基于深度时空特征融合的多通道运动想象EEG解码方法

脑电(EEG)是一种在临床上广泛应用的脑信息记录形式,其反映了脑活动中神经细胞放电产生的电场变化情况。脑电广泛应用于脑-机接口(BCI)系统。然而,研究表明脑电信息空间分辨率较低,这种缺陷可以综合分析多通道电极的脑电数据来弥补。为了从多通道数据中高效地获取到与运动想象任务相关的辨识特征,该文提出一种针对多通道脑电信息的卷积神经网络(MC-CNN)解码方法,先对预先选取好的多通道数据预处理后送入2维卷积神经网络(CNN)进行时间-空间特征提取,然后利用自动编码(AE)器把这些特征映射为具有辨识度的特征子空间,最后指导识别网络进行分类识别。实验结果表明,该文所提多通道空间特征提取和构建方法在运动想象脑电任务识别性能和效率上都具有较大优势。     

卷积神经网络在脑疲劳检测中的研究

脑疲劳是由于持续进行脑力劳动导致的一种状态，脑电被认为是脑疲劳状态检测的最佳工具。如何选取合适的脑疲劳特征成为脑疲劳检测的关键问题，传统模式识别中手动提取特征会产生信息损失，针对脑电的时空特性，本文设计了具有时域卷积核、空间域卷积核的深层卷积神经网络和浅层卷积神经网络两种网络结构，将特征提取和状态分类合二为一，对正常态与疲劳态脑电数据进行分类，可视化了卷积神经网络的空间域卷积核。结果表明，浅层卷积神经网络平均分类正确率为98.868%，深层卷积神经网络平均分类正确率为98.217%，均高于传统分类方法，通过空间域卷积核的可视化，能够了解不同导联在网络中的参与程度，验证了该模型在脑疲劳检测任务中具有很高的有效性，同时为脑疲劳检测提供了新思路。      

基于脑电信号深度迁移学习的驾驶疲劳检测

脑电信号一直被誉为疲劳检测的“金标准”,驾驶者的精神状态可通过对脑电信号的分析得到。但由于脑电信号具有非线性、非平稳性和空间分辨率低等特点,传统的机器学习方法在运用脑电信号进行疲劳检测时还存在识别率低,特征提取操作繁琐等不足。为此,该文基于脑电信号的电极-频率分布图,提出运用深度迁移学习实现的驾驶疲劳检测方法,即搭建深度卷积神经网络,并利用SEED脑电情绪数据集对其进行预训练,然后通过迁移学习方法将其用于驾驶疲劳检测。实验结果表明,卷积神经网络模型能够很好地从电极-频率分布图中获得与疲劳状态相关的特征信息,达到较好的识别效果。此外,基于迁移学习策略可以将训练好的深度网络模型迁移到其他识别任务上,有助于推动脑电信号在驾驶疲劳检测系统中的应用。     

共空间模式结合卷积神经网络的脑电信号分类

为了更好解码大脑的意图和思想并作出准确识别,结合共空间模式(CSP)和卷积神经网络(CNN)算法,对脑电数据进行空间滤波处理和时空域上的特征提取。脑电信号是一种具有时空特性的信号,设计了一种CNN网络结构来进行运动想象信号的分类。为了提高分类准确率,对CSP算法中m参数进行了选择。最后,将该算法应用于公共数据集,建立分类模型并和单独使用CNN算法作对比,实验结果表明结合算法有效地提高了分类准确率,能更好地进行分类识别。     

基于条件经验模式分解和串并行CNN的脑电信号识别

针对运动想象脑电信号(EEG)的非线性、非平稳特点,该文提出一种结合条件经验模式分解(CEMD)和串并行卷积神经网络(SPCNN)的脑电信号识别方法。在CEMD过程中,采用各阶固有模式分量(IMF)与原始信号的相关性系数作为第1个IMF筛选条件,在此基础上,提出各阶IMF之间的相对能量占有率作为第2个IMF筛选条件。此外,为了考虑脑电信号各个通道之间的特征和突出每个通道内的特征,该文提出SPCNN网络模型对进行CEMD过程后的脑电信号进行分类。实验结果表明,在自行采集的脑电数据集上平均识别率达到94.58%。在公开数据集BCI competition IV 2b上平均识别率达到82.13%,比卷积神经网络提高了3.85%。最后,在自行设计的智能轮椅脑电控制平台上进行了轮椅前进、左转和右转在线控制实验,验证了该文算法对脑电信号识别的有效性。     

