基于单试验脑电图的n-back任务中的脑力负荷分类（英文）

近年来,脑力负荷估计已经经历了广泛的研究,因为监测认知负荷的能力能够防止认知超负荷并且改善工作场所安全。脑电图(EEG)信号已经被发现是一种客观和非侵入性的脑力负荷的测量方式。然而,作为实时脑力负荷监测和脑机接口研究的重要一步,基于单试验EEG数据的认知负荷的评估一直是一个重大的挑战。最近,许多高级的特征提取方法和机器学习算法已经被采用于基于EEG的脑力负荷评估中。在本研究中,使用在具有2个难度水平的n-back任务的执行期间记录的EEG数据进行了单试验脑力负荷分类,测试了3种类型的特征提取的有效性(谱功率、离散小波变换和公共空间滤波),并评估了4种分类算法的性能(支持向量机、K-近邻、随机森林和梯度推进分类器)。研究结果表明,公共空间滤波是性能最好的基于单试验的脑力负荷分类的特征提取方法,而且最佳性能可以通过将来自谱功率或离散小波变换的特征与来自公共空间滤波的特征相结合,并采用随机森林分类器来实现。这项研究可能对基于单试验脑电图数据的脑力负荷评估中的特征提取方法以及机器学习算法的选择提供一些有用的指导。     

基于树莓派和离散小波SVM的眨眼识别模块

眼电信号的识别和分类在机电控制领域应用十分广泛。眨眼信号识别是其中的一条重要分支。提出一种基于树莓派和离散小波SVM的眨眼识别模块,凭借树莓派的运算能力和机器学习算法库,利用离散小波变换对眨眼信号进行特征提取,使用支持向量机(SVM)分类器对其分类。为工程控制领域提供了一种快速、识别率高、轻便的眨眼识别模块设计思路和流程。     

基于多分类支持向量机算法的PCB焊点检测研究

针对PCB焊点检测分类的应用需求,采用基于机器视觉的"图像特征+分类器"的技术方案,研究总结了焊点图像特征提取方法,并采用多分类支持向量机算法实现焊点分类;在检测算法具体实现上,综合考虑多类别样本空间均衡、类间离散程度以及分类器数量,在算法性能、分类器训练与分类执行效率3方面取得平衡。实验结果表明,该检测方法对焊点类型的正确识别率达到了97.9%,证明了方法的有效性。     

机器学习下胎儿健康状态智能评估的研究进展

随着机器学习的飞速发展,不少研究人员将智能分类算法应用于胎儿健康状态评估中。本文首先介绍了用于胎儿健康状态评估的主要特征参数,综述了基于特征提取与基于深度学习的智能分类方法的国内外研究进展,主要包括决策树与随机森林、最小二乘向量机、K最近邻算法、卷积神经网络、循环神经网络等算法,分析了这些方法在胎儿健康状态智能分类中的优势和存在的问题,最后对其进行总结与展望。     

结合HOG与SVM的电子元件多位姿目标检测研究

针对电子元件体积小,由振动供料器翻转后,位置、旋转角度随机,姿态十分相似,且会出现元件重叠的情况;使用HOG-SVM目标检测算法通过机器学习进行研究,并分析了电子元件各不同角度的特征提取丰富程度以及样本数量对于算法性能的影响.通过几种旋转角度人工获取并标注多组不同数量的样本集,以OpenCV库为基础,分别训练分类器,进行检测分类.最终经过多次实验表明,每隔10度旋转进行特征提取更加丰富;且当样本数量达到由此角度获得的180个时,分类器整体性能趋于稳定,达到较好的分类精确率.     

基于小波变换和时域能量熵的 P300特征提取算法

针对P300信号特征提取和分类过程中训练及测试速度相对较慢的不足,提出了一种基于P300带内带外特征的脑电信号特征提取方法,将时域能量熵和离散小波变换相结合,克服了P300信号识别中对电极数量和脑电信号叠加次数的苛刻要求.试验采用支持向量机作为分类器,在BCI Competition 2003和BCI Competition 2005的P300试验数据集上进行验证,结果表明,提出的方法只需对一导数据进行处理,只有2次叠加平均,就能得到很好的分类效果及较短的分类系统运算时间.     

小波支持向量机多分类器在轴承性能退化评估中的应用

为了准确地对轴承性能退化过程数据进行评估,将Mexican hat小波函数引入支持向量机多分类器中,提出一种小波支持向量机多分类器.并基于平移不变核函数条件,给出该小波函数为容许核函数的证明.根据"一对多"算法建立支持向量机多分类器.通过对内圈故障和滚动体故障的轴承性能恶化过程中数据的分析,表明小波支持向量机具有比BP(back propagation)神经网络、RBF(radial basis function)核函数支持向量机更高的分类正确率.     

