移动终端手势识别中DTW匹配算法研究

针对现有手势识别算法中存在的计算量复杂、识别率低和效率差等不足,提出一种基于L-ADTW的移动终端手势识别的匹配方法,利用手机内置加速度传感器进行手势识别,采用差分检测方法自动检测出有效手势序列,用改进的起始松弛点对有效手势序列进行校准,使用L-ADTW匹配算法进行有效手势序列段匹配,并将匹配结果与优化阈值比较分析。实验结果表明,提出的L-ADTW算法,在保证手势匹配高效的前提下,使等错率降到2.5%,认证成功率提高了5.37%。     

改进的马氏距离动态时间规整手势认证方法

针对现有动态手势认证方法普遍采用的动态时间规整(DTW)算法在计算欧氏距离(ED)时各维特征向量被同等对待且各维特征间的相关性被忽视等问题,提出一种改进的马氏距离动态时间规整手势认证方法.通过手机内置三轴加速度传感器实时获取动态手势信号,经数据预处理后由改进动态时间规整算法进行加速度信号相似性度量,在计算过程中根据协方差矩阵特点进行时间复杂度优化,最后根据模板匹配法得出认证结论.实验结果表明,经改进后等错率(EER)由3.02%降至1.39%,经优化后认证响应时间平均降低87.84%.该方法进一步提高了动态手势认证精确度,同时实时性良好.     

基于自适应优化空频微分熵的情感脑电识别

情感脑机接口旨在提供一种人与设备情感沟通的通道,情感脑电识别是其中最为基础和关键的环节。为了自适应地选择个体最优的空间电极和频段组合以实现情感脑电特征优化和分类效果提升,本文提出一种新的自适应优化空频微分熵(AOSFDE)特征,设计了基于相对熵的情感脑电空间电极重要性度量方法,根据导联重要性进行空间电极选择,通过稀疏回归算法对多重局部空间-频域内的微分熵特征进行优化选择。采用上海交通大学情感脑电数据集SEED进行实验分析,结果表明本文提出的AOSFDE方法可以有效提高识别准确率,针对15名被试者的积极/消极、积极/中性、中性/消极这三个情绪二分类场景平均准确率分别达到91.8%、93.3%和85.1%,为情感脑电识别研究提供了新的思路和方法。     

手势认证中基于能量熵的端点检测方法研究

为了保证智能手机敏感信息的安全性,设计实现了一种基于手机内置三轴加速度传感器的三维手势认证方案。在手势端点检测部分,在定性分析手势加速度信号能量分布特性的基础上,提出了一种基于能量熵的新方法实现有效手势截取。进一步设计基于欧式距离的动态时间规整算法对截取后的手势序列信号进行匹配认证,当他人模仿手势错误接受率趋近0%时,本人认证手势错误拒绝率维持在7%左右,从而实现智能手机用户身份识别。     

基于加速度传感器的手机用户认证方法

为了保证手机信息安全,设计实现了一种基于内置三轴加速度传感器的手机用户认证方案。通过内置三轴加速度传感器采集认证手势信号,提出差分自底向上线性分段方法进行有效手势动作端点的自动检测,利用小波包分解对有效手势信号进行去噪,进一步设计基于欧氏距离的动态时间规整算法计算测试手势和模板手势的相似度,从而得出认证结果。相比于现有常用手势端点检测方法,差分自底向上线性分段方法能更准确地截取有效手势信号。实验结果表明,当他人模仿手势错误接受率为0%时,本文认证手势错误拒绝率小于5%,有效实现了用户认证。     

基于改进DTW及互信息去噪的手势认证研究

为了应对智能手机所面临的信息安全威胁,提出一种基于行为生物特征的手势用户认证方案。实时采集手机内置三轴加速度传感器的数据,经有效手势端点检测得到认证数据,在信号去噪环节提出了一种结合小波包分解与互信息熵的新方法,最终由改进的动态时间规整算法进行手势信号序列相似性度量,从而得出认证结论。实验结果表明,当他人模仿手势错误接受率趋近0%时,本人认证手势错误拒绝率维持在7%左右,认证精度良好,同时算法时间复杂度低,可以实时有效对智能手机的持有者进行身份识别。     

结合DTW与改进STLCS的动态手势认证研究

智能手机用户身份认证是保证手机信息安全的重要方法。为了有效利用人体动态手势局部变化特征并提高认证精确度,提出一种结合动态时间规整与改进短时最长公共子序列算法的动态手势认证方法。在第一级认证阶段利用基于欧式距离的动态时间规整算法进行手势加速度信号全局相似度度量,判断相似度分值是否处于容错区间内,引入短时滑动窗口用于获取手势局部变化特征并采用最长公共子序列算法进行第二级认证。实验结果表明,针对模仿动作攻击,等错率达到了1.11%,比已有的LCS模型降低了0.97%,比已有的DTW模型降低了1.91%,有效提高了认证精度,加强了认证系统抵御模仿动作攻击的能力。     

基于多视图与注意力机制的睡眠脑电分期

为了更全面地对睡眠脑电进行特征提取,提出一种基于多视图与注意力机制的睡眠脑电分期方法。首先针对原始睡眠脑电信号构造时域和时频域两类视图数据;然后设计融合注意力机制的混合神经网络对多视图数据进行表征学习;接着通过双向长短时记忆(bi-directional long short-term memory, BiLSTM)网络进一步学习睡眠阶段之间的转换规则;最后使用Softmax函数进行睡眠分期,并利用类别加权损失函数解决睡眠数据类别不均衡的问题。实验使用Sleep-EDF数据库中前20名受试者的单通道脑电信号并采用20折交叉验证对模型进行性能评估,睡眠分期准确率达到83.7%,宏平均F₁值达到79.0%,Cohen′s Kappa系数达到0.78。与现有方法相比,算法性能提升明显,证明了所提方法的有效性。