基于脑电(EEG)信号的“愉快-不愉快”情绪分析

脑电是目前研究脑科学的重要方法之一。情绪变化可以导致脑电信号的差异,本文运用小波分析以及EEGLAB工具箱对"愉快-不愉快"这两种情绪状态下的脑电(EEG)信号进行差异化分析,然后定量地找出不同情绪状态下的信号差别,最终实现人体情绪的可视化。该研究的方法和分析结果为研究老师、学生、海员等工作或学习压力比较大的职业群体的情绪变化提供了较好的参考价值。     

脑电信号与个人情绪状态关联性分析研究

人的情绪是人们对于客观事物是否满足自身需求而产生的一种综合状态,与生理信号有着密切的关联。对被试者心理状态剖面图(profile of moods states,POMS)的分量值和同时记录的个体静息态的脑电信号(electroencephalogram,EEG)特征值进行关联性分析研究。用小波变换对原始脑电信号进行预处理,脑电信号的特征值提取过程采用了经验模态分解(empirical mode decomposition,EMD)的方法,从预处理过的脑电信号中提取波动指数作为脑电特征值,随后将提取出的脑电特征值与POMS各分量值进行Pearson关联性分析。通过对8个被试者连续7天的POMS量表和脑电信号的记录与分析,得到脑电信号与情绪量表中的分量存在一定的正相关关联。     

基于脑电信号的思维任务分类

脑电信号（EEG）是研究脑活动的一种重要的信息来源，基于脑电信号的人与计算机的通信已成为一种新的人机接口方式。文中主要对不同心理作业的思维脑电信号运用独立分量分析进行预处理，然后采用AR模型提取特征，最后应用BP神经网络对AR系数特征进行训练和分类。实验表明，此方法可以达到很好的分类效果。     

非线性格兰杰因果关系在睡眠生理信号分析中的应用

基于非线性格兰杰因果关系分析睡眠生理信号。分别使用多项式核函数、高斯核函数和Sigmoid核函数将低维空间数据映射到高维特征空间,在高维特征空间使用非线性格兰杰因果方法来分析睡眠生理信号。研究结果表明,脑电信号对心电信号的影响比心电信号对脑电信号的影响更为显著,脑电信号对血压信号的影响比血压信号对脑电信号的影响更为显著,血压对心电信号的影响比心电信号对血压信号的影响更为显著,而且睡眠期样本信号间的格兰杰因果关系更为显著。仿真结果验证了睡眠期信号更能客观地反映生理信号的因果关系。     

基于深度卷积神经网络和循环神经网络的睡眠分期模型

针对传统机器学习模型过于依赖特征工程、多导睡眠图（Polysomnography,PSG）数据获取难度大等问题，提出一种基于深度卷积神经网络（ConvolutionalNeuralNetworks,CNN）和循环神经网络（RecurrentNeural Network,RNN）的自动睡眠分期模型。该模型不需要烦琐的特征提取过程，仅使用单通道脑电信号即可在较高水准下完成自动睡眠分期，在公开数据集Sleep-EDF的Fpz-CZ通道脑电数据上实现了85.2%的分类准确率。     

基于LabVIEW的脑电信号分析系统研究

本文简单介绍了脑电（EEG）信号和小波分析的基本理论,讨论了小波分析在脑电信号处理中的优势。在虚拟仪器开发平台LabVIEW上设计了脑电信号分析系统,利用小波分析实现了对脑电信号的滤波处理和脑电节律的提取并对脑电功率谱分析进行了讨论。     

分层向量自回归的多通道脑电信号的特征提取研究

有效的特征提取方法能提高脑机接口（Brain-computer interface,BCI）系统对脑电（Electroencephalogram,EEG）信号的识别率.因脑电信号都是多通道的,本文将分层向量自回归（Hierarchical vector autoregression,HVAR）模型用于脑电信号的特征提取,并结合传统的线性支持向量机（Support vector machine,SVM）用于脑电信号识别.该模型不仅克服了自回归（Autoregression,AR）模型只能用来提取单通道特征的局限性,而且不再采用传统VAR（Vector autoregression）模型所有通道共用一个时滞的处理方法.创新之处在于在传统的VAR模型基础上添加正则化思想,有效地压缩参数空间,实现合理的分层结构.本文首次将HVAR模型用于由Keirn等采集并整理的脑电数据中.实验结果证明HVAR模型在阶数较小的情况下（2阶）与阶数较大（6阶）的AR模型效果相当,可见低阶的HVAR能很好地刻画脑电信号的时空关联关系,这说明HVAR可能是刻画EEG信号的一种新颖的方法,这对其他多通道时间序列分析都有借鉴意义.     

脑电信号的若干处理方法研究与评价

脑电图(EEG)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,对脑电信号进行分析,可以获得大量的功能与疾病信息,从而可以根据这些信息对脑功能分析及疾病诊断提供有效的方法.从脑电信号的特点出发,通过对实测脑电信号进行时域分析、频域分析、Wigner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.结果表明,时频分析方法结合了时域和频域的方法对脑信号进行分析处理,能更好地反映脑电信号的本质特征,是有效和可行的.的研究为脑电信号的分析与处理提供一定的理论参考和分析依据.     

