单因素方差分析结果表明:在疲劳状态下α、(α+θ)β的边际谱能量显著上升,β、β α波边际谱能量显著下降.通过支持向量机分类,β α的最大分类准确率达到了94.4％,β节律的最大分类准确率达到了93.3％.α、(α+θ)β也表现出良好的可分性.从希尔伯特黄算法中提取的4个EEG参数[α、β、β α、(α+θ)β]的边际谱能量特征均可以作为评价视觉疲劳特性的指标.

当前肌肉疲劳表面肌电信号(surface electromgography,sEMG)特征提取方法,忽略了非线性跳错信号的影响,且不能在非平稳状态下进行特征提取,存在特征提取准确度差的问题.提出基于小波变换的肌肉疲劳sEMG特征提取研究,采用小波变换对所采集的样本去噪,结合时域、频域特征分析法,融合傅里叶变换方法对肌电信号中的线性特征进行提取,根据带谱近似熵理论对非线性挑错信号进行特征回归分析,并利用拟态分解函数和希尔伯特变换法对肌电信号进行时频特征的整合提取,最终完成基于小波变换的肌肉疲劳sEMG特征提取研究.实验验证,所提方法具有可行性,且将1000个肌电信号样本分成5组,对其中的跳错信号进行特征提取,所提方法准确度较文献方法高出75％,在非平稳状态下将200个肌电信号样本分成5组进行特征提取,所提方法准确度较文献方法高出33％.由此得出,所提方法优于当前特征提取方法.

时频分析方法在各个领域中广泛应用起来,特别是在工程领域中对结构和构件的变形以及内部损伤检测应用较多.HHT作为一种新兴的非线性,非平稳时频分析技术在探测和勘探领域中具有广阔的前景.文中重点对EMD,EEMD和CEEMD算法进行分析,通过对合成信号进行傅里叶变换和希尔伯特-黄变换,得到信号的频谱图,希尔伯特黄谱,边际谱等数据.通过对比分析,总结了三种方法的优缺点.结果表明,EMD,EEMD和CEEMD方法是进行非线性非平稳信号分析的有效工具.

目的 运用希尔伯特-黄变换法(Hilbert-Huang transform,HHT)探究SD大鼠在清醒、浅麻醉、深麻醉状态下头皮脑电信号(EGG)边际谱特征量.方法 选取雄性SD大鼠16只.每只大鼠未注射乌拉坦时视为清醒状态,首次腹腔注射乌拉坦(500 mg/kg)视为浅麻醉状态,1 h后再次腹腔注射乌拉坦(800 mg/kg)视为深麻醉状态,分别记录大鼠清醒、浅麻醉、深麻醉时EGG.采用HHT法比较各波段SD大鼠EGG的平稳度、边际谱谱峰和能量比.结果 清醒状态下大鼠边际谱谱峰在α波波段,α波能量占比45％,而δ波能量占比仅5％;浅麻醉和深麻醉状态谱峰在δ波波段,但深麻醉时能量占比(40％)略高于浅麻醉时能量占比(38％).结论 HHT边际谱和能量比反映信号幅值和能量频域分布特性——按序向频率降低的方向移动.

随掘地震超前探测震源具有连续、非可控的特点,需要使用互相关技术将连续震源记录转换为等效脉冲震源记录以获取有效反射信号.但随掘地震超前探测信号往往包含一些能量较强且频带较窄的优势频率成分,使得互相关处理会引入较严重的干扰.为此,本文提出将基于变分模态分解(VMD)的希尔伯特谱白化方法应用于随掘地震超前探测信号.该方法首先利用VMD将地震信号分解为若干个本征模态函数(IMF),再对各IMF应用希尔伯特变换进行时频分解,最后使用白化滤波器对其希尔伯特谱进行谱白化.数值模拟结果表明基于VMD的希尔伯特谱白化方法能够在保持各道信号一致性的同时均衡信号的不同频率成分,有效压制互相关结果中的虚假同相轴,加快主峰旁瓣衰减.将本文方法应用于安徽淮北杨庄煤矿某巷道实际数据,成功探测了掌子面前方存在的断层构造,表明该方法具有较好的实用性.

目的 提出一种基于希尔伯特-黄变换(Hilbert-Huang Transform,HHT)的生命体雷达微动信号辨识方法.方法 构建生命体微动特征频带,通过提取边际谱和计算能量占比这两类能反映微动信号频带特性的信息实现人与兔、犬的辨识.结果 根据人与两种动物的微动信号经HHT处理得到的边际谱和能量占比信息具有显著差异的特性(P<0.01),本方法区分人与动物的准确度达91.67％,精准识别人与兔、犬目标的准确度达83.33％.结论 本文提出的辨识方法为静止状态下障碍物后人与多种动物的辨识提供了一种通用的新方法,对于灾害救援、反恐维稳等多种应用场合下提高搜救效率,优化救援资源等具有重要的社会价值和实际意义.

目的 探讨利用时空图卷积神经网络在动态蛋白质网络中挖掘复合物的新方法.方法 文中首先定义了边强度、节点强度和边存在概率等指标对动态蛋白质网络进行建模,然后结合图上的时间序列信息和结构信息,基于希尔伯特-黄变换、注意力机制和残差连接等技术设计了2种卷积算子来对网络中蛋白质的特征进行表示学习,构建得到动态蛋白质网络特征图.最后采用谱聚类来识别复合物.结果 在多个公开生物数据集上的仿真实验结果表明,所提算法在DIP数据集和MIPS数据集上的F值都达到了90％以上,相比于DPCMNE、GE-CFI、VGAE和NOCD等4种识别算法而言,识别效率分别平均提高了约34.5％、28.7％、25.4％和17.6％.结论 运用深度学习技术来处理动态蛋白质网络的性能表现良好,具有普适意义.