基于深度自编码和LSTM循环网络的脑电情感识别

针对脑电信号情感识别中情感特征信息挖掘不充分、识别准确率低的问题,提出深度自编码方法提取脑电信号情感特征,并结合长短时记忆(LSTM)循环神经网络实现维度情感分类.首先,基于DEAP维度情感生理数据集,分别在唤醒度和效价维度选取情感标签阈值,划分不同情感状态;然后,通过时间窗对脑电信号分段,设计栈式自编码网络挖掘脑电数...     

基于栈式自编码神经网络的脑电信号情绪识别

针对维度情感模型生理信号情绪识别准确率较低的问题,本文基于DEAP维度情绪生理数据集,利用AR模型功率谱估计方法,提取脑电θ,α,β,γ节律的功率谱密度;采用小波包分解提取脑电小波包系数和能量占比时频特征;通过非线性分析提取脑电样本熵和小波包熵特征.然后,设计栈式自编码神经网络算法对脑电组合特征在效价和唤醒度两个情感维...     

基于深度学习算法的正负性情绪识别研究

为探究感知正性情绪(高兴、惊奇、自豪、感动)和负性情绪(愤怒、悲伤、恐惧、厌恶)时,人体生理信号特征变化,并依此进行情感识别,设计了视频诱发情感的实验范式.利用多导生理仪同步采集人体脉搏和心电两种生理信号;采用中值滤波和小波去噪方法消除测量中的基线漂移和噪声干扰;通过差分阈值法进行峰值检测,提取心电和脉搏波特征;设计栈式自编码深度学习算法,利用神经网络分类器实现正负性情绪分类识别.基于心电信号特征或脉搏信号特征,4种正性情绪的平均识别正确率分别为83.16%和81.66%,4种负性情绪的平均识别率分别为90.33%和86.33%,4种正负性混合情绪的平均识别率分别达到87.86%和85.28%.结果表明:采用栈式自编码深度学习算法,基于脉搏和心电生理信号特征,均可以有效识别正负性情绪,并且心电特征相比脉搏特征在正负性情绪识别方面更优越,该方法可以应用于情感机器人的研究中.     

类人型机器人动作情感识别研究

目的 为优化人与机器人动作情感交互方式,研究类人型机器人动作单模态情绪表达的可识别性,探究类人型机器人动作情绪识别的影响因素。方法 以类人型机器人NAO为例,采用问卷调查的方式,基于离散情绪模型,获取机器人NAO动作表达情绪的识别性、效价和唤醒度,研究类人型机器人动作的情绪识别性、效价和唤醒度,基于认知匹配理论研究类人型机器人动作与真人模拟动作、真人自然动作情绪表达差异的影响因素。结果 人类能够通过类人型机器人动作的单模态情绪表达,在不同情感语义上进行比较细腻的情绪识别,机器人形态及动作的幅度、速度、力量是情绪识别的影响因素。结论 建立类人型机器人动作与情感语义、效价及唤醒度的关系模型,以及类人型机器人动作情绪能量图,为机器人情感表达和动作交互设计提供较为系统的参考模型。     

应用变分模态分解和随机森林特征选择算法的扬声器异常声分类

为了提高扬声器异常声分类的精度,提出了基于变分模态分解(variational mode decomposition, VMD)和随机森林特征选择算法的扬声器异常声分类方法。首先利用VMD分解采集到的扬声器声响应信号,之后对得到的一系列模态分量提取时域和频域特征;然后利用随机森林特征计算提取特征的重要性,通过递归特征消除算法提取出相关性较强的特征构造出最优特征子集;最后将最优特征子集输入至随机森林分类器中,实现扬声器异常声的分类识别。试验结果表明,该方法可以筛选出规模较小且识别度较高的低维特征数据集,同时具有更好的平均识别准确率,平均识别准确率为98.61%。     

