【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
【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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。