基于自适应Lempel-Ziv复杂度的情感脑电信号特征分析

脑电信号是研究人类情感的主要手段之一。将Lempel-Ziv复杂度算法应用在脑电情感分类方面,并对其进行相应改进。针对脑电信号变化微弱的情况,在二值化过程对原有二值化方法进行改进,采用自适应方法调整信号分段区域,提取脑电情感数据特征,刻画了相邻点之间的相互关系和细节信息。探究不同情感状态下、不同电极复杂度的变化规律,采用SVM进行特征分类,验证了所提取特征的质量和有效性。     

多通道连续卷积神经网络脑电信号情绪识别

针对不同个体的脑电信号差异大且易受到环境因素影响的问题, 结合去基线干扰及脑电通道选择方法, 提出一种基于连续卷积神经网络的情绪分类识别算法. 首先进行基线信号的微分熵(differential entropy, DE)特征的选取研究, 将数据处理为多通道输入后使用连续卷积神经网络进行分类实验, 然后选择最佳电极个数. 实验结果表明, 将实验脑电信号微分熵与被试者实验脑电前一秒的基线信号微分熵的差值映射为二维矩阵后, 在频率维度组合为多通道的形式作为连续卷积神经网络的输入, 在22通道上唤醒度和效价的分类平均准确率为95.63%和95.13%, 接近32通道的平均准确率.     

基于神经网络集成的睡眠脑电分期研究

用近似熵对睡眠脑电信号进行分期,由于睡眠Ⅲ期和Ⅳ期近似熵值非常接近,靠近似熵值无法区分,提出基于神经网络集成的睡眠脑电信号分期,采用BP神经网络为分类器,对用AR参数提取的睡眠脑电特征对睡眠Ⅲ期和Ⅳ期进行分期。为进一步提高BP神经网络性能,采用Bagging算法对BP神经网络分类器进行加权投票,实验表明,提出的方法具有很好的分期效果。     

LMD特征融合与SVM的供水管道堵塞识别

针对城市供水管道早期堵塞难以检测的问题,提出了一种基于局部均值分解(LMD)的分量信号特征提取,结合支持向量机(SVM)的堵塞故障识别方法.先对声响应信号进行LMD,得到若干乘积函数(PF)分量,进而采用相关分析法选取有效PF分量,对有效PF分量分别提取能量熵、近似熵和平均声压三个指标的特征,构建分类特征集.最后利用交叉验证(CV)方法优化参数的SVM分类器识别堵塞故障信号.实验结果表明:采取基于LMD特征融合和通过CV优化的SVM相结合的方法可以有效识别供水管道的初期堵塞.与基于LMD特征融合和BP神经网络的方法进行了对比,结果表明:本文方法具有更好的堵塞故障识别效果.     

心理测试中掩饰行为的识别研究

脑电（Electrocorticogram,EEG）信号能够正确地揭示人的心理活动,因此被广泛地运用到心理测试中。提出了一种基于EEG信号的非线性特征融合方法,对受试者在心理测试中是否存在掩饰行为进行识别。对心理测试过程中受试者的EEG信号进行预处理,提取各通道信号的Lempel-Ziv复杂度LZC、样本熵SE、排列熵PE和模糊熵FE四种非线性特征;使用多维尺度分析（MDS）对所得的四种特征的不同特征组合进行融合和降维操作。针对不同特征组合,采用正则化核函数极限学习机构建分类模型并通过测试集验证分类模型的性能。实验结果表明,分类模型准确率能达到82.9%,证明了该方法的适用性。     

基于稀疏组lasso-granger因果关系特征的脑电信号情感识别

针对目前基于单一脑区功能性网络层面的特征提取,文中提出稀疏组lasso-granger因果关系方法.首先从效应性脑网络层面提取不同脑区之间的因果关系作为脑电特征,分别提取受试者α,β,γ脑电波段的granger因果特征值.然后引用稀疏组lasso算法对获取的granger因果特征值进行特征筛选,获得高相关性特征子集作为情感分类特征.最后使用SVM分类器进行情感分类.此外,为了减少计算时间复杂度,使用过滤特征选择(ReliefF)算法,选取有效的脑电信号通道.实验表明,文中方法在Valence-Arousal二维情感模型上获得较高的平均情感分类准确率,分类效果优于对比的脑电特征,提取的情感脑电特征可以有效识别受试者的不同情感状态.     

