基于经验模态－小波包分解和卷积神经网络的 Ｐ３００ 脑电信号分类研究

针对P300脑电信号信噪比低、随机性强及个体差异性大等问题,本文提出了一种将经验模态分解（EMD）和小波包分解（WP）相结合的滤波方法,并使用改进的卷积神经网络（CNN）对脑电信号进行分类识别。首先利用经验模态分解算法将原始脑电信号分解成若干个本征模函数（IMF）分量,并对每个分量进行频谱分析以去除主频段在0~30Hz以外的分量;然后,对保留的IMF分量进行小波包分解,根据P300电位的有效时频信息,选择合适的频段进行重构,再将重构后的各个本征模函数叠加,得到经过滤波后的脑电信号;最后,设计合适的卷积神经网络结构,对P300信号进行分类识别。本文使用国际BCI竞赛数据集对提出的方法进行验证。实验结果表明,两名被试的分类准确率分别为97.78%、95.56%,说明该方法能够有效的改善P300信号的识别效果（相比其他方法至少提升了2.78%,1.39%）,为进一步提高基于P300信号的脑机接口系统的性能提供了一种新的有效的途径。     

结合小波包和ICA的脑电信号特征波提取方法

为了更有效地提取脑电信号特征波,结合小波包和ICA（独立分量分析）,提出了一种脑电特征波提取方法。首先对脑电信号进行小波包分解,然后进行相关频段信号的重构,从而提取出特征波的概貌作为初次提取的特征波;再利用ICA分离技术,以初次提取的特征波为参考信号对其进行增强。实验结果表明,对比于独立地应用某一种方法,两种方法相结合更能有效地提取脑电信号特征波。     

基于脑机接口的控制器

为实现大脑与设备的通讯,研究基于脑机接口的控制器．本文研究脑电信号（EEG）的特征提取,实验通过E．Prime心理学软件结合Neuroscan公司生产的64导脑电采集设备获取脑电原始信号,利用小波算法对原始脑电信号进行分析,提取感兴趣的频段小波系数作为特征;分析脑电信号的功率谱,基于Fisher准则设计分类器．本文在研究脑机接口（Brine．ComputerInterface,BCI）的基础上通过想象实现了对运动的控制．以轮椅为实际控制对象,仅仅通过两个电极采集脑电信号,设计制作了控制器,理论验证实验成功的通过想象控制轮椅的四个方向的运动．本文最后还探讨了脑机接口的应用前景．     

基于组合分类器的不同状态下脑电信号分类

当手臂操作与脑电控制被同时应用到水下机器人操作中,且操作人员处于不同作业状态时,针对使用单一脑电信号分类器无法获得较为理想的控制意图识别准确率问题,提出使用组合分类器选取分类结果和根据实际作业情况的特殊性修正分类结果的方法来提升识别准确率.首先,使用Fisher判别方法分别对无手臂操作和存在手臂操作产生的数据进行训练,得到两种作业状态下的分类器;其次,将两分类器进行组合并使用曲线拟合的方式确定用来判定分类结果的基准距离差值(该差值的选取考虑了个体差异);再次,根据实际作业情况的特殊性使用距离修正函数对距离差值进行修正;最后,通过比较基准距离差值与修正后距离差值的大小来确定最终分类结果.为了验证所提方法的有效性,邀请了6位被试者参与测试过程.实验结果显示,在设计的在线实验中,相对于其他3种方法,所提方法在识别准确率上分别提升了13.42%、5.55%和5.55%,说明所提方法是可行且有效的.     

基于小波包的LMD在EEG信号分析中的研究

脑电信号(Electroencephalograph,EEG)是一种产生自脑神经细胞活动的极其微弱的电位反映,同时也是一种非平稳、非线性的电信号。针对脑电信号在采集过程中易受到外界噪声干扰的问题,为了降低脑电信号中噪声的含量,提高脑电信号分解效率,提出了一种基于小波包的局部均值分解(Local Mean Decomposition,LMD)方法。该方法主要利用小波包对采集到的脑电信号进行去噪预处理,再通过局部均值分解进行分析。仿真实验结果表明,采用经过小波包去噪预处理的LMD分解能够有效地去除原始信号中的高频噪声,使得局部均值分解效率提高,且能够有效消除噪声分量对分解过程和结果的影响。     

