基于交错组卷积神经网络的脑电信号情绪识别研究

利用深度学习算法实现多种情绪的高效准确识别对当前脑电信号情感计算研究具有一定探索价值。常用的卷积神经网络其种类结构较为复杂且存在参数选择问题,针对不同类型刺激素材下脑电信号的情绪分类问题,搭建了一种交错组卷积神经网络的数学分类模型,此模型在经典卷积神经网络的基础上增加了交错组卷积结构。利用增加交错组卷积模块的LeNet-5卷积网络对诱发的不同情绪下脑电信号进行三分类识别,图片、音乐与视频素材刺激下的脑电信号平均识别率分别为98.74%、95.82%与96.06%。对比传统的机器学习分类算法的识别效果,轻量化结构卷积神经网络的收敛速度和情绪识别准确率均有明显提高,且鲁棒性更强。     

基于卷积神经网络的脑电信号情绪分类方法

情绪作为人脑的高级功能,对人们的心理健康和个性特征有很大的影响。通过对脑电情绪数据集进行情绪分类,能够为今后实时监控正常人或抑郁病人的情绪提供进一步理论及实践依据。因此文章运用公开的脑电情绪数据集所提取的微分熵特征,并使用传统的滑动平均和线性动态系统方法,采用深度学习中的卷积神经网络作为基本前提,设计了一个卷积神经网络的脑电信号情绪分类模型,其包括4个卷积层、4个最大池化层、2个全连接层和1个Softmax层,并采用批归一化使参数搜索问题变容易,抑制模型过拟合。实验结果表明,利用该模型对SEED数据集的3种情绪识别的平均准确率达到了98.73%,精确率、召回率和F1分数分别为99.69%、98.12%和98.86%,ROC曲线下面积达0.998。与最近的类似工作相比,该文提出的卷积神经网络结构对于脑电信号情绪分类具有一定优越性。     

基于多域信息融合的脑电情感识别研究

脑电信号识别方法较少将空间、时间和频率信息相融合,为了充分挖掘脑电信号包含的丰富信息,本文提出一种多域信息融合的脑电情感识别方法。该方法利用二维卷积神经网络和一维卷积神经网络相结合的并行卷积神经网络(PCNN)模型学习脑电信号的空间、时间和频率特征,来对人类情感状态进行分类。其中,2D-CNN用于挖掘相邻EEG通道间的空间和频率信息,1D-CNN用于挖掘EEG的时间和频率信息。最后,将两个并行卷积模块提取的信息融合进行情感识别。在数据集SEED上的情感三分类实验结果表明,融合空间、时间、频率特征的PCNN整体分类准确率达到了98.04%,与只提取空频信息的2D-CNN和提取时频信息的1D-CNN相比,准确率分别提高了1.97%和0.60%。并于最近的类似工作相比,本文提出的方法对于脑电情感分类具有一定的优越性。     

基于迁移学习多层级融合的运动想象EEG辨识算法

为了准确获取运动想象脑电信号的全局特征和个体间的共性特征,进而提高其分类准确率和模型鲁棒性,提出一种参数共享迁移学习的融合卷积神经网络算法.首先把源域上训练完成的网络逐层迁移至目标网络以获取最佳迁移层.其次,在迁移层后分别连接不同数量的卷积-池化块构成4个不同深度的卷积网络,并将其并行融合后连接分类器得到分类结果.利用...     

基于关系图卷积神经网络的新能源配电台区拓扑识别方法

针对传统拓扑识别方法难以适应高比例分布式光伏接入下低压配电台区电气耦合特性复杂的问题,本文提出了一种基于关系图卷积神经网络的新能源配电台区拓扑识别方法。首先,分析了分布式光伏接入对低压台区线户关系识别的影响机理,提出了高渗透率分布式光伏接入下配电台区的自适应线户关系识别方法,通过电压皮尔逊相关系数矩阵建模和全局自适应聚类方法实现线户关系识别。其次,基于新能源台区拓扑关联特性将配网节点关联分类匹配为分隔、上下、并列及光伏节点接纳关系,建立了适应分布式光伏接入的台区拓扑邻接矩阵模型。最后,提出了基于关系图卷积神经网络的配电台区拓扑生成算法,通过提取电压量测数据形成台区节点特征矩阵,基于关系图链接预测挖掘潜在节点关联关系逐步生成配电台区拓扑。算例仿真对比验证了所提拓扑识别方法的有效性,与传统算法相比可提升识别准确率4.3%以上。     

