基于公共空间频率模型的脑电数据分类

利用公共空间频率模型算法实现较少训练数据的脑电识别。首先给出公共空间频率模型算法的数学公式和求解过程,然后从数学分析角度说明表达实质含义,以及如何实现空间和频率上的同时滤波;再对于提取出来的特征,如何构造分类器,进行分类;最后用BCI Competition III的Iva数据包为数据源,证明了公共空间频率模型算法在BCI的实用性,能够达到更好的识别效果。     

运动想象脑电的块选择共空间模式特征提取

共空间模式(CSP)作为一种空间滤波方法已在脑电信号(EEG)的特征提取上得到了广泛应用,而对脑电信号的通道和频带进行合理选择可以有效改善共空间模式特征在运动想象脑机接口(BCI)中的分类性能.针对已有选择方法中未充分考虑通道间差异性的问题,本文提出一种对通道和频带同时进行选择的块选择共空间模式(BS–CSP)特征提取...     

基于局部均值分解与样本熵的脑电信号特征提取与分类

针对运动想象脑电信号的识别问题,提出一种改进的脑电信号特征提取与分类方法。利用局部均值分解算法将原始信号分解为一系列乘积函数(PF)分量,根据μ节律和β节律范围内的脑电信号剔除无意义的PF分量。通过特征时间选择原则,选取4 s~6 s运动想象脑电信号作为分类数据,分别计算C_3,C_4导联信号二阶和三阶PF分量样本熵的和,并将其均值MSampEn(C_3,C_4)作为输入元素构造脑电特征向量,利用支持向量机进行分类预测以识别左右手想象运动。实验结果表明,与经验模态分解以及总体经验模态分解方法相比,该特征提取方法具有更高的分类准确率。     

基于多元变分模态分解的脑电多域特征提取方法

为提高运动想象脑电信号特征的区分性,提出一种基于多元变分模态分解(MVMD)的多域特征结合脑电特征提取方法。首先利用MVMD对原始脑电多通道数据进行自适应分解,然后从分解得到的固有模态函数(IMF)分量提取信号的时域特征以及非线性动力学特征,同时将IMF分量合并构造新的信号矩阵,并采用共空间模式(CSP)法对重构信号提取空间特征,进行时域、非线性动力学以及空域特征的结合,最后通过支持向量机(ＳＶＭ)对此特征集分类,所提方法在BCI Competition II Dataset III数据集上达到了89.64%的分类准确率,与现有的方法比较,验证了所提方法的有效性。     

感知器算法在运动想象脑电模式识别中的应用

基于脑电(EEG)的脑机接口(BCI)是在人脑和计算机或其它电子设备之间建立不依赖于常规大脑信息输出通路(外周神经和肌肉组织)的全新对外信息交流和控制技术。及时有效地提取和识别与运动想象相关的脑电模式可以帮助严重瘫痪病人控制光标或辅助运动设备以替代其受损的运动功能,建立一种与外界交流沟通的新途径。论文将以EEG(C3,C4)两个通道的mu节律能量作为特征向量,用感知器算法对左右手运动想象脑电模式进行识别,实验结果表明,正确识别率可达87.86%。由于感知器算法计算简单,故可以认为,感知器算法在脑机接口的应用中有较高的实用价值。     

基于SVM-KNN算法的情绪脑电识别

情绪识别与日常生活的诸多领域都有很大联系.然而,通过单一算法难以获得较高的情绪识别准确率,为此,提出一种基于支持向量机(support vector machine,SVM)和K近邻(K-nearest neighbors,KNN)融合算法(SVM-KNN)的情绪脑电识别模型.在情绪分类时,首先计算待识别样本与最优分类...     

基于脑电BCI的研究综述

一直以来脑研究都是国内外的研究热点,脑机接口（Brain Computer Interface, BCI）则是脑研究中的重要内容之一。正因为如此,越来越多的国内外研究者开始从事BCI的相关研究,并取得了诸多优秀成果。该文从BCI信号角度入手,总结了近年来基于脑电BCI的典型系统、相关分析方法及研究成果,并具体分析了其中存在的不足之处。     

基于脑电BCI的研究综述

一直以来脑研究都是国内外的研究热点,脑机接口(Brain Computer Interface,BCI)则是脑研究中的重要内容之一。正因为如此,越来越多的国内外研究者开始从事BCI的相关研究,并取得了诸多优秀成果。该文从BCI信号角度入手,总结了近年来基于脑电BCI的典型系统、相关分析方法及研究成果,并具体分析了其中存在的不足之处。     

基于模糊化符号复杂度的脑电运动想象识别算法

提出一种基于模糊化符号复杂度的运动想象脑电信号特征提取与识别方法。在脑电信号的复杂度细粒化多符号度量中引入模糊算法,用sigmoid函数模糊化处理,逻辑判断得到模糊化符号复杂度。取细粒化指数n为2,提取模糊化符号复杂度作为特征值,最后利用支持向量机对脑电运动想象任务进行分类识别。实验结果表明,以模糊化符号复杂度为特征的分类方法,对左右手运动想象脑电信号的分类识别率最高达88.67%,优于二值化Lempel-Ziv复杂度算法。     

基于ERS/ERD的二级共空间模式的运动想象脑电信号特征提取

针对多类运动想象EEG信号在脑-机接口方面存在分类识别率低和被试者差异性的问题,提出了一种基于ERS/ERD现象的二级共空间模式特征提取的方法。首先对全部导联进行特定频段的小波包降噪和分解;其次对分解系数重构后的信号以手(左、右)和脚(脚、舌)这二类进行一级共空间模式获取空间滤波器并对其采用2-范数筛选准则,提取权重系数较大的N个导联;然后以优化导联的投影矩阵对手与脚进行空间滤波后的信号分别作为原始信号进行二级空间模式特征提取;最后采用支持向量机进行分类。采用BCI2005Ⅲa中三位被试者的数据进行仿真验证,得到分类正确率最高达到92.55%。结果表明,该方法对EEG信号的特征提取具有较好的效果。     

