基于C-LSTM模型的端到端多粒度运动想象脑电信号分析方法

脑电信号（Electroencephalography, EEG）是人的大脑在不同状态下产生的生物电信号。运动想象脑电信号是其中较为典型的一类信号,广泛应用于脑机接口技术中。对运动想象脑电信号分析的研究由来已久,目前主要采用公共空间模式等特征提取方法,对于如何提取更加有效的脑电信号特征以及如何对时序信息进行建模仍然是需要解决的问题。因此,本文设计了基于C-LSTM（Convolutional-Long Short Term Memory）模型的端到端多粒度脑电分析方法。并利用空间信息以及小波脑网络方法进行了改进,在BCI2008数据集上,相较传统方法提高了近10%,到达了93.6%的识别率。      

基于EEGNet的脑电信号情绪识别

对一种紧凑轻量型的卷积神经网络EEGNet实现脑电信号情绪识别进行了研究,验证了EEGNet网络对基于脑电信号的情绪识别具有较理想的识别准确率。文章先后对脑电信号情绪识别系统的工作流程及方法进行了详细说明,叙述和分析了数据集以及标签的制作与封装。系统利用32导无线脑电采集设备采集脑电信号数据信息,采用10-20国际标准导联系统连接采集人的脑电数据,然后使用EEGLAB工具包将采集到的脑电数据进行预处理,去除干扰信号,组成信号矩阵,采用EEGNet网络提取脑电信号的数据特征,以达到分辨识别情绪类别的目的。     

基于深度神经网络的微表情识别

微表情是一种极为短暂的面部表情,当人们想要掩饰内心的真实情感时,就会不自觉的流露出来。由于微表情的持续时间短,动作幅度小等特点,检测和识别微表情就变得尤为困难。为了解决传统图像识别的方法的识别率低和预处理复杂等缺点,本文提出了采用深度神经网络的方法来对微表情进行识别。该深度神经网络由卷积神经网络(CNN)和长短时记忆型(LSTM)递归神经网络组合而成,CNN层负责提取微表情的静态图像特征,LSTM层将提取到的卷积特征进行整合,而得到这些特征在时域上的信息,进而对这些信息进行分类训练。在CASM2数据集下,该方法对5类表情的识别率比传统方法高。     

基于卷积长短时记忆网络的心律失常分类方法

心律失常等慢性心血管疾病严重影响人类健康,采用心电信号(ECG)实现心律失常自动分类可有效提高该类疾病的诊断效率,降低人工成本。为此,该文基于1维心电信号,提出一种改进的长短时记忆网络(LSTM)方法实现心律失常自动分类。该方法首先设计深层卷积神经网络(CNN)对心电信号进行深度编码,提取心电信号形态特征。其次,搭建长短时记忆分类网络实现基于心电信号特征的心律失常自动分类。基于MIT-BIH心律失常数据库进行的实验结果表明,该方法显著缩短分类时间,并获得超过99.2%的分类准确率,灵敏度等评价参数均得到不同程度的提高,满足心电信号自动分类实时高效的要求。

     

基于通道注意力机制和多尺度卷积的行人重识别

针对真实环境中由于复杂背景和物体遮挡、角度变换、行人姿态变化带来的行人重识别(person re-identification,person re-ID) 问题,设计了基于通道注意力(efficient channel attention,ECA) 机制和多尺度卷积(poly-scale convolution,PSConv) 的行人重识别模型。首先利用残差网络提取全局特征,在网络末端加入基于ECA机制及PSConv的特征融合模块,将全局特征和该模块提取的全局特征进行融合,之后将新的全局特征进行分割得到局部特征,最后将新的全局特征和分割得到的局部特征融合得到最终特征,并计算损失函数。模型在Market1501和DukeMTMC-reID 数据集上进行实验验证。在Market1501数据集中,Rank-1和平均精度均值分别达到94.3%和85.2%,在DukeMTMC-reID数据集中,上述两参数分别达到86.3%和75.4%。实验结果可知,该模型可应对实际环境中的复杂情况,增强行人特征的辨别力,有效提高行人重识别的准确率和精度。     

