脑电信号理论资料
脑电信号：
脑电信号：
●随机性及非平稳性相当强；
●具有非线性；
●采集到的脑电信号背景噪声比较复杂，有50Hz的工频干扰。
慢波活动频率0.5-2.0Hz，额部导联记录波形峰-缝最小振幅75μV。
δ波的频率为0~3.99Hz，幅度为20~200μV。它是在睡眠、深度麻醉、缺氧或大脑有器质性病变时出现。
θ波的频率为4~7.99Hz，幅度为20~150μV。它是在困倦时，神经系统处于抑制状态时所记录的波形。
ɑ波的频率为8~13Hz，振幅为20~100μV，它是节律性脑电波中最明显的波，整个皮层均可产生ɑ波。正常成人在清醒、安静、闭目时，波幅由小变大，再由大变小，如此反复进行，形成所谓的ɑ节律的“梭形”。每一“梭形”持续时间约为1~2s。当被试者睁眼、警觉、思考问题或者接受其他刺激时，ɑ波立即消失而代之以快波，这种现象称之为“ɑ波阻断”。一般认为，ɑ波是大脑皮质处于清醒安静状态时电活动的主要表现。
β波的频率>13Hz，幅度为5~20μV，是一种快波。β波的出现以大脑比较兴奋状态下为主。
各种脑电特征提取与分类的方法
（1）基于能量特征的脑电信号特征提取与分类：该方法采用带通滤波和小波包分析的方法提取Mu、Beta节律对应的脑电信号，在时域范围内，将信号幅度的平
方作为能量特征值；在频域范围内，采用AR模型功率谱估计法所得的功率谱
密度作为能量特征值。根据运动想象脑电信号特点，构造左右通道信号能量差
值的符号特性作为分类判别依据，进行分类测试。
（2）基于小波包分析的脑电信号特征提取与分类：该方法基于小波变换法和AR模型法结合线性判别准则对两类思维任务进行特征提取与分类，提出以小波系数
均值经K-L变换作为特征，用Fisher判别准则进行分类。结果表明，这种方法
可以利用少量的数据提取脑电信号的特征。
（3）快速多变量自回归模型的脑电信号的特征提取与分类：该方法利用多变量自回归（MVAR）模型参数和阶数估计，通过QR分解技术减少了多维矩阵求逆的运
算量，提高了模型估计的速度，在此基础上进行EEG信号的特征提取，分类的
正确率明显高于单变量自回归模型。
（4）基于信息约简对脑电信号特征进行提取：该方法利用不同的脑电特征分析方法，提取特征并进行分类；其次把连续的脑电信号离散化，利用脑电信号组建脑电
信号信息表，最后利用约简理论，对脑电信号进行特征约简，并利用约简特征
进行分类，验证分类准确率。该方法在保证分类准确率的情况下降低了特征的
数量。
（5）基于相位同步对脑电信号分类：该方法是将相位同步应用于运动意识想象分类，采用希尔伯变换信号处理方法计算脑电信号瞬时相位值。在合适的时间窗下，
选取C3、C4电极与中央区电极进行配对并进行锁相值计算，采用支持向量机
进行运动意识想象分类，具有较高的准确率。
（6）利用能量熵对运动脑电信号分类：该方法通过利用不同运动想象脑电信号能量熵的变换，从能量熵中提取特征，利用自定义基于统计理论分类方法进行分类。
matlab小波分析工具箱常用函数
1.Cwt :一维连续小波变换
格式：coefs=cwt(s,scales,'wavename')
coefs=cwt(s,scales,'wavename','plot')
scales:尺度向量，可以为离散值，表示为[a1,a2,a3……]，也可为连续值，表示为[amin:step:amax]
2.dwt:单尺度一维离散小波变换
格式：[ca,cd]=dwt(x,'wavename')
[ca,cd]=dwt(x,lo-d,hi-d)
先利用小波滤波器指令wfilters求取分解用低通滤波器lo-d和高通滤波器hi-d。[lo-d,hi-d]=wfilters('haar','d');[ca,cd]=dwt(s,lo-d,hi-d)
3.idwt:单尺度一维离散小波逆变换
4.wfilters
格式：[lo-d,hi-d,lo-r,hi-r]=wfilters('wname')
[f1,f2]=wfilters('wname','type')
type=d(分解滤波器)、R(重构滤波器)、l(低通滤波器)、h(高通滤波器)
5.dwtmode 离散小波变换模式
格式：dwtmode
dwtmode('mode')
mode:zdp补零模式，sym对称延拓模式，spd平滑模式
6.wavedec多尺度一维小波分解
格式：[c,l]=wavedec(x,n,'wname')
[c,l]=wavedec(x,n,lo-d,hi-d)
7.appcoef 提取一维小波变换低频系数
格式：A=appcoef(c,l,'wavename',N)
A=appcoef(c,l,lo-d,hi-d,N) N是尺度，可省略例：
load leleccum;
s=leleccum(1:2000)
subplot(421)
plot(s);
title('原始信号')
[c,l]=wavedec(s,3,'db1');
ca1=appcoef(c,l,'db1',1);
subplot(445)
plot(ca1);
ylabel('ca1');
ca2=appcoef(c,l,'db1',2);
subplot(4,8,17)
plot(ca2);
ylabel('ca2');
8.detcoef 提取一维小波变换高频系数
格式：d=detcoef(c,l,N),N尺度的高频系数d=detcoef(c,l,) 最后一尺度的高频系数例：
load leleccum;
s=leleccum(1:2000)
subplot(421)
plot(s);
title('原始信号')
[c,l]=wavedec(s,3,'db1');
cd1=detcoef(c,l,1);
subplot(445)
plot(cd1);
ylabel('cd1');
cd2=detcoef(c,l,2);
subplot(4,8,17)
plot(cd2);
ylabel('cd2');
9.waverec 多尺度一维小波重构
格式：x=waverec(c,l,'wavename')
x=waverec(c,l,lo-r,hi-r)
x=waverec(waverec(c,l,'wavename'),'wavename')
10.upwlev 单尺度一维小波的重构
格式：[nc,na,ca]=upwlev(c,l,'wname')
[nc,na,ca]=upwlev(c,l,lo-r,hi-r)
返回上一尺度的分解结构并提取最后一尺度的低频分量，等价于[c,l]=wavedec(x,N-1，
'wavename')
11.wrcoef 对一维小波系数进行单支重构