基于离散粒子群优化算法的汽车发动机故障特征选择

最优特征选择属于组合优化范畴,针对汽车发动机机械故障特征选择问题,分析了冗余特征的存在对于故障分类器分类性能的影响,选择最优特征组合可以提高故障分类的正确率,提出基于离散粒子群算法的特征优化组合算法,利用BP神经网络评价特征优化的性能,并将其应用到汽车发动机曲轴轴承磨损故障诊断中.实验结果表明,与遗传算法相比,基于离散粒子群算法的特征优化算法优化效率较高,分类正确率较高,优化后的特征集可以显著地提高故障分类器的分类性能.     

基于集成投影单分类器的滚动轴承损伤程度评估方法

为准确评估滚动轴承的损伤程度，提出一种基于集成投影单分类的滚动轴承损伤程度评估方法。首先，应用特征向量选择和投影方法(FVSP)构建投影单分类器，避免异常样本不足的问题并提升分类效率；然后，采用证据理论对多个投影单分类器的结果进行集成，进一步提升学习性能；最后，以最终得到的后验概率信息作为健康指标(HI),对滚动轴承损伤程度进行判断。对外圈故障6309轴承的试验结果表明，该方法可以有效评估出轴承损伤发生时刻以及损伤程度。     

基于双树复小波包的柴油机时频奇异谱特征提取研究

针对传统时频分布计算量大、分析速度慢和特征提取复杂的缺点,提出一种基于双树复小波包时频奇异谱的柴油机特征提取方法,研究了基于双树复小波包变换的基本原理及其离散时频分布,运用奇异值分解方法对所得的离散时频分布进行特征提取,获得离散时频奇异谱。结合柴油机不同工况测试试验,对比分析了该离散时频特征提取方法的计算效率、不同工况下的特征提取效果,试验结果表明:该方法分析速度快,能够有效表征柴油机不同的运行工况。     

基于支持向量机和小波分解的气体识别研究

提出将支持向量机应用到气体种类识别的研究中，并建立小波分解提取特征量和支持向量机识别气体种类的气体定性分析模型。通过小波分解提取半导体气体传感器在温度调制下的动态响应特性的特征量，分别使用不同核函数和不同结构的支持向量机建立判断特征量与气体种类的模型。实验结果说明使用支持向量机进行气体成分定性识别的效果优于同结构的神经网络，且对支持向量机自身结构的选择不敏感，适合于对多组分气体定性分析研究。建立的模型在分辨力为13ppm（对CO）和15ppm（对Hz）的条件下，对单一氢气、一氧化碳及其混合气体的识别率可达98％，适合于工程应用。     

基于多模态信息融合的图像情感标注方法

随着互联网中图像资源的不断增长,情感作为图像的一个重要语义,是人们检索和选择图像的重要依据,因此对于图像进行情感标注显得至关重要。结合脑电信号(EEG)和图像内容,提出了一种基于多模态信息融合的图像情感标注方法。首先,提取EEG频域特征及图像特征(颜色及纹理);其次,结合两者特征信息,基于两种融合策略(特征层和决策层),构建支持向量机分类模型,进行图像情感识别与标注。为了评估方法的有效性,使用国际情绪图片系统公共数据集进行了实验验证。结果表明,提出的多模态信息融合图像情感标注方法优于单独使用EEG或图像内容的标注方法。此外,该成果有助于缩小低层视觉特征和高层情感语义之间的语义鸿沟。     

A Comparison of Texture Feature Extraction Methods for Machine Condition Monitoring and Failure Analysis

The diagnosis of worn and damaged surfaces is an important issue in machine failure analysis and condition monitoring. Of many approaches used, image classification based on feature parameters has often proven to be particularly useful. Accurate classification can, however, be limited by the fact that feature parameters vary with scale and orientation. Hence, it is essential to determine which feature parameters are both scale and rotation invariant. This paper presents a performance evaluation of feature extraction methods currently used in pattern recognition. A comparison of six methods is conducted, in order to find the method that provides the most consistent results over a large range of image sizes and rotations. The methods analysed are: co-occurrence matrix, discrete wavelet transform, combination of wavelet and co-occurrence features, Gabor filter, circular Gaussian Markov random field and local binary patterns. For the comparison, four datasets of images with different scales and rotations are used, i.e. Brodatz textures, artificially generated isotropic fractal images and Talysurf images of sandblasted and abraded steel surfaces. The performance of each method is evaluated on the datasets using k-nearest neighbours and linear based normal densities classifiers. The results showed that the combined feature extraction method produced the most robust and accurate results for each of the datasets, and appears to be suitable for the classification of tribological surfaces.     

