基于迁移学习的运动想象脑电信号分类研究

由于单个被试的运动想象脑电训练样本较少,且不同被试的脑电个体差异较大,导致大脑运动想象任务分类正确率不高、训练校准时间过长.本文提出一种欧几里得对齐-正则共空间模式的迁移学习方法,实现在样本和特征上同时进行迁移.通过数据对齐的迁移方法使不同被试间样本分布更相似,采用正则化迁移方法改进共空间模式,提取出更鲁棒的空间特征信息.对BCI competition运动想象脑电数据集进行仿真测试,右手和右脚运动想象任务的平均分类正确率可以达到87.10%;在小训练样本集上,本文的迁移学习方法相比共空间模式方法,其平均分类正确率提高了14.43%;对于跨被试的运动想象脑电,平均分类正确率提高了23.5%.实验结果表明,该方法可以有效提高小样本、跨被试运动想象脑电的分类正确率,减少模型校准训练时间,提高泛化能力.     

基于集合经验模态分解的脑电信号高阶张量特征提取

为了实现脑机接口系统需要有效的特征提取算法。针对二维主成分分析(2DPCA)的特征提取方法忽略脑电信号(EEG)频域特征的缺点和基于小波分解构建EEG高阶张量时小波参数难以确定的局限性,提出了基于集合经验模态分解(EEMD)构建高阶张量结合多线性主成分分析(MPCA)降维的特征提取方法。设计了3种不同特征提取方法的对照实验,并结合Fisher线性判别分析分类方法取得分类准确率。结果表明:新提出的方法相比基于小波分解构建高阶张量结合MPCA进行降维和2DPCA的特征提取方法,平均识别准确率分别提高4.75%和2.6%,且识别准确率的方差分别减小72.69%和23.86%。该方法在提高单次运动想象脑电信号识别准确率的同时还具有更好的适用性,为实现运动想象脑电信号解码奠定了基础。     

运动意图诱发脑电预备响应信号的特征识别

针对预备响应脑电信号(EEG)所包含的运动意图进行提取与识别，对于真实运动前准备电位进行解码。利用共空间模式(CSP)和极限学习机(ELM)解决大脑运动准备诱发特征识别。实验结果表明：该方法能够高效区分左右手真实运动前的准备电位，对脑机接口(BCI)大赛运动执行前的准备诱发脑电数据平均识别正确率可达85.7%。在解码问题上，预备电位与运动想象(MI)脑电信号相比，节省了意识产生到动作执行这一段时间，提高操作任务执行的响应效率，为实现基于运动意图的高效脑机交互提供理论依据和技术支持。     

基于线性判别分析的决策融合脑电意识动态分类

脑电信号的识别与分类是脑机接口技术的热点研究问题,单一分类器不能很好利用特征以及分类器的适应性,导致识别的准确率很难进一步提高,基于线性判别分析的分类决策级融合策略,可用于提高脑-机接口系统的分类准确率。首先,通过分离出两种分类器的假性试验特征,从这两种方法中选择更有可能正确决策提高分类准确性;其次为了测量每个决策的不确定性,使用与所对应分类器的最大和第二大相关系数提取特征向量。基于这一思想,提出了一种新的决策选择器,该方法通过整合两种基于线性判别分析的算法选择更有可能是准确的决策,从而达到提高脑电信号分类准确度。实验结果表明,该方法通过与精度相近的算法相结合在运动想象数据分类上获得了较好的分类准确率。     

基于改进迁移学习的运动想象分类识别算法北大核心CSCD

利用迁移学习算法提高分类识别的准确率是运动想象脑机接口应用的热点研究问题,其中样本迁移和特征迁移的传统模型算法在样本量较少或源域数据和目标域数据差异较大情况时,各自的迁移效果并不理想。基于欧式对齐(EA)和改进联合类质心匹配和局部流形自学习(CMMS)迁移学习的运动想象分类算法,将样本迁移和特征迁移的优势有机结合,在考虑样本本身的同时,进一步提高了分类准确率。首先,对样本进行源域和目标域的EA,减少源域和目标域的数据分布差异;其次,基于最小化最大均值差异(MMD)改进CMMS方法,筛选源域数据,再次减小源域样本与目标域的分布差异;最后,将该方法应用于BCI竞赛数据集进行离线测试和在线实验。实验结果表明:所研究的方法与SVM、JDA、BDA、EasyTL、GFK、CMMS相比较,迁移学习模型的识别准确率分别提高了14.38%,8.5%,5.8%,10.4%,11.8%,5.7%。     