格式：x=wrcoef('type',c,l,'wavename',N)
x=wrcoef('type',c,l,'wavename')
x=wrcoef('type',c,l,lo-r,hi-r,N)
x=wrcoef('type',c,l,lo-r,hi-r)
12.upcoef一维系数的直接小波重构
格式：y=wrcoef('o',x,'wavename',N,L)
y=wrcoef('o',x,'wavename',N)
y=wrcoef('o',x,lo-r,hi-r,N,L)
用来计算向量X(信号系数)向上N步的重构小波系数，N为正整数。O=a低频重构，d高频重构，L是对向量中间长度L进行重构。
13.wpdec 一维小波包分解
格式：T=wpdec(X,N,'wavename',E,P)
14.wprec 一维小波包重构
格式：X=wpdec(T)
15.wpcoef 计算小波系数
格式：X=wpdec(t,n)
X=wpdec(t)
16.wprcoef 小波包分解系数的重构，一维或二维小波包分析函数，每次只能对一个节点重构。多个节点可重复调用来实现
格式：X=wprdec(t,n)
X=wprdec(t)
17.wpfun 小波包函数
格式：[wpms,x]=wpfun('wname',num,prec) 18.wpsplt 分解小波包
格式：t=wpsplt(t,n)
[t,ca,cd]=wpsplt(t,n)
[t,ca,ch,cv,cd,]=wpsplt(t,n)
19.wpjoin 重新组合小波包
格式：t=wpjoin(t,n)
[t,x]=wpjoin(t,n)
[t,x]=wpjoin(t)
20.wpcutree 剪切小波包分解树
格式：t=wpcutree(t,L) L层对t树剪切21.besttree 计算最佳树
格式：t=besttree(t)
[T,E]=besttree(t)
[T,E,N]=besttree(t)
22.bestlevt 计算完整最佳小波包树
格式：t=bestlevt(t)
[T,E]=bestlevt(t)
23.wp2wtree 从小波包树中提取小波树
格式：t=wp2wtree(t)
基于Matlab的脑电波信号处理
做脑电波信号处理滴嘿嘿。。Matlab addicted Codes %FEATURE EXTRACTER function [features] = EEGfeaturetrainmod(filename,m) a = 4; b = 7; d = 12; e = 30; signals = 0; for index = 1:9; % read in the first ten EEG data because the files are numbered as ha11test01 rather than ha11test1. s = [filename '0' num2str(index) '.dat']; signal = tread_wfdb(s); if signals == 0; signals = signal; else signals = [signals signal]; end end for index = 10:1:m/2; % read in the rest of the EEG training data s = [filename num2str(index) '.dat']; signal = tread_wfdb(s); if signals == 0;
signals = signal; else signals = [signals signal]; end end %%%%% modification just for varying the training testing ratio ------ for index = 25:1:25+m/2; % read in the rest of the EEG training data s = [filename num2str(index) '.dat']; signal = tread_wfdb(s); if signals == 0; signals = signal; else signals = [signals signal]; end end %%%%%end of modification just for varying the training testing ratio----- for l = 1:m % exrating features (power of each kind of EEG wave forms) [Pxx,f]=pwelch(signals(:,l)-mean(signals(:,l)), [], [], [], 200); % relative power fdelta(l) = sum(Pxx(find(f
交通信号控制理论基础
第六章交通信号控制理论基础 经过调查统计发现，将城市道路相互连接起来构成道路交通网的城市道路平面交叉口，是造成车流中断、事故增多、延误严重的问题所在，是城市交通运输的瓶颈。一般而言，交叉口的通行能力要低于路段的通行能力，因此如何利用交通信号控制保障交叉口的交通安全和充分发挥交叉口的通行效率引起了人们的高度关注。 交通信号控制是指利用交通信号灯，对道路上运行的车辆和行人进行指挥。交通信号控制也可以描述为：以交通信号控制模型为基础，通过合理控制路口信号灯的灯色变化，以达到减少交通拥挤与堵塞、保证城市道路通畅和避免发生交通事故等目的。其中，交通信号控制模型是描述交通性能指标（延误时间、停车次数等）随交通信号控制参数（信号周期、绿信比和信号相位差），交通环境（车道饱和流量等），交通流状况（交通流量、车队离散性等）等因素变化的数学关系式，它是交通信号控制理论的研究对象，也是交通工程学科赖以生存和发展的基础。 本章主要针对建立交通信号控制模型所涉及到的基本概念、基本理论与基本方法，对交通信号控制的理论基础进行较为全面深入的阐述。 6．1交通信号控制的基本概念 城市道路平面交叉口是道路的集结点、交通流的疏散点，是实施交通信号控制的主要场所。根据交叉口的分岔数平面交叉口可以分为三岔交叉口、四岔交叉口与多岔交叉口；根据交叉口的形状平面交叉口可以分为T型交叉口、Y型交叉口、十字型交叉口、X型交叉口、错位交叉口、以及环形交叉口等。 6．1．1交通信号与交通信号灯 交通信号是指在道路上向车辆和行人发出通行或停止的具有法律效力的灯色信息，主要分为指挥灯信号、车道灯信号和人行横道灯信号。交通信号灯则是指由红色、黄色、绿色的灯色按顺序排列组合而成的显示交通信号的装置。世界各国对交通信号灯各种灯色的含义都有明确规定，其规定基本相同。我国对交通信号灯的具体规定简述如下：对于指挥灯信号： 1、绿灯亮时，准许车辆、行人通行，但转弯的车辆不准妨碍直行的车辆和被放行的行人通行； 2、黄灯亮时，不准车辆、行人通行，但已越过停止线的车辆和已进入人行横道的行人，可以继续通行；
