一种低信噪比超短时信号的分类方法及系统技术方案

本发明专利技术公开了一种低信噪比超短时信号的分类方法及系统，分类方法包括如下过程：对已获取的输入子样本进行特征提取，得到多个双点对的特征向量，所述特征向量由多个双点对的特征幅值组成；利用多个双点对的特征向量对所述低信噪比超短时信号进行分类；所述输入子样本的获取过程包括：对低信噪比超短时信号的窄带信号的双点对进行采样，得到输入子样本；所述双点对为低信噪比超短时信号的任意两个采样点

【技术实现步骤摘要】
一种低信噪比超短时信号的分类方法及系统


[0001]本专利技术属于时序信号分析领域，具体涉及一种低信噪比超短时信号的分类方法及系统
。

技术介绍

[0002]基于时序信号分类的监测与控制系统在生活与生产中具有广泛的应用场景，例如，通过对心电的实时监测判断病人的健康状况；通过分类脑电信号并转化为指令用于控制外部设备；通过齿轮轴承的震动时间序列判断其工作状态，从而实现故障预警；通过电压电流传感阵列判断电网故障等
。
[0003]近年来，深度学习网络被应用于各种时序信号的预测与分类，表现出优异的性能并开始部署于实际场景中
。
然而，在高噪声环境中采集的时序信号具有极低的信噪比，难以被各种基于深度学习网络的分类模型快速分类
。
具体来说，分类模型需要从足够时长的低信噪比信号中提取有用信息才能获得令人满意的分类精度，这导致监测和控制的显著滞后
。
这一棘手的问题在基于运动想象脑电图
(EEG)
信号的脑机接口
(BCI)
中尤为突出
。
[0004]EEG
是一种典型的低信噪比信号
。
运动想象
EEG
信号在被试者想象不同运动时采集，经分类鉴别后转换为不同的控制指令
。
目前，绝大多数研究集中在对约3秒时长的样本的分类上
。
这意味着，当
BCI
的实用者想控制外部设备时，需要持续3秒想象某个动作
。
如此滞后的控制无法满足大多实际场景的需要，同时用户体验极差
。
少数研究者尝试对
1.5
秒左右的样本进行分类，未获得令人满意的结果
。

技术实现思路

[0005]针对现有基于时序信号分类的监测与控制系统所存在的问题，本专利技术的目的在于提供一种低信噪比超短时信号的分类方法及系统，本专利技术能够对低信噪比超短时信号进行实时分类
。
[0006]本专利技术采用的技术方案如下：
[0007]一种低信噪比超短时信号的分类方法，包括如下过程：
[0008]对低信噪比超短时信号的窄带信号的双点对进行采样，根据采样值计算特征向量；所述双点对为低信噪比超短时信号的任意两个采样点，所述特征向量由多个双点对的特征幅值组成；
[0009]利所述特征向量对所述低信噪比超短时信号进行分类
。
[0010]优选的，本专利技术低信噪比超短时信号的分类方法，还包括如下过程：将所述低信噪比超短时信号分解为多个窄带分量；
[0011]对低信噪比超短时信号的窄带信号的双点对进行采样时，利用上述分解得到的窄带分量的双点对进行采样
。
[0012]优选的，本专利技术低信噪比超短时信号的分类方法还包括对低信噪比超短时信号的预处理过程，对低信噪比超短时信号进行预处理时，滤除低信噪比超短时信号中的直流偏
置和干扰的固定频率噪声；
[0013]当低信噪比超短时信号为宽带信号时，将预处理后的低信噪比超短时信号分解为多个窄带分量，再利用分解得到的窄带分量的双点对进行采样；
[0014]当低信噪比超短时信号为窄带信号时，将预处理后的低信噪比超短时信号分解为多个窄带分量，再利用分解得到的窄带分量的双点对进行采样；
[0015]或者，当低信噪比超短时信号为窄带信号时，将预处理后的低信噪比超短时信号的双点对直接进行采样；
[0016]上述表述中，窄带分量是分解得到的窄带信号
。
[0017]优选的，双点对的特征幅值
A
通过下式计算：
[0018][0019]其中，
p1和
p2分别表示所述双点对中两个采样点的采样值，
ω
表示窄带信号的中心角频率，
Δ
t
表示双点对中两个采样点的时间间隔
。
[0020]本专利技术还提供了一种低信噪比超短时信号的分类系统，包括：
[0021]特征提取模块：对低信噪比超短时信号的窄带信号的双点对进行采样，根据采样值计算特征向量；所述双点对为低信噪比超短时信号的任意两个采样点，所述特征向量由多个双点对的特征幅值组成；
[0022]分类模块：用于利用所述特征向量对所述低信噪比超短时信号进行分类
。
[0023]优选的，所述特征提取模块包括分组空洞卷积层
、
平方激活函数和开平方激活函数；
[0024]分组空洞卷积层用于从单个窄带信号中提取多个连续的双点对，分组空洞卷积层中每组有两个卷积核，卷积核空洞率设置为
Δ
n
＝
f
s
×
Δ
t
，所有双点对的时间间隔
Δ
t
相等，任意一个窄带信号的特征幅值计算过程如下式：
[0025][0026]其中，
v
11
和
v
12
分别表示每个窄带信号对应的两个卷积核中第一个卷积核的两个可训练参数，能够被初始化为或被随机初始化；
v
21
和
v
22
分别表示所述每个窄带信号对应的两个卷积核中第二个卷积核的两个可训练参数，能够初始化为和或被随机初始化，
ω
表示窄带信号的中心角频率
。
[0027]优选的，本专利技术低信噪比超短时信号的分类系统还包括：
[0028]分解模块：用于将低信噪比超短时信号分解为多个窄带分量；对低信噪比超短时信号的窄带信号的双点对进行采样时，利用上述分解得到的窄带分量的双点对进行采样
。
[0029]优选的，所述分解模块包括频域分解卷积层，频域分解卷积层通过一组时域带通滤波器将低信噪比超短时信号分解为多个窄带信号；
[0030]所述频域分解卷积层的卷积核被初始化为一个滤波器组，所述滤波器组包含若干个预设长度的有限冲激响应带通滤波器，有限冲激响应带通滤波器
h[n]的计算公式如下：
[0031][0032]其中，
f
h
表示窄带信号上限截止频率，
f
l
表示窄带信号下限截止频率，
f
s
表示采样频率，
n
为数组
h[n]的索引，
n
＝
0,1,2,
…
,N
‑1，
N
为有限冲激响应带通滤波器的长度
。
[0033]优选的，本专利技术低信噪比超短时信号的分类系统还包括：
[0034]预处理模块：用于滤除低信噪比超短时信号中的直流偏置和干扰的固定频率噪声；
[0035]当低信噪比超短时信号为宽带信号时，通过分解模块将预处理后的低信噪比超短时信号分解为多个窄带分量，通过特征提取模块对分解得到的窄带分量的双点对进行采样；...

