改进频率切片小波变换和卷积神经网络的手势肌电信号识别

为了提高肌电信号手势动作识别准确率,基于数据驱动提出结合改进频率小波切片变换和卷积神经网络的肌电手势识别方法。利用滑动窗对8通道肌电信号进行分割,通过改进频率小波切片变换将信号映射为时间-频率谱图,处理后的谱图输入一个18层卷积神经网络进行手势识别。采用133 000个肌电样本数据随机等分进行实验验证,7种手势动作的平均准确率达到97.94%,准确率在不同环境温度和电极测量位置(±1 cm)下无明显降低,提出方法手势识别准确率高、鲁棒性好。     

基于ANOVA和BP神经网络的最优肌电信号测量位置选择

基于肌电信号的手部动作识别中,肌电信号测量位置的选择直接关系到动作识别的准确率.本文以使用最少的肌电传感器和获得较高的动作识别率为目标,提出一种基于ANOVA(方差分析)和BP神经网络的肌电信号测量位置优选方法.使用4个肌电传感器采集受试者做出指定动作时的肌电信号,提取肌电信号的时域特征,并按测量位置组合构成15个不同的样本进行BP神经网络的训练和测试.采用单因素ANOVA分析测量位置对动作识别结果影响的显著性,采用Tukey HSD将测量位置进行归类,并从动作识别率最高的子集中选择测量位置最少但识别准确率最高的测量位置组合作为最优的肌电信号测量位置.实验结果表明,测量位置对动作识别的结果具有显著的影响,随着测量位置数的增加,动作识别准确率呈上升趋势,最优的测量位置组合为P1+P3+P4,其动作识别准确率为94.6%.     

基于卷积神经网络的踝关节运动模式识别

采用两个无线表面肌电信号采集器,采集人体小腿比目鱼肌和腓骨短肌的踝关节背曲、跖曲、内翻、外翻动作信号,对两通道的原始信号进行归一化,将归一化后的数据输入到卷积神经网络,对踝关节4种运动进行模式识别。实验采集6名健康被试,针对单个被试的最高分类准确率为98.19%,平均识别率为97.04%,模式识别模型和采集通道能以较高分类准确率区别踝关节的4种动作。针对6名被试的整体分类识别率为95.11%,说明个体之间的肌电信号存在共性。     

基于迁移学习与深度森林的晶圆图缺陷识别

为了有效识别晶圆图缺陷模式并及时诊断制造过程的故障源,提出基于迁移学习和深度森林集成的DenseNet-GCForest晶圆图缺陷模式识别模型. 为了解决深度学习模型训练困难和晶圆图缺陷类型数目不平衡的问题,利用迁移学习将深度卷积神经网络DenseNet在ImageNet上预训练的网络权重参数迁移至本模型并重新设计分类层,以减少深度网络模型的训练时间并提高模型的特征提取能力;基于DenseNet网络提取的高维抽象晶圆图特征,引入深度森林模型进行晶圆图特征缺陷模式识别. 工业案例的实验验证结果表明,该方法的识别准确率达到了96.8%,并提高了识别效率,其性能优于典型的卷积神经网络以及其他常用识别方法.     

基于表面肌电信号进行手部动作发起检测方法

实时且准确地识别手部动作,是表面肌电信号应用的重要方面,而通过其进行手部动作的发起检测是一个技术难点。为了解决这一问题,该文提出一种通过表面肌电信号进行手部动作发起检测的方法,将TKE算子应用于sEMG信号的预处理,通过设计二值化状态函数,并针对消除噪声对肌电信号的影响,提出启发式滤波策略。建立手部动作发起的表面肌电仿真模型,通过比对应用几种算子对仿真模型进行发起检测,证明TKE算子方法的有效性。利用肌电信号采集与处理系统进行实验验证。结果表明,该检测方法能够对手部动作发起进行高精度的实时检测。     

用于文本情感极性分析的动态卷积神经网络超限学习算法

为改善动态卷积神经网络在文本情感分类方法中的泛化能力,提出了一种动态卷积超限学习算法.对动态卷积神经网络的输出层加以改进,使用浅层随机神经网络替代全连接层,利用参数随机生成的扰动性能,降低分类端对训练样本的依赖,避免过拟合,提升分类性能.在公共数据集上的实验证明:相对改进前的动态卷积学习算法以及超限学习机,所提出的方法在准确率、F1测度等多个标准指标上均体现了更优的分类性能.     

基于表面肌电信号双谱分析的动作分类

为了提高人体上肢动作识别正确率,提出了一种基于表面肌电信号双谱分析的动作分类方法,以信息增益作为表面肌电信号起止点分割效果衡量标准,结合TKE算子提取出肌肉运动起止区间的表面肌电信号,对提取到的表面肌电信号进行双谱变换,提取双谱的正反对角切片作为表面肌电信号特征,以概率神经网络作为分类器,以100次10折交叉验证为一次动作分类实验,计算10次分类实验的平均正确率,最终得到正对角切片、反对角切片和正反对角切片的分类正确率分别为94.56%、90.93%和95.48%.     