第二章交通信号控制的基本理论
2交通信号控制的基本理论 本章首先给出了交通信号控制的基本概念，包括：信号相位，周期时长，绿信比，相位差，绿灯间隔时间，有效绿灯时间等，然后介绍了常用的交叉口性能指标以及计算方法，最后给出了常用交叉口的信号配时方法。这些研究为后面的信号配时模型及优化方法的研究奠定了理论基础。 2.1交通控制的基本概念 交叉路口信号配时参数优化，首先必须准确把握和理解交通控制中的一些基本概念。下面对信号配时设计中部分参数作一介绍。 (l)信号相位：在一个信号周期内，具有相同的信号灯色显示的一股或几股交通流的信号状态序列称作一个信号相位。信号相位是按车流获得信号显示的时序来划分的，有多少种不同的时序排列，就有多少个信号相位。每一个控制状态，对应显示一组不同的灯色组合，称为一个相位。简而言之，一个相位也被称作一个控制状态。以四相位为例如图所示： 相位1 相位2 相位3 相位4 图1 四相位信号相序控制示意图 (2)周期时长：信号灯发生变化，信号运行一个循环所需的时间，等于绿、黄、红灯时间之和；也等于全部相位所需的绿灯时间和黄灯时间(一般是固定的)的总和。周期过长时，等待的人容易产生急躁情绪，因此通常以180秒为最高界限。
图1 第一、三配时表 (3)绿信比：是指在一个周期内(对一指定相位)，有效绿灯时间与信号周期长度之比。 (4)相位差(又叫绿时差或绿灯起步时距)：相位差是针对两个信号交叉口而言，是指两个相邻交叉口它们同一相位绿灯(或红灯)开始时间之差。 它分为绝对相位差和相对相位差。相对相位差是指在各路口的周期时间均相同的联动信号系统中，相邻两个交叉路口协调相位的绿灯起始时间之差。绝对相位差是指在联动信号系统中选定一标准路口，规定该路口的相位差为零，其他路口相对于标准路口的相位差叫绝对相位差。 (5)绿灯间隔时间：是指从失去通行权的相位的绿灯结束，到下一个得到通行权的相位绿灯开始所用的时间。绿灯间隔时间的长短主要取决于交叉口的几何尺寸，因此，要确定该时间的长度就必须首先考虑停止线和潜在冲突点之间的相关距离，以及车行驶这段距离所需的时间。 (6)有效绿灯时间：是指被有效利用的实际车辆通行时间。它等于绿灯时间与黄灯时间之和减去损失时间。损失时间包括两部分，一是绿灯信号开启时，车辆启动时的时间；还有绿灯关闭、黄灯开启时，只有越过停止线的车辆才能继续通行，所以也有一部分损失时间，即为绿灯时间减去启动时间加上结束滞后时间。结束滞后时间是黄灯时间中有效利用的那部分。每一相位的损失时间为启动延迟时间和结束滞后时间之差。 在实际工作中，损失时间的精确计算是非常困难的，也没有必要。通常取绿灯时间代替有效绿灯时间 2.2交通信号控制类型简述 2.2.1定时控制 (l)定义 依据交通量历史数据进行配时，交通信号按照配时方案运行，一天只按一个配时方案的配时方法。定时控制是单个交叉路口最基本的控制方法。 (2)适用条件及优点
基于MATLAB的脑电信号处理
南京航空航天大学基于Matlab的脑电信号处理 姓名陆想想 专业领域生物医学工程 课程名称数字信号处理 二О一三年四月
摘要：脑电信号属于非平稳随机信号，且易受到各种噪声干扰。本文基于Matlab仿真系统，主要研究了小波变换在脑电信号处理方面的应用，包括小波变换自动阈值去噪处理、强制去噪处理，以α波为例，提取小波分解得到的各层频率段的信号，并做了一定的分析和评价。关键词：脑电信号；小波变换；去噪重构；频谱分析 0引言 脑电信号EEG(Electroencephalograph)是人体一种基本生理信号，蕴涵着丰富的生理、心理及病理信息，脑电信号的分析及处理无论是在临床上对一些脑疾病的诊断和治疗，还是在脑认知科学研究领域都是十分重要的。由于脑电信号的非平稳性且极易受到各种噪声干扰，特别是工频干扰。因此消除原始脑电数据中的噪声，更好地获取反映大脑活动和状态的有用信息是进行脑电分析的一个重要前提。本文的研究目的是利用脑电采集仪器获得的脑电信号，利用Fourier变换、小波变换等方法对脑电信号进行分析处理，以提取脑电信号α波的“梭形”节律，并对脑电信号进行功率谱分析和去噪重构。 1实验原理和方法 1.1实验原理 1.1.1脑电信号 根据频率和振幅的不同，可以将脑电波分为4种基本类型[1]，即δ波、θ波、α波、β波。4种波形的起源和功能也不相同，如图1所示。 图1脑电图的四种基本波形 α波的频率为8~13Hz，振幅为为20~100μV，它是节律性脑电波中最明显的波，整个皮层均可产生α波。正常成人在清醒、安静、闭目时，波幅呈现有小变大，再由大变小，如此反复进行，形成所谓α节律的“梭形”。每一“梭形”持续时间约为1~2s。当被试者睁眼、警觉、思考问题或接受其他刺激时，α波立即消失而代之以快波，这种现象称之为“α波阻断”。一般
脑电信号特征提取及分类
脑电信号特征提取及分类
第 1 章绪论 1.1引言 大脑又称端脑，是脊椎动物脑的高级的主要部分，由左右两半球组成及连接两个半球的中间部分，即第三脑室前端的终板组成。它是控制运动、产生感觉及实现高级脑功能的高级神经中枢[1]。大脑是人的身体中高级神经活动中枢，控制着人体这个复杂而精密的系统，对人脑神经机制及高级功能进行多层次、多学科的综合研究已经成为当代脑科学发展的热点方向之一。 人的思维、语言、感知和运动能力都是通过大脑对人体器官和相应肌肉群的有效控制来实现的[2]。人的大脑由大约1011个互相连接的单元体组成，其中每个单元体有大约104个连接，这些单元体称做神经元。在生物学中，神经元是由三个部分组成：树突、轴突和细胞体。神经元的树突和其他神经元的轴突相连，连接部分称为突触。神经元之间的信号传递就是通过这些突触进行的。生物电信号的本质是离子跨膜流动而不是电子的流动。每有一个足够大的刺激去极化神经元细胞时，可以记录到一个持续1-2ERP的沿轴突波形传导的峰形电位-动作电位。动作电位上升到顶端后开始下降，产生一些小的超极化波动后恢复到静息电位（静息电位（Resting Potential，RP）是指细胞未受刺激时，存在于细胞膜内外两侧的外正内负的电位差）。人的神经细胞的静息电位为-70mV（就是膜内比膜外电位低70mV）。这个变化过程的电位是局部电位。