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。     

基于改进差分进化算法的运动想象脑机接口频带选择

由于人脑对事件响应频带各不相同,为了准确确定个体最优滤波频带,提出一种多策略变异算子和时变非线性交叉因子差分进化算法对运动想象EEG频带进行处理,采用共空间模式算法提取特征向量,利用线性分类器进行分类识别。使用该方案对BCI competition III-dataset 4a受试者的EEG数据进行了10次5倍交叉分类实验。实验结果表明,该算法稳定性强、耗时少,解决了运动想象BCI特征提取中的最优频带选择问题。     

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GST-ECNN的运动想象脑电信号识别方法

在对脑电信号的解码研究中,存在着现有时频分析方法对高频信号处理能力有限,多通道信号信息冗余,常用卷积神经网络分类器ReLU激活函数受学习速率的影响较大,对不同层采用相同的正则化很难获得满意结果等问题。为此,提出了一种基于广义S变换特征提取和增强卷积神经网络分类相结合的方法,同时提出一种结合Relief算法和向前选择搜索策略的包裹式方法进行通道选择。结果表明,提出的方法利用较少的信号通道,具有更强的特征提取和分类的能力,在第Ⅳ届BCI的数据集I上取得最高98.44±1.5%的分类准确率,高于其他现有算法。该方法良好的分类性能不仅减少了计算消耗,也有效提高了分类准确率,对脑电信号特征提取和分类具有一定的参考意义。     

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0.9171和0.9535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。     

线性压电马达的动态模拟与性能评估

提出了一个模拟线性压电马达运动特性的动态模型.该模型考虑了马达压电元件的运动顺序,将压电马达视为一个具有变接触刚度与变阻尼系数的两自由度动态系统.其本构方程考虑了压电元件的机-电耦合效应.该模型使用Co-quad图、波特图和根轨迹图进行表述以及实验验证.结果表明,该模型能够预测线性压电马达的运动特性,并可用于改进或设计新的线性压电马达.性能评估表明,实验中使用的线性压电马达具有5 nm的分辨率、20mm/s的行走速度以及220 N的驱动力.     

基于改进的线性判别分析识别重叠并发的双故障

在两维空间中,当关键质量特性之间存在相关关系并且预定义故障类之间重叠时,传统的模糊聚类算法FCM对双故障并发的识别率会下降.为了提升对重叠并发双故障的识别率,一种新算法PILDA被提出,该算法提出的主成分修整能够消除重叠的影响,而双故障判别区间确定的方法则能够实现对未预定义的并发双故障的识别.经过864种不同相关关系和均值偏移量的故障组合仿真实验,结果表明PILDA能有效识别并发故障及预定义单发故障,平均识别率为84.94％,明显高于FCM的58.13％.该方法具有一定的应用价值.     

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。     

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.     

一种新颖的基于Gabor-LDA的人脸识别方法

为了克服光照、表情变化等因素对人脸识别的影响,提出了一种基于Gabor小波和最佳鉴别分析LDA的人脸识别方法。该方法充分利用了LDA得到的鉴别向量,用鉴别向量组成线性变换矩阵,直接从原始的强度图像上提取LDA特征。然后,用鉴别向量选择一些鉴别像素,仅在鉴别像素的位置上提取Gabor特征并对Gabor特征作LDA变换得到另一种LDA特征。它们分别可视为全局特征和局部特征。最后的分类器融合这两类特征。在FERET人脸库上的试验表明了该方法的有效性。     

利用两类投影方法进行特征融合的人脸识别

提出了利用两类投影抽取特征、用并行策略融合特征进行人脸识别的新方法。先用一维的基于向量的投影抽取一组特征，再用基于二维的图像投影的方法抽取一组特征，用复向量将样本的两组特征向量组合在一起，在复向量空间分析主分量(CPCA)，抽取人脸图像的鉴别特征。在FERET人脸库上的实验结果表明，该方法的识别性能比用单个特征有10%左右的提高。     

不同规模数据集下的人脸识别方法

系统研究了类内变化和类数目增加所引起的人脸识别中的非线性识别问题,并比较了线性识别方法和非线性识别方法在不同用户集规模下的适用性．采用CAS-PEAL大型人脸数据库中的表情集（330人）和姿势集（1000人）进行了3组实验．实验结果表明：当训练集的人数在300人（表情集）以内时,增加类内的变化不会对线性识别方法造成影响,并可以提高识别的准确率;但是,当保持类内图片数不变而增加类的数目时,类数（人数）增加对线性方法和非线性方法产生了不同的影响．随着人数增加,线性识别方法的识别准确率逐渐降低,而基于核方法的非线性方法却能够一直保持识别准确率的稳定．因此,应该根据类的总数合理地选择识别方法,并合理地设计类内的图片数,这样有助于提高人脸识别系统的识别率．同时,实验也验证了基于核方法（kernel）的非线性人脸识别方法更适宜于人数规模较大的情况．