论文部分内容阅读
多尺度现象是客观世界的普遍现象，但多尺度科学是近几年才提出的。多尺度科学是一门研究各种不同空间尺度或时间尺度相互耦合现象的科学，是目前科学研究的热点和难点之一。在信号处理领域，传统的分析法只考虑信号在一个尺度上的复杂性，不利于全面了解系统规律，同时忽略了不同尺度上包含的信息与关联。本文将经验模态分解(Empirical Mode Decomposition,EMD)作为信号处理中多尺度研究的基础方法，通过将原始信号分解为多个时间尺度分量展开研究。 由此，针对富含多尺度信息的生理信号，例如心电图(Electrocardiogram,ECG)、脑电图(Electroencephalogram，EEG)等，本文展开多尺度复杂性方法的研究，通过对生理数据的多尺度分解得到不同尺度上的信息，从而探究多尺度下不同生理状态的特征及其差异，最终从定量与定性两个角度完成不同生理信号不同生理状态下的多尺度分析，提高分析结果的直观性、客观性和准确性，具体工作如下: 对于生理信号，研究了其从时域到频域再到非线性分析方法的发展过程以及多尺度分析方法，最终以EMD与庞加莱散点图两类方法为基础对信号进一步展开研究。首先，通过EMD将生理信号分解为多个尺度，在各尺度分量上提取包括能量、熵等在内的特征参量，用于探究不同生理状态下的非线性特征差异。 其次，针对庞加莱散点图忽略了数据点的分布信息的缺陷，提出增强庞加莱散点图，在反映数据相关性的同时增强描述其分布信息，提升直观性，揭示生理信号的非线性波动规律。在此基础上与多尺度思想结合，创建生理信号的多尺度增强庞加莱散点图，将不同尺度信息以相空间图形化分析方法展现，从定性的角度进行不同生理状态下的分析，直观展现不同尺度下的差异特征。定量方面，在提取传统庞加莱特征参数的同时，结合实际图形的展现，定义并提取四向峰度与四向偏度用以描述信号的分布信息，更全面的展现生理状态差异。 进一步结合多尺度思想和增强分布表达，构造生理信号的多尺度增强差分庞加莱散点图，在直观展现数据差分特征的同时，提取本文定义的多尺度差分庞加莱分布熵，改善以往缺乏尺度信息以及细节分布情况的计算形式。除此之外，还构造了多尺度增强延迟庞加莱散点图并提取针对延迟性特征的参数，将它们应用于具体数据集上进行对比分析。 最后，对上文所提取的全部多尺度特征和其多尺度关联 进行排序，通过从优选择不同个数的特征组成特征子集并用于支持向量机(Support Vector Machine，SVM)分类器的训练，从而获得最优的特征子集和最佳的分类器模型。在肌电信号、ECG等数据集上进行相应实验，获得针对不同生理信号的最优特征子集与分类器，再在测试集上测试其性能，说明多尺度分析给生理信号研究带来的重要意义。 本文搭建了具有普适性的生理信号多尺度分析与识别框架，利用最优分类模型与庞加莱快速视觉判断进行疾病或者生理状态的识别，从定性与定量两个角度完成生理信号的多尺度分析与识别。