基于MEG的脑机接口特征提取方法研究

脑磁信号作为一种新的脑机接口(BCI)输入信号,含有手运动方向的模式信息。在研究了适用于非平稳性的自适应自回归模型和适用于非高斯性的高阶谱自回归模型的基础上,本文针对脑磁信号的非平稳非高斯性,提出了一种新的特征提取算法,即基于经验模态分解的自回归模型。实验结果表明该算法适合于分析非高斯、非平稳的脑磁信号,结果优于上述的两种算法,并且超过了脑机接口竞赛四优胜者的识别率。     

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。     

基于脑电的图像控制技术实现方法的研究

利用实时脑电信号实现基于脑电的脑-计算机接口技术的一项具体应用--利用脑电信号控制图像的输出大小.文中主要介绍了系统的总体设计、信号的识别处理和识别算法.本系统实现了在较高准确率的情况下,利用脑电信号来对图像的尺寸进行控制,为图像通讯与处理提供了一种新方法.     

一种基于DSP的脑机接口硬件系统设计

为了实现脑机接口系统的便携性,提高脑机接口信号传输的通信速率,本系统应用高性能信号处理器TMS320VC5402DSP作为核心芯片,设计了一种基于DSP的脑机接口硬件系统。在DSP系统设计中,应用多通道缓冲串口（McBSP）实现了DSP与模数转换器（A／D）的接口设计;扩展了可以实现上电自动加载的FLASH;应用通用串行总线USB接口实现DSP系统与上位机的通信。本文详细介绍了这一种基于DSP芯片的脑机接口系统的硬件组成和工作原理,包括各模块的芯片选择和接口设计,并运用VISIO和PROTEL软件绘制了框图及电路图,为后续的工作打下了基础。     

脑机接口中基于WPD和CSP的特征提取

针对脑机接口(brain computer interface,BCI)中2类运动想象任务的特征提取问题,提出了一种小波包分解(wavelet packet decomposition,WPD)与共同空间模式(common spatial pattern,CSP)相结合的脑电信号特征提取方法.该方法首先选择7个重要导联的脑电(electroencephalograph,EEG)信号,用‘haar’小波基进行三阶WPD分解;然后对每个导联分解后的其中5个子带进行重构,获取相关频域信息;最后对重构后信号利用CSP特征提取,获得六维特征向量.CSP与WPD相结合能够充分利用WPD的时频特性,有效避免CSP要求输入导联数过多、缺乏频域信息等缺陷.对2008年国际BCI竞赛数据和本实验室实验数据,采用该方法进行特征提取,通过概率神经网络(probabilistic neural network,PNN)分类.2种数据源分类正确率分别为92％和80％,相对于单纯的CSP特征提取,正确率分别提高5％和20％.实验结果表明:WPD与CSP相结合的特征提取算法能提取明显的特征,进而提高BCI的识别正确率.     

基于黎曼几何的自然动作运动参数脑电解码研究

本文基于黎曼几何分类算法,探索了使用运动相关皮层电位(MRCPs)解码3种自然抓握动作的运动学信息的可能性。本研究采集了9名受试者在执行指捏、掌握和旋拧动作(包括两种不同水平的速度和力)的脑电图信号。在进行信号的预处理之后,将信号转化到协方差空间输入到黎曼均值最小距离(MDRM)分类器,实现基于MRCPs的手部自然动作的运动参数模式的识别。对于3种动作的运动参数,实验结果表明,二分类的总平均结果可以达到89.24%,四分类结果可以达到75.28%。本文采用的黎曼框架新颖高效,为脑-机接口的MRCP分类提供了新思路,同时本研究对于精细而自然地控制神经假体或者其他康复设备具有重要意义,这将大大提高运动障碍用户的认可度。     

基于小波包分解的脑电信号特征提取

在脑机接口研究中,针对脑电信号的特征抽取,提出一种基于小波包分解的方法,利用Fisher距离准则,选择具有较大可分离性的特定子带小波包系数和能量作为有效特征,构成特征矢量,并采用BCI2003竞赛数据,通过对该特征矢量的可分性和识别精度2个指标的评估,表明了所提出方法的有效性。     