局部电位是神经系统分析整合信息的基础。细胞膜的电特性决定着神经元的电活动[3]。当神经元受到外界刺激时，神经细胞膜内外两侧的电位差被降低从而提高了膜的兴奋性，当兴奋性超过特定阈值时就会产生神经冲动或兴奋，神经冲动或兴奋通过突触传递给下一个神经元。由上述可知，膜电位是神经组织实现正常功能的基本条件，是兴奋产生的本质。膜电位使神经元能够接收刺激信号并将这一刺激信号沿神经束传递下去。在神经元内部，树突的外形就像树根一样发散，由很多细小的神经纤维丝组成，可以接收电信号，然后传递给细胞体。如果说树突是树根的话，那么细胞体就是树桩，对树突传递进来的信号进行处理，如果信号超过特定的阈值，细胞体就把信号继续传递给轴突。轴突的形状像树干，是一根细长的纤维体，它把细胞体传递过来的信号通过突触发送给相邻神经元的树突。突触的连接强度和神经元的排列方式都影响着神经组织的输出结果。而正是这种错综复杂的神经组织结构和复杂的信息处理机制，才使得人脑拥有高度的智慧。我们的大脑无时无刻不在产生着脑电波，对脑来说，脑细胞就像是脑内一个个“微小的发电站”。早在1857年，英国的青年生理科学工作者卡通（R.Caton）就在猴脑和兔脑上记录
(整理)通信的基本概念
◆通信的基本概念 通信---- 由一地向另一地进行消息的有效传递 信道---- 载荷着信息的信号所通过的通道(或称媒质) ◆信息及其度量 信息---- 传输信息的多少可直观地使用“”进行衡量◆信息及其度量 信息----指消息中包含的有意义的内容 传输信息的多少可直观地使用“信息量”进行衡量 消息中的信息量I与消息发生的概率P（x）紧密相关 消息出现的概率愈小，则消息中包含的信 息量就（） 概率为0时（不可能发生事件），信息量 为（） 概率为1时（必然事件），信息量为（ 消息中的信息量I与消息发生的概率P（x）紧密相关消息出现的概率愈小，则消息中包含的信 息量就（愈大） 概率为0时（不可能发生事件），信息量 为（无穷大） 概率为1时（必然事件），信息量为（0 ）◆I与P（x）的关系式 当a取2时，单位为比特（bit）
当a取e时，单位为奈特（nit） 当a取10时，单位为哈特（hart） ◆通信系统的基本概念 通信系统----指传递信息所需的一切设备的总和 通信系统的任务----将不同形式的消息从发送端传递到接收端 通信系统的一般模型----由信源,发送设备,信道,接收设备,信宿和噪声源六部分组成 ◆数字通信系统的组成 信源和信宿 信源编码和信源解码 信道编码和信道解码 调制和解调 信道 噪声源 信源—把消息转换成原始的电信号，完成非电/电的转换 信宿—把复原的电信号转换成相应的消息，完成电/非电的转换 信源编码—有两个作用：一是进行模/数转换；一是数字压缩（即降低数字信号的数码率） 信源译码是信源编码的逆过程 信道编码器—对传输的信号码元按一定的规则加入保护成分（监督元），组成所谓的“抗 干扰编码” 信道译码器—按一定规则进行解码，从解码的过程中发现错误或纠正错误，从而提高系统 的抗干扰能力 调制—把各种数字基带信号转换成适应于信道 传输的数字频带信号（已调信号）
基于matlab的脑电信号处理
航空航天大学基于Matlab的脑电信号处理 陆想想 专业领域生物医学工程 课程名称数字信号处理
二О一三年四月
摘要：脑电信号属于非平稳随机信号，且易受到各种噪声干扰。本文基于Matlab仿真系统，主要研究了小波变换在脑电信号处理方面的应用，包括小波变换自动阈值去噪处理、强制去噪处理，以α波为例，提取小波分解得到的各层频率段的信号，并做了一定的分析和评价。关键词：脑电信号；小波变换；去噪重构；频谱分析 0 引言 脑电信号EEG(Electroencephalograph)是人体一种基本生理信号，蕴涵着丰富的生理、心理及病理信息，脑电信号的分析及处理无论是在临床上对一些脑疾病的诊断和治疗，还是在脑认知科学研究领域都是十分重要的。由于脑电信号的非平稳性且极易受到各种噪声干扰，特别是工频干扰。因此消除原始脑电数据中的噪声，更好地获取反映大脑活动和状态的有用信息是进行脑电分析的一个重要前提。本文的研究目的是利用脑电采集仪器获得的脑电信号，利用Fourier变换、小波变换等方法对脑电信号进行分析处理，以提取脑电信号α波的“梭形”节律，并对脑电信号进行功率谱分析和去噪重构。 1 实验原理和方法 1.1实验原理 1.1.1脑电信号 根据频率和振幅的不同，可以将脑电波分为4种基本类型[1]，即δ波、θ波、α波、β波。4种波形的起源和功能也不相同，如图1所示。 图1 脑电图的四种基本波形 α波的频率为8~13Hz，振幅为为20~100μV，它是节律性脑电波中最明显的波，整个皮层均可产生α波。正常成人在清醒、安静、闭目时，波幅呈现有小变大，再由大变小，如此反复进行，形成所谓α节律的“梭形”。每一“梭形”持续时间约为1~2s。当被试者睁眼、警觉、思考问题或接受其他刺激时，α波立即消失而代之以快波，这种现象称之为
基于小波的脑电信号处理
基于小波分析的脑电信号处理 董盟盟，仲轶，徐洁，戴体俊，刘功俭 （徐州医学院麻醉学院，江苏徐州221004） 摘要：为去除脑电信号采集过程中存在的噪声信号，提出了基于小波阈值去噪的脑电信号去噪。以小波阈值降噪为基础，首先利用db4小波对脑电信号进行5尺度分解，然后采用软、硬阈值与小波重构的算法进行去噪。通过对MIT 脑电数据库中的脑电信号进行仿真，结果表明，采用软阈值方法有效去除了噪声，提高了脑电信号的信噪比。关键词：脑电信号；小波阈值去噪；阈值函数；信噪比中图分类号：TP391.9 文献标识码：A 文章编号：1674－6236（2012）24-0059-03 Analysis of EEG signals based on wavelet threshold de -noising DONG Meng -meng ，ZHONG Yi ，XU Jie ，DAI Ti -jun ，LIU Gong -jian （School of Anesthesia ，Xuzhou Medical College ，Xuzhou 221004，China ） Abstract:To remove the noise signal existing in the course of EEG signal data collecting ，we proposed a method based on wavelet shrinkage to denoising EEG signal.First ，the EEG signal was decomposed through the db4wavelet ，secondly ，the denoising of soft and hard thresholding and the wavelet reconstruction algorithm were used to remove the main noise.The MIT EEG database was used ，which prove that the de -noising method adopting the soft thresholding could remove the noise effectively ，and increase the SNR of EEG signal. Key words:EEG signal ；wavelet shrinkage ；thresholding function ；SNR 收稿日期：2012-08-28 稿件编号：201208155 基金项目：国家自然科学基金（30872432）；江苏省2011年大学生实践创新训练计划（1009）作者简介：董盟盟（1989—），男，江苏徐州人。研究方向：麻醉深度监测。 麻醉深度监测是临床麻醉中极为重要的问题，关系到手术成败、病人安危。由于脑电是皮质锥体细胞顶树突产生的树突电位与突触后电位的总和，能直接反映出中枢神经系统的活动，因此脑电检测分析是确定麻醉深度的最佳方法[1]。但是，在实验中提取到的脑电信号非常微弱（μV 级），极易受到各种噪声干扰，主要有工频干扰、肌电干扰、心电伪迹等，对脑电信号的后续分析和处理很不利，因此，脑电信号消噪成为一个必要且关键的步骤。目前，针对各个具体问题，常用自适应滤波、独立量分析、主成分分析等方法进行脑电信号的去噪[2-3]，小波分析理论是近年发展起来的一门新理论，它可以对信号在时频两域进行分析，很适合探测信号的瞬时状态，对微弱生命信号可以进行有效去噪和提取[4]。文中在matlab 平台上将小波变换应用于脑电信号的预处理降噪，取得较好的效果，为下一步脑电信号特征提取提供了基础。 1非线性小波变换阈值法 非线性小波变换阈值法[5]也称为“小波收缩”（wavelet shrinkage ），就是按照一定的预设阈值压缩信号的小波变化系 数，然后用被压缩后的系数重构以达到降噪的目的。目前应用最广泛的是Donoho 提出的硬阈值和软阈值降噪方法。因为在小波域中，信号的能量相对集中在某几个位置上，而噪声的分布一般比较广，根据瞬时性的特点，信号表现为一些大的系数，而一些小的系数则更多的是由噪声和信号能量的突变所产生的，所以小波阈值去噪主要是利用了有效信号和噪声信号在小波变换下奇异性截然不同的表现特征来去除噪声，保留有效信号。脑电信号的主要频率成分在30Hz 以下，而工频干扰为50Hz ，肌电干扰噪声在5~2000Hz ，所以相对于EEG 信号来说，肌电等信号是一种高频干扰。所以先通过小波分析多分辨率分析方法将显现于小波分解小尺度上的高频干扰直接去除，实现对高频干扰的滤除，然后通过阈值法将与脑电信号频带重叠部分的干扰消除。然后对处理过后的小波系数进行小波重构后得到EEG 波形图象。主要步骤如下： 1）计算含噪声信号的正交小波变换。选择合适的小波和 小波分解层数j ，将含噪信号进行小波分解至j 层，得到相应的小波分解系数。 2）对分解得到的小波系数进行阈值处理，其阈值的处理 方法有2种： 硬阈值法s= x |x |＞t 0|x |≤t ≤软阈值法s=sgn （x ）（|x |-t ） |x |＞t |x |≤t ≤其中s 表示阈值处理后的信号，t 表示阈值。 3）进行小波逆变换。将经阈值处理过的小波系数进行重 电子设计工程 Electronic Design Engineering 第20卷Vol.20第24期No.242012年12月Dec.2012 －59－
基于matlab的脑电信号处理
基于matlab的脑电信号处理
————————————————————————————————作者：————————————————————————————————日期：
南京航空航天大学基于Matlab的脑电信号处理 姓名陆想想 专业领域生物医学工程 课程名称数字信号处理 二О一三年四月
摘要：脑电信号属于非平稳随机信号，且易受到各种噪声干扰。本文基于Matlab仿真系统，主要研究了小波变换在脑电信号处理方面的应用，包括小波变换自动阈值去噪处理、强制去噪处理，以α波为例，提取小波分解得到的各层频率段的信号，并做了一定的分析和评价。关键词：脑电信号；小波变换；去噪重构；频谱分析 0 引言 脑电信号EEG(Electroencephalograph)是人体一种基本生理信号，蕴涵着丰富的生理、心理及病理信息，脑电信号的分析及处理无论是在临床上对一些脑疾病的诊断和治疗，还是在脑认知科学研究领域都是十分重要的。由于脑电信号的非平稳性且极易受到各种噪声干扰，特别是工频干扰。因此消除原始脑电数据中的噪声，更好地获取反映大脑活动和状态的有用信息是进行脑电分析的一个重要前提。本文的研究目的是利用脑电采集仪器获得的脑电信号，利用Fourier变换、小波变换等方法对脑电信号进行分析处理，以提取脑电信号α波的“梭形”节律，并对脑电信号进行功率谱分析和去噪重构。 1 实验原理和方法 1.1实验原理 1.1.1脑电信号 根据频率和振幅的不同，可以将脑电波分为4种基本类型[1]，即δ波、θ波、α波、β波。4种波形的起源和功能也不相同，如图1所示。 图1 脑电图的四种基本波形 α波的频率为8~13Hz，振幅为为20~100μV，它是节律性脑电波中最明显的波，整个皮层均可产生α波。正常成人在清醒、安静、闭目时，波幅呈现有小变大，再由大变小，如此反复进行，形成所谓α节律的“梭形”。每一“梭形”持续时间约为1~2s。当被试者睁眼、警觉、思考问题或接受其他刺激时，α波立即消失而代之以快波，这种现象称之为“α波阻断”。一
脑电信号特征提取及分类
