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。     

基于残差图卷积网络的运动想象任务分类

为了提高运动想象脑机接口任务分类的准确性,需要增强运动想象脑电信号的解码精度。利用脑电的空间分布及多导联信息关联,构建图神经网络,提出了一种基于残差图卷积的运动想象任务分类模型。将残差学习嵌入深度图卷积神经网络,改善网络退化;并将分层图池化方法加入模型,充分提取运动想象脑电特征信息,提高分类准确率。该模型在两个脑机接口竞赛数据集上分别取得93.84%和96.39%的平均分类准确率以及0.917 1和0.953 5的平均Kappa系数。仿真结果表明,模型能有效提高运动想象脑机接口任务分类精度,且具有较好的泛化能力。     

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。     

基于共空间模式和均匀流形投影的运动想象脑电信号识别方法

运动想象脑电信号的识别与分类问题一直是脑机领域研究的热点问题。针对此问题,使用区别传统线性降维方法的流形学习方法,将共空间模式算法与均匀流形投影算法相结合,充分利用了脑电信号中的非线性特征,对运动想象脑电信号进行了特征提取和数据降维,并使用KNN分类器进行了分类,对分类效果做出了评价;将降维前后的数据分类结果进行对比,说明了数据降维的优点和必要性;进一步讨论了降维结果在数据可视化方面的表现。发现经过数据降维的特征数据的可视化效果明显优于未经过降维的数据,进一步提出了一种基于共空间模式和均匀流形投影的新型脑电信号识别方法,对进行脑电信号深度剖析。挖掘脑电信号非线性特征提供了参考价值,同时也在数据流形分布以及数据可视化的角度为运动想象脑电信号识别提供了新思路。     

基于卷积神经网络和Transformer网络的鸟声识别

针对传统鸟声识别算法中特征提取方式单一、分类识别准确率低等问题,提出一种结合卷积神经网络和Transformer网络的鸟声识别方法。该方法综合考虑网络局部特征学习和全局上下文依赖性构造,从原始鸟声音频信号中提取短时傅里叶变换(Short Time Fourier Transform,STFT)语谱图特征,将其输入到卷积神经网络(ConvolutionalNeural Network,CNN)中提取局部频谱特征信息,同时提取鸟声信号的对数梅尔特征及一阶差分、二阶差分特征用于合成梅尔频率倒谱系数(Mel Frequency Cepstrum Coefficient,MFCC)混合特征向量,将其输入到Transformer网络中获取全局序列特征信息,最后融合所提取的特征可得到更丰富的鸟声特征参数,通过Softmax分类器得到鸟声识别结果。在Birdsdata和xeno-canto鸟声数据集上进行实验,平均识别准确率分别达到了97.81%和89.47%。实验结果表明该方法相较于其他现有的鸟声识别模型具有更高的识别准确率。     

基于卷积神经网络优化的水轮机振动信号识别

提出了一种基于蝙蝠算法优化卷积神经网络的水轮机振动信号识别方法。首先对水轮机时域加速度振动信号进行测量、提取和归一化处理,采用蝙蝠算法对卷积神经网络训练过程中的超参数权值和偏置值进行优化,然后对10 种不同测点的水轮机振动信号进行实验,针对每个测点的振动信号对水轮机8 种不同工况进行区分识别,最后将信号识别过程中各参数对传统卷积神经网络识别结果的影响进行针对性分析。结果表明：所建立的基于蝙蝠算法优化卷积神经网络的识别模型具有良好的稳定性和较高的识别精度,能够准确识别振动信号,识别结果准确率均在94 %以上,与传统卷积神经网络对比,信号识别准确率显著提升,最高达到20.78 %。同时可以看出,振动数据输入长度、样本尺寸和训练次数对传统卷积神经网络训练效果影响显著。研究结论可为水轮机振动识别、工况识别和故障识别提供理论依据。     

基于卷积神经网络的光学遥感图像船只检测

目的研究无需进行复杂的图像预处理和人工特征提取,就能提高光学遥感图像的船只检测准确率和实现船只类型精细分类。方法对输入的检测图像,采用选择性搜索的方法产生船只候选区域,用已经标记好的训练样本对卷积神经网络进行监督训练,得到网络参数,然后使用经过监督训练的卷积神经网络提取抽象特征,并对候选区域进行分类,根据船只候选区域的分类概率同时确定船只的位置以及类型。结果与现有的2种检测方法进行对比,实验结果表明卷积神经网络能有效提高船只检测准确率,平均检测准确率达到了93.3%。结论该检测方法无需进行复杂的预处理,能同时对船只进行检测和分类,并能有效提高船只检测准确率。     