基于残差融合双流图卷积网络的手势识别方法

针对传统图卷积网络易忽略空间特征与时间特征之间关联的问题,设计了一种基于残差结构和图卷积网络相融合的双流网络模型。首先网络包括空间流和时间流两个通道,将手势骨骼数据构建成空间图和时序图作为两通道的输入,通过分离时间维度和空间维度极大地提高了训练速度。然后为了增加网络深度,避免梯度消失等问题,嵌入残差结构并对其进行改进,更加有效利用时间特征,保证了特征的多样性。最后将两通道输出的空间点集序列和时间边集序列串联转化,输入Softmax分类器进行分类,得到识别结果。将新提出的方法在CSL和DEVISIGN-L手势数据集上进行实验,结果表明在两个数据集上识别精度分别达到了96.2%和69.3%,证明该方法具有一定的先进性。     

Grael脑电放大器与深度学习的手势实时识别研究

手势识别是人机交互的关键。为了能够更好地实现脑电信号与肌电信号的融合,精准地识别人体的运动,本文建立了一套基于Grael脑电放大器的手势动作实时检测识别的研究系统。通过Grael脑电放大器和Curry8系统采集5个通道的8种不同手势的表面肌电信号(sEMG),并对采集到的sEMG信号进行滤波去噪、滑动窗口分割以及特征提取等预处理的操作;最后采用几种常用的分类器与卷积神经网络(CNN)对不同手势的sEMG信号进行实时分类识别。结果表明CNN的识别准确率最高,能达到92.98%;对每个手势动作进行30次实时识别检测,结果显示识别延迟大概在1～1.5 s,实时识别的精度可高达90%。该系统为将来研究脑电信号与肌电信号的融合提供了一个可行的方法,在人机交互方面展现了巨大的潜力和应用空间。     

基于CNN-ViT的滚动轴承故障类型识别方法

针对在滚动轴承的故障诊断中,一维信息无法充分挖掘数据特征的问题,提出一种基于卷积神经网络–视觉Transformer(Convolutional neural networks-vision transformer,CNN-ViT)的滚动轴承故障类型识别模型。首先将一维时域振动信号转化为二维灰度图以更好地表现数据特征,并在ViT模型基础上增加CNN对二维灰度图进行上采样,解决了挖掘数据特征不足以及ViT模型训练时的稳定性问题。通过所提模型对轴承不同故障类型及不同损伤程度进行识别。为了验证所提方法的有效性,采用某数据集进行实验验证,同时将所提方法与其他深度学习模型的诊断结果进行了对比。验证结果表明,该方法的准确率为99.4%,具有较高的精度。     

一种基于特征位移的手势识别方法

针对卷积操作受到遍历规则的限制,只能提取单个骨骼节点的特征信息,不能对相邻节点之间的有效特征信息进行融合,导致表达能力有限的问题,提出了一种基于特征位移模块的手势识别神经网络。该网络采用常规时空图卷积神经网络的架构,并将常规时空卷积模块替换为特征位移模块,实现相邻节点特征信息之间的融合。利用特征位移模块对位移信道进行重新排序,实现提取骨骼节点的全局化特征信息,进一步完成对手势信息的高效准确分类。并在公开数据集DHG-14/28和FPHA上验证该特征位移模块,在14类、28类和FPHA手势数据集的分类准确度分别达到了95.11%、93.01%和92.67%。实验结果表明,该网络模型能够更好更有效的挖掘全局特征信息,在常见的手势识别数据集上达到了优秀的性能。     

