运动意图诱发脑电预备响应信号的特征识别

针对预备响应脑电信号(EEG)所包含的运动意图进行提取与识别，对于真实运动前准备电位进行解码。利用共空间模式(CSP)和极限学习机(ELM)解决大脑运动准备诱发特征识别。实验结果表明：该方法能够高效区分左右手真实运动前的准备电位，对脑机接口(BCI)大赛运动执行前的准备诱发脑电数据平均识别正确率可达85.7%。在解码问题上，预备电位与运动想象(MI)脑电信号相比，节省了意识产生到动作执行这一段时间，提高操作任务执行的响应效率，为实现基于运动意图的高效脑机交互提供理论依据和技术支持。     

基于动静态特征结合的改进模糊支持向量机行为识别

为了进一步提高行为识别的准确率,将视频中行为的动态特征和静态特征结合起来,应用一种改进的模糊支持向量机(FSVM)方法进行识别,该方法中采用一种新的隶属度确定方法,考虑了样本与类中心的距离以及样本与样本之间的紧密度关系;同时对支持向量机中靠近支持向量的难以识别的样本使用K近邻法识别.在KTH图像数据集上进行实验,将支持向量机与改进的模糊支持向量机两种识别方法进行比较,改进的模糊支持向量机在各类行为识别上取得了较高的识别率.     

基于异步并行诱发策略的混合范式脑-机接口技术

稳态视觉诱发电位(SSVEP)与事件相关电位中P300成分相结合的混合范式脑-机接口(SP-BCI)系统可同时诱发两种特征脑电信号并综合前者的高信噪比和异步兼容特点及后者的大指令集优势,具有提高系统信息传输速率的潜在能力,但现有脑电诱发范式未能充分发挥上述特长.本文提出一种SSVEP按各自频率异步诱发和阻断(SSVEP-B)且与P300并行诱发的新策略,并融合SSVEP-B与P300特征信息进行脑电分类识别.经10名健康年轻被试离线测试实验结果表明,被试总体平均分类正确率为84.5!,系统最高理论信息传输速率为89.5 bit/min,表明新型诱发策略有助于提高BCI信息识别正确率和信息传输速率,有关研究思路与技术可供混合范式脑-机接口系统设计与推广应用参考.     

基于混合迁移学习的运动想象分类算法研究及其在脑机接口中的应用

为提升迁移学习在运动想象脑机接口应用过程中的迁移高效性及普适性,综合实例迁移和特征迁移学习方法的优势进而构建了混合迁移学习模型。首先,依据样本权重极化原理改进TrAdaBoost算法以实现实例层面的迁移,优化源域训练样本;其次,基于大间隔投射迁移支持向量机进一步缩短源域与目标域间的分布距离以完成特征层面的迁移,实现迁移效率最大化。进一步,将该方法应用于脑机接口竞赛Dataset IIb数据集进行离线测试及分析,研究结果表明混合迁移学习模型的迁移效率明显高于单一迁移学习模型,并且对于不同迁移对象识别准确率相对提升均值在70%以上,验证了所述方法的有效性与普适性。此外,基于已搭建的运动想象识别系统进行在线测试,验证了模型的实用性。     

基于RQA与SVM的声发射信号检测识别方法

针对裂纹声发射信号检测问题,提出基于递归定量分析与支持向量机相结合的新型检测方法。利用小波阈值去噪原理,对采集的声发射信号进行去噪,将递归定量分析引入声发射信号检测,提取递归定量分析的量化特征参数,结合支持向量机对模拟裂纹声发射信号进行识别。并实验验证该方法的可行性。     

一种有效降维的特征选择方法及其在水声目标识别中的应用

为在保证目标识别准确率基础上进行有效特征降维,文章以目标识别准确率为特征选择准则,提出一种支持向量机递归特征消除（Support Vector Machine Recursive Feature Elimination,SVM-RFE）快速筛选出部分优质特征子集与猫群算法（Cat Swarm Algorithm,CSO）迭代寻优结合的特征选择方法,并将该方法应用于水声目标识别的特征选择。实验数据处理结果表明：相比SVM-RFE和CSO特征选择算法,文中提出的方法在平均特征维数降低8%的基础上,平均目标识别率提高了1.88%,能够实现有效降维的目的。该方法对判断特征是否适合用于特定的目标识别也有一定应用价值。     

基于小波-共空间模式的多类想象运动诱发脑电特征提取

为了有效获取脑电信息,提取多模式类(左手,右手,舌,脚)想象运动诱发脑电特征,提出了一种小波-共空间模式分析的四类运动想象诱发脑电特征提取方法.首先,使用db4小波对预处理后纯净的脑电信号进行5层小波分解,获得小波变换的各层逼近系数和细节系数,去除冗余频段,并进行重构.然后,采用"一对多"共空间模式方法,构建多个空间滤波器,对滤波信号进行共空间模式映射,得到每种想象运动模式下的投影信号.最后,对该投影信号能量求方差取对数,组成特征值向量,再进行差值处理获得多模式类运动想象脑电特征.仿真实验结果表明,该方法可以较好的提取多类运动想象脑电信号特征.     