第 1 章绪论 1.1引言 大脑又称端脑，是脊椎动物脑的高级的主要部分，由左右两半球组成及连接两个半球的中间部分，即第三脑室前端的终板组成。它是控制运动、产生感觉及实现高级脑功能的高级神经中枢[1]。大脑是人的身体中高级神经活动中枢，控制着人体这个复杂而精密的系统，对人脑神经机制及高级功能进行多层次、多学科的综合研究已经成为当代脑科学发展的热点方向之一。 人的思维、语言、感知和运动能力都是通过大脑对人体器官和相应肌肉群的有效控制来实现的[2]。人的大脑由大约1011个互相连接的单元体组成，其中每个单元体有大约104个连接，这些单元体称做神经元。在生物学中，神经元是由三个部分组成：树突、轴突和细胞体。神经元的树突和其他神经元的轴突相连，连接部分称为突触。神经元之间的信号传递就是通过这些突触进行的。生物电信号的本质是离子跨膜流动而不是电子的流动。每有一个足够大的刺激去极化神经元细胞时，可以记录到一个持续1-2ERP的沿轴突波形传导的峰形电位-动作电位。动作电位上升到顶端后开始下降，产生一些小的超极化波动后恢复到静息电位（静息电位（Resting Potential，RP）是指细胞未受刺激时，存在于细胞膜内外两侧的外正内负的电位差）。人的神经细胞的静息电位为-70mV（就是膜内比膜外电位低70mV）。这个变化过程的电位是局部电位。局部电位是神经系统分析整合信息的基础。细胞膜的电特性决定着神经元的电活动[3]。当神经元受到外界刺激时，神经细胞膜内外两侧的电位差被降低从而提高了膜的兴奋性，当兴奋性超过特定阈值时就会产生神经冲动或兴奋，神经冲动或兴奋通过突触传递给下一个神经元。由上述可知，膜电位是神经组织实现正常功能的基本条件，是兴奋产生的本质。膜电位使神经元能够接收刺激信号并将这一刺激信号沿神经束传递下去。在神经元内部，树突的外形就像树根一样发散，由很多细小的神经纤维丝组成，可以接收电信号，然后传递给细胞体。如果说树突是树根的话，那么细胞体就是树桩，对树突传递进来的信号进行处理，如果信号超过特定的阈值，细胞体就把信号继续传递给轴突。轴突的形状像树干，是一根细长的纤维体，它把细胞体传递过来的信号通过突触发送给相邻神经元的树突。突触的连接强度和神经元的排列方式都影响着神经组织的输出结果。而正是这种错综复杂的神经组织结构和复杂的信息处理机制，才使得人脑拥有高度的智慧。我们的大脑无时无刻不在产生着脑电波，对脑来说，脑细胞就像是脑内一个个“微小的发电站”。早在1857年，英国的青年生理科学工作者卡通（R.Caton）就在猴
脑电信号中去除眼电成分
脑电信号中眨眼眼电成分的提取 摘要：眨眼伪迹是脑电信号采集过程中的常见噪声,严重影响其有用信息的提取。该文尝试采用独立成分分析中的快速算法分离脑电信号中的各个独立分量,并通过相关性分析自动识别独立分量中的眨眼伪迹干扰并去除。研究结果表明该方法能有效识别和去除眨眼伪迹,在脑电信号的处理中有重要应用价值,值得深入研究和推广。 目的利用独立分量分析方法(ICA) 将混合在观测信号中相互独立的源信号分出来。方法记录3个正常人自然眨眼和水平扫视条件下7道脑电信号和2道眼电信号，选取7道脑电信号进行处理，2道眼电信号用来指示干扰源的情况。使用扩展相似对角化算法( JADE) 将脑电信号分解成多个独立分量，同时利用伪迹脑地形图特征，判断出与眼电伪迹相关分量并将其去除。结果存在于前额电极的眼电干扰被消除，同时其他电极上的信号细节成分较好地保留下来。独立分量分析方法成功去除了脑电信号中的眼电伪迹。 本文针对脑电信号的眼电伪迹去除的问题，运用ICA（独立分量分析）和小波去噪两种方法实现了眼电伪迹去除，并比较分析了两种方法各自的优点和缺点。 关键词：脑电信号眨眼眼电 ICA 小波去噪 1 引言 脑电( electroencephalogram ，EEG) 信号是一种微弱( μV 级) 的电生理信号，同时具有很强的随机性，极易受其他电生理信号干扰。其中，眼电伪迹是一种最主要的干扰成分。它产生于人体自身，当眨眼( blink) 或是眼球运动( eye movement)时，会在测量电极处引起较大的电位变化形成眼电 ( electro-oculogram，EOG) 。在采集EEG 时，EOG 从其源发出，弥散到整个头皮，导致采集到的EEG 信号产生明显畸变，形成伪迹，其幅度可达到100 mV。为减少EOG 伪迹影响，要求受试者长时间控制自己的眼部运动。但这通常会引起眼部不适，尤其是部分特定人群( 如患有多动症的儿童、精神分裂症患者等) 的无意运动难以控制。采集到的EEG 信号中会包含EOG 伪迹。本文采用了ICA算法和小波去噪算法这两种方法来进行脑电信号中眨眼眼电成分的提取，下文将分别
matlab脑电信号处理
matlab脑电信号处理 matlab脑电信号处理 t=0.001:0.001:1; x=load('C:\Users\yxzhang\Desktop\rest_close.txt'); %读取文件y=load('C:\Users\yxzhang\Desktop\audio_close.txt'); xx={}; %每个导联的数据存储 yy={}; n=1000; %数据数目 sc=7; %小波包的分解尺度 for i=1:1:8 %导联的数据分离 xx{i}=x(:,i); yy{i}=y(:,i); end for i=1:1:8 %画出原始信号图像 figure subplot(2,2,1) plot(t,xx{i}) axis([min(t) max(t) 1.1*floor(min(xx{i})) 1.1*ceil(max(xx{i}))]) title('rest close 原始信号') ylabel('幅值') subplot(2,2,2) plot(t,yy{i}) axis([min(t) max(t) 1.1*floor(min(yy{i})) 1.1*ceil(max(yy{i}))]) title('audio close 原始信号') ylabel('幅值') %fft_原始信号的频谱分析 xx1=fft(xx{i},n); pxx1=xx1.*conj(xx1)/n; yy1=fft(yy{i},n); pyy1=yy1.*conj(yy1)/n; %画出0-30hz内的功率谱图像 n=60;
信号控制设备概述
第六章信号控制设备概述 第一节联锁设备 铁路信号设备是组织指挥列车运行，保证行车安全，提高运输效率，传递信息；改善行车人员劳动条件的关键设施，是铁路主要技术装备之一。铁路信号系统大体上可以分为车站联锁设备、区间闭塞设备、机车信号、列车运行控制设备、调度监督和调度集中设备、驼峰调车和道口信号设备。 一、联锁 1、概念 信号、道岔、进路这三者之间相互制约的关系。 2、联锁道岔 在车站联锁区范围内参加联锁的道岔。 （1）、道岔定反位 定位：道岔经常开通的位臵 反位：排列进路时临时改变的位臵