基于频谱位移模块的环境声音识别方法

针对卷积操作只能提取局部频谱信息,不能有效地挖掘频谱之间相关信息的问题,提出了一种基于频谱位移模块的神经网络。该网络采用密集卷积神经网络的架构,并在支路上使用频谱位移模块实现频谱信息之间的交互。利用这种频谱移位取代了频谱间的下采样操作,实现了频谱的全局化特征提取,同时避免了下采样过程中信息的丢失,进一步地提高了频谱特征图质量。并在公开的数据集ESC10和ESC50上验证频谱位移密集模块,在两种数据集的分类准确度分别达到了96.00%和88.75%,与原有的网络相比准确度分别提升了2.1%和2.25%。实验结果表明,和现有的其他卷积神经网络方法相比,所提出的网络能够更好有效地挖掘全局时频信息,具有更高的识别准确率。     

基于图卷积网络改进的人体动作识别模型

针对双流自适应图卷积动作识别网络2S-AGCN模型忽略了人体动作识别中特征的长距离信息以及通道之间的依赖的缺点,设计了一种双重注意力机制对2S-AGCN模型的图卷积模块进行改进,实现精度的提升。双重注意力机制包含了空间注意力机制以及通道注意力机制,其中空间注意力机制有选择性地聚集上下文,通道注意力机制分为两个并行的模块,第1部分提高了特征的可辨性,第2部分在捕获特征远程依赖的同时,保留了精准的位置信息。结果表明,以双流自适应图卷积动作识别网络2S-AGCN模型为基础网络,融入了双重注意力机制模块的模型在Kinetics数据集上的Top-1和Top-5分别提升了0.6%和1.3%,在NTURGB+D120数据集的CS和CV上的Top-1分别提升了1.2%和0.5%,在NTURGB+D数据集的CS和CV上的Top-1分别提了0.2%和0.1%。     

基于多层注意力机制的4DC-BGRU脑电情感识别

为了提高脑电情感识别的准确率,提取更丰富的特征信息,提升网络模型稳定性,提出一种改进的基于多层注意力机制的脑电情感识别模型。在特征提取方面,将原始脑电信号转换成四维空间 频谱 时间结构,提取丰富的脑电信息。在网络模型方面,构建双路卷积神经网络学习空间及频率信息,有效提取多尺度特征,增加网络宽度来学习更丰富的特征信息;在卷积层及池化层后融入批量归一化层,防止过拟合。最后,构建多层注意力机制 双向门控循环单元模块处理时间特征并配合Softmax分类。采用双向门控循环单元学习更全面的上下级特征信息。利用多层注意力机制使四维特征中不同时间切片与整体时间切片之间产生关联。该文在DEAP数据集唤醒度和效价两个维度进行了评估实验,二分类平均准确率分别为96.38%和96.73%,四分类平均准确率为93.78%。实验结果显示,与单路卷积神经网络及其他文献算法相比,该文算法的平均准确率有所提高,表明该算法可以有效提升脑电情感识别性能。     

基于DeepLab v3+深度卷积网络的输电导线图像识别方法

输电导线图像识别是电力设备自动巡检过程中的重要环节。针对传统导线检测方法需人工设计目标特征、抗干扰能力差等问题，提出一种基于深度卷积网络（DeepLab v3+）的输电导线图像识别方法。首先，采用DeepLab v3+网络模型，实现导线的初步识别。通过多层卷积自动学习导线特征，并通过解码器结构融合导线低层的细节特征与高层的语义特征，较好地实现导线像素分割。然后，针对识别结果中存在的断裂和伪导线问题，采用改进的最小点对法和长度阈值法进一步精细化处理。最后，采用八方向搜索法提取每一条导线并编号。实验结果表明，所提方法能很好地提取出输电线路图像中的导线。     