基于盲源分离的P300脑电信号特征提取方法的研究

P300脑电信号被广泛应用于脑认知、脑机接口,该信号强度弱,容易受到环境及眼动伪迹、心电、肌电和自发脑电信号的干扰,淹没在采集脑电信号中。为了将P300与各种干扰快速高效地分离开来,通过分析P300在时域、频域和头皮空间域的特征,提出了以相干平均和小波变换与盲源分离相结合的算法,从时频域和空域对P300进行特征提取,针对多导联脑电信号盲源分离后选取P300成分对应分量的问题,提出了一种新的方法,并且通过实验比较了Informax、FastICA和AMUSE等3种盲源分离算法在P300特征提取中的性能。实验结果表明,从时频空域对P300特征提取的性能较仅从时频域进行特征提取有明显提高。     

基于改进CNN的噪声以及变负载条件下滚动轴承故障诊断方法

针对现有轴承故障诊断方法应对噪声以及变负载条件下诊断能力不足问题,提出一种基于卷积神经网络(Convolutional Neural Networks,CNN)和有效通道注意力模块(Efficient Channel Attention,ECA)的滚动轴承故障诊断方法.该方法首先通过卷积神经网络对原始信号进行自适应故障...     

基于CUM3-CNN的柴油机高压油路故障诊断EI北大核心CSCD

针对柴油机故障诊断中噪声干扰强、人工确定特征主观影响大、自动识别准确率低的问题,提出了一种利用卷积神经网络(CNN)识别振动信号三阶累积量灰度图的柴油机故障诊断方法。首先利用三阶累积量抑制高斯噪声的先天特点对缸盖振动信号进行分析,生成抑制噪声后的灰度图像,作为卷积神经网络的输入;用具有动量的随机梯度下降优化算法和学习率退火方法训练卷积神经网络,通过遗传算法优化训练参数,用训练好的网络对柴油机高压油路的5种工况进行故障诊断。试验结果表明:三阶累积量生成的灰度图像既能有效抑制噪声又能全面表现特征信息;用学习率退火方法和遗传算法改进优化的卷积神经网络有良好的泛化能力,相比于传统方法具有更高的准确率和抗噪能力。     

基于多分辨率时频特征融合的声学场景分类

声学场景分类是计算机听觉中最难的任务之一,在单一特征条件下采用基本的卷积神经网络相对于传统的分类方法精度已经有所提升,但是效果依然不够理想。针对这一问题,在卷积神经网络框架下,提出了一种基于时频特征融合的声学场景分类方案。在分类模型构建方面,提出一种多分辨率卷积池化方案,构造多分辨率卷积神经网络,以更好地适应提取特征的时频结构;在特征选取方面,融合低层次包络特征对数——Mel子带能量和高层次结构特征——非负矩阵分解系数矩阵,把两种二维特征堆叠为三维特征送入分类模型。在2017年和2018年声学场景分类和事件检测挑战赛的开发数据集上进行了训练和测试。实验结果表明,文中提出方案比基线系统的分类精度分别提高7.5%和10.3%,可有效改善分类效果。     

An automated methodology for the classification of focal and nonfocal EEG signals using a hybrid classification approach

The uncertainty in human brain leads to the formation of epilepsy disease in human. The automatic detection and severity analysis of epilepsy disease is proposed in this article using a hybrid classification algorithm. The proposed method consists of decomposition stage, feature extraction, and classification stages. The electroencephalogram (EEG) signals are decomposed using dual-tree complex wavelet transform and then features are extracted from these coefficients. These features are then classified using the neural network classification approach in order to classify the EEG signals into either focal or nonfocal EEG signals. Furthermore, severity of the focal EEG signal is analyzed using an adaptive neuro-fuzzy inference system classification approach. The proposed hybrid classification method for the classification of focal signals and nonfocal signals achieved 98.6% of sensitivity, 99.1% of specificity, and 99.4% of accuracy. The average detection rate for both focal and nonfocal dataset is about 98.5%.     