基于样本熵和模式识别的脑电信号识别算法研究

脑-机接口BCI是一种实现人脑和外部设备通信的新兴技术。基于时频特性进行特征提取的传统方法无法体现EEG信号的非线性特征。为了进一步提高分类的准确率,首先采用小波阈值降噪的预处理方法提高了EEG信号的信噪比。然后结合非线性动力学的样本熵参数,对3种想象运动的脑电信号进行特征提取,保留了脑电信号的非线性特征。其中,运动想象MI脑电信号的研究一直都是BCI这一高速发展领域的重点目标。还研究了支持向量机、LVQ神经网络和BP神经网络3种分类器。通过实验结果对比发现,BP神经网络具有较高的识别率,更适用于脑电信号的分类识别。     

结合特征选择的二叉树SVM多分类算法

为解决现有二叉树SVM多分类算法采用固定的特征集和结构存在分类精度较低的问题,提出了一种结合特征选择的二又树SVM多类分类算法,采用自上而下分裂的方式构造整个二又树结构,首先计算各节点的所有可能分割,并以分离度和相似度作为依据为各分割选择有效的分类特征子集,再以相应的特征子集计算各分割的类间距,最后选择类间距最大的分割生成子节点,实验结果表明,该算法分类精度较高且计算复杂度低.     

基于离散粒子群和支持向量机的特征基因选择算法

基因芯片表达谱信息,为识别疾病相关基因及对癌症等疾病分型、诊断及病理学研究提供一新途径。在基因表达谱数据中选择特征基因可以提高疾病诊断、分类的准确率,并降低分类器的复杂度。本文研究了基于离散粒子群(binary particle swarm optimization,BPSO)和支持向量机(support vector machine,SVM)封装模式的BPSO-SVM特征基因选择方法,首先随机产生若干种群(特征子集),然后用BPSO算法优化随机产生的特征基因,并用SVM分类结果指导搜索,最后选出最佳适应度的特征基因子集以训练SVM。结果表明,基于BPSO-SVM的特征基因选择方法,的确是一种行之有效的特征基因选择方法。     

基于模糊化符号复杂度的脑电运动想象识别算法

提出一种基于模糊化符号复杂度的运动想象脑电信号特征提取与识别方法。在脑电信号的复杂度细粒化多符号度量中引入模糊算法,用sigmoid函数模糊化处理,逻辑判断得到模糊化符号复杂度。取细粒化指数n为2,提取模糊化符号复杂度作为特征值,最后利用支持向量机对脑电运动想象任务进行分类识别。实验结果表明,以模糊化符号复杂度为特征的分类方法,对左右手运动想象脑电信号的分类识别率最高达88.67%,优于二值化Lempel-Ziv复杂度算法。     

结合非线性全局特征和谱特征的脑电情感识别

针对现有表征情感信息的脑电信号的非线性特征提取不完善的问题,将相空间重构技术引入情感脑电的识别中,提取了在相空间重构下基于轨迹的描述轮廓的三种非线性几何特征作为新的情感脑电特征。结合脑电信号的功率谱熵以及非线性属性特征（近似熵、最大Lyapunov指数、Hurst指数）,提出了基于主成分分析（PCA）的非线性全局特征（非线性几何特征+非线性属性特征）和功率谱熵的融合算法,以支持向量机（SVM）为分类器进行情感识别。结果显示,非线性全局特征能更有效地实现情感识别,二分类情感识别率约90%左右。基于PCA的融合情感特征相比单一特征能达到更佳的情感识别性能,四分类实验中平均识别率可达86.42%。结果表明,非线性全局特征相比非线性属性特征情感识别率有所提高,非线性全局特征以及功率谱熵的结合可以构造出更佳的情感脑电特征参数。     

基于多维特征及BP网络的高分辨雷达目标识别

高分辨雷达目标的识别性能取决于目标特征的提取以及分类器的设计。为解决雷达高分辨距离像（HRRP）的方位、平移和幅度敏感性问题,采用了序贯预处理方法,有效提高了HRRP的信噪比。通过提取能较好反映雷达目标散射点回波特性的多维特征向量,设计BP神经网络作为分类器,提出了一种基于目标多维特征向量以及BP神经网络的高分辨雷达目标识别方法。利用在微波暗室测量获得的三种国产飞机模型回波数据进行目标识别处理,实验结果表明,提出的方法能有效地完成三种目标识别任务,在虚警率低于3%的情况下正确识别率优于95%。     

