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.

设计一款双波长无创血红蛋白浓度监测仪,可实时监测人体血红蛋白浓度.总体设计分为软硬件设计及算法研究.软硬件设计采用STM32 F407作为主控芯片,选择MAX30100作为传感器,使用LCD液晶屏显示实时波形,使用SD卡进行数据存储.算法研究主要采用希尔伯特黄变换(HHT)对脉搏波进行滤波处理,采用PCA算法和RELIEF算法相结合对提取的27个时域特征参数筛选筛选出12个特征参数,利用PLS建立血红蛋白模型.本次研究中,选择响应速度快、精度高的艾康生物技术公司生产的Mission HB便携式血红蛋白分析仪作为对照仪器.同时,随机选择31名志愿者在相同的实验条件下进行验证实验,对31组实验数据进行分析,得到相关系数为0.728,均方差为0.9416 g/dL.结果表明,本研究建立的双波长血红蛋白检测模型对血红蛋白浓度检测提供了一定的研究依据,对临床研究具有重要的意义.

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.

核小体是染色体折叠的整体结构,它们的空间分布与基因组活动的调节密切相关,是基因工程和表观遗传的重要研究领域.为进一步研究核小体定位特征的物种间差异性,将希尔伯特-黄变换(HHT)引入到酵母和果蝇两个不同物种的定位信号中,从多个角度客观分析核小体定位信号特征在两个物种间的差异性.在此基础上,对酵母和果蝇核小体分布的周期特征和进化印记进行尺度和频域分析,结果表明酵母和果蝇染色体在组织结构上存在显著差异.本文研究思路为准确提取信号瞬时频率提供了前提条件.

针对目前多分类运动想象脑电识别存在特征提取单一、分类准确率低等问题,提出一种多特征融合的四分类运动想象脑电识别方法来提高识别率.对预处理后的脑电信号分别使用希尔伯特-黄变换、一对多共空间模式、近似熵、模糊熵、样本熵提取结合时频—空域—非线性动力学的初始特征向量,用主成分分析降维,最后使用粒子群优化支持向量机分类.该算法通过对国际标准数据集BCI2005 Data set IIIa中的k3b受试者数据经MATLAB仿真处理后获得93.30％的识别率,均高于单一特征和其它组合特征下的识别率.分别对四名实验者实验采集运动想象脑电数据,使用本研究提出的方法处理获得了72.96％的平均识别率.结果表明多特征融合的特征提取方法能更好的表征运动想象脑电信号,使用粒子群支持向量机可取得较高的识别准确率,为人脑的认知活动提供了一种新的识别方法.

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.

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.