[发明专利]基于NA-MEMD和GMM聚类的有用信号识别方法

摘要

本发明公开了一种基于NA‑MEMD和GMM聚类的有用信号识别方法。目前经验模式分解方法将多变量信号分解出若干尺度上的内蕴模式函数分量之后，如何在各个尺度上准确地识别出包含有用信息的IMF分量仍然存在依赖于先验知识、识别率较低等问题。本发明首先采用NA‑MEMD算法分解多变量信号以得到不同尺度上的IMF分量，其次采用谱回归降维算法将各个尺度上的IMF分量映射到一个低维子空间以抽取出对应的低维特征向量，然后在每个尺度上采用GMM聚类算法对低维特征向量进行聚类分析，最后根据聚类结果识别出包含有用信息的IMF分量。该方法在脑电信号处理、神经数据分析中具有广阔的应用前景。

主权项

1.基于NA‑MEMD和GMM聚类的有用信号识别方法，其特征在于，该方法具体包括以下步骤：步骤(1)由n通道原始信号和l通道不相关的高斯白噪声时间序列组成一个(n+l)通道的多变量信号，使用噪声辅助的多变量经验模式分解算法对该(n+l)变量信号进行分解，得到若干尺度上的内蕴模式函数分量，记为一个(n+l)×J×L矩阵，其中J表示分解尺度的个数，L是每个通道的采样点数；步骤(2)在第j个尺度上，j＝1,…,J，将来自每个信号通道的内蕴模式函数分量与来自噪声的内蕴模式函数分量联合，得到n组包含(l+1)变量的复合数据，记为一个n×(l+1)×L矩阵；步骤(3)在第j个尺度上，j＝1,…,J，采用谱回归算法对第i组复合数据进行降维，i＝1,…,n，产生n组低维特征向量，记为一个n×(l+1)×M矩阵，其中M是数据降维之后的维数；步骤(4)在第j个尺度上，j＝1,…,J，采用高斯混合模型聚类算法估计出每组低维特征向量的最优聚类数目然后采用最大似然分类法将每组低维特征向量分成个类别；步骤(5)在第j个尺度上，j＝1,…,J，根据步骤(4)得到的聚类结果识别出包含有用信息的内蕴模式函数分量，具体为：如果来自任何一个单独信号通道的内蕴模式函数分量与来自噪声通道的内蕴模式函数分量被分类到同一聚类中，那么该信号通道的内蕴模式函数分量被认为是不包含有用信息的，否则被认为是包含有用信息的。