基于维度注意力与多尺度卷积网络的脑电分类方法研究

针对脑电信号的非平稳性、时变复杂和分类准确率较低的问题,以及传统机器学习方法在提取复杂特征方面的不足,提出了一种基于维度注意力机制的多尺度时空卷积神经网络分类模型(DIMS-CNN),旨在提高分类准确率,以更好地适用于实际应用场景。首先,对数据进行带通滤波和去伪迹,并进行了降采样和通道选择等预处理;随后,将经过处理的数据输入构建的时空卷积模型中,为了进一步增强网络的特征提取能力,加入了时序和通道的多维度注意力机制以及正则化技术;对于数据量不足的问题,采用了频带互换的方法进行数据增强,且提高了模型的泛化性能。分别在HGD数据集和实验室自采集数据集上进行验证,获得了90.97%和90.21%的平均分类准确率,发现所提方法在分类准确率上有显著提高。     

基于面部深度空时特征的抑郁症识别算法

针对提取抑郁症患者人脸图像判别性特征困难的问题,提出基于残差注意力网络和金字塔扩大卷积长短时记忆(Convolutional Long Short-Term Memory,ConvLSTM)网络提取人脸图像空时特征的抑郁症识别算法。首先构建残差注意力网络提取人脸图像不同权值的空间特征,其次基于ConvLSTM网络加入金字塔扩大策略对所得空间特征提取不同尺度的时间特征,最后将空时特征输入DNN网络实现抑郁量表得分的回归分析。在AVEC 2013和AVEC 2014的测试集上进行验证,结果显示在两个数据集上,所提算法抑郁程度预测值与真实值之间的MAE值和RMSE值均优于基于手工特征的方法和基于手工特征+深度特征的方法。以深度特征方面的双流CNN算法的对比为例,在AVEC 2013数据集上,MAE值的识别精度提高了10%,RMSE值的识别精度提高了9%,在AVEC 2014数据集上,MAE值识别精度提高了13%,RMSE值的识别精度提高了7%。可见,该算法能有效提高抑郁症的识别精度。     

多尺度时空特征融合的动态手势识别网络

由于动态手势数据具有时间复杂性以及空间复杂性,传统的机器学习算法难以提取准确的手势特征;现有的动态手势识别算法网络设计复杂、参数量大、手势特征提取不充分。为解决以上问题,该文提出一种基于卷积视觉自注意力模型(CvT)的多尺度时空特征融合网络。首先,将图片分类领域的CvT网络引入动态手势分类领域,用于提取单张手势图片的空间特征,将不同空间尺度的浅层特征与深层特征融合。其次,设计一种多时间尺度聚合模块,提取动态手势的时空特征,将CvT网络与多时间尺度聚合模块结合,抑制无效特征。最后为了弥补CvT网络中dropout层的不足,将R-Drop模型应用于多尺度时空特征融合网络。在Jester数据集上进行实验验证,与多种基于深度学习的动态手势识别方法进行对比,实验结果表明,该文方法在识别率上优于现有动态手势识别方法,在动态手势数据集Jester上识别率达到92.26%。     

基于LSTM网络和特征融合的通信干扰识别

针对现有通信干扰信号识别方法识别效果不佳的问题,提出了一种基于长短时记忆网络(Long Short-Term Memory,LSTM)和特征融合的通信干扰识别方法.该方法利用LSTM网络提取干扰信号的特征,通过LSTM强大的序列特征提取能力提升干扰信号特征提取的性能;通过提取信号的时域和频域特征后进行特征融合,使用全连...     