确定原则： A、单线车站正线的进站道岔为车站两端向不同线路开通位臵为定位，由左侧行车制决定 B、双线车站正线上的进站道岔，为向各该正线开通的位臵为定位 C、所有区间及站内正线上的其它道岔，除引向安全线及避难线外，均以向该正线开通的位臵为定位 D、引向安全线、避难线的道岔，以该安全线、避难线开通的位臵为定位 E、侧线上的道岔除引向安全、避难线外，为向列车开通的为或靠近站舍的进路开通的位臵 （2）、联动道岔 排列进路时，几组道岔要求定位则都要定位，要反位时，则都要求在反位。 双动道岔--------1/3 复式交分道岔------2/4/6-----2/6；8/（10） （3）防护道岔和带动道岔 防护道岔：为防止侧面冲突，有时需要将不在所排进路上的道岔处于防护的位臵，并予以锁闭 带动道岔：为了满足平行作业的需要，排列进路时将某些不在进路上的道岔带动至规定的位臵，并对其进行锁闭。 对于防护道岔必须进行联锁条件的检查，防护道岔不在防护的位臵，进路就不能建立。而对于带动道岔则无须进行联锁检查，能带动到规定的位臵就带动，不能带动到规定的位臵（若还被锁闭），其不影响进路的建立，它不涉及安全，只是影响效率。 3、进路 列车或车列在站内由一点运行至另一点的全部路径。包括：列车进路、调车进路。进路中包括有若干个轨道电路区段。 （1）、列车进路 列车接车进路：列车进入车站（场）所经过的进路。始于进站信号机（或接车进站信号机），终于另一咽喉的出站信号机（进路信号机） 如：下1接车---X---X1
交通信号控制的基本概念
交通信号控制的基本概念 周期时长 周期时长是信号灯各种灯色轮流显示一次所需的时间，即各种灯色显示时间之总和；或是从某主要相位的绿灯启亮时到下次该绿灯再次启亮之间的一段时间。用C表示。单位为秒。 绿信比 一个相位的有效绿灯时长ge与周期时长C之比，用 表示。 有效绿灯时间 有效绿灯时间=实际绿灯时间+黄灯时间-启动损失时间。 绿灯间隔时间 是指上一相位绿灯结束到下一相位绿灯启亮之间的一段时间，也叫交叉口清车时间。一般包含黄灯+全红或全红两部分。有的相位也可以没有绿灯间隔时间。启动损失时间 每个相位绿灯初期，车辆因起动而实际并未用于通车的一段绿灯时间，为相位绿初损失时间。根据英国实测此时间为1.35s。另外，按信号通车规则，黄灯初期尚可有车辆通行，而黄灯后期已不能通车，黄灯末尾的这一段时间，属于相位黄灯末损失时间，据实测为0.13s。把绿初损失时间同黄末损失时间合在一起，统称为起动损失时间。 绿灯时间 绿灯时间就是某一相位在一个信号周期内所获得的绿灯显示时间，也称作相位绿灯时间。
最短绿灯时间 最短绿灯时间是对各信号阶段或者各个相位规定的最低绿灯时间限值。即不论任何信号阶段或任何相位一次绿灯时间，都不得短于规定的最短绿灯时间。规定这个绿灯时间的目的是为了保证交叉口行车安全。 最长绿灯时间 最长绿灯时间是对各信号阶段或各个信号相位给出的最大的绿灯时间限值。即不论任何信号阶段的绿灯时间都不得大于这个最长绿灯时间，目的是为了减少绿灯时间的损失。 相位 信号控制机按设定的相位方案，轮流开放不同的信号显示，轮流对各个方向的车辆和行人给予通行权。 在信号交叉口，其每一种控制状态（一种通行权），即对各进口道不同方向所显示的不同灯色的组合，称为一个信号相位。所有这些信号相位及其顺序统称为相位（相位方案），一般有两相位和多相位（3相位以上）。
脑电信号特征分析
脑电信号特征分析 一脑电信号的概念已经研究意义 脑电信号(Electroencephalograph,EEG)中包含了大量的生理与病理信息，是进行神经系统疾病和症状，特别是癫痫病诊断的主要依据。从20世纪初，人们就开始研究人的脑电信号，多年以来，人们已经积累了一系列脑电信号处理的理论和方法，但是进展不是很快。这主要是因为人们目前对脑电信号产生的机理认识还不够，另外脑电信号的非平稳性和背景噪声等都很强，因此脑电信号的分析与处理一直是非常吸引人但又极其困难的研究课题。近年来，电子技术以及非线形分析理论的快速发展为我们提供了脑电信号处理的新手段。本文将利用快速傅立叶变换（F F T）理论来分析脑电序列信号的频谱和功率谱。 脑电图是脑神经细胞电生理活动在大脑皮层或头皮表面的总体反映。临床实践表明，脑电信号中包含了大量生理与疾病信息，所以我们通过对脑电信号的处理，不仅可以为医生提供临床诊断依据，而且可以为某些脑疾病（比如癫痫、脑肿瘤、智力状况等）提供有效的治疗手段。 二脑电信号特征提取的内容 研究脑电图信号（EEG）在时域、频域方面所具有的特征，计算出人的大脑在不同状态下的功率频特征。就是利用快速傅立叶变换(FFT)来研究脑电序列信号的谱值。脑电信号可以视作为一组时间序列，时间序列的时域是指是描述数学函数或物理信号对时间的关系。例如一个信号的时域波形可以表达信号随着时间的变化。若考虑离散时间，时域中的函数或信号，在各个离散时间点的数值均为已知。若考虑连续时间，则函数或信号在任意时间的数值均为已知。而其对应的频谱是是描述信号在频率方面特性时用到的一种坐标系。对任何一个事物的描述都需要从多个方面进行，每一方面的描述仅为我们认识这个事物提供部分的信息。功率谱是功率谱密度函数的简称，它定义为单位频带内的信号功率。它表示了信号功率随着频率的变化情况，即信号功率在频域的分布状况。常用于功率信号（区别于能量信号）的表述与分析，其曲线（即功率谱曲线）一般横坐标为频率，纵坐标为功率。 三特征分析的软件实现及结果分析 通过信号的时域波形，可以得出信号的幅值变换范围，信号的波动情况以及可以求出信号的均值方程等特征值。基于MATLAB实现数据的提取，采样load函数提取采集后的脑电信号数据，绘制脑电信号时域波形如图1所示： 图1脑电信号的时域波形 从图1看出，数据量有6400个，选取的脑电信号幅值在0附件范围段波动。但信号并不平稳，会出现较大的尖峰信号。需要对信号进行频谱转换。
脑电信号采集处理的综述
生物电子学 学院：电子信息学院 班级：生物医学工程101班
关于脑电信号采集处理的综述 摘要： 脑电信号是人体的一种基本生理信号, 具有重要的临床诊断和治疗价值。由于脑电信号的自身非平稳性随机特点, 使得对它的研究成为一项具有相当难度 的课题。本文总结了脑电信号的采集方法以及后期处理的方法。脑电的采集主要是前置级放大电路的设计，而后期的处理则是通过对实测脑电信号进行时域分析、频域分析、W igner方法、小波方法等若干算法的仿真和对比, 深入分析和评价了脑电信号若干方法的特点以及存在的问题。 关键词： 脑电信号、采集、前置级放大、信号处理方法 前言： 脑电信号是大脑神经元突触后电位的综合，具有丰富的大脑活动信息，是大脑研究、生理研究、临床脑疾病诊断的重要手段。脑电信号采集的预处理是一个比较复杂的问题。 首先，脑电信号非常微弱，一般只有50μV左右，幅值范围为5μV~100μV。所以，脑电信号放大增益要比一般的信号高得多，一般要放大20000 倍左右。 第二，脑电信号头皮与颅骨通常几千欧姆的电阻，所以要求前置部分有很高的输入阻抗，以提高脑电信号索取能力，一般输入阻抗要大于10 MΩ。