基于时域特征提取的围栏入侵模式分类方法

基于无线传感网的防入侵应用领域中行为分类问题,提出一种基于时域特征提取的电子围栏入侵检测及异常入侵模式识别系统。由于频域处理方法计算量大、复杂度高、传感器采样率高,为减轻系统的传输负担并减少时延,首先对原始信号预处理提取时域特征,然后通过一个三层的BP神经网络对目标事件进行分类,最后对比了多种典型的分类器方法的准确率。仿真结果表明：相比于频域处理方法,该方法复杂度低、易于实现,多种分类器准确率达86%以上,其中BP神经网络测试集的准确率能够达到94%,并且训练集和测试集的准确率偏差较小。     

基于神经网络的复杂垃圾信息过滤算法分析

垃圾信息的识别是自然语言处理方面主要的任务之一.传统方法是基于文本特征或词频的方法,其识别准确率主要依赖于特定关键词的出现与否,存在对关键词识别错误或对未出现关键词的垃圾信息文本识别能力较差的问题,提出基于神经网络的方法.首先,利用传统方法针对这一类垃圾信息文本进行识别训练和测试;然后,利用从垃圾短信、广告和垃圾邮件数...     

基于脑电模糊分析的睡眠分期方法研究

利用脑电信号模糊特征分类的方法对睡眠进行分期研究。首先对脑电信号进行预处理,滤除干扰噪声后使用模糊熵算法、多尺度熵算法以及复杂度算法对脑电信号进行特征参数提取,采用最小二乘支持向量机（the Least Squares Support Vector Machine,LS-SVM）对特征参数进行分类,并将睡眠过程分为清醒期、浅睡期、深睡期和快速眼动期（Rapid Eye Movement,REM）,获得分期正确率。最后通过上述方法对2?000组睡眠脑电样本进行睡眠分期测试,与专家人工分期结果进行比对,将复杂度输入到最小二乘支持向量机进行分类的平均正确率是92.65%,高于模糊熵和多尺度熵作为最小二乘向量机的输入时的准确率。基于模糊特征的复杂度提取的特征参数可以作为睡眠分期的有效依据,在保证准确度的前提下,降低人工成本。     

顾及局部特性的CNN在遥感影像分类的应用

深度学习的方法在图像识别和自然语言处理等方面展示了优异的性能。将卷积神经网络（Convolution Neural Network,CNN）用于高分辨率遥感影像分类。针对CNN用于遥感影像分类使用固定大小窗口遍历时,影像采样窗口数量过多,导致的分类效率低下问题,提出一种基于影像区域特性的采样窗口确定方法,提高分类效率。影像分类包括两个阶段：首先,利用卷积神经网络得到的特征对影像进行分类;然后,采用支撑向量机对第一步分类由于特征区分性不足造成的错分地物类别进行再分类。采用具有不同特性的遥感影像对所提方法进行了验证,实验结果表明,同现有的特征表示和分类方法相比,该方法的性能有明显改善。     

基于特征整合的卷积神经网络草地分类算法

为提高遥感影像草地分类的精度,分析了卷积神经网络中提取图像特征的特点,提出了一种基于特征整合深度神经网络的遥感影像特征提取算法。首先,将遥感影像数据进行PCA白化处理,降低数据之间的相关性,加快神经网络学习的速率;其次,将从卷积神经网络中提取到的浅层特征和深层特征进行双线性整合,使得整合后的新特征更加完善和优化;最后,对遥感数据进行训练,由于新特征中有效信息的增加,使得特征表达能力得到提高,达到提高草地分类准确率的目的。实验结果表明:该算法能够有效地提高草地分类的准确率,分类精度达到94.65%,相较于卷积神经网络、BP神经网络和基于SVM的分类算法分别提高了4.3%、10.39%和15.33%。     

基于多BP神经网络的内存组合特征分类方法

针对内存数据在攻击行为发生后会发生改变,而传统完整性度量系统使用的基准值度量存在检测率低、灵活性不足等问题的现象,提出一种基于多反向传播(BP)神经网络的内存组合特征分类方法.首先,将内存数据通过度量对象提取算法(MOEA)提取特征值;然后,分别使用不同的BP神经网络进行模型训练;最后,再通过一个BP神经网络对所得数据...     

色多普勒超声肾动脉血流信号曲线分类研究

彩色多普勒超声是肾动脉狭窄的首选筛查工具,目前临床上主要依靠人工判别来诊断肾动脉狭窄,对操作者具有很强的依赖性。在肾动脉多普勒超声图像的基础上,通过提取肾动脉血流信号曲线、提取曲线特征,继而基于SVM构建分类器,对肾动脉血流信号曲线进行分类,取得了较高的分类精度,并与最大似然分类器进行了分类实验比较,在肾动脉狭窄的计算机辅助诊断方向进行了有意义的探索。