基于体感电刺激的脑-机接口实验范式初探（英文）

大脑对各类感觉输入(视、听模态)会产生不同的响应信号,脑-机接口正是利用这一响应信号实现大脑与外部设备间直接的通讯.然而以电刺激作为脑-机接口的输入模态还未有报道.本研究尝试通过使用体感电刺激作为脑-机接口的输入,从而诱发事件相关电位(ERP).在整个实验中,分别使用视觉、听觉以及电刺激作为诱发因素,针对每种条件下的事件相关电位及其分类准确率开展对比分析.结果显示电刺激所诱发的事件相关电位幅值较高且具有相对稳定的潜伏期,其分类准确率高于听觉刺激范式.也就表明了以不同刺激强度作为参数的电刺激范式作为脑-机接口应用的可行性,这将进一步拓展脑-机接口的应用领域.     

基于混合迁移学习的运动想象分类算法研究及其在脑机接口中的应用

为提升迁移学习在运动想象脑机接口应用过程中的迁移高效性及普适性,综合实例迁移和特征迁移学习方法的优势进而构建了混合迁移学习模型。首先,依据样本权重极化原理改进TrAdaBoost算法以实现实例层面的迁移,优化源域训练样本;其次,基于大间隔投射迁移支持向量机进一步缩短源域与目标域间的分布距离以完成特征层面的迁移,实现迁移效率最大化。进一步,将该方法应用于脑机接口竞赛Dataset IIb数据集进行离线测试及分析,研究结果表明混合迁移学习模型的迁移效率明显高于单一迁移学习模型,并且对于不同迁移对象识别准确率相对提升均值在70%以上,验证了所述方法的有效性与普适性。此外,基于已搭建的运动想象识别系统进行在线测试,验证了模型的实用性。     

基于RBF神经网络集成的三维模型分类和检索

针对单个神经网络难以对复杂的三维模型特征空间有足够的优化能力和泛化能力的问题,用Boosting方法变种和基于粒子群训练的RBF神经网络,形成特征空间对应的多个神经网络,然后将神经网络集成,给出三维模型的分类信息。在三维模型检索时,将神经网络集成输出的分类信息和特征空间上的距离信息进行加权计算,得到三维模型之间的相似度。实验结果表明,基于RBF神经网络集成的分类方法能有效提高三维模型的分类准确率;同时,考虑特征空间上模型间的距离和语义分类层次上模型间的距离,能够大大提高三维模型的检索精度。     

基于变分模态分解与深度信念网络的运动想象分类识别研究

传统人工确定最优时段及最优频段的方法会造成信息遗漏进而导致运动想象识别率的降低, 因此基于脑电信号的运动想象分类研究成为了脑-机接口研究领域的难点问题。针对该问题,变分模态分解和深度信念网络被应用于运动想象分类。对脑电信号进行变分模态分解得到窄带分量,利用希尔伯特变换提取边际谱、特征频带下的瞬时能谱以及时-频联合特征; 特征融合后采用深度信念网络对高维特征降维并实现运动想象模式的识别, 避免了人工确定想象最优时段及最优频段造成的信息遗漏。实验结果表明,利用变分模态分解与深度信念网络自动提取最优时段及最优频段特征的方法有效提升了运动想象识别率。     

基于支持向量特征筛选方法的想象动作识别

引入了支持向量特征筛选方法,以克服基于想象动作诱发脑电特征的脑-机接口识别中,由于特征维度较高而训练数据有限、不易获得理想识别效果的问题.支持向量特征筛选方法采用扰动支持向量机代价函数的方法测量特征的分类贡献度,进而建立特征序贯指数,以递归方法进行特征排序和优化筛选.对14例受试者的左右上肢想象动作诱发脑电信号进行分析,提取6类246维特征,采用支持向量递归筛选方法进行特征优选,利用支持向量机对优选特征进行识别,结果显示,支持向量递归筛选得到的优选特征可显著提高识别正确率.研究表明,支持向量特征筛选可以降低无效特征干扰,提高分类器效率,适用于特征维度较高的脑-机接口任务识别.     