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%。     

脑-机接口研究中想象动作电位的特征提取与分类算法

人在想象但未实施肢体或其他身体部位动作时,与该动作相关的大脑运动皮层区域会发生与该动作实施时相似的电生理响应,称为想象动作电位.想象动作电位的提取与分类是脑-机接口(BCI)技术的关键和难点.本文分别介绍了想象动作电位的时频分析、复杂度分析、相位耦合测量、多通道线性描述符、多维统计分析等特征提取方法和线性判别分析、人工神经网络、支持向量机等分类算法,以供BCI系统设计与研究时参考.     

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。     

基于改进GHSOM的运动想象脑电信号自适应识别方法

为解决运动想象脑电信号(MI-EEG)的识别方法泛化能力受限和自适应性差等问题,对传统的生长、分层自组织映射神经网络(GHSOM)进行改进,并提出一种主成分分析法(PCA)与改进的GHSOM神经网络(IGHSOM)相结合的脑电自适应识别方法。由于IGHSOM能够根据上一层扩展神经元的量化误差进行自动分层判断,使得其不仅对数据映射更加准确和详细,而且增强了网络的稳定性和自适应性。基于脑机接口(BCI)竞赛数据库,利用PCA进行特征提取,以IGHSOM为分类器进行实验研究。结果表明,该方法获得了较高的识别精度,验证了GHSOM改进策略及该识别方法的正确性和有效性。     

基于制造资源的复杂箱体零件加工特征识别方法

针对复杂箱体零件的加工特征识别问题,介绍了一种基于制造资源的特征识别方法。在分析加工工艺环境中机床、刀具和夹具的基础上,对制造资源进行了参数化定义,获得了制造资源模型。以STEP/AP203中性文件为数据源,获得了三维零件模型的加工表面,根据加工表面与制造资源的映射关系,获得每个表面的制造资源组合方案,即特征因子,并以提高加工效率和经济性为目标,对特征因子进行优化筛选。将同一装夹下采用同一刀具和机床运动模式的加工表面聚类为一个加工特征,完成零件特征识别。     

基于Gabor小波的火灾烟气识别新方法

研究提出一种基于Gabor小波的火灾烟气模型,以提高基于视频图像的火灾烟气检测的准确性。本文采用混合高斯模型与色度方差相结合的方法定位火灾烟气目标区域,并基于Gabor小波对烟气纹理及边缘特征进行描述,从而提出烟气变化能量模型与方向角分布模型来分析纹理变化的动态性质。最后采用Gentle Boosting设计分类器对模型特征进行分类与匹配,并实现在训练的同时进行最优特征选择。与传统方法相比,基于本文方法的火灾烟气检测在降低漏报率与误报率方面拥有更好的性能。     

一种基于纹理特征点匹配的自适应虹膜识别方法

传统的虹膜识别方法原理复杂,实现困难.为了在保证识别率的同时简化虹膜识别算法,提高虹膜识别效率,提出了一种基于纹理特征点匹配的自适应虹膜识别方法.首先,通过图像预处理得到512列×64行的矩形虹膜图像;其次,在有效的虹膜区域内,通过自行设计的边缘检测方法找到虹膜特征点;再次,对特征点进行编码,用虹膜代码表示虹膜模式;最后,采用自适应的模式匹配方法对不同的虹膜模式进行分类,给出识别结果.在给定距离阈值为0.37的前提下,可以达到99.242 8%的正确识别率.实验结果证明,该方法能够满足虹膜识别高准确性的要求.     

基于特征参量空间的掌脉识别方法研究

非接触式采集是手掌静脉识别的主流,但其低约束性可能导致掌静脉存在平移、旋转和比例缩放,同时,手掌过度伸展可能导致部分静脉分布信息丢失,这些都可能影响掌脉识别结果.针对以上问题,提出一种新的掌静脉特征识别方法.首先,获取靠近指根部的手掌内切圆,利用内切圆内静脉交叉点和内切圆圆心定义相对半径及相邻夹角参数;其次,由相对半径和角度参数建立二维特征向量空间,将静脉交叉点转换成该特征向量空间内的一系列特征点;最后,计算特征点间的特征向量距离作为匹配点对的判断依据,根据匹配点对的比例得到匹配率.通过自建的掌静脉图库和CASIA图库对算法性能进行验证,分别得到等误率0.97％和4.98％.结果表明,该方法在手掌静脉产生比例缩放、旋转和平移后仍可获取较好的识别效果,同时具有特征点提取容错性.     