Classification of motor imagery electroencephalography signals using continuous small convolutional neural network

As an important part of brain-computer interface (BCI), the electroencephalography (EEG) technology of motor imagery (MI) has been gradually recognized for its great theoretical value and practical application. In this study, in view of the different MI tasks corresponding to active region of the EEG signals, we adopt a two-dimensional form including time, frequency, and electrode location information, then we design a classification method containing continuous small convolutional neural network (CSCNN). This method is mainly used for feature extraction through continuous small convolutional kernels and one rectangle convolutional kernel, and the softmax classifier for classification. In the experiment, classification accuracy and kappa value are used as evaluation criteria to verify the effectiveness of the method proposed in this study. For classification accuracy, BCI competition IV data set 2b is used to compare with the other five classification methods (CNN, CNN-SAE, stacked autoencoder [SAE], support vector machine [SVM], and one-dimensional convolution combined with gated recurrent unit [1DCGRU]). The results demonstrate that the overall accuracy of CSCNN is higher than other methods, and CSCNN obtains an average accuracy of 82.8%. For kappa value, BCI competition IV data set 2b is used to compare with the other three methods (filter bank common spatial pattern [FBCSP], Twin SVM, and CNN-SAE). The performance of CSCNN is better with an average value of 0.663. Overall, the results show that CSCNN maintains a small number of parameters and improves the classification accuracy.     

基于变分模态分解与深度卷积神经网络的滚动轴承故障诊断

针对滚动轴承振动信号非平稳、非线性特点以及特征提取困难问题,提出一种基于变分模态分解(VMD)与深度卷积神经网络相结合的特征提取方法并应用于滚动轴承故障诊断。利用VMD将原始振动信号分解得到若干不同频率的限带本征模态分量,通过卷积网络中的多组卷积核自动学习各模态数据的不同特征,保证了特征提取的自适应性、全面性和多样性。在特征提取的基础上,使用全连接神经网络进行故障分类与诊断。将所提方法应用于滚动轴承故障诊断,结果表明,该方法在变工况情况下能够实现滚动轴承故障类别以及损伤程度的精确判定。     

An automatic channel selection method based on the standard deviation of wavelet coefficients for motor imagery based brain–computer interfacing

The redundant data in multichannel electroencephalogram (EEG) signals significantly reduces the performance of brain–computer interface (BCI) systems. By removing redundant channels, a channel selection strategy increases the classification accuracy of BCI systems. In this work, a novel channel selection method (stdWC) based on the standard deviation of wavelet coefficients across channels is proposed to identify Motor Imagery (MI) based EEG signals. The wavelet coefficients are calculated by employing a Continuous Wavelet Transform (CWT) filter bank to decompose each trial from the EEG channel. The wavelet coefficient's standard deviation values are obtained across the channels, and these values are then sorted to determine the EEG channels with the highest standard deviation values. The channels with the largest wavelet coefficient divergence are chosen. MI trials are then spatially filtered with the Common Spatial Pattern (CSP), and CWT filter bank-based 2D images are generated from the spatially filtered trials. These images are then classified using a unique nine-layered convolutional neural network (CNN) model that combines two feature maps acquired with differing filter sizes. The proposed framework (stdWC-CSP-CNN) is evaluated using kappa score and classification accuracy on two publically accessible datasets (BCI Competition III dataset IVa and BCI Competition IV dataset 2a). The suggested framework achieved a mean test classification accuracy of 88.8% for dataset IVa from BCI Competition III and 75.03% for dataset 2a from BCI Competition IV, according to the results. The proposed channel selection method outperforms the other channel selection methods examined, according to the results. By rejecting redundant channels, the whole framework can improve the performance of MI-based BCIs.     

基于卷积神经网络的印刷套准识别方法

目的 针对目前印刷套准识别方法依赖于经验人工设计特征提取的问题,提出一种不需要人工提取图像特征的卷积神经网络模型,实现印刷套准状态的识别.方法 采用图像增强技术实现不均衡训练集的均衡化,增加训练集图像的数量,提高模型的识别准确率.设计基于AlexNet网络结构的印刷套准识别模型的结构参数,分析批处理样本数量和基础学习率对模型性能的影响规律.结果 文中方法获得的总印刷套准识别准确率为0.9860,召回率为1.0000,分类准确率几何平均数为0.9869.结论 文中方法能自动提取图像特征,不依赖于人工设计的特征提取方法.在构造的数据集上,文中方法的分类性能优于实验中的支持向量机方法.     

基于小波包时频图特征和卷积神经网络的水声信号分类

水下声信号分类是水声学研究的一个重要方向.一个有效的特征提取和分类决策方法对水声信号分类技术至关重要.文章将鱼声、商船辐射噪声和风关噪声三类实测的水声信号在小波包分解的基础上提取时频图特征,并搭建了一个七层结构的卷积神经网络作为分类器.研究结果表明:三种水声信号的小波包时频图特征结合卷积神经网络在不同测试集可达到(98...