第三，脑电信号的频率低，一般在0.1 Hz ~ 100Hz，需要滤除脑电信号频率以外的高频干扰。 第四，在普通环境下，脑电信号采集受到工频干扰等共模干扰，信噪比通常低于-10 dB。工频干扰主要是以共模形式存在，幅值在mV 数量级，所以要求放大器具有很高的共模抑制比，一般要大于120 dB。 第五，在电极与头皮接触的部位会产生电位差，称为极化电压。极化电压一般在几毫伏到几百毫伏之间，理想情况下，在用双电极提取人体两点电位差时，两个电极保持对称则可以使极化电压互相抵消，但实际上，由于极化电压和通过电极电流大小、电极和皮肤接触阻抗不对称等很多因素有关，所以不可避免造成干扰，尤其当电极和皮肤接触不良时，干扰更严重。如果在仪表放大器的前端不做处理，极化电压的存在使得前置放大器的增益不能过大。除了极化电压的干扰外，还受主体的呼吸及运动等低频干扰，这些都是要考虑的。 第六，必须考虑被测者的生理自然性和保证操作安全性等。 第七，还需要考虑电极材料的选取。 前置级放大电路的设计： 1 生物电前置级电路分析 文献中以BB公司的仪表放大器INA128为例。当由该电路构成生物电信号前置级放大电路,只要将第5脚接地,3脚和2脚接差动输入, 8脚和1脚接调节增益 的电阻, INA128最大增益可达到10 000倍, 经过激光调节, 器件内部电阻精度很
交通信号控制基础考察内容
交通信号控制基础2013/6/4 13:33:00 1.1 基本概念： 平面交叉口路权控制 1.2信号控制设备 交通信号控制机： 组成：CPU 存贮器借口人机界面 1.2.3 闪烁模块 功能 1.2.4 电源配置 倒计时： 车辆检测器：线圈检测器雷达测速仪红外检测器视频检测器 2.1 控制策略 感应控制 3.1 绿信比 3.2 信号周期 4. 交通信号控制系统 4.1 系统结构 4.2 硬件结构 4.3 软件构架 4.4 通信协议
交通控制考察内容 2013/6/4 13:33:00 交叉口控制 1. 检测器和信号机之间的关系 2. 视频的原理 以交叉口为背景，连接各种设备。 1.2 交通控制系统概论 反馈控制理论（反馈作用） 系统构成大体掌握就可以了 检测技术： 信号传输、通讯大体了解就可以了。 交通信息数据词典 第二章： 线圈检测器的工作原理（填空、选择）不同的控制有不同的工作要求 采用了线圈的磁感和线圈的互感原理 环形线圈检测器的工作原理概括：根据电磁场耦合原理设计而成，当环形线圈中通过一定频率的电流时，若给线圈断面加钢板，线圈涡流的去磁作用会大于铁磁质的增磁作用而使得线圈的等效电感量明显减小；而车辆通过与加钢板情况相似，检测线圈根据这一原理达到检测目的。 2.1.1 这一节要看一下哦 线圈的形状、面积等参数会对线圈造成影响 由于环形线圈的磁场并不是均匀分布，为增大检测灵敏度（即增大互感系数M ），在设计线圈形状及尺寸时应使车体覆盖磁感应强度大的区域以及车体覆盖较大的环形感应线圈面积。 第20张ppt 的公式要了解 ppt23、24 单线圈的测速原理（车长多长、速度多少？给脉冲图，把线圈检测器测速的原理表达清楚） 1、单线圈测速 单线圈测速的方法只使用一个线圈检测，通过计测车辆通过时所对应的方波波形宽度来 达到检测目的，其代表车辆通过所需时间，以车辆长度除之即可。即：on off t t l v -=
交通信号控制的基础理论知识
第2章交通信号控制的基础理论知识 2.1交通控制的分类 城市交通控制有多种方式，其分类也有很多种。从不同的角度看有不同的划分方式。 1、从控制策略的角度可分为三种类型 （1）定时控制:交通信号按事先设定的配时方案运行，配时的依据是交通量的历史数据。一天内只用一个配时方案的称为单时段定时控制，一天内不同时段选用不同配时方案的称为多时段定时控制。根据历史交通数据确定其最优化配时的方法webster(1958)，Bollis(1960)，Miller(1963)，Blunden(1964)，Allsop(1971)等人的著作中已有详述。我国杨佩昆等学者也有这方面的研究成果。现在最常用的信号配时方法有:韦尔伯特法、临界车道法、停车线法、冲突点法。定时控制方法是目前使用最广的一种交通控制方式，它比较适应于车流量规律变化、车流量较大(甚至接近于饱和状态)的路口。但由于其配时方案根据交通调查的历史数据得到，而且一经确定就维持不变，直到下次重新调整。很显然，这种方式不能适应交通流的随机变化，因而其控制效果较差。 （2）感应控制:感应信号控制没有固定的周期，他的工作原理为在感应信号控制的进口，均设有车辆检测器，当某一信号相位开始启亮绿灯，感应信号控制器内预先设置一个“初始绿灯时间”。到初始绿灯时间结束时，增加一个预置的时间间隔，在此时间间隔内若没有后续车辆到达，则立即更换相位;若检测到有后续车辆到达，则每检测到一辆车，就从检测到车辆的时刻起，绿灯相位延长一个预置的“单位绿灯延长时间”。绿灯一直可以延长到一个预置的“最大绿灯时间”。当相位绿灯时间延长到最大值时，即使检测器仍然检测到有来车，也要中断此相位的通行权，转换信号相位。感应式信号控制根据检测器设置的不同又可以分为半感应控制和全感应控制。只在交叉口部分进道口上设置检测器的感应控制称为半感应控制，在交叉口全部进道口上都设置检测器的称为全感应控制。感应控制方法由于可根据交通的变化来调节信号的配时方案，因此比定时控制方法有更好的控制效果，特别适用于交通量随时间变化大且不规则、主次相位车流量相差较大的路口。感应控制方法存在的缺陷在于，感应控制只根据绿灯相位是否有车辆到达而做出决策，而不能综合其它红灯相位的车辆到达情况进行决策，因此它无法真正响应各相位的交通需求，也就不能使车辆的总延误最小。 （3）自适应控制:连续测量交通流，将其与希望的动态特性进行比较，利用差值以改变系统的可调参数或产生一个控制，从而保证不论环境如何变化，均可使控制效果达到最优。自适应控制系统有两类，即配时参数实时选择系统和实时交通状况模拟系统。配时参数选择系统是在系统投入运行之前，拟定一套配时参数与交通量等级的对照关系，即针对不同等级的交通量，选择相应最佳的配时参数组合。将这套事先拟定的配时参数与交通量对应组合关系贮存于中央控制计算机中，中央控制计算机则通过设在各个交叉口的车辆检测器反馈的车流通过量数据，自动选择合适的配时参数，并根据所选定的配时参数组合实行对路网交通信号的实时控制。实时交通状况模拟系统不需要事先贮存任何既定的配时方案，也不需要事先确定一套配时参数与交通量的对应选择关系。它是依靠贮存于中央计算机的某种交通数学模型，对反馈回来的实时交通数据进行分析，并对配时参数作优化调整。配时参数的优化是以综合目标函数(延误时间，停车次数，拥挤程