【技术保护点】

【技术特征摘要】
1.
一种低信噪比超短时信号的分类方法，其特征在于，包括如下过程：对低信噪比超短时信号的窄带信号的双点对进行采样，根据采样值计算特征向量；所述双点对为低信噪比超短时信号的任意两个采样点，所述特征向量由多个双点对的特征幅值组成；利用所述特征向量对所述低信噪比超短时信号进行分类
。2.
根据权利要求1所述的一种低信噪比超短时信号的分类方法，其特征在于，还包括如下过程：将所述低信噪比超短时信号分解为多个窄带分量；对低信噪比超短时信号的窄带信号的双点对进行采样时，利用上述分解得到的窄带分量的双点对进行采样
。3.
根据权利要求1或2所述的一种低信噪比超短时信号的分类方法，其特征在于，还包括对低信噪比超短时信号的预处理过程，对低信噪比超短时信号进行预处理时，滤除低信噪比超短时信号中的直流偏置和干扰的固定频率噪声；当低信噪比超短时信号为宽带信号时，将预处理后的低信噪比超短时信号分解为多个窄带分量，再利用分解得到的窄带分量的双点对进行采样；当低信噪比超短时信号为窄带信号时，将预处理后的低信噪比超短时信号分解为多个窄带分量，再利用分解得到的窄带分量的双点对进行采样；或者，当低信噪比超短时信号为窄带信号时，将预处理后的低信噪比超短时信号的双点对直接进行采样
。4.
根据权利要求1所述的一种低信噪比超短时信号的分类方法，其特征在于，双点对的特征幅值
A
通过下式计算：其中，
p1和
p2分别表示所述双点对中两个采样点的采样值，
ω
表示窄带信号的中心角频率，
Δ
t
表示双点对中两个采样点的时间间隔
。5.
一种低信噪比超短时信号的分类系统，其特征在于，包括：特征提取模块：对低信噪比超短时信号的窄带信号的双点对进行采样，根据采样值计算特征向量；所述双点对为低信噪比超短时信号的任意两个采样点，所述特征向量由多个双点对的特征幅值组成；分类模块：用于利用所述特征向量对所述低信噪比超短时信号进行分类
。6.
根据权利要求5所述的一种低信噪比超短时信号的分类系统，其特征在于，所述特征提取模块包括分组空洞卷积层
、
平方激活函数和开平方激活函数；分组空洞卷积层用于从单个窄带信号中提取多个连续的双点对，分组空洞卷积层中每组有两个卷积核，卷积核空洞率设置为
Δ
n
＝
f
s
×
Δ
t
，所有双点对的时间间隔
Δ
t
相等，任意一个窄带信号的特征幅值计算过程如下式：其中，
v
11
和

【专利技术属性】
技术研发人员：吕娜，牛旭，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：