基于肌电小波包统计特征的踝关节动作识别

为改善足下垂患者步态,研究了踝关节不同动作的表面肌电信号特征分类.本文采集踝关节在不同动作下,对应胫骨前肌、腓肠肌、腓骨长肌和拇长伸肌的表面肌电信号,采用小波包分解方法进行肌电特征提取,获得小波包系数能量、方差统计特征量;利用支持向量机方法实现踝关节4种不同动作模式的肌电特征分类.实验结果表明,采用具有良好奇异特性的小波包能量、对数方差构成的肌电特征向量,对踝关节动作进行模式识别,其正确率远高于通过提取肌电信号时域或者频域特征进行模式分类的正确率,达到了92.8%的平均分类正确率.该特征提取方法以及支持向量机分类器,可以应用于踝关节动作识别和机器人康复工程.     

基于体感电刺激的脑-机接口实验范式初探（英文）

大脑对各类感觉输入(视、听模态)会产生不同的响应信号,脑-机接口正是利用这一响应信号实现大脑与外部设备间直接的通讯.然而以电刺激作为脑-机接口的输入模态还未有报道.本研究尝试通过使用体感电刺激作为脑-机接口的输入,从而诱发事件相关电位(ERP).在整个实验中,分别使用视觉、听觉以及电刺激作为诱发因素,针对每种条件下的事件相关电位及其分类准确率开展对比分析.结果显示电刺激所诱发的事件相关电位幅值较高且具有相对稳定的潜伏期,其分类准确率高于听觉刺激范式.也就表明了以不同刺激强度作为参数的电刺激范式作为脑-机接口应用的可行性,这将进一步拓展脑-机接口的应用领域.     

基于支持向量机的模拟电路软故障诊断

提出了基于支持向量机的模拟电路软故障诊断新方法.该方法提取电路的频域响应为故障特征,利用支持向量机对故障进行识别分类.支持向量机具有结构简单、泛化能力强的特点,对小样本分类具有良好的识别效果.以Sallen-Key滤波电路为诊断例,实验结果表明该方法故障诊断准确率大于99%.     

Optimal channel and frequency band-based feature selection for motor imagery electroencephalogram classification

Common spatial pattern (CSP) is a widely adopted method for electroencephalogram (EEG) feature extraction in brain-computer interface (BCI) based on motor imagery. Bandpass-filtering EEG into several subbands related to brain activity tasks is an effective approach to improve the performance of CSP based algorithm. However, this approach tends to suffer the over-fitting problem because of the increase in feature dimension. Therefore, we proposed an optimal channel and frequency band-based CSP feature selection method in this paper. Firstly, the correlation coefficient was calculated to select the optimal channels, and these channels were bandpass-filtered into multiple overlapping subbands. The subbands with higher power spectrum density were chosen for CSP feature extraction. Next, the pair-wise relevance was utilized to remove subband features with less difference. And then the screened subband features were combined with features extracted from the broadband signal. The Fisher ratio was exploited to carry out further feature selection. Finally, a support vector machine (SVM) was trained to classify the selected CSP features. An experimental study was implemented on BCI competition III dataset IVa and BCI competition IV dataset 1. The average classification accuracy reached 89.33% and 84.08%, which indicated the rationality and effectiveness of the proposed method.     

基于共空间模式和均匀流形投影的运动想象脑电信号识别方法

运动想象脑电信号的识别与分类问题一直是脑机领域研究的热点问题。针对此问题,使用区别传统线性降维方法的流形学习方法,将共空间模式算法与均匀流形投影算法相结合,充分利用了脑电信号中的非线性特征,对运动想象脑电信号进行了特征提取和数据降维,并使用KNN分类器进行了分类,对分类效果做出了评价;将降维前后的数据分类结果进行对比,说明了数据降维的优点和必要性;进一步讨论了降维结果在数据可视化方面的表现。发现经过数据降维的特征数据的可视化效果明显优于未经过降维的数据,进一步提出了一种基于共空间模式和均匀流形投影的新型脑电信号识别方法,对进行脑电信号深度剖析。挖掘脑电信号非线性特征提供了参考价值,同时也在数据流形分布以及数据可视化的角度为运动想象脑电信号识别提供了新思路。     