Unified time–scale–frequency analysis for machine defect signature extraction: Theoretical framework

The effectiveness of signal processing plays a critical role in machine condition monitoring and health diagnosis, especially under the presence of noise contamination. This paper presents a new approach to unifying techniques in the time, scale, and frequency domains. Specifically, spectral post-processing is performed on the data set extracted by wavelet transforms to enhance the effectiveness of defect feature extraction. The theoretical framework for such a generalized signal transformation platform is introduced, and boundary conditions for implementing the new technique are discussed. Comparison with enveloping technique based on band-pass filtering and wavelet transform has shown that the new technique is more effective in identifying structural defects in bearings, and computationally more efficient, thus providing a good alternative to envelope analysis for defect signature extraction in machine condition monitoring.     

基于ELM和近似熵的脑电信号检测方法

脑电癫痫波的自动检测与分类对癫痫病情的诊断具有重要意义。提出了一种基于极端学习机(extreme learning ma-chine,ELM)和近似熵的脑电信号检测方法。首先,计算脑电信号的近似熵作为非线性特征,并与利用小波变换技术提取的线性特征波动指数相结合,组成特征向量,然后将特征向量送入单隐层前馈神经网络,采用ELM学习算法训练网络。实验表明,与BP(backpropagation)和SVM(support vector machine)算法相比,ELM在训练时间和识别精度两方面性能最佳,对用于实验的脑电数据检测识别率达到98%以上。     

运动意识任务的模式识别方法研究

针对脑机接口研究中运动想象脑电信号的模式识别问题,提出了一种基于离散小波变换和AR双谱的特征提取方法.该方法首先利用Daubechies类小波函数对二路脑电信号进行3层分解,抽取小波系数的均值、能量均值、均方差三个特征;然后,采用5阶AR模型进行双谱估计,抽取双谱切片特征;最后,将这两类特征进行组合后使用马氏距离线性判别进行分类.利用BCI2003竞赛的标准数据,该方法使得EEG的识别正确率达到92.86%,与竞赛的最好结果(89.29%)相比提高了3.57%,为BCI研究中脑电信号的模式识别提供了有效的手段.     

单通道视觉诱发脑电的单次提取方法研究

针对单通道脑电信号单次提取识别率较低的问题,提出了一种正交B样条小波变换与Fisher线性判别相结合的方法,提高了视觉诱发电位P300的单次提取识别率。首先采用相干平均和小波变换的方法对脑电信号进行预处理,然后根据脑电信号的时-频特性及视觉诱发电位的锁时关系,提取出表征P300的8维小波系数模板,再次利用模板对单次样本进行特征提取,最后根据Fisher线性判别对测试样本进行分类识别,判断单次输入是否为视觉诱发脑电信号。实验结果表明,该方法对单次样本P300的平均识别率为95.10%。     

An approach for pattern recognition of hand activities based on EEG and Fuzzy neural network

Electroencephalography (EEG) is another interesting bio-electrical signal to differ from EMG (Electromyography). In order to pursue its application in the control of the multi-fingered robot hand or the prosthetic hand, the pattern recognition technology of the human hand activities based on EEG should be investigated as a very important and elementary research objective at first. After discussing our research strategy about EEG applied in the control of the robot hand, the recognition model named as Fuzzy Neural Network (FNN) is set up in this paper, and then its related algorithms, such as the fundamental knowledge produced, the learning samples set, the features extracted, and the patterns recognized with the artificial neural network (ANN), are deeply discussed for achieving the classification of some basic mental tasks. In addition, the experimental research has also been done using a two-channel system of measuring EEG signal, and the result shows the new recognition model using FNN can extract not only the effective spectral features of the hand movements and the other usual accompanying mental tasks, such as blinking eyes, watching red color and listening music, so as to achieve the fundamental knowledge production and the feature extraction, but also has the good capability of the pattern recognition about the human hand activities through the fuzzy setting of the learning samples and the training of its ANN.     

基于小波包分解的意识脑电特征提取

针对2种不同意识任务(想象左手运动和想象右手运动)的脑-机接口(brain-computer interface,BCI)设计,提出了基于小波包分解的特征提取方法。首先深入研究了小波包变换,结合事件相关去同步化(event-related desynchronization,ERD)/事件相关同步化(event-related synchronization,ERS)现象,提出以小波包分解系数来考虑特征,然后对C3、C4导联脑电信号进行小波包分解系数方差和相对能量2种特征的提取,最后采用最简线性分类器进行分类。结果表明,2种特征对应的最大分类正确率均达到了85%,对应时间分别为4.34 s和4.39 s。因此,在保证分类正确率的前提下,所提方法更加简单和有效,为大脑意识任务分类提供了新思路。