一种改进ADAM-CNN模型的钢筋混凝土腐蚀检测方法

针对钢筋混凝土腐蚀检测中单一传感器或检测方式获取锈蚀特征信息不足及准确率不高等问题,提出一种改进神经网络模型结构下对集成阳极梯、应变力、温度传感器的多传感器数据融合检测方式。首先将一维多传感器数据二维化,采用卷积核对特征信息滤波提取,提取后的信息平展后连接BP残差神经网络层,增强浅层低非线性度特征信息向深层网络的直接传递和重复利用,提高网络模型的拟合及泛化能力。针对ADAM优化算法在模型训练后期学习率可能震荡不收敛问题,引入分段学习率衰减策略抑制后期震荡,同时对二阶矩估计梯度变化进行调整,提高迭代收敛效率。仿真结果表明,改进后的ADAM-CNN算法模型具有更好的分类性能,在钢筋腐蚀样本测试集上的平均准确率为96.2%。     

基于注意力模型的多传感器人类活动识别

深度循环神经网络适用于处理时间序列数据, 然而循环神经网络特征提取能力差, 时间依赖关系挖掘不足。针对此问题, 提出了3种注意力机制和长短时记忆(LSTM)神经网络结合的模型用于人类活动识别问题, 并研究了3种注意力机制在不同数据集上单独及配合使用时对模型精度的影响。对于UCI_HAR数据集, 3种注意力LSTM模型准确率分别为94.13%、95.15%和94.81%,高于LSTM模型识别准确率93.2%。此外, 针对人类活动识别的传感器时间序列数据的标签特点, 提出将时间段分类任务转化为分割任务, 设计了2个基于分割任务的注意力门控循环单元(GRU)神经网络模型, Bahdanau注意力GRU模型在Skoda数据集和机会(Oppor)数据集准确率为84.61%和89.54%, 高于基准UNet模型的70.40%和88.51%。     

基于改进Transformer模型的运动想象脑电分类方法研究

运动想象(MI)脑电信号本身是由一组较长且连续的特征值组成的信号序列，传统Transformer模型无法捕捉较长序列之间的依赖，设置固定长度的序列又会产生碎片化问题，因此有待进一步调整和优化。针对上述问题，在传统Transformer模型中加入了片段重用的循环机制和重用之前片段信息的相对位置编码机制，使Transformer模型能够学习更长特征序列的特征信息，同时解决重用片段之间的位置编码信息错乱和重用等问题。然后，通过并行多分支CNN进一步捕捉脑电局部特征。最后，利用竞赛数据集2008 BCI-Competition 2A对改进的Transformer模型性能进行评估。结果表明，在不做任何人工特征提取的前提下，对于四分类数据集，改进Transformer模型的平均准确率和kappa值分别为94.27%和87.34%。     

基于残差连接和1D-CNN的滚动轴承故障诊断研究

针对滚动轴承故障诊断人工提取特征困难、浅层诊断模型性能差的问题,提出一种基于残差连接的一维卷积神经网络(1D-CNN)的深层轴承故障诊断模型。将原始轴承振动信号输入网络中,利用具有残差连接的多个一维卷积层自动提取特征,残差连接能够在提取深层特征信息的同时将浅层提取的特征信息保留下来,与无残差连接的一维卷积网络相比能获得更丰富的轴承信号特征信息,并输入到Softmax层进行分类,输出轴承振动信号的故障类型。该研究通过不同残差网络结构模型的设计,验证具有残差连接的1D-CNN的网络模型在轴承故障诊断的有效性。试验结果表明,残差连接能有效提高轴承故障诊断的准确率。     

基于盲源分离的运动想象脑电信号特征提取方法的研究

运动想象脑电信号被广泛应用于脑机接口系统中。针对如何准确有效地提取运动想象脑电信号特征的问题,通过分析运动想象脑电信号时域、频域和头皮空间域的特征,提出了以小波变换为预处理,并利用二阶盲辨识算法和信息论特征提取算法相结合获取的空间滤波器,从时域、频域和头皮空间域对运动想象脑电信号进行特征提取的方法。实验结果表明,采用时域、频域和空间域提取特征的方法性能有明显提高,并且将二阶盲辨识算法和信息论特征提取算法相结合获取的空间滤波器能够反映更真实的大脑源活动。     