基于特征融合和B-SVM的鸟鸣声识别算法

为了实现在野外通过低成本嵌入式系统识别鸟类,提出了基于特征融合和B-SVM的鸟鸣声识别方法。对鸟鸣声信号提取梅尔频率倒谱系数、翻转梅尔频率倒谱系数、短时能量和短时过零率组成特征参数,通过线性判别算法对特征参数进行特征融合。利用黑寡妇算法通过测试集对支持向量机模型的核参数和损失值进行优化得到B-SVM模型。利用Xeno-canto鸟鸣声数据集对本文算法进行了测试,结果表明该方法的识别准确率为93.23%。算法维度参数的大小和融合特征维度的高低是影响算法识别效果的重要因素。在相同条件下,文中所提的基于特征融合和B-SVM模型的鸟鸣声识别算法相较于其他特征参数和模型,识别的准确率更高,为野外鸟类识别提供了参考。     

基于CNN-SVM的深度卷积神经网络轴承故障识别研究

针对传统智能诊断方法过分依赖于信号处理和专家经验提取故障特征以及模型泛化能力差的问题,基于深度学习理论,提出将卷积神经网络算法结合SVM分类器搭建适于滚动轴承故障诊断的改进型深度卷积神经网络模型。从原始实测轴承振动信号出发,模型逐层学习实现特征提取与故障识别,引入批量归一化、Dropout处理并改进模型分类器来提升轴承故障识别准确率、模型收敛速度和泛化能力。实验结果表明,优化后的深度学习模型可快速准确地提取轴承故障特征,针对不同类型、不同损伤程度的轴承可实现99%的识别准确率,并且模型有较强的泛化能力和强化学习能力。     

基于表面肌电和位姿信息融合的手势动作识别

针对仅通过表面肌电信号(s EMG)进行手势识别难以应对复杂手势的问题,提出一种基于表面肌电和位姿信息融合的手势识别方法。通过双阈值方法对信号活动段进行分割,提取表面肌电信号、位姿信号的特征,使用核主成分分析方法(KPCA)对提取特征进行降维融合,使提取特征中的非线性信息得到较好保留,最后通过随机森林(RF)分类器进行分类识别。实验结果显示,该方法对10名受试者的11种不同手势的最佳平均识别率为98.23%,单个动作的识别准确率均在90%以上,验证了提出方法的可靠性。     

轻度抑郁症脑电特征分析与机器识别研究

轻度抑郁症的快速筛查和识别具有重要现实意义.采用静息态脑电信号探索了轻度抑郁症机器识别的有效方法,旨在找出与抑郁关系密切的脑电特性以及分类算法.首先,对各个导联的原始脑电数据加时间窗分段,计算抑郁症患者和正常人的脑电活动性、移动性、复杂度;然后,采用Burg算法和小波变换,分别提取每段脑电信号的频域特征和时频非线性特征;最后,利用支持向量机算法进行抑郁脑电分类,分析不同时间窗口、导联组合、特征组合、节律组合以及机器学习算法对识别结果的影响.实验结果表明：使用支持向量机分类器,选用20 s时间窗口,在O2、 T5导联组合,以及活跃度、移动性、小波能量熵、小波奇异熵特征组合和脑电alpha、 beta、 gamma节律组合下,得到抑郁识别准确率94.24%、召回率92.35%、精确度96.23%的最佳分类结果.     

基于RBF神经网络的睡眠分期方法研究与应用

目的 提出一种基于径向基函数(Radial Basis Function,RBF)神经网络的睡眠分期方法,设计一套能够根据用户身心恢复状态调节唤醒时间的智能唤醒系统,以优化用户睡眠时长,减轻醒后不适感。方法 基于心率变异性和睡眠分期等相关理论知识,通过低功耗心率带采集人体心电信号,选取最优小波变换对采集到的心电信号精准去噪,对径向基函数神经网络进行反复训练后,筛选出10个关键的特征向量,以构建睡眠分期模型。睡眠分期信息通过STM32处理器传输到手机客户端,系统根据预先设计的优化唤醒机制在用户身心恢复到最佳状态时将其唤醒。结果 基于睡眠分期模型的算法平均识别准确率可达88.9%,卡帕(Kappa)系数为0.839,相较于其他算法,该算法具有较高的准确率。结论 该智能唤醒系统的采集成本较低,算法简便高效,其唤醒机制科学合理,可以使用户舒适醒来,对改善用户醒后状态具有重要意义。     