基于运动想象的脑电信号特征提取研究

基于运动想象脑电信号的脑-机接口系统在医疗领域具有广阔的应用前景,被应用于运动障碍人士的辅助控制以及脑卒的预后康复。由于运动想象的脑电信号信噪比低、不平稳以及差异性显著,对脑电信号识别带来负面影响。一个有效的特征提取算法能够提高脑-机系统的脑电信号识别率。提出一种多通道的脑电信号特征提取方法,将数据矩阵分解为基矩阵与系数矩阵的乘积,以类间离散度做为性能判据对系数矩阵进行特征提取,提取可分性更高、维数更少的特征。结合脑电信号识别领域常见的分类器在2008年BCI竞赛数据集上进行验证,证明所提方法是有效的。     

基于样本熵的精神任务脑电信号分类研究

采用一种新的非线性动力学方法--样本熵,对五种不同思维任务产生的脑电信号进行特征提取,利用三层神经网络时所提取的特征进行分类.实验结果表明,采用样本熵特征进行思维任务分类具有较好的分类效果,而且由于该方法计算简单,结果稳定,所以在脑机接口研究中具有重要实用价值.     

基于小波包分解的虹膜识别算法

特征提取是虹膜识别的关键技术;由于虹膜图像具有丰富的纹理,提出了基于小波包分解的虹膜识别算法。小波包分解不仅包含了图像的低频部分而且还保留了高频部分,它能够有效地提取虹膜纹理特征,并按hamming距离对虹膜进行匹配。实验结果表明,该算法具有良好的鲁棒性。     

基于SVM和小波分析的脑电信号分类方法

根据癫痫脑电信号与正常脑电信号波形和能量特征的不同,研究了两种的脑电信号分类方法,一种采用支持向量机SVM(Support Vector Machines)分类器对正常脑电和癫痫脑电进行分类;另一种使用小波分析和支持向量机相结合的方法对脑电进行分类,并比较了这两种方法对正常脑电和癫痫脑电分类的正确率。实验结果表明,小波分析和SVM结合的方法对脑电信号分类可以取得更好的效果,能有效区分癫痫脑电和正常脑电。     

基于多分类器集成的手写体金融汉字识别

用基于遗传算法的全局优化技术动态地选择一组分类器,并根据应用的背景,采用合适的集成规则进行集成,从而综合了不同分类器的优势和互补性,提高了分类性能。实验结果表明,通过将遗传算法引入到多分类器集成系统的设计过程,其分类性能明显优于传统的单分类器的分类方法。     

面向人脸识别的WPD-HOG金字塔特征提取方法

人脸识别技术可应用于各监控和安保领域,它涉及特征提取、识别模型等关键技术。其中特征提取方法直接影响识别效果,目前所用的特征提取方法存在特征表达不全面、计算复杂度高等问题。据此,提出一种基于WPD-HOG金字塔的人脸特征提取方法,该方法结合小波包分解（Wavelet Packet Decomposition,WPD）、图像金字塔以及方向梯度直方图（Histograms of Oriented Gradients,HOG）对人脸图像特征进行有效表征,最终将WPD-HOG金字塔特征通过SVM分类器进行分类。通过在ORL人脸库上进行实验,与四种对比方法HOG、HOG金字塔、FWPD-HOG以及FWPD-HOG金字塔进行比较,实验结果表明,WPD-HOG金字塔特征提取方法的识别率要高于对比方法,且在噪声方面具有较好的鲁棒性。     

多分类器系统的泛组合规则研究与应用

现有的多分类器系统采用固定的组合算子,适用性较差。将泛逻辑的柔性化思想引入多分类器系统中,应用泛组合运算模型建立了泛组合规则。泛组合规则采用遗传算法进行参数估计,对并行结构的多分类器系统具有良好的适用性。在时间序列数据集上的分类实验结果表明,泛组合规则的分类性能优于乘积规则、均值规则、中值规则、最大规则、最小规则、投票规则等固定组合规则。     

基于支持向量机的思维脑电信号特征分类研究

探索一种实用的基于想象运动思维脑电的脑-机接口(BCI)方式,为实现BCI应用奠定比较坚实的理论和实验基础。对6名受试者进行三种不同时段(箭头出现2s、1s和0s后提示按键)情况下想象左右手运动思维作业的信号采集实验,利用小波变换和支持向量机对实验数据进行离线处理。对三种情况下的延缓时间△t0、△t1和△t2分析发现:△t0与△t1和△t2之间都有显著性差别(p<0.05),而△t1与△t2之间没有显著差别(p>0.05);平均分类正确率分别达到68.00%、80.00%和56.67%(p<0.05);实际按键前0.5~1s左右,想象左右手运动的思维脑电特征信号都发生了明显改变。通过合理的实验设计获取的信号有助于识别正确率的提高,为BCI系统中思维任务的特征提取与识别分类提供了新思路和方法。     

