基于CVI的气体传感器自动标定系统设计

系统由传感器、流量计、温箱、测试板及计算机软硬件组成。采用LabWindows/CVI编写软件程序,功能包括:控制温箱实现对传感器的定时保温;控制流量计实现对传感器定时定量通入比例气体;通过测试板采集传感器数据;对采集数据自动整理。该软件采用多线程编程,充分发挥CVI函数库的强大功能,保证各项工作同时进行,具有界面友好、运行速度快、成本低、可靠性高的优点。经过PC机与下位机的通讯测试,系统可有效地实现对传感器的自动标定。     

基于LabWindows/CVI与Matlab混编的在线BCI系统

基于LabWindows/CVI和Matlab设计一个BCI在线控制系统,对8Hz～30Hz的运动想象脑电信号提取时域均值、中值偏差估计、瞬时能量均值、AR模型参数等特征,应用增量式支持向量机进行分类,实现人脑对虚拟汽车直接控制。系统采用了多线程技术,保证各项工作的同时进行,在CVI中完成脑电数据采集、Matlab调用和控制指令的发送,在Matlab中进行脑电模式识别,两个程序共同完成对虚拟汽车的运动控制。经过实际测试证明,该系统具有操作简单方便、界面友好、可扩展性强、效率和可靠性高等优点,进一步推动了BCI的应用。     

多红外火焰探测中基于决策树的火灾识别

在多红外火焰探测系统中,提出了一种基于决策树的火灾识别算法。按照特种火灾探测器的国家标准实验的要求,获取实验数据。该算法首先对五个红外火焰探测器获得的数据进行多窗口重叠交叉预处理,然后提取六个火灾特征作为决策树的分类属性,对决策树进行训练、剪枝,最后得到火灾识别的最优决策树模型。将该识别模型应用于在线火灾识别,实验结果表明该决策树分类算法的准确率可以达到95.2%,识别速度在2s以内,较其他的分类识别算法有更高的准确率和更快的识别速度,具有很好的实用性。     

脑机接口中基于BISVM的EEG分类

针对脑电信号(EEG)分类问题,提出基于批处理增量式支持向量机(BISVM)的分类方法.将所有数据通过批处理进行分组,采用第1组数据在SVM中建立初始分类器模型,将剩余组内数据顺序作为新增样本,对满足卡罗需-库恩-塔克(KKT)条件的样本进行增量学习和减量去学习,不断判断KKT条件并更新参数,丢弃错误样本,对初始分类器模型进行更新.对2008年脑机接口竞赛数据及本实验室采集数据,用小波包分解(WPD)结合共空间模式(CSP)进行特征提取,SVM、ISVM及BISVM分类.结果表明,BISVM的平均分类准确率相对SVM及ISVM分别提高了3.3%及0.3%,BISVM平均训练时间相对ISVM从1.076 s减少到0.793 s.BISVM为改善计算机对大脑的适应性,实现快速实时在线的脑机接口系统奠定基础.     

多红外火焰探测中基于决策树的火灾识别

在多红外火焰探测系统中,提出了一种基于决策树的火灾识别算法。按照特种火灾探测器的国家标准实验的要求,获取实验数据。该算法首先对五个红外火焰探测器获得的数据进行多窗口重叠交叉预处理,然后提取六个火灾特征作为决策树的分类属性,对决策树进行训练、剪枝,最后得到火灾识别的最优决策树模型。将该识别模型应用于在线火灾识别,实验结果表明该决策树分类算法的准确率可以达到95.2%,识别速度在2S以内,较其它的分类识别算法有更高的准确率和更快的识别速度,具有很好的实用性。     

基于CVI与Matlab相结合的BCI在线应用系统

结合CVI与Matlab,设计了一个脑机接口在线应用控制系统。首先,在CVI中通过TCP/IP实时接收脑电信号,通过触发回调函数对接收到的数据进行实时更新;其次,通过软件接口启用Matlab,将更新后的数据送入Matlab,在Matlab中对数据进行预处理、特征提取及分类;最后,在CⅥ中通过软件接口获取Matlab中识别出的类别号,并实现对虚拟车在线实时控制。系统采用多线程技术,充分发挥了软件优势互补的特点,可推动BCI的在线应用。     

脑机接口中基于WPD和CSP的特征提取

针对脑机接口(brain computer interface,BCI)中2类运动想象任务的特征提取问题,提出了一种小波包分解(wavelet packet decomposition,WPD)与共同空间模式(common spatial pattern,CSP)相结合的脑电信号特征提取方法.该方法首先选择7个重要导联的脑电(electroencephalograph,EEG)信号,用‘haar’小波基进行三阶WPD分解;然后对每个导联分解后的其中5个子带进行重构,获取相关频域信息;最后对重构后信号利用CSP特征提取,获得六维特征向量.CSP与WPD相结合能够充分利用WPD的时频特性,有效避免CSP要求输入导联数过多、缺乏频域信息等缺陷.对2008年国际BCI竞赛数据和本实验室实验数据,采用该方法进行特征提取,通过概率神经网络(probabilistic neural network,PNN)分类.2种数据源分类正确率分别为92％和80％,相对于单纯的CSP特征提取,正确率分别提高5％和20％.实验结果表明:WPD与CSP相结合的特征提取算法能提取明显的特征,进而提高BCI的识别正确率.