基于线性判别分析的决策融合脑电意识动态分类

脑电信号的识别与分类是脑机接口技术的热点研究问题,单一分类器不能很好利用特征以及分类器的适应性,导致识别的准确率很难进一步提高,基于线性判别分析的分类决策级融合策略,可用于提高脑-机接口系统的分类准确率。首先,通过分离出两种分类器的假性试验特征,从这两种方法中选择更有可能正确决策提高分类准确性;其次为了测量每个决策的不确定性,使用与所对应分类器的最大和第二大相关系数提取特征向量。基于这一思想,提出了一种新的决策选择器,该方法通过整合两种基于线性判别分析的算法选择更有可能是准确的决策,从而达到提高脑电信号分类准确度。实验结果表明,该方法通过与精度相近的算法相结合在运动想象数据分类上获得了较好的分类准确率。     

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。     

基于盲辨识模型和极限学习机的下肢假肢路况识别

针对大腿截肢者穿戴智能假肢路况识别准确率低的问题,提出了一种盲辨识理论和极限学习机相结合的路况识别方法。选择肌电信号(EMG)作为路况识别信息源,提取肌电信号的盲辨识模型系数作为信号特征,为了能够充分反映路况特征,比较了不同特征值,分析了选取盲辨识模型系数作为路况识别特征值的合理性。为了克服极限学习机(ELM)分类器随机产生的输入权值只有少部分是比较优越的缺点,利用烟花极限学习机(FA-ELM)对平地行走、上楼、下楼、上坡、下坡、跑步6种路况进行分类。与ELM算法、BP神经网络进行了对比,结果表明,采用盲辨识模型和烟花算法进化极限学习机将6种路况下平均识别率提高到93.18%,优于ELM和BP神经网络等方法。     

改进的多尺度熵算法及其情感脑电特征提取性能分析

进行了用多尺度熵提取情感脑电特征的研究,针对传统的基于多尺度熵的特征提取算法在粗粒化过程中存在重要信息丢失以及尺度选择过小造成特征不显著、尺度过大造成计算过度复杂的问题,提出了一种改进的多尺度熵算法。该改进算法通过自适应多尺度熵中本征模态函数的个数确定尺度,而且为突出脑电信号的微小变化,对脑电信号进行自适应二值化处理,充分挖掘特征并降低算法复杂性。利用Deap国际标准情感分析数据库并基于优化支持向量机分类器实现了情感脑电特征识别,进行了改进算法与传统多尺度熵算法的性能比较。结果表明,改进算法的分类准确率较传统多尺度熵算法提高了12.33%,较自适应多尺度熵算法提高了7.27%,表明改进算法是一种有效的脑电特征提取算法。     

基于协同采样主动学习的恶意代码检测

研究了基于机器学习分类算法的恶意代码检测,考虑到目前主要采用传统分类方法对恶意代码进行分类识别,这些方法需要通过学习大量标记样本来获得精准的分类器模型,然而样本标记工作只有少数专家才能完成,导致标记样本往往不足,致使分类结果准确率不高,提出了一种基于协同采样的主动学习方法。运用这种学习方法,仅需少量标记样本即可有效识别出恶意代码。实验证明,相对于传统的恶意代码分类方法,该方法能够显著提升分类准确率和泛化性能。     

基于VMD与AdaBoost-SCN的海缆振动信号识别方法EI北大核心CSCD

海底光缆的在线监测和振动信号识别是保证其正常运行的关键技术。搭建了基于布里渊光时域分析系统,模拟不同工况下的海缆振动信号。针对海缆振动信号信息丰富、信噪比低,使用单一随机配置网络(stochastic configuration network,SCN)模型对信号识别准确率不高的问题,提出了自适应增强(adaptive boosting,AdaBoost)算法优化的随机配置网络(AdaBoost-SCN)识别方法。首先用变分模态分解(variational mode decomposition,VMD)算法分解海缆振动信号,构建特征向量;然后采用AdaBoost-SCN算法对振动信号分类。结果表明,所提方法有着很高的精度,并且具有很强的鲁棒性与泛化能力,提高了布里渊光时域分析系统振动信号识别的有效性。     

