基于ReliefF-Pearson的嗅觉脑电通道选择

基于脑电(EEG)信号的气味识别研究在嗅觉功能客观评价及嗅觉障碍疾病诊断等方面具有重要的应用价值。在实际应用场景中使用过多EEG通道会带来诸多不便,因此研究如何选择EEG通道尤为重要。该文针对嗅觉EEG信号分类中的通道选择问题,提出了一种新型的基于ReliefF-Pearson的嗅觉EEG通道选择算法。该算法结合ReliefF的权值思想和Pearson系数的相关性原理对EEG通道进行选择。结果表明,与传统基于ReliefF的通道选择算法相比,该文所提算法在保证一定分类准确率的同时能够显著减少使用的通道数量,并且通道选择的结果不依赖人为经验和分类器。此外,使用该方法获取的通道,其空间分布与已有的嗅觉神经生理学位置相一致,进一步证实了该方法的科学性和有效性。该文所提算法为嗅觉EEG通道选择的研究提供了新思路。     

入侵检测系统中基于变量相似性特征选择

ReliefF是一种在很多场合经常使用的filter式的特征选择方法．然而该方法的一大缺点是不能辨别冗余特征。基于ReliefF算法提出一种混合的有监督的特征选择算法。该算法首先利用ReliefF算法去除与分类无关的以及权重低于一定阈值的特征，然后采用一种变量相似性准则来去除冗余特征。在实际的数据集KDDCUP＇99上进行的实验结果表明该混合特征选择方法较单独使用ReliefF方法在分类精度上有一定的提高。     

一种基于ReliefF评估和互补系数的特征选择算法

Filter特征选择算法具有通用性强、算法复杂度低的特点,但对某一个具体的分类器选择的特征子集也许并不是最优的;Wrapper方法与其相反,对特定的分类器可以找到最优的特征子集,但算法复杂度很高.研究一种Filter与Wrapper相结合的混合型算法.首先从特征对样本分类效果的角度提出互补系数的概念,然后基于ReliefF评估和互补系数,提出ReCom算法.实验证明,由ReCom算法得到的特征子集与ReliefF算法得到的特征子集相比具有更好的性能,并且与传统Wrapper方法相比,该算法大大降低了时间复杂度.     

基于相关性和稀疏表示的运动想象脑电通道选择方法

在基于运动想象(MI)的脑机接口(BCI)中,通常采用较多通道的脑电信号(EEG)来提高分类精度,但其中会有包含与MI任务无关或冗余信息的通道,从而影响BCI的性能提升。该文针对运动想象脑电分类中的通道选择问题,提出一种采用相关性和稀疏表示对通道进行选择的方法(CSR-CS)。首先计算训练样本每个通道的皮尔逊相关系数来选择显著通道,然后提取显著通道所在区域的滤波器组共空间模式特征拼接成字典,利用由字典所得到的非零稀疏系数的个数表征每个区域的分类能力,选出显著区域所包含的显著通道作为最优通道,最后采用共空间模式和支持向量机分别进行特征提取与分类。在对BCI第3次竞赛数据集IVa和BCI第4次竞赛数据集I两个二分类MI任务的分类实验中,平均分类精度达到了88.61%和83.9%,表明所提通道选择方法的有效性和鲁棒性。     

基于PCA和自适应步长IVA的EMG伪迹去除方法

针对脑电(EEG)信号在采集过程中易受到肌电(EMG)伪迹干扰,且EMG伪迹复杂多变难以去除的问题,提出一种基于主分量分析(PCA)和自适应步长独立向量分析(IVA)相结合的EEG中EMG伪迹去除方法。首先,利用PCA将EEG信号的主分量提取出来,对数据降维;然后对主分量引入IVA算法,根据高阶统计量和二阶统计量,结合EMG伪迹的非高斯性和弱相关性进行EMG伪迹分离,同时引入基于分离效果的自适应步长选取方法,增强分离效果。实验中采集了8通道的EEG信号,测得各通道相对均方根误差为0.09～0.2,算法的平均EMG伪迹分离率为98%,且相比单独使用IVA时间节省20%,该方法适用于动态EEG中EMG伪迹的去除。     

基于同一性的健壮CS分类算法

针对利用压缩感知(CS)进行信号分类识别的问题,提出了一种联合欲分类信号和样本信号的健壮CS分类算法。该方法通过引入“同一性”的概念,克服了信号过完备字典传统构造方式的不足,增强了信号稀疏表示与信号类别间的关联性,提升了基于压缩感知的信号分类算法性能。仿真实验证明了所提方法的正确性,并进一步表明:在非最优过完备字典下,该方法较之传统CS分类算法更具有分类准确度。     

思维状态的EEG信号分类方法研究

脑电信号(EEG)是一种研究脑活动的重要信息来源,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.运用时域回归方法对2～5种不同思维脑电信号进行预处理,用AR模型提取信号分段前后特征,最后用BP算法进行分类.并对分段前后的分类结果进行比较,实验表明,该方法达到很好的分类效果.     

分离通道联合卷积神经网络的自动调制识别

针对通信信号的自动调制识别需要大量特征提取的问题,提出了一种分离通道卷积神经网络自动调制识别算法。该算法通过结合深度学习中卷积神经网络(CNN),分别提取时域信号的多通道和分离通道调制特征,再利用融合特征实现不同信号的分类。仿真结果表明,相比基于CNN的算法,所提算法在高信噪比下针对两个数据集的识别率分别提升7%和18%;此外,相比于基于特征提取的传统识别算法,其高阶调制识别性能平均提升3 dB。     

基于空间和通道注意力机制的目标跟踪方法

目标跟踪是计算机视觉中重要的研究领域之一,大多跟踪算法不能有效学习适合于跟踪场景的特征限制了跟踪算法性能的提升.该文提出了一种基于空间和通道注意力机制的目标跟踪算法(CNNSCAM).该方法包括离线训练的表观模型和自适应更新的分类器层.在离线训练时,引入空间和通道注意力机制模块对原始特征进行重新标定,分别获得空间和通道权重,通过将权重归一化后加权到对应的原始特征上,以此挑选关键特征.在线跟踪时,首先训练全连接层和分类器层的网络参数,以及边界框回归.其次根据设定的阈值采集样本,每次迭代都选择分类器得分最高的负样本来微调网络层参数.在OTB2015数据集上的实验结果表明:相比其他主流的跟踪算法,该文所提算法获得了更好的跟踪精度,重叠成功率和误差成功率分别为67.6％,91.2％.     

基于时频域联合滤波的中段群目标信号分离

该文针对中段群目标回波信号分离问题,提出了基于时频域联合滤波的信号分离算法.该算法首先基于自相关原理估计出某一目标的微动周期;然后根据所估计周期对回波进行分段,利用S变换提取各段信号在时频域的强能量区域,各段信号强能量区域的交集即对应了某一目标在时频面上的支撑域.基于该支撑域对回波进行时频域联合滤波即可得到某一目标的回波信号,实现回波信号的分离.仿真结果验证了该文所提算法的有效性.