改进遗传算法和支持向量机的特征选择算法

提出了一种基于改进遗传算法的特征选择算法。该算法以支持向量机分类器的识别率作为特征选择的可分性判据,对传统遗传算法的交叉和选择操作进行了改进,实现了指定数目的特征选择。而且算法在特征选择的过程中,还同时优化了支持向量机分类器的两个参数。实验数据的特征选择实验表明,提出的算法仅以损失2.7%识别率的代价,得到的特征维数却是传统遗传算法的1/5,极大地简化了分类器设计的复杂度。     

基于小波包技术的EEG信号特征波提取分析

为了更有效地提取脑电信号特征波,结合小波包技术,提出了一种脑电特征波提取方法。首先对脑电信号进行小波包分解,然后进行相关频段信号的重构,从而提取出特征波,并对其进行功率谱分析和能量计算。实验结果表明,小波包技术能有效地提取脑电信号特征波。     

基于运动想象的脑电信号的分类研究

对基于左右手想象的脑机接口数据进行了离线分析。在预处理过程中,采用4阶椭圆带通滤波器进行8～12Hz带通滤波,提取Mu节律对应的EEG信号。选取时间为4～5.5s内的C3、C4通道的幅值和之比作为时域分类特征;在频域范围内,对滤波后数据进行10阶的AR模型功率谱估计作为频域特征;将时域特征和频域特征结合成时频特征向量作为分类特征;在分类器的选择上,使用线性感知器作为分类准则对特征向量进行分类训练。结果表明,经过滤波后的分类结果比未经过滤波的效果要好。选用C3、C4通道的时频特征向量作为分类特征,表达意义简单、明了,且能将某些时频的优点结合,分类准确率较高,且分类速度快,能满足实时性要求。     

基于图像特征提取的浮选关键参数智能预测算法

针对矿物浮选过程中回收率参数难以在线检测的问题,提出了一种智能预测算法．首先采用相对红色分量提取泡沫颜色特征,采用改进面积重构变换与分水岭方法分割泡沫图像并提取尺寸特征;然后在此基础上,通过斯密特正交化对最小二乘支持向量机（ＬＳＳＶＭ）核矩阵进行简约,利用核偏最小二乘方法进行回归计算,得到具有稀疏性的ＬＳＳＶＭ 预测模型．实验结果表明,该预测算法能有效地对矿物回收率进行预测．     

脑-机接口中基于相似关系的MRPs双滤波特征提取算法

针对基于EEG的脑-机接口(BCI)实验数据分布不明朗的特点,双滤波模式(DFP)算法利用样本模式相似性来优化BCI的分类特征——运动相关电位(MPPs) 特征的空间(即电极位置)和时间投影方向,使得映射后异类样本模式差异性与同类相似性的比值最大化。该算法考虑MRPs特征对时间、空间的敏感性,并以自适应的方式挖掘它们适合分类的信息;优化时不需要进行样本数据分布假设,符合BCI数据特点。最后,DFP算法对BCI competition I、II两组数据进行实验,识别效果均高于相关比赛的最好成绩,这表明DFP算法能有效提取MRPs特征。     

基于Contourlet变换的纹理特征提取及纹理分类

通过对传统小波多方向性缺失和Contourlet变换系数稀疏性的分析,提出运用方向性小波Contourlet分析纹理特征,以自组特征映射神经网络(SOM)处理Contourlet变换系数的重组序列.对SOM网络输出层codebook矩阵进行奇异值分解得到纹理图像特征向量的方法进行纹理分类,在充分利用图像各尺度方向信息的基础上,有效提取了图像纹理特征.实验结果表明,该方法分类效果显著,Contourlet变换比传统小波分解更适合于图像纹理特性的分析.     

两阶段特征提取策略的图像去雾

目的 传统以先验知识为基础的去雾算法,如最大化饱和度、暗通道等,在某些特定场景下效果非常不稳定,会出现色彩扭曲和光晕等现象。由于标注好的训练数据严重不足、特征的冗余性等原因,传统基于学习的去雾算法容易导致模型过拟合。为克服这些问题,本文提出一种基于两阶段特征提取的场景透射率回归去雾方法。方法 在第1阶段,提取图像在颜色空间上的饱和度、最小通道、最大通道以及灰度图的盖博响应等43维特征作为初始雾的特征,并在提取的特征图像局部窗口内,进一步提取最小值、最大值、均值、方差、偏度、峰度、高斯均值等7维特征。在第2阶段,将提取的43×7=301个维度特征组成表征雾的二阶段特征向量。最后采用支持向量机进行训练,得到雾的特征向量和场景透射率的回归模型。结果 实验结果表明,本文算法取得了非常好的去雾效果。平均梯度值为4.475,高于所有对比算法;峰值信噪比为18.150 dB,仅次于多尺度卷积神经网络去雾算法;结构相似性为0.867,处于较高水平;去雾后的亮度和对比度,也均排于前列。本文算法的去雾测试性能接近甚至超过了已有的基于深度学习的去雾算法,表明本文提出的两阶段特征能够很好地对雾进行表征,实现了小样本学习的高效去雾。结论 本文通过两阶段的特征提取策略,极大提升了算法的鲁棒性,仅需要极少量样本就能训练得到性能很好的去雾模型,具有很好的泛化性能。