一种基于图卷积神经网络的加密流量分类方法

深度学习算法被广泛应用于网络流量分类领域并取得较好效果。然而,对抗攻击的出现给其安全性带来了严重威胁,使得当前主流的基于卷积神经网络模型的分类算法的精度严重下降。针对此,本文提出了一种抗流量分类中灰度图对抗攻击的加密流量分类方法。所提方法通过提取数据包负载长度、包序列、方向、簇等流量交互信息构建拓扑图,将加密流量分类问题转化为图分类问题。接着,本文使用基于图卷积神经网络的分类方法进行特征的学习分类,图卷积神经网络模型可以自动从输入的拓扑图中提取特征,将特征映射到嵌入空间中的不同表示来区分不同的图结构。实验结果表明,本文所提方法不仅能够避免对抗攻击,且在公开数据集上的分类性能也较现有典型方法提高了5%以上。     

基于改进局部图结构的再认记忆脑电特征提取方法

为了研究再认记忆脑电的纹理特征,以及解决垂直对称局部图结构和对称局部图结构在提取脑电纹理特征时结构不稳定的问题。基于新旧范式设计了再认记忆实验,采集医学生和非医学生（均为35名）相关脑电,并且将这些脑电分为学习医学图片阶段、学习非医学图片阶段、再认旧医学图片阶段、再认旧非医学图片阶段、再认新医学图片阶段和再认新非医学图片阶段。首先,利用二维小波变换得到每位被试脑电的三个子频带,并提出改进集成局部图结构方法对原数据和3个子频带进行特征提取,改进算法纳入了具有稳定结构的扩展对称局部图结构和复合局部图结构;然后对特征进行归一化,避免结果过拟合,使用皮尔逊相关系数筛选出相关系数在0.8~1之间的特征矩阵列。在支持向量机等分类器上验证改进前后的算法,并使用正确率、精确率、召回率和F1评分这四个指标对模型进行评估。与改进前算法相比,改进后算法在支持向量机上的分类正确率分别提升3.8%,0.4%,0.3%,1.6%,5.1%和4.2%。分类结果说明医学生和非医学生在医学图片学习再认阶段存在明显差异,新加入扩展对称局部图结构和复合局部图结构比原算法中垂直对称局部图结构和对称局部图结构具有更好的分类性能。     

基于深度卷积神经网络的机电系统故障分类识别方法

随着高端装备在工业领域的广泛应用,其运行状态对装备的安全性和产品的性能影响重大,突发故障往往造成巨大的人民生命财产的巨大损失并影响社会的安全稳定.机电系统多处于变转速工作状态,其状态特征信息难以获取,为机电系统的故障诊断和预测带来困难.针对此问题,提出了深度学习的机电系统故障分类识别诊断模型.首先将采集到的关键部位的振...     

基于HMM的语音信号情感识别研究

包含在语音信号中的情感信息是一种很重要的信息,它是人们感知事物不可缺少的部分。本文在语音识别的基础上提出了应用隐马尔可夫模型(HMM)进行语音信号情感识别的研究。从情感语音的分类、情感语音资料的获取、情感语音特征提取及情感语音识别等方面,讨论了应用连续隐马尔可夫模型进行情感识别的整个过程,并得到了比较理想的识别结果。     

基于图注意力和时间卷积网络的风电齿轮箱故障预警方法

针对风电齿轮箱故障预警中数据信息挖掘不充分问题,提出一种基于图注意力和时间卷积网络的风电齿轮箱故障预警 方法。 分别从时间与空间尺度建立各特征点的物理联系,拓宽特征维度以提升故障预警精度。 图注意力网络构建不同数据测 点间的空间拓扑结构,遍历每个节点的相邻节点进行加权求和达到聚合信息的目的;时间卷积网络使用特殊的因果膨胀卷积和 残差网络,扩大感受野,提升时间特征捕捉能力。 以华北某风电场实际数据为例进行验证,结果表明,提出方法能够在故障发生 前 122 h 监测到风电齿轮箱的异常状态并发出预警信号;与其他方法进行对比,提出方法预警时间提前 52~ 63 h,模型预测误差 减小 1. 05% ~ 3. 76%;使用 t-SNE 和概率密度曲线提升结果可解释性。