参数建模的应用--特征提取.pptx

参数建模的应用——特征提取;; ;?;AR 模型特征提取具体内容： 生物医学信号中的特征提取包含三类： ①直接用 H(z)的系数和白噪的功率构成特征向量，在它构成的向量空间中划分子空间，进行模式分类。 ②用模型的极点和零点作为分类依据。 ③用模型做谱估计，然后从谱估计图上提取特征矢量。 ;直接用H(z)的系数和白噪的功率构成特征向量，在它构成的向量空间中划分子空间，进行模式分类。求AR模型系数以及白噪功率即为特征提取过程。 ;例1：心音信号的自动分类。;例2：多功能假肢的肌电控制。 由表面肌电信号识别各种肢体功 能。 12小时训练后动作成功率可达99%。;用模型的极点和零点作为分类依据。 ;代码： clear clc load eegclose load eegopen x1=eegclose(:,15); x2=eegopen(:,15); p=20; %阶数选取20 [ac,Ec]=my_yw(x1,p); // 实现AR建模的函数 [ao,Eo]=my_yw(x2,p); pc=roots(ac); po=roots(ao); figure,zplane(0,pc),title(闭眼EEG模型零极点图); figure,zplane(0,po),title(开眼EEG模型零极点图);;睁眼闭眼时域图像;睁眼与闭眼脑电功率谱; 通过与脑电时域图像以及功率谱的对比，可明显看出零极点图可以更显著的表现睁眼闭眼时极点分布的不同。以此区分睁眼闭眼信号十分方便。;用模型做谱估计，然后从谱估计图上提取特征矢量。 ;例：脑电图模型识别。 谱估计后找到明显的三个峰频，它们的带宽，功率作为特征矢量，进行模式识别。 ;实例：基于AR模型的参数谱估计法从时间、频率和强度三个角度来对心音信号进行特征提取;基于AR.模型的参数谱估计的分析结果 图4.8和图4.9中的四个图分别是用基于AR模型参数谱估计法得到的收缩期和舒张期的心音信号的功率谱估计图; 图4.8和图4.9所选的异常心音信号的病理性杂音都比较强，而不同的患者病理性杂音的强度不一样，有的强度较高，有的强度较低，所以必须使用定量的分析方法进行描述，也即是特征提取。; 依次选取10例正常人的心音信号、10例ASD患者的心音信号、10例VSD患者的心音信号和10例PDA患者的心音信号来提取特征，表中的数据表示各自频段的总功率谱值和总功率谱值的比值，一个心音周期提??到各个频段的特征参数如4.2表所示; 根据表4.2的特征提取结果，再结合病理性杂音频率成分、强度和出现的时间都具有诊断意义，对心音信号提取下列的特征:; 将一个周期的心音信号分为六段，对 每一段的信号使用基于AR模型的参数谱估计法估计不同频率段的功率谱，正常人和异常人的功率谱比值在0~20Hz , 20~40Hz、40~60Hz和大于等于150Hz这几个频段内都有一定的差异，并把这些比值作为识别分类的特征向量。;Good Bye !