基于深度网络迁移学习的致痫区脑电识别

致痫区脑电识别能够为癫痫外科手术提供重要的参考价值。提出了一种基于深度网络迁移学习的致痫区脑电识别算法。首先利用连续小波变换(CWT)对脑电信号进行时频分析,获得脑电信号时频图;然后迁移学习AlexNet网络模型,调整网络结构使之适应于致痫区脑电识别,将模型第7层全连接层输出作为脑电信号时频图的特征表示,最后利用支持向量机(SVM)、BP神经网络、长短期记忆网络(LSTM)、基于稀疏表达分类算法(SRC)、线性判别分析(LDA)等分类算法进行特征分类。基于开源脑电数据集采用十折交叉验证的方法对算法进行了验证,比较6种分类器的效果,得到SVM算法的平均特异性为88.81%,灵敏度为88.07%,准确率为88.44%,证明了该方法识别致痫区脑电信号的有效性。     

综合频率响应特征和权重系数的自适应脑机接口技术

针对稳态视觉诱发电位(SSVEP)响应个体差异性较大和不同电极通道采集脑电信号质量具有差别的问题,提出了综合频率响应特征和权重系数的自适应方法,并进行了实验验证。首先,4名被试者进行了3次SSVEP扫频实验,得到大脑枕区8个电极的SSVEP幅频特性响应通频带;其次,根据电极通道的平均信噪比,求出各电极的权重系数,进而得到被试者的个体幅频特性响应通频带;最后,为避免使用低频闪烁引起的强烈视觉疲劳,选择个体幅频特性响应通频带的中频段(15～30 Hz)作为刺激频率进行脑机接口实验。实验结果表明,所提出的自适应稳态视觉诱发脑机接口在识别时间为3 s时,具有较高的准确率(平均为97.09%)和信息传输率(平均为100.26 bits/min),且有效减轻了视觉疲劳,研究结果为设计基于个体差异特点的脑机接口提供了新的思路。     

基于深度网络迁移学习的致痫区脑电识别* .txt

摘要：致痫区脑电识别能够为癫痫外科手术提供重要的参考价值。提出了一种基于深度网络迁移学习的致痫区脑电识别算法。首先利用连续小波变换（CWT）对脑电信号进行时频分析，获得脑电信号时频图；然后迁移学习AlexNet网络模型，调整网络结构使之适应于致痫区脑电识别，将模型第7层全连接层输出作为脑电信号时频图的特征表示，最后利用支持向量机（SVM）、BP神经网络、长短期记忆网络（LSTM）、基于稀疏表达分类算法（SRC）、线性判别分析（LDA）等分类算法进行特征分类。基于开源脑电数据集采用十折交叉验证的方法对算法进行了验证,比较6种分类器的效果，得到SVM算法的平均特异性为8881%，灵敏度为8807%，准确率为8844%，证明了该方法识别致痫区脑电信号的有效性。 .txt     

基于LMD和模糊熵融合CSP的脑电信号特征提取方法

模糊熵算法在提取脑电信号特征时存在信号序列长度、步长等诸多参数不易调整的问题。提出一种基于局部均值分解、模糊熵以及共空间模式算法的特征提取方法:L-FECSP算法。首先,利用LMD算法将经预处理的运动想象脑电信号分解为多个PF分量,根据左右手运动想象脑电信号所处的频段选出包含α节律和β节律的PF分量。采用模糊熵算法提取已选择的PF分量的特征,使用共空间模式算法对得到的特征进行投影映射。最后,对比投影前后的特征向量,并选取其中最具区分度的特征输入到支持向量机中用于分类。采用BCI竞赛数据集进行实验,平均分类准确率达到95.30%,实验结果表明L-FECSP特征提取方法能够有效地区分左右手运动想象脑电信号。     

基于免疫优化的脑电自适应集成分类方法研究

针对脑机接口研究(BCI)中对脑电波信号的分类识别问题,对脑电信号中P300脑电信号的预处理、特征提取及特征分类等方面算法进行了研究,主要侧重于对P300脑电信号分类算法的研究。提出了一种自适应的集成支持向量机(SVM)分类方法,利用免疫算法的多样性以及自我调节能力,对基于Bagging的集成SVM分类学习器进行了优化,提高了对P300脑电信号识别的准确度以及针对不同个体的自适应性。研究结果表明:将自适应集成分类算法运用在BCI Competition III Dataset II的P300脑电数据上,可以识别出被试者的脑电意图,并且对P300脑电信号的分类可以达到较高的分类准确率,实验结果稳定在98%。     