面向工业互联网平台的制造服务可信特征识别方法

制造服务是否可信是产品服务系统(PSS)应用的关键问题,工业互联网平台(IIP)的快速应用及部署为制造服务的可信接入提供了平台支撑.分析了传统的网络化制造平台与工业互联网平台下制造服务可信特征的区别和联系,围绕制造服务映射保真、服务信誉、协作状态3个方面,给出了制造服务综合可信特征指标体系,提出了工业互联网平台下的制造服务可信特征识别框架及其关键技术,设计了基于去噪自编码器的制造服务可信特征分类方法.最后以智慧物流的案例仿真验证了所提方法的有效性和优越性.     

基于人体热释电特征多策略融合的识别方法

针对现实复杂环境中,利用单个或多个热释电传感器对人体目标识别时所表现出的不稳定性和抗干扰性较差问题,提出了一种基于人体热释电特征的多策略融合识别方法。该方法以不确定性理论为基础,首先利用不同空域的传感器,获取人体不同部位的置信度,其次结合不同的融合策略实现对人体目标的识别。融合策略分为两种,第一种策略首先使用同空域融合,然后使用同时域融合,这种策略充分利用了分布式传感网络的特性,融合了最优置信度以实现对人体目标的高精度识别,第二种策略则首先使用同时域融合,然后使用同空域融合。该策略能实现对人体目标的实时识别,但不能保证较高的识别精度。实验结果表明多策略融合既能克服单传感器或多传感器在对人体目标进行识别时,所表现出的不稳定性和不可靠性,又能增强系统识别时的鲁棒性和有效性。与其他融合方法相比突出体现了本文方法的优势。     

基于力度无关鲁棒特征的肌电手势识别方法

为了减小肌肉收缩力变化对肌电信号模式识别的影响,提出了DCSP特征。该特征首先通过CSP算法得到最大化类与类之间距离的空间投影矩阵,然后对投影后的新信号进行差分和归一化处理,最终通过非相关线性判别分析将数据投影到类内距离最小、类间距离最大的低维空间而得到。在两个数据集上验证基于DCSP特征的肌电手势识别正确率,第1个数据集包含10名完整肢体受试者的数据,第2个数据集包含9名上肢截肢者的数据。在识别率测试的4个方案中,DCSP特征的识别正确率均高于CSP特征,在全部力训练,全部力测试的方案上取得最高的识别率(数据集1:95.83%,数据集2:86.93%),相比CSP特征(数据集1:89.01%,数据集2:70.03%),分类准确率分别提升6%和16%。在特征空间分布的2个测试方案上,DCSP特征比CSP特征都具有更小的类内距离和更大的类间距离。相比较于其他研究的识别正确率,DCSP特征比现有的力度鲁棒特征提升了约5%(数据集1)和8%(数据集2),并且性能不依赖于分类器类型。     

一种面向集成的注塑模冷却系统特征识别算法

提出一种基于图的注塑模冷却系统特征识别方法:首先根据注塑模型芯或者型腔三维模型构建面边图,再对面边图进行扩展,得到相应的扩展属性面邻接图;在此基础上,对冷却系统特征的规则进行描述,并依据该规则将冷却回路特征子图从型芯或者型腔的扩展属性面邻接图中识别出来.对于识别出来的冷却回路特征子图,首先进行简化处理,去掉多余的水路信息,然后提取其直径和中心线信息并进行优化,最后转换成CAE系统所需的格式.实例测试表明,该冷却系统特征识别算法能有效地识别注塑模的冷却回路特征,提高用户的工作效率并降低出错率,实现了冷却系统在CAD和CAE之间的无缝集成.