基于特征分析的卷积神经网络烟雾识别

针对烟雾特征提取误差较高的问题,提出了一种烟雾特征与卷积神经网络结合(Characteristic Analysis Net_CNN,CAN_CNN)算法.CAN_CNN算法包含特征分析与目标识别两部分.特征分析部分主要利用烟雾的运动方向特征与颜色特征过滤烟雾图像中的其他运动物体,目标识别利用卷积神经网络获取烟雾深层次...     

基于时空压缩特征表示学习的毫米波雷达手势识别算法

针对现有无线射频信号的手势识别研究中的数据预处理和特征利用问题,该文提出一种用于调频连续波(FMCW)雷达的时空压缩特征表示学习的手势识别算法。首先对手部反射的毫米波雷达回波信号的距离-多普勒(RD)图进行静态干扰去除和动目标点筛选,减少杂波对手势信号的干扰,同时减少计算数据量;然后提出一种压缩手势时空特征的表示方法,利用动目标点的主导速度来表示手势的运动特征,实现多维特征的压缩映射,并保留手势运动的关键特征信息;最后设计了一个单通道的卷积神经网络(CNN)来学习和分类多维手势特征信息并应用于多用户和多位置的手势识别。实验结果表明,与现有其他手势识别算法相比,该文提出的手势识别方法在识别精度、实时性以及泛化能力上都具有明显的优势。     

基于深度学习的探地雷达二维剖面图像结构特征检测方法

该文针对探地雷达(GPR) 2维剖面图像中目标特征提取困难及其识别精度较低等问题,采用深度学习方法来提取2维剖面图像中目标的特征双曲线。根据GPR工作的物理机制,设计了一种级联结构的卷积神经网络(CNN),先检测并去除回波数据中的直达波干扰信号,再利用CNN得到B扫描(B-SCAN)图像的特征图,并对特征信号进行分类识别以提取目标的特征双曲线。同时,为处理各种干扰信号影响目标特征双曲线结构完整性的问题,提出了一种基于方向引导的特征数据补全方法,提高了目标特征双曲线识别的准确率。与方向梯度直方图(HOG)算法、单级式目标检测(YOLOV3)算法和更快速的区域卷积神经网络(Faster RCNN)算法相比,在综合评价指标F上该文方法的检测结果是最优的。     

混合卷积神经网络的高光谱图像分类方法

为了解决高光谱图像领域中,传统卷积神经网络因部分特征信息损失而影响最终地物分类精度的问题,采用一种基于2维和3维的混合卷积神经网络的高光谱图像分类方法,从空间增强、光谱-空间两方面分别进行了特征提取.首先从空间增强角度提出一种3维-2维卷积神经网络混合结构,得到增强后的空间信息;其次从光谱-空间角度利用3维卷积网络结构...     

基于卷积神经网络的SAR图像目标识别研究

针对合成孔径雷达(Synthetic Aperture Radar, SAR)的图像目标识别应用, 该文提出了一种基于卷积神经网络(Convolutional Neural Network, CNN)的SAR图像目标识别方法。首先通过在误差代价函数中引入类别可分性度量, 提高了卷积神经网络的类别区分能力;然后利用改进后的卷积神经网络对SAR图像进行特征提取;最后利用支持向量机(Support Vector Machine, SVM)对特征进行分类。使用美国运动和静止目标获取与识别(Moving and Stationary Target Acquisition and Recognition, MSTAR)SAR图像数据进行实验, 识别结果证明了所提方法的有效性。