基于自适应TQWT和样本熵的供输弹系统故障诊断识别

为解决复杂供输弹系统早期微弱特征提取的问题,提出将自适应可调品质因子小波变换(TQWT)和样本熵相结合的供输弹故障诊断方法.基于能量加权归一化小波熵对TQWT的必要参数进行自适应选取,运用样本熵特征指标选出5个最优的特征子带,将样本熵组成的特征向量作为Elman神经网络的输入,对供输弹系统早期故障进行识别,输出结果显示,将TQWT和样本熵相结合的诊断方法可用于供输弹系统故障识别,准确率高达92.24％.     

基于ISSA-VMD的滚动轴承早期故障诊断方法

针对滚动轴承早期信号微弱导致故障特征难以提取和故障诊断准确率不高的问题,提出了一种基于改进麻雀搜索算法-变分模态分解(ISSA-VMD)和样本熵(SE)的滚动轴承早期故障特征提取方法。首先,在轴承早期故障诊断过程中,模态分解个数和惩罚因子的选择对变分模态分解(VMD)的分解效果有着很大的影响,为消除人为选择参数的影响,将麻雀搜索算法(SSA)优化为改进麻雀搜索算法(ISSA),利用ISSA参数优化后的VMD方法对信号进行了分解;然后,计算了敏感固有模态函数(IMF)分量的样本熵,构成了特征向量;最后,将特征向量作为支持向量机(SVM)的输入,进行了滚动轴承早期故障类型的识别。研究结果表明：ISSA-VMD+样本熵特征提取模型的故障诊断准确率为98.3%,与SSA-VMD+样本熵、灰狼优化算法(GWO)-VMD+样本熵、鲸鱼优化算法(WOA)-VMD+样本熵、传统VMD+样本熵、经验模态分解(EMD)+样本熵等特征提取模型相比,故障诊断准确率分别提高了3.3%、6.6%、5%、3.3%、5%;该模型可以准确地提取故障特征,提高故障诊断准确率。     

基于IMIE、MCFS和SSA-ELM的离心泵故障诊断方法

采用多尺度排列熵对离心泵振动信号进行分析时，存在忽略信号幅值信息以及粗粒化处理存在不足的问题，从而导致离心泵的故障识别准确率不高，为此，提出了一种基于改进多尺度增长熵(IMIE)、多聚类特征选择(MCFS)和麻雀搜索算法优化极限学习机(SSA-ELM)的离心泵故障诊断方法。首先，基于改进粗粒化处理，提出了改进多尺度增长熵(IMIE)方法，将其用于提取故障特征，构造了反映离心泵损伤属性的特征矩阵；随后，采用多聚类特征选择(MCFS),对原始故障特征进行了重要性排序，获得了对分类识别贡献度更高的故障特征，提高了故障特征的质量；最后，将低维的敏感特征输入至基于麻雀搜索算法(SSA)的极限学习机(ELM)中，进行了离心泵故障分类，完成了离心泵不同故障类型的识别任务；并采用离心泵故障数据集，对基于IMIE、MCFS和SSA-ELM的故障诊断方法的有效性进行了实验验证。研究结果表明：所提故障诊断方法的故障识别准确率达到了100%,多次实验的平均准确率和标准差也优于其他对比的故障诊断方法，即IMIE能够准确地提取信号中的故障信息，进而表征离心泵的健康状态；SSA-ELM能够准确地识别离心泵的故障类型...     

P300 Speller中基于AdaBoost SVM的导联筛选研究

P300 Speller是目前少数可以用于临床残疾人功能补偿的脑-机接口系统,P300 Speller的字符识别效率与脑电信号采集的头皮表面电极位置密切相关,过多的电极不但增加了使用者的不适感,且易引入噪声干扰进而影响系统的稳定性。采用并发展了一种基于AdaBoost SVM(adaptive boosting support vector machine)的特征筛选方法,对脑电导联进行优化筛选,通过对6位受试者的实验数据处理及分析,结果表明该方法可以在不显著影响识别效率的基础上降低导联数量76%以上。另外,相较于经典的SVM-RFE特征筛选方法,该方法极大降低了计算复杂度,更适用于训练数据庞大的脑电特征优化问题。     