基于分形维数和GA-SVM的风电机组齿轮箱轴承故障诊断

对风机齿轮箱轴承故障诊断进行了研究,提出一种基于分形维数和遗传算法支持向量机(GA-SVM)相结合的故障诊断算法。基于常用的时域特征参数作为支持向量机的识别参数,引入分形维数特征参数来提升支持向量机的识别精度。提出了基于遗传算法(GA)的支持向量机参数优化的模型,通过GA的寻优自动获得最优的支持向量机参数。采用某风场的风电机组齿轮箱轴承数据进行故障诊断,实验表明,所提出的GA-SVM模型很好地解决了参数选择的问题,同时基于分形维数的特征参数也提高了风电机组轴承故障的识别准确率。     

粉状炸药自动包装工艺的改进研究

目的 针对印刷品表面缺陷检测中计算实时性差、缺陷类型识别率不高等问题,提出一种改进灰度共生矩阵(GLCM)的印刷品表面缺陷检测方法。方法 首先对主流的缺陷检测流程进行优化设计,通过对图像进行预处理和差分操作,判断待测印刷品表面是否存在形状缺陷;然后针对传统灰度共生矩阵的特征提取维度高、信息易丢失、旋转不变性差等问题,设计一种综合考虑效率和实时性的缺陷区域特征参数提取算法;最后结合得到的特征参量,通过基于支持向量机的分类器完成不同形状缺陷的分类识别。结果 实验结果表明,文中所设计的改进算法所提取的特征参量更能精确表征缺陷区域的特征,同时,特征参数的提取时间和缺陷分类识别率等指标均比传统检测方法更有优势。结论 在保证计算实时性的前提下,文中所设计的检测方法能有效完成印刷品表面缺陷区域的纹理特征识别能力,具有较高的分类识别率。     

一种用于风机故障诊断的免疫克隆特征选择算法

提出一种新的用于风机故障诊断的免疫克隆特征选择算法.提取了生产线上实测风机噪声的时域波形结构特征、小波分析特征及听觉谱特征,进行特征选择和故障诊断仿真实验.实验结果表明：在特征选择后的特征数目比原特征数目减少61% 的情况下,支持向量机分类器的分类正确率下降很小,分类时间显著减少.实验结果证明了该算法的有效性和鲁棒性,且能有效地应用于风机故障诊断.     

基于多源生物信号的下肢步态相识别

为提高人体下肢步态相识别的准确性,研究了融合表面肌电信号(sEMG)、膝关节角度和足底压力信号的人体下肢步态相识别方法。首先, 将sEMG信号进行小波包分解提取多尺度能量和多尺度模糊熵特征;然后,对提取的sEMG信号特征值采用主成分分析（PCA）方法进行降维处理,并与足底压力特征值和膝关节能量特征值构成一组特征向量;最后,将特征向量输入粒子群优化最小二乘支持向量机（PSO-LSSVM）对人体下肢运动信息进行步态相识别。实验结果表明,所提方法相较于其他方法有较高的识别准确率和有效性。     

支持向量机集成和特征选择联合算法

提出了两种基于支持向量机集成和特征选择联合算法。联合算法的核心思想是在构建基础分类器的同时选择有效特征。通过对实测舰船数据和公共数据的识别实验,证明了两种算法都可以用于舰船目标识别。算法一更适用于冗余特征较多的情况。算法二在对舰船目标识别时,选择的特征数目降低为原来特征数目的30%,正确分类率比单个支持向量机高近10%。     

基于KSLPP与RWKNN的旋转机械故障诊断

针对旋转机械高维故障特征集识别精度低的问题,提出基于核监督局部保留投影（Kernel Supervised Locality Preserving Projection, KSLPP）与ReliefF特征加权的K近邻（ReliefF Weighted K-Nearest Neighbor, RWKNN）分类器相结合的维数约简故障诊断方法。该方法首先应用KSLPP提取故障特征集中的非线性信息,同时在降维投影过程中充分利用类别信息,使降维后最小化类内散度,最大化类间分离度;随后,将降维后得到的低维敏感特征集输入RWKNN进行模式识别,RWKNN能够突出不同特征对分类的贡献率,强化敏感特征,弱化不相关特征,提升了分类精度和鲁棒性。最后,通过典型转子实验台的故障特征集验证了该方法的有效性。     

基于变分模态分解与深度信念网络的运动想象分类识别研究

传统人工确定最优时段及最优频段的方法会造成信息遗漏进而导致运动想象识别率的降低, 因此基于脑电信号的运动想象分类研究成为了脑-机接口研究领域的难点问题。针对该问题,变分模态分解和深度信念网络被应用于运动想象分类。对脑电信号进行变分模态分解得到窄带分量,利用希尔伯特变换提取边际谱、特征频带下的瞬时能谱以及时-频联合特征; 特征融合后采用深度信念网络对高维特征降维并实现运动想象模式的识别, 避免了人工确定想象最优时段及最优频段造成的信息遗漏。实验结果表明,利用变分模态分解与深度信念网络自动提取最优时段及最优频段特征的方法有效提升了运动想象识别率。