基于三维视觉指导的运动想象训练性能分析

为提高视觉指导下运动想象（MI）的训练效率和脑机接口（BCI）的分类准确率,研究了虚拟现实（VR）环境对MI训练的影响以及不同视觉指导下脑电（EEG）分类模型的差异。首先,设计了三种三维手部交互动画及其EEG采集程序;然后,分别在头戴式头盔（HMD）和平面液晶屏（LCD）的呈现环境下,对5名健康被试进行了标准（单次实验5min）和长测（单次实验15min）两种实验方案的左右手MI训练;最后,通过对EEG数据的模式分类,分析了呈现环境和内容形式对分类准确率的影响。实验结果表明,在视觉指导的MI训练中,HMD与LCD的呈现方式存在显著性差异。HMD所呈现的VR环境能够提高MI分类准确率,延长单次训练时长;此外,不同视觉指导内容下的分类模型存在较大差别,当测试样本与训练样本为同一视觉指导内容时,其平均分类准确率较之不同情况高出16.34%。     

基于小波包分析的鲁棒性语音识别

通过对MFCC算法的研究,发现其中的FFT在整个时频空间使用固定的分析窗,这不符合语音信号的特性,而小波变换具有多分辨率特性,更符合人耳的听觉特性。提出了动静态特征参数结合的语音信号识别方法,首先在特征参数提取中引入了小波包变换,借助MFCC参数的提取方法,用小波包变换代替傅里叶变换和Mel滤波器组,提取了新的静态特征参数DWPTMFCC,然后把它与一阶DWPTMFCC差分参数相结合成一个向量,作为一帧语音信号的参数。仿真实验证明：基于新特征的识别率比原来MFCC的识别率有了很大提高,特别是在低信噪比情况下。     

基于深度卷积网络的运动想象脑电信号模式识别

针对运动想象脑电信号(MI-EEG)分类准确率普遍偏较低的问题,引入基于深度框架的卷积神经网络模型(CNN).首先,使用短时傅里叶变换(STFT)和连续小波变换(CWT)得到两种不同解析度下的时频信息;然后将其与电极通道位置信息相结合并以三维张量的形式作为CNN的输入;其次,设计了两种基于不同卷积策略的网络模型Mixe...     

基于离散小波变换的信号分解算法研究

提出一种基于离散小波变换的信号分解算法.实验结果表明,该算法较好地克服了传统信号分解在高频段的频率分辨率较差,而在低频段的时间分辨率较差的缺点。     

Listed companies’ financial distress prediction based on weighted majority voting combination of multiple classifiers

How to effectively predict financial distress is an important problem in corporate financial management. Though much attention has been paid to financial distress prediction methods based on single classifier, its limitation of uncertainty and benefit of multiple classifier combination for financial distress prediction has also been neglected. This paper puts forward a financial distress prediction method based on weighted majority voting combination of multiple classifiers. The framework of multiple classifier combination system, model of weighted majority voting combination, basic classifiers’ voting weight model and basic classifiers’ selection principles are discussed in detail. Empirical experiment with Chinese listed companies’ real world data indicates that this method can greatly improve the average prediction accuracy and stability, and it is more suitable for financial distress prediction than single classifiers.     

Classification of multiple motor imagery using deep convolutional neural networks and spatial filters

Brain–Computer Interfaces (BCI) are systems that translate brain activity patterns into commands for an interactive application, and some of them recognize patterns generated by motor imagery. Currently, these systems present performances and methodologies that still are not practical enough for realistic applications. Therefore, this paper proposes two methodologies for multiple motor imagery classification. Both methodologies use features extracted by a variant of Discriminative Filter Bank Common Spatial Pattern (DFBCSP) presented in this paper. The frequency bands selection in this variant is carried out by a novel iterative algorithm that selects the frequency band that attains the highest classification accuracy for specific binary classification. For each binary combination of classes, a frequency band is selected. The resulting samples are then set into a matrix which feeds one or many Convolutional Neural Networks previously optimized by using a Bayesian optimization. The first methodology applies a Convolutional Neural Network (CNN) for the classification of all classes and the second is a modular network composed of four expert CNNs. In this modular network, each expert CNN performs a binary classification, and a fully connected network analyzes their results. To validate both approaches two datasets were used, the BCI competition IV dataset 2a and another presented in this paper recorded from eight subjects by using the OpenBCI device. The experimental results demonstrated an improvement in the classification accuracy over many classic intelligent recognition methods, without a high computation time in order that they can be implemented in an online application.