Spatiotemporal emotion recognition based on 3D time-frequency domain feature matrix

The research of emotion recognition based on electroencephalogram (EEG) signals often ignores the relatedinformation between the brain electrode channels and the contextual emotional information existing in EEG signals,which may contain important characteristics related to emotional states. Aiming at the above defects, aspatiotemporal emotion recognition method based on a 3-dimensional (3D) time-frequency domain feature matrixwas proposed. Specifically, the extracted time-frequency domain EEG features are first expressed as a 3D matrixformat according to the actual position of the cerebral cortex. Then, the input 3D matrix is processed successivelyby multivariate convolutional neural network (MVCNN) and long short-term memory (LSTM) to classify theemotional state. Spatiotemporal emotion recognition method is evaluated on the DEAP data set, and achievedaccuracy of 87.58% and 88.50% on arousal and valence dimensions respectively in binary classification tasks, aswell as obtained accuracy of 84.58% in four class classification tasks. The experimental results show that 3D matrixrepresentation can represent emotional information more reasonably than two-dimensional (2D). In addition,MVCNN and LSTM can utilize the spatial information of the electrode channels and the temporal context information of the EEG signal respectively.     

基于3D ResNet-LSTM的多视角人体动作识别方法

在基于视频图像的动作识别中,由于固定视角相机所获取的不同动作视频存在视角差异,会造成识别准确率降低等问题。使用多视角视频图像是提高识别准确率的方法之一,提出基于三维残差网络（3D Residual Network,3D ResNet）和长短时记忆（Long Short-term Memory,LSTM）网络的多视角人体动作识别算法,通过3D ResNet学习各视角动作序列的融合时空特征,利用多层LSTM网络继续学习视频流中的长期活动序列表示并深度挖掘视频帧序列之间的时序信息。在NTU RGB+D 120数据集上的实验结果表明,该模型对多视角视频序列动作识别的准确率可达83.2%。     

基于希尔伯特边际谱和极限学习机的癫痫脑电信号分类

提出了一种基于希尔伯特边际谱和极限学习机相结合的癫痫脑电信号分类方法.首先将脑电信号进行经验模态分解,对前5个本征模态函数进行希尔伯特变换,得到其希尔伯特边际谱;然后将希尔伯特边际谱的Shannon熵、Renyi熵和Tsallis熵,以及5个不同频段节律信号的能量作为有效特征输入极限学习机进行分类.实验结果表明,本文方...     

基于改进SBR算法的人脸特征点稳定检测

基于图像的特征点检测器在静态图像上取得了卓越的性能,然而这些方法应用于视频或序列图像时其精度和稳定性显著降低。配准监督(Supervision-by-Registration, SBR)算法利用光流算法(Lucas-Kanade, LK)追踪,可通过无标注视频训练针对视频的特征点检测器,已取得较好的结果,但LK算法仍存在一定局限性,导致检测的特征点序列在时空上的连贯性不强。为获得精准、稳定、连贯的人脸特征点序列检测效果,提出了平滑一致性损失函数、权重掩码函数对传统SBR网络模型进行改进。网络中添加长短期记忆网络(Long Short-Term Memory, LSTM)提高模型训练鲁棒性,在模型训练中使用平滑一致性损失函数提供稳定性约束,获得准确且稳定的人脸视频特征点检测器。在300VW、Youtube Celebrities数据集上的验证显示,SBR改进模型将人脸视频特征点检测的标准化平均误差(Normalized Mean Error, NME)从4.74降低至4.56,且视觉上人脸特征点检测的抖动显著减少。     

基于多尺度近端特征拼接网络的高光谱图像分类方法

针对基于传统卷积神经网络模型的高光谱图像分类算法细节表现力不强及网络结构过于复杂的问题,设计了一种基于多尺度近端特征拼接网络的高光谱图像分类方法.通过引入多尺度滤波器和空洞卷积,在保持模型轻量化的同时可以获取更丰富的空间-光谱判别特征,并提出利用卷积神经网络近端特征间的相互联系进一步增强细节表现力.在3个基准高光谱图像...     