脑机接口应用中的思维任务分类

脑电信号（EEC）是研究脑活动的一种重要的信息来源，基于脑电信号的人与计算机的通信成为一种新的人机接口方式。时于五种不同心理作业的思雏脑电信号运用独立分量分析（ICA）进行预处理，然后采用6阶的AR模型提取特征，最后应用BP神经网络时AR系数特征进行训练和分类。实验表明。此方法可以达到很好的分类效果，提高了脑电思维作业的准确度。     

SD大鼠光刺激视觉诱发电位提取研究

在生物神经学领域,从脑电信号中提取出诱发电位对动物视觉图像恢复的研究具有重要作用。以Sprague-Dawley（SD）大鼠的脑电信号为研究对象,采用均值法和改进的Mallat多分辨率小波快速变换算法相结合的方法对SD大鼠脑电信号进行提取处理,得到了光刺激视觉诱发电位的主要特征。通过和SD大鼠视觉诱发脑电信号的拟合度仿真表明算法所得到的大鼠光刺激视觉诱发电位主要特征可以用于SD大鼠视觉图像恢复的处理。     

基于HOG多特征融合与随机森林的人脸识别

针对人脸识别在复杂环境下识别率低的问题,提出了一种基于梯度直方图(HOG)多特征融合与随机森林的人脸识别方法.该方法通过HOG特征描述子对人脸进行特征提取.首先以网格作为采样窗在整个人脸图上进行整体HOG特征的提取,并将人脸图像分成均匀子块,在包含有人脸关键部分的子块中提取局部HOG特征.然后通过二维主成分分析(2DPCA)和线性判别分析(LDA)对整体和局部特征进行降维,并进行特征层融合形成最终分类特征,最后通过随机森林分类器对其进行分类.FERET人脸库、CAS-PEAL-R1人脸库、真实场景人脸库实验表明,该方法对光照具有鲁棒性,且有较高的识别率和较短的识别时间.     

Task analysis methods in industry

Task analysis is one of the basic tools used by ergonomists in investigating and designing tasks. It provides a formal comparison between the demands which the task places on the human operator and the capabilities the human operator possesses to deal with these demands. Three types of task analysis are described: sequential, branching and process control. Alternative formats are presented and examples given of their use in an industrial setting.     

一种危险分析软件的设计与实现

危险分析是一个复杂的系统工程,单凭手工完成是难以想象的。本文系统地介绍了系统安全性分析中的危险分析及几种危险分析方法,并提出了一种计算机辅助危险分析的软件设计,最后指出了目前关于危险分析计算机化尚存在的问题,为今后的继续研究提出了新的思路。     

From image vector to matrix: a straightforward image projection technique—IMPCA vs. PCA

The conventional principal component analysis (PCA) and Fisher linear discriminant analysis (FLD) are both based on vectors. Rather, in this paper, a novel PCA technique directly based on original image matrices is developed for image feature extraction. Experimental results on ORL face database show that the proposed IMPCA are more powerful and efficient than conventional PCA and FLD.     

基于PCA和LDA统一化原理的增强型线性鉴别分析准则

主分量分析(PCA)和线性鉴别分析(LDA)是模式识别领域的使用最为广泛的两种特征抽取方法,而在图像识别中经常采用的是PCA LDA方法来代替单纯的LDA。本文提出一种增强型线性鉴别准则(ELDA),将PCA的优点和LDA的优点充分地融合在一起,不仅解决了PCA过程中使用最小距离方法时识别精度相对低的缺点,而且解决了LDA过程中当类内散布矩阵奇异时投影向量的求解问题,也就是说可以使用该方法来替代PCA LDA的两步骤方法。另外,该方法在识别精度上比PCA和LDA或PCA LDA方法都有较大的提高,通过在ORL、Yale和NUST603人脸库上的实验验证了该算法的有效性。     

一种抵御差分侧信道分析的椭圆曲线同构方法

椭圆曲线密码（ECC）被广泛应用于便携式密码设备中,虽然ECC具有很高的安全级别,但在密码设备的实现上则很容易受到差分侧信道攻击（DSCA）。现有的研究成果都是以增加ECC的冗余操作来抵御DSCA攻击,这会降低ECC的运行效率,从而影响ECC在计算资源受限的密码设备中的使用。基于同构映射理论,建立椭圆曲线等价变换模型,设 计一种能防御DSCA攻击ECC的安全方法,几乎不增加ECC的计算开销。安全性评估表明,该方法能够防御DSCA攻击。     

基于ICA的全局人脸表示

介绍了独立成分分析在全局人脸识别中的应用，重点研究了全局人脸的独立元表示，给出了基于权向量幅值、基于比例因子和基于PCA-ICA算法的3种IC获得途径。基了Umist人脸库的实验结果表明，IC表示识别率明显高于PC表示，其中基于比例因子的IC表示识别效果最好。     

Two-dimensional locality preserving projections (2DLPP) with its application to palmprint recognition

This paper proposes a novel algorithm for image feature extraction, namely, the two-dimensional locality preserving projections (2DLPP), which directly extracts the proper features from image matrices based on locality preserving criterion. Experimental results on the PolyU palmprint database show the effectiveness of the proposed algorithm.     

Kernel clustering-based discriminant analysis

In this paper, a kernelized version of clustering-based discriminant analysis is proposed that we name KCDA. The main idea is to first map the original data into another high-dimensional space, and then to perform clustering-based discriminant analysis in the feature space. Kernel fuzzy c-means algorithm is used to do clustering for each class. A group of tests on two UCI standard benchmarks have been carried out that prove our proposed method is very promising.     

基于PCA-WLSSVM 的氧化铝苛性比值和溶出率预测模型

针对氧化铝生产过程中无法在线测量苛性比值和溶出率的问题,建立了一种基于PCA-WLSSVM 的预 测模型．利用主元分析（PCA）消除样本共线性,降低样本维数．根据样本映射点到最小包含超球球心的距离确定 样本的权值,以优化最小二乘支持向量机（LS-SVM）的参数,并提高加权LS-SVM 的松散性和鲁棒性．仿真结果表 明,此模型能有效地在线预测苛性比值及溶出率．