基于心电和脑电多模态特征组合的自动睡眠分期方法研究

准确的睡眠分期能够评估睡眠质量,在睡眠紊乱或疾病诊断干预中起关键作用。本文利用多尺度熵分析和经验模态分解方法获取多通道脑电信号于睡眠状态下的非线性动力学特征,利用心率变异度时频域指标及多尺度样本熵构建了心电信号睡眠特征。基于最大相关-最小冗余特征选择算法及主成分分析降维,实现了高效多模态特征组合构建。多模态特征组合驱动的多种传统机器学习自动睡眠分期模型在ISRUC-S3数据集上达到了最高84.05%准确率,Kappa系数最高为0.7810,表明所提出多模态特征组合的有效性及准确性。     

基于残差收缩网络的睡眠脑电分期

现有睡眠分期方法存在特征提取不充分、类别间存在数据不平衡等问题，导致睡眠分期的精度不高。基于残差收缩网络设计高效的特征提取网络，同时，在损失函数中基于重加权思想设计了类别加权损失函数，通过调整损失函数有效解决了数据不平衡对分类精度的影响。实验结果表明，改进算法在Sleep-EDF数据集中的Fpz-Cz、Pz-Oz通道上，准确率分别为85.4%和82.2%,MF₁分别为79.6%和75.4%,均高于基准算法和目前先进的对比算法，证明了算法的有效性和先进性。     

一种多门限过零率前端检测理论的参数自优化方法研究

根据汉语语音的发音特征,通过对多门限过零率前端检测理论的研究,提出了参数自优化方法.而且采用凌阳公司的16位微处理器SPEC061A实现了自优化算法的功能,为进一步对语音信号处理奠定了基础.     

一种基于单片机的自动兑零机控制系统

本文介绍了一种适用于无人售票公交车使用的自动兑零机,并从硬件和软件两方面详述了该兑零机的单片机控制系统设计.     

基于大脑皮层互信息理论的睡眠分级研究

睡眠的分级研究是睡眠状况分析和睡眠质量评价的前提和基本内容。目前国际通用的睡眠分级方法，是利用脑电信号另加脑功能信号（如肌电图、眼动电流图），且必须由人工判别分析。大脑皮层互信息理论是研究脑功能变化的有力工具。通过动脉计算睡眠脑电4个导联之间的互信息时间序列的复杂度，并利用一个3层的的人工神经网络进行6个级别的分类。6例720个不同时期的睡眠片段的测试表明，系统睡眠分级与人工分级的总相符率达到90.83%，且实现了睡眠动态自动分级。神经网络的学习功能，可使系统的准确率进一步提高，逐渐接近或达到人工分级的水平。与其他睡眠分级方法相比，本系统有一定优势，且计算速度快，可望应用于临床实时睡眠监护及睡眠分析中。     

用数字电位器实现自动调零的一种方法

为克服机械电位器调零的局限性，从介绍数字电位器的原理出发，详细地给出了采用数字电位器来实现自动调零的具体电路，并从原理上分析了电路的工作过程，说明该电路能完成自动调零工作。     

一种基于PLC的电动汽车自动换电系统研究

机器人自动换电系统具有安全、可靠、无需人工操作、全面自动化等优点。全流程由计算机完成。论文主要通过分析电动汽车机器人自动换电系统的特点,客观、合理地建立控制流程。应用PLC技术进行电动汽车机器人自动换电系统设计。通过实践,大大提升换电效率和换电质量。     

基于多分辨时频分析方法实现睡眠脑电图信号的自动分阶

详细介绍了睡眠分阶规则,并在分析比较多种时频分析方法的基础上,应用基于小波包变换和短时傅里叶变换的多分辨率时频分析方法来实现睡眠脑电图的自动分阶分析.在采用虚拟仪器技术研制的虚拟式脑电图记录分析仪上进行了实验,结果表明,上述方法可以获得较好的睡眠分阶分析结果.     

一种新的脑电特征提取方法研究

基于控制信号为皮层慢电位的脑机接口数据,本文提出了一种脑电模式识别的新方法.该算法将脑电数据的近似熵值、自相关系数和皮层慢电位组合成新的特征向量,并选取k-近邻法作为分类器进行模式识别.在公开测试集中,新算法能达到较高的识别率,同时表明近似熵和自相关系数可以作为新参量对脑电数据进行分析.     

睡眠剥夺对视觉短时记忆的脑电信息传输影响研究

目的 :睡眠剥夺(SD)影响脑电波,基于脑电方法研究SD对视觉刺激下的认知的影响,建立一条评价大脑功能状态受到的影响的途径,探索睡眠对认知的作用机制。方法 :在正常状态下和一夜睡眠剥夺状态下,分别对10名受试者进行视觉短时记忆测试,记录其多导诱发脑电。通过计算各导联之间的互相干程度,研究SD对大脑功能区域的同步化交互联系作用。结果:SD造成了大脑各功能区之间的关联程度下降,对大脑半球额叶间的关联影响较大。结论:从脑电信号分析,睡眠剥夺对视觉短时记忆损害主要体现在对额叶影响上,引起记忆编码阶段功能的降低。     