基于LMD样本熵和RBF网络的结构损伤识别研究

基于局部均值分解的自适应时频分析特性和样本熵的非线性量化能力,结合径向基(RBF)函数神经网络,提出一种基于LMD样本熵和径向基函数神经网络的结构损伤识别方法。首先,应用局部均值分解方法将结构振动原始信号自适应分解为若干乘积函数分量(PF分量);然后提取前3个PF分量的样本熵,实现对PF分量的特征量化;最后将分量的样本熵作为损伤特征向量,利用径向基神经网络对高速列车比例车体下底板进行识别。实验结果证明,采用该方法识别结构损伤时,结构损伤位置和损伤程度的识别精度分别为96.97%和96.25%,证明了此方法在结构损伤诊断方面的有效性和准确性。     

基于全视域特征表征与 ELM-Adaboost 方法的情绪辨识研究

情绪在人类的行为和认知中具有不可或缺的地位,开展情绪辨识研究具有非常重要的实际意义。 为提高四类情绪多被 试交叉辨识的准确性,提出了基于全视域特征表征与 ELM-Adaboost 的情绪辨识方法。 首先,提出了基于融合信息的数据处理 策略,交叉融合的多类生理信号构成的样本数据,有助于从全视域角度提取样本特征。 其次,采用最大相关性最小冗余度的特 征选择方法对融合后的特征进行选择,进而实现有效的情绪状态表征。 最后,通过 ELM-Adaboost 方法构建的强分类器实现情 绪状态辨识。 多角度的实验分析研究充分证明了所提方法的有效性,四类情绪多被试交叉辨识准确率达到了 83. 06% 。     

基于加权排列熵和DE-ELM的滚动轴承故障诊断

针对滚动轴承振动信号非平稳非线性的特征,提出一种基于加权排列熵和差分进化算法优化极限学习机(DE-ELM)的滚动轴承故障诊断方法。首先利用自适应噪声的完全集合经验模态分解处理轴承振动信号得到固有模态函数(IMF),然后计算主要IMF分量的加权排列熵组成故障特征向量,最后利用差分优化算法(DE)优化极限学习机隐含层输入权值和偏置,并将故障特征向量作为DE-ELM的输入。实验证明,加权排列熵能够精确提取故障特征,DE-ELM算法能有效提高故障分类精度。与多种方法相比,该方法更加准确可靠。     

基于改进 MEDA 算法的脑电情绪识别

针对普通机器学习算法与迁移学习在应用方面的局限性,利用改进流形嵌入分布对齐算法(MEDA)算法解决跨被试情 绪识别中准确率低的问题。 其中 MEDA 通过流行特征变换来减小域之间的数据漂移,并能够自适应定量估计边缘分布和条件 分布的权重大小。 针对特征维度大且有可能存在不良特征的问题,提出改进 MEDA 算法,即引入改进最小冗余最大相关算法 用于特征选择,并对多源域下的多组识别结果进行决策级融合,进一步提升迁移学习效果。 在 SEED 数据集和实测数据对该算 法验证,改进 MEDA 算法相比于支持向量机、迁移成分分析和联合分布适配算法,整体识别精度分别提升了 8. 97% 、4. 00% 、 2. 89% ,改进的 MEDA 算法相比于改进前,每个被试识别准确率均有提升的同时整体识别提升 3. 36% ,验证了该方法的有效性。     

广义复合多尺度加权排列熵与参数优化支持向量机的滚动轴承故障诊断

针对滚动轴承特征提取和故障识别两个关键环节,提出了一种广义复合多尺度加权排列熵（GCMWPE）与参数优化支持向量机相结合的故障诊断方法。利用GCMWPE全面表征滚动轴承故障特征信息,构建高维故障特征集。应用监督等度规映射（S-Isomap）算法进行有效的二次特征提取。采用天牛须搜索优化支持向量机（BAS-SVM）诊断识别故障类型。将所提方法应用于滚动轴承实验数据分析过程,结果表明：GCMWPE特征提取效果优于多尺度加权排列熵、复合多尺度加权排列熵和广义多尺度加权排列熵;GCMWPE与S-Isomap相结合的特征提取方法可在低维空间中有效区分滚动轴承不同故障类型;BAS-SVM的识别正确率和识别速度优于粒子群优化支持向量机、模拟退火优化支持向量机和人工鱼群优化支持向量机;所提方法能够有效、精准地识别出各故障类型。     