Modulation recognition method based on multi-inputs convolution neural network

In order to identify the main modulation modes adopted in current satellite communication systems,a signal modulation recognition algorithm based on multi-inputs convolution neural network was proposed.With the prior information of the signals and knowledge of the network topological structure,the time-domain signal waveforms were converted into eye diagrams and vector diagrams to represent the shallow features of the signals.Meanwhile,the modulation recognition model based on multi-inputs convolution neural network was designed.Through the training of the network,the shallow features were deeply extracted and mapped.Finally,the signal modulation recognition task was completed.The simulation results show that compared with the traditional algorithms and deep learning algorithms,the proposed method has a better anti-noise performance,and the overall recognition rate of this algorithm can reach 95% when the signal-to-noise ratio is 5 dB.     

融合双层注意力与多流卷积的肌电手势识别记忆网络

针对表面肌电信号(surface electromyography, sEMG)手势识别使用卷积神经网络(convolutional neural network, CNN)提取特征不够充分,且忽略时序信息而导致识别精度不高的问题,本文创新性地提出了一种融合双层注意力与多流卷积神经网络(multi-stream convolutional neural network, MS-CNN)的sEMG手势识别记忆网络模型。首先,利用滑动窗口生成的表面肌电图像作为该模型的输入;然后在MS-CNN中嵌入通道注意力层(channel attention module, CAM),弱化无关信息,使网络能够更加专注sEMG的有效特征;其次,通过长短期记忆网络(long short term memory network, LSTM)对输入的特征进行时序上的激励,关注更多sEMG的时序信息,让网络在时间维度上拥有更强的学习能力;最后,采用时序注意力(time-sequence attention, TSA)层对LSTM的状态进行关注,从而更好地学习重要肌肉信息,提高手势识别精度。在NinaPro数据集上...     

基于多尺度空洞分离卷积的U-Net分割前列腺图像

前列腺核磁共振(magnetic resonance,MR)影像切片后发现有些影像 没有有效的边缘信息,这导致无法明 确定位边缘位置,进而无法分割出前列腺。同时,传统的卷积网络需要参数量庞大占用模型 的存储空间过多。本文提出了一种结合多尺度空洞可分离卷积和通道注意力的U-Net来分 割 前列腺的方法。首先,对50个3维(three-dimensional,3D)前列腺样品进行切片并对切片后图像 进行对比度增强。随 后,将处理后数据输入到残差U-Net中,使用多尺度空洞卷积和通道注意力作为编码-解 码 单元来提取特征信息。最后,使用Dice系数和豪斯多夫距离(Housdorff distance, HD)来评估分割结果。实验 在PROMISE12挑战赛数据集验证,最终Dice系数和HD分别为88.13%、14.17 mm,参数量和 存储空间降低57%。结果表明,本文方法不仅可以分割出没有有效边缘 的前列腺区域提高其分 割精度而且能有效的降低参数量和存储空间,能够应用于模糊边缘的医学图像中。     

Wind speed prediction based on nested shared weight long short-term memory network

With the expansion of wind speed data sets, decreasing model training time is of great significance to the time cost of wind speed prediction. And imperfection of the model evaluation system also affect the wind speed prediction. To address these challenges, a hybrid method based on feature extraction, nested shared weight long short-term memory(NSWLSTM) network and Gaussian process regression(GPR) was proposed. The feature extraction of wind speed promises the best performance of the model. NSWLSTM model reduces the training time of long short-term memory(LSTM) network and improves the prediction accuracy. Besides, it adopted a method combined NSWLSTM with GPR(NSWLSTM-GPR) to provide the probabilistic prediction of wind speed. The probabilistic prediction can provide information that deviates from the predicted value, which is conducive to risk assessment and optimal scheduling. The simulation results show that the proposed method can obtain high-precision point prediction, appropriate prediction interval and reliable probabilistic prediction results with shorter training time on the wind speed prediction.