基于机器学习的开放创新社区创意识别方法研究

目的 探索基于机器学习的开放创新创意识别方法,解决创意识别过程中存在的耗时长、效率低、成本高等问题。方法 从用户特征、用户参与度和创意内容特征三个方面构建评估模型,以OpenIDEO社区为研究对象,采集数据并进行数据清洗和数据转化映射,最后进行多种机器学习算法的参数优化,并以F1值为选择标准,选择分类效果最佳的算法作为分类模型。结果 运用KNN、SVM、决策树、随机森林四种机器学习算法分析OpenIDEO数据,随机森林算法通过参数优化取得了最大的F1值（0.919 09）,同时对于验证数据,该算法同样可以取得较好的分类效果。结论 应用机器学习方法对开放式创新社区中的创意进行识别,具有较高的可行性和有效性,可以大大降低社区在创意筛选中的投入,提高创新效率,优化社区生态。     

基于人工鱼群算法-极限学习机的多手势精准识别

手势作为人机交互的重要方式,因灵活性与便捷性强,已成为控制领域的研究重点。针对上肢康复机器人手势识别技术存在的不足,结合特征组合与滑动窗口法,提出一种基于人工鱼群算法（artificial fish swarm algorithm,AFSA）优化的极限学习机（extreme learning machine,ELM）的多手势精准识别方法,以提高手势识别的准确率。首先,运用表面肌电测量系统采集人体常用的8种手势对应的表面肌电信号（surface electromyography,SEMG）,作为后续分类模型的信号源,并运用去噪技术与起止点检测技术对SEMG进行预处理;然后,选取通过主成分分析（principal components analysis,PCA）降维处理后的最优特征组合与最优滑动窗口;接着,采用AFSA搜寻ELM的最优输入权值和隐含阈值,以提高其分类准确率;最后,对AFSA优化的ELM（AFSA-ELM）分类模型、反向传播（back propagation,BP）神经网络分类模型和未优化的ELM分类模型进行比较,以验证所提出方法的精准性。实验结果表明,结合最优特征组合与最优滑动窗口设计的AFSA-ELM分类模型对多种手势的平均识别准确率高达97.4%,比BP神经网络分类模型和未优化的ELM分类模型分别高3.5%和1.6%,验证了所提出方法的识别精准性。研究结果可为手势识别提供新思路,进而为人体上肢动作的深度分析和上肢康复机器人手势识别算法的优化提供理论基础和参考。     

基于眼动跟踪的情绪识别方法研究

目的 研究眼动特征与情绪表达之间的联系,探索有效的情绪识别分类方法。方法 开展基于眼动的情绪实验,从原始眼动数据中提取与情绪表征相关的眼动特征,分析眼动特征随不同情绪变化的显著性,并采用三种分类算法(SVM、LDA、k-NN)对情绪的三分类任务进行充分实验。结果 单因素方差分析结果表明,注视次数、注视时间、眼跳距离的全部特征和瞳孔直径的部分特征在不同情绪下具有显著性差异;最小显著性差异法结果表明,区分积极与消极、中性与消极情绪的效果较区分积极与中性情绪更为显著。最终使用支持向量机分类算法在积极、中性、消极三分类实验中获得的准确率最高,达77.78%。结论 利用眼动特征识别不同情绪的方法是可行且有效的。     

基于机器视觉的柔性包装袋喷码缺陷检测研究

目的 针对传统喷码检测方法计算量大、字符区域定位不显著、识别准确率较低等不足,提出一种基于机器视觉的柔性包装袋喷码缺陷检测方法。方法 以柔性包装袋上喷码图像为研究对象,以滤波抑噪、阈值处理等技术对图像进行预处理,运用YOLO-V3网络模型对字符区域进行定位,并采用阈值和非极大值抑制算法提高喷码区域定位的显著性,通过改进AlexNet网络结构、运用多特征融合运算等方法,获取更为丰富的图像卷积特征,实现字符串的整体识别,从而提高喷码缺陷识别的准确率。结果 将YOLO-V3联合改进AlexNet的检测方法与传统喷码检测方法进行对比,结果表明,所设计喷码缺陷检测方法的分类准确率达到99.39%。结论 基于机器视觉的柔性包装袋喷码缺陷检测方法在模型计算量、字符区域定位显著性和字符识别准确率都有一定的优势,并有效解决了字符串整体识别的问题。