基于免疫神经网络的下肢假肢肌电信号识别方法的研究

提出一种基于人工免疫神经网络的表面肌电信号模式识别方法.在对表面肌电信号进行预处理的基础上,免疫RBF神经网络模型中抗原集合作为网络的输入数据即为表面肌电信号,抗体为抗原的压缩聚类映射作为径向基函数神经网络模型的隐层中心,则网络的输出为下肢各关节的角度预测值.仿真结果表明,免疫RBF神经网能明显提高对肌电信号的识别准确率,这对于肌电假肢的控制具有良好的应用前景.     

表面肌电图在脑卒中患者手神经肌肉功能评定中的应用

为了提高人体上肢动作识别正确率,提出了一种基于表面肌电信号双谱分析的动作分类方法,以信息增益作为表面肌电信号起止点分割效果衡量标准,结合TKE算子提取出肌肉运动起止区间的表面肌电信号,对提取到的表面肌电信号进行双谱变换,提取双谱的正反对角切片作为表面肌电信号特征,以概率神经网络作为分类器,以100次10折交叉验证为一次动作分类实验,计算10次分类实验的平均正确率,最终得到正对角切片、反对角切片和正反对角切片的分类正确率分别为94.56%、90.93%和95.48%.

     

基于SOA-ELM的手部动作识别方法实验研究

为提高人体手部动作识别率,利用搜寻者优化算法(SOA)的全局搜索最优解原理和极限学习机(ELM)处理非线性关系的能力,提出一种基于搜寻者优化算法优化极限学习机(SOA-ELM)的手部动作识别方法。首先,采集内翻、外翻、握拳、展拳等4种手部动作的表面肌电信号,提取4种表面肌电信号的积分肌电值和均方根值,将其作为特征值;然后,利用这些特征值对ELM进行训练,采用SOA搜寻ELM的最优输入层权值和隐含层节点阈值;最后,采用经SOA优化的ELM对4种手部动作进行识别。实验结果表明,SOA-ELM比粒子群优化极限学习机(PSO-ELM)能更有效地对4种手部动作进行识别。     

基于稀疏滤波神经网络的智能调制识别

针对传统调制识别中特征提取依赖人工经验的问题,该文提出了一种基于抗噪预处理及稀疏滤波卷积神经网络的智能通信调制识别算法。该算法将调制信号的循环谱作为卷积神经网络的输入图像,并引入低秩表示算法去除循环谱图中的噪声及干扰。在有监督训练卷积神经网络之前,该文设计了一种新型的稀疏滤波准则对网络进行无监督的逐层预训练,从而提升了泛化性能。仿真表明算法在信噪比为0 dB时仍可达94.2%的识别准确率,优于传统方法及相关深度学习方法。     

基于深度卷积神经网络的睡眠分期模型

针对现阶段数据和特征决定睡眠分期模型的分类精度上限的问题,提出深度卷积神经网络模型. 在模型主体构建方面,并行卷积网络可以自动学习原始信号的时域特征和频域特征,特征融合网络通过空洞卷积和残差连接进行多特征融合,分类网络基于融合后的特征进行睡眠分期. 利用生成少数类过采样技术（SMOTE）减少类别不平衡对分类效果的影响,结合两步训练法对模型进行优化. 实验使用Sleep-EDF数据集的原始单导脑电信号（Fpz-Cz通道）对模型进行20折交叉验证,得到总体精度和宏F₁分别为86.73%和81.70%. 提出的深度卷积模型在没有任何先验知识的情况下,对脑电信号进行端到端的学习,分类准确率优于传统的深度学习模型.     

指数弹性动量卷积神经网络及其在行人检测中的应用

针对深度卷积神经网络存在规则化参数多、未利用浅层先验知识、参数随机初始化后易导致权值更新梯度弥散及训练早熟等问题,采用PCA非监督学习方式获取导向性初始化参数数值方法,并基于对网络误差的传播分析,提出指数自适应弹性动量参数学习方法.以复杂场景下行人目标为例进行目标检测试验,实验表明:与人工特征检测识别方案及传统深度卷积模型相比,该模型可有效提升目标检测精度,检测速度提升20%以上;与其他动量同源更新机制相比,该算法收敛速度更快,收敛曲线更平滑,泛化能力强,可在不同深度模型均可取得较好检测效果,准确率分别平均提高1.6%,1.8%和6.19%.     