基于深度神经网络的货架商品识别方法

目的为快速统计货架商品信息,提出一种基于深度神经网络的货架商品自动识别方法。方法摄像头采集的货架商品图像经过深度神经网络算法处理,得到了图像中商品的SKU和位置。针对货架商品识别这种密集检测场景,文中方法改进了通用深度神经网络目标检测算法,将算法分为检测和分类2个阶段且重新设计了部分网络结构。最后,将文中方法和传统货架商品识别方法以及通用深度神经网络目标检测方法进行了比较。结果实验证明该方法的检测阶段的模型平均正确率达到96.5%,分类阶段的分类准确率达到99.9%。整图测试的查准率为97.56%,查全率为99.26%。结论相较于以往使用传统的目标检测模型进行货架商品识别以及使用SIFT等人工算子提取特征并分类识别商品具体SKU,文中方法的商品检出率和分类准确率都有了大幅度的提升,具有很好的应用潜力。     

采用大核注意力机制的抗噪轴承故障诊断模型

针对滚动轴承故障诊断模型易受轴承工作环境噪声以及运行数据样本数量影响的特点,提出一种并行大核注意力机制卷积神经网络（PLKACNN）。首先,将一维时间序列通过短时傅里叶变换转化成二维图像作为模型的输入,使用并行大核注意力机制实现对不同维度的故障特征的提取;其次,将并行支路所得的特征图进行堆叠以获得整体信息,最终通过整合卷积层以及全连接层对整体信息进行学习以及分类。结果表明PLKACNN能够有效识别滚动轴承故障程度和故障位置,在带噪数据集上获得平均98.5%的准确率,并且在带噪小样本实验中获得92.81%平均准确率,证明所提PLKACNN具有较好的噪声鲁棒性以及泛化能力。     

基于一维深度残差收缩网络的汇流行星排齿轮裂纹故障诊断EI北大核心CSCD

装甲车辆汇流行星排出现裂纹时,箱体表面振动信号干扰较多,常见的故障诊断方法存在偏差。为此,提出一种利用一维深度残差收缩网络的汇流行星排齿轮裂纹故障诊断模型;其特点是将注意力机制与软阈值化结合,增强有用信息,抑制冗余信息,并将其引入到残差神经网络中,显著提高模型特征提取的能力;为验证该模型的可行性,采集了行星轮四种不同程度裂纹的振动信号作为样本用于故障诊断。结果表明,针对汇流行星排齿轮箱振动信号该方法可以在更短的时间取得更高的准确率,相较其他方法,可以取得更好的分类结果。     

迁移学习和卷积神经网络电力设备图像识别方法

一线生产单位一般不具备建立大量电力设备图像数据集的条件,因此在使用深度学习模型协助完成对电力设备图像的识别过程中受到限制。通过对电力设备进行三维建模和多角度渲染,获得大量模拟电力设备图像,解决深度学习模型卷积神经网络在学习过程中数据集不足的问题。同时,通过迁移学习的方式将经过模拟电力设备图像训练的卷积神经网络应用于对真实电力设备图像的学习中,提高学习效率和精度,最终取得93.5%的识别准确率。该方法为一线生产单位将卷积神经网络应用于电力设备图像识别分类任务提供一种解决办法。     

基于异步并行诱发策略的混合范式脑-机接口技术

稳态视觉诱发电位(SSVEP)与事件相关电位中P300成分相结合的混合范式脑-机接口(SP-BCI)系统可同时诱发两种特征脑电信号并综合前者的高信噪比和异步兼容特点及后者的大指令集优势,具有提高系统信息传输速率的潜在能力,但现有脑电诱发范式未能充分发挥上述特长.本文提出一种SSVEP按各自频率异步诱发和阻断(SSVEP-B)且与P300并行诱发的新策略,并融合SSVEP-B与P300特征信息进行脑电分类识别.经10名健康年轻被试离线测试实验结果表明,被试总体平均分类正确率为84.5!,系统最高理论信息传输速率为89.5 bit/min,表明新型诱发策略有助于提高BCI信息识别正确率和信息传输速率,有关研究思路与技术可供混合范式脑-机接口系统设计与推广应用参考.