改进蝙蝠算法优化支持向量机的故障诊断方法

提出了一种基于变分模态分解（VMD）和时移多尺度散布熵（TSMDE）的故障特征提取结合改进的蝙蝠算法（IBA）来优化支持向量机（SVM）的滚动轴承故障诊断方法。通过变分模态分解,避免了模式混叠问题,提取各模态分量的散布熵构造故障特征向量,作为故障诊断模型的输入;提出了一种新的自适应速度权重因子用于构建改进的蝙蝠算法以优化支持向量机（IBA-SVM）,实现了对不同故障类型的轴承进行分类;利用实验数据对提出的诊断方法进行验证,并与用粒子群算法（PSO）优化支持向量机（PSO-SVM）的诊断方法进行对比。结果表明所提出的方法分类准确率更高,用时更少。     

基于 X 射线图像和激光点云的煤矸识别方法

煤矸高效分选是实现煤炭资源绿色开采的重要手段,其核心技术是煤和矸石的快速精准识别。 因此,本文提出了基于 X 射线图像和激光点云融合的煤矸识别方法。 首先,设计了基于局部熵和全局均差加权的改进 Otsu 分割算法,以此提高 X 射 线图像的分割精度和分割效率;同时,利用直通滤波和体素栅格降采样简化了煤矸激光点云数据,进而提取了 X 射线图像和激 光点云的煤矸组合特征。 然后,针对传统麻雀搜索算法( SSA)易陷入局部最优和种群多样性差等问题,提出了多策略改进的 SSA 算法(ISSA),并用于轻量梯度提升机(LightGBM)参数的寻优,进而设计了基于 ISSA-LightGBM 的煤矸快速识别模型。 最 后,搭建了煤矸识别实验平台,开展了相应的实验对比分析,结果表明:ISSA-LightGBM 模型的煤矸识别准确达 99. 00% ,综合性 能优于其它模型,满足了煤矸高效识别的需求。     

基于最小熵解卷积-变分模态分解和优化支持向量机的滚动轴承故障诊断方法

提出了一种基于最小熵解卷积和变分模态分解以及模糊近似熵的故障特征提取方法,并采用优化支持向量机对故障进行识别分类。首先利用最小熵解卷积方法降低噪声干扰并增强故障信号中故障特征信息,进而对降噪后的信号进行变分模态分解,并利用模糊近似熵量化变分模态分解后包含故障特征信息的模态分量以构建特征向量,之后通过采用扩展粒子群算法优化惩罚因子和核函数参数的支持向量机,对故障样本训练并完成故障识别分类。将所提方法应用于滚动轴承不同损伤程度、不同故障部位的实验数据,验证了该方法的有效性。与基于局部均值分解的特征提取方法相对比,结果表明所提方法可以更精确地提取出滚动轴承故障特征,并能够更准确地完成不同故障的识别;通过与基于网格寻优算法优化的支持向量机方法和基于扩展粒子群优化的最小二乘支持向量机方法相对比,结果表明所提方法具有更好的分类性能,能达到更好的诊断效果。     

基于脉冲耦合神经网络的手掌纹理识别

掌纹识别是生物信息识别的重要技术之一,在身份识别领域已得到较好的应用,但用于中医手诊的掌纹识别研究还比较匮乏。本文提出一种基于脉冲耦合神经网络（PCNN）手掌纹理识别方法,旨在通过对不同的掌纹类型进行分类,从而辅助手诊专家发现人的潜在健康隐患。论文给出用PCNN提取时间熵序列的具体算法,并以感情线识别为例,采用SOM聚类算法获得三种类型感情线的标准熵时间序列,实现了100例感情线纹理的自动分类。论文还对PCNN的性能优劣进行了分析,对进一步改善掌纹识别算法具有借鉴意义。     

多核融合多尺度特征的高光谱影像地物分类

对于高光谱影像地物分类问题,为更加有效地利用像元空间信息和光谱信息,提高地物分类精度,提出了多核融合多尺度特征的分类方法。首先,通过多尺度空间滤波和PCA白化,提取出多尺度特征;接着在核稀疏表示分类器内使用多核方式对分别表示每项特征,在分类器内实现特征自动融合,根据子核与理想核、子核之间距离求取核组合的权重,使用训练集所构成的字典在特征空间内对待测样本进行线性表示,根据每类地物的重构误差确定待测像元所属地物类别。实验结果表明:对于Indian Pines影像和Pavia University影像总体分类精度分别达到99.51%和97.96%,较传统方法明显提高,并且对于小样本地物识别精度也都能达到90%以上。本文算法对于高光谱影像地物具有更强的识别能力,并且具有较强的稳定性和鲁棒性。