基于遗传PNN神经网络的真空阀自动调试系统

针对真空阀检测中可能出现的故障情形及相应的调试方法,提出一种基于遗传PNN神经网络的真空阀自动调试系统。将不同占空比电源驱动下出气口的压力作为故障特征值,并利用PNN网络进行故障分类,结合机械手臂进行相应的调试,从而实现故障自动检测与调试。在样本数有限的情况下,PNN神经网络通过遗传算法获得模式层最佳节点数目及相应的平滑参数,降低了网络的冗余度并提高了网络的精度,再将通过PNN分类并调试成功的数据加入到样本集中重新训练网络,直到网络精度增长率达到一定范围,使得网络的精度和模式层节点数达到最优值。测试结果表明,该方法能够有效的对真空阀进行故障分类与调试,能大幅提高检测的自动化程度和精度。     

基于PGA的量程自动转换方法研究

介绍一种基于可编程增益放大器(PGA)的量程自动转换方法，给出了应用此法实现智能仪表量程自动转换的原理图及用软件编程实现的程序框图。当被测参数的动态范围较宽时，采用此方法可大大提高测量精度。     

一种基于渲染目的的自适应图像分类新算法

国际色彩协会在色彩管理系统中规定了三种渲染方式，针对不同渲染目的对图像进行自动分类，以达到最佳匹配效果。本文对基于图像的彩色特征、边缘特征、纹理特征和灰度特征等单图像牲基于渲染目的进行分类，结果发现单个特征分类的精度并不是十分理想。因此提出一种基于渲染目的的自适应图像分类算法，它将多个图像特征联合起来对图像按照高彩色图像、计算机生成图像和自然图像等渲染方式进行自适应分类。     

基于LSTM-RNN的滚动轴承故障多标签分类方法

为了提高长短时记忆神经网络模型(long short-term memory recurrent neural network, 简称LSTM-RNN)对滚动轴承故障分类的正确率并减少训练样本量,提出一种基于多标签LSTM-RNN的滚动轴承故障分类方法。首先,建立滚动轴承故障信号仿真模型,分析滚动轴承故障仿真信号频谱特征及其故障分类特点;其次,结合多标签LSTM-RNN模型结构特点,对滚动轴承频谱特征向量进行编码,并利用仿真故障信号验证多标签LSTM-RNN分类方法的有效性;最后,搭建滚动轴承故障模拟试验台,采集3类转速不同故障类型滚动轴承故障振动信号,并采用3种特征提取方法得到共9组试验数据,基于该数据对多标签LSTM-RNN分类方法和单标签LSTM-RNN分类方法进行对比试验。试验结果表明：多标签LSTM-RNN分类方法相比于单标签LSTM-RNN分类方法,平均分类正确率从69.07%提高到99.21%;在保证两种分类方法正确率相近情况下,多标签LSTM-RNN分类方法训练所需样本量比单标签LSTM-RNN分类方法平均减少69.55%。多标签LSTM-RNN分类方法适用于复杂振动信号分类,对于实现快速准确的旋转机械故障诊断具有应用价值。     

SDICA方法在单通道信号故障分类中的研究

提出了一种针对工程单通道信号的子带分解独立分量分析(subband decomposition independent component analysis,简称SDICA)故障分类方法。利用经验模态分解方法(empirical mode decomposition,简称EMD)得到的多个基本模式分量作为子带信号,对子带信号进行独立分量分析(independent component analysis,简称ICA),在ICA方法过程中提取了分离过程特征中产生的残余互信息值,在估计子带信号中计算各自的近似熵值,并把残余互信息和近似熵值作为特征参数,输入广义回归神经网络实现故障分类。SDICA方法在单通道信号故障分类中引入了ICA理论,成功实现了工程单通道轴承信号3种故障高精度的识别,验证了具有良好表征故障能力的残余互信息值和估计子带近似熵能够成为故障分类的重要参数。     

基于单片机的自动检测系统研究

分析精校机的性能指标,设计出基于单片机的精校机自动检测系统,解决了设计中遇到的诸多软硬件问题,实验结果表明,该系统能达到精校机检测系统的性能指标。     

基于RBF神经网络的自动变速器换档控制系统

研究了车辆自动变速器的换档控制问题，利用神经网络在不能获得精确数学模型的非线性系统中能达到最优控制的特性，根据所获得的车辆的状态与最佳档位之间相应的数据对人工神经网络进行离线训练。仿真结果证明：径向基神经网络（RBF）的换档控制系统能够有效地用于档位的判断。     

基于双能量X射线透射技术的物质分类识别方法研究

通过对单、双能量透射技术的比较分析发现由于入射能量的不同,相同原子序数物质的质量衰减系数的变化速度不同,即在双能量方式下,同一原子序数的物质对低能和高能X射线的吸收程度是不同的,这样通过低能、高能2个不同线吸收系数比较与运算,就可以从2种不同物质组成的、不同厚度产生的或相互重叠的图像中将不同种类的物体区分开.基于此原理将铝板和有机玻璃板作为基材,实验确定了物质分类识别边界曲线,并用已知物质验证了实验得到的边界曲线是有效的.