基于并行架构和时空注意力机制的心电分类方法

为了有效提取心电信号 (ECG) 的时空特征和提高分类准确性,提出基于深度学习的并行架构心电分类模型. 该模型采用基于GCA Block和GTSA Block模块实现多路特征融合的时空注意力机制. 使用双向长短时记忆网络和卷积神经网络作为基特征提取器,分别捕捉心电信号序列数据的前后依赖关系和不同尺度上的局部相关特征,实现对5种不同类型的心电信号的自动分类. 在MIT-BIH数据集上验证的结果表明,该方法对5种不同心电信号的总体分类准确率、特异性、敏感度、精确度和Macro-F1分别为99.50%、99.61%、96.20%、98.02%和97.08%. 相较于其他心电分类模型,该模型不仅能够有效地缩短网络模型深度,防止模型过拟合,而且能够更准确地提取心电信号的时空特征,获得更好的分类性能.     

基于NNE技术的手臂运动模式识别算法研究

本文将神经网络集成(Neural network ensemble,NNE)算法应用于人体手臂运动模式识别领域中,通过对手臂不同运动模式下的表面肌电信号(sEMG)的采集、分析与处理,识别出与其对应的手臂运动模式。主要利用小波包分解(WPD)算法提取表面肌电信号的时-频特征向量,利用集成神经网络对表面肌电信号特征向量进行模式识别;神经网络集成模型由Bagging算法生成,参与集成的个体神经网络均为BP神经网络,集成神经网络的输出由单个神经网络的输出通过相对多数投票法产生。最后,对手臂4个不同运动模式下的表面肌电信号进行了模式识别实验。实验结果表明,与个体神经网络相比,集成神经网络可以显著地提高手臂动作的识别率,证明了将神经网络集成技术用于手臂运动模式识别的有效性和可行性。     

基于卷积神经网络的深度线段分类算法

为解决单目图像中冗余像素点不利于深度神经网络快速完成深度信息检测的问题,提出一种基于卷积神经网络的深度线段分类算法。对NYU-Depth数据集使用线段检测算法进行线段检测得到原始图像的线段特征图,通过数据预处理结合深度数据得到表征深度信息的线段集合及其标签,提出适用于线段特征的卷积神经网络,实现单目图像中深度线段的分类。通过在不同线段数目上进行多次多组对比试验,深度线段分类准确率达到73.50%。试验结果证明了利用卷积神经网络实现深度线段分类的可实施性,有助于更好的利用图像几何特征解决深度估计问题。     

基于直方图和功率谱比值的肌电信号识别方法

仿生肌电假肢的控制依赖于表面肌电信号,其中基于表面肌电信号的肢体动作识别是关键。该文提出一种时域波幅直方图和频域功率谱比值相结合的特征提取方法,通过对两路表面肌电信号的波幅直方图分析和频谱分析,以波幅比值作为时域特征,以功率谱比值作为频域特征,通过证据理论对它们各自利用神经网络得到的分类结果进行证据累积,最终得到分类结果。实验证实了该算法的识别率高于利用单一特征参数的分类方法。     

基于TensorFlow的车牌字符识别方法

全连接神经网络将车牌字符图像以一维矩阵的形式进行矩阵运算,忽略了图像自身的特性,且一旦图像像素过多,神经网络的参数规模会急剧增加,常规的神经网络很难训练.基于TensorFlow深度学习框架搭建一种卷积神经网络训练模型,在自制的大小为40×32像素点车牌字符灰度图像数据集基础上,使用搭建的神经网络模型训练得到较好的训练效果,利用多次卷积和池化层提取特征,与全连接神经网络相比极大减少节点数量,提高识别的精准度.通过不同识别算法的准确率对比可见,卷积神经网络对中文、英文和数字的识别更加准确,模型的鲁棒性和泛化能力有很大提高.     

基于卷积神经网络的电子鼻分类识别

在混合气体识别的研究中,针对目前电子鼻应用于化工污染物种类监测时难以达到理想精度的问题,提出了一个基于卷积神经网络的气体分类识别算法.首先利用卷积神经网络的自适应特征提取能力,有效降低原始数据对后续操作的影响;其次进行多次实验训练,对卷积神经网络进行参数优化,提高网络模型性能;最后将提出的卷积神经网络算法与BP神经网络算法分别应用于加州大学公开数据集中一氧化碳和乙烯混合气体的实验数据中.实验结果表明,卷积神经网络算法对此数据集的气体种类检测准确率达到93%,比BP神经网络算法应用于气体识别时精度更高、误差更小,为电子鼻系统气体种类检测提供了一种新的方法.     

基于集成卷积神经网络的LiDAR数据分类

针对人工设计的中低层特征难以对LiDAR数据进行高精度分类以及泛化性能较低等问题,提出了一种基于集成卷积神经网络的LiDAR数据分类方法.它是基于深度学习模型与随机子空间的集成学习框架.通过有放回的随机抽取LiDAR训练集构成子集,以深度卷积神经网络模型为单个子分类器,最后采用多数投票法确定最终样本的类别,以获得更好的...