基于脑电通道动态选择方法的癫痫检测

在癫痫检测任务中,脑电信号的通道选择直接影响检测性能.针对静态通道选择方法中脑电信号部分时段癫痫检测能力不足的问题,提出了动态通道选择方法.根据通道位置和脑电信号功率谱密度确定通道集合,选择通道集合中癫痫检测能力最强的一路通道作为特征提取通道,通过提高局部癫痫检测能力,进而提高整体检测能力.实验结果表明,提出的动态通道...     

基于梯度boosting的癫痫脑电检测方法(英文)

自动癫痫脑电检测对癫痫的诊断具有重要意义,可以减轻监测长期脑电的工作强度。本文提出和探讨一种基于梯度boosting的长程脑电癫痫检测的新机器学习算法。该算法提取长程脑电的相对波动指数作为特征,采用梯度boosting算法训练分类器来识别发作和正常脑电。最后采用平滑和"collar"技术作为后处理进一步提高检测准确率。利用弗莱堡21位病人的脑电数据对该癫痫检测算法进行评估,实验表明,该算法的平均灵敏度为94.6%,误检率为0.18/h。     

代价敏感卷积神经网络：一种机械故障数据不平衡分类方法

机械设备实际工作过程中正常样本丰富、故障样本匮乏,卷积神经网络在处理这种分布不平衡的数据时对少数类的识别率很低。为解决上述问题,提出一种代价敏感卷积神经网络,首先经过多层卷积和池化运算学习原始监测数据中的机械设备本征性能状态知识;其次通过全连接层将本征性能状态知识映射为机械设备健康状态;最后利用代价敏感损失函数为少数类样本赋予较大的误分类代价,实现对不平衡的机械故障数据的有效分类。为验证所提方法的有效性,使用具有不同不平衡比的刀具数据集和轴承数据集,利用代价敏感卷积神经网络以及主流的分类算法分别测试其对于不平衡数据的分类性能。实验结果表明,所提方法对不平衡数据集中的少数类样本识别率相对于传统卷积神经网络提升了22%以上。     

拉曼光谱结合深度学习算法的塑料分类的研究

拉曼光谱法能识别塑料制品光谱特征峰,但操作流程繁琐且准确率有待提升,对此提出了基于一维卷积神经网络 (one-dimensional convolution neural network, 1-D CNN) 的塑料制品分类算法,首先建立以聚乙烯 (polyethylene, PE) 、聚丙烯 (polypropylene, PP) 、聚对苯二甲酸乙二醇酯 (polyethylene terephthalate, PET) 和聚苯乙烯 (polystyrene, PS) 为原材料的40种塑料包装样本数据集;然后设计1-D CNN、K近邻 (KNN) 、决策树 (DT) 和支持向量机 (SVM) 4种算法模型进行训练,并在光谱分类流程、模型准确率和鲁棒性等方面进行对比。实验结果表明,1-D CNN在不经过预处理条件下分类准确率达到98.62%,且在60 dB噪声下仍有96.42%的准确率,优于另外3种传统机器学习算法模型。该结果证实,拉曼光谱融合神经网络的多分类方法可提升塑料制品检测性能。     

基于深度学习的多物体抓取检测技术研究

针对非结构化的抓取场景,提出一种并列式架构的卷积神经网络检测模型。该模型使用单物体抓取数据集训练,可以对多物体进行抓取检测。基于机器人操作系统（Robot Operating System,ROS）平台进行抓取仿真试验,验证抓取检测结果的有效性。试验结果表明,该方法针对密集多物体的仿真抓取成功率达到80.8%。     

基于深度神经网络的车辆检测系统

近年来,深度卷积神经网络取得的突破性进展极大地提高了计算机视觉算法能力,基于卷积神经网络的算法已成为目标检测领域的主要研究方向。但由于其庞大的计算量和存储空间需求,该算法在车载平台车辆检测领域的应用受到限制。本文对深度卷积神经网络在车辆检测领域的应用进行研究,在算法架构层面,以构建高速高准确率的车辆检测模型为目标,搭建并训练了适合嵌入式端的轻量级车辆检测模型,并对算法进行了优化。模型测试结果显示,本文搭建的车辆检测算法在保持较高检测精度的情况下,大幅降低了检测模型计算量和存储需求。     

基于推土机距离和支持向量机的脑电癫痫检测算法(英文)

对于需要长期脑电图监测的癫痫患者,癫痫自动检测技术是十分必要的。本文所提出的基于多导联长程脑电的算法,首先,对脑电信号进行五层小波分解,取其中三层并求和,然后建立直方图并计算它们之间的距离。本文使用了一种有效的推土机距离算法,提出了脑电新特征EMD-L1。由于EMD-L1利用了L1范式,有效降低了时间复杂度,提高了运算速度。本文采用支持向量机作为分类器,并对支持向量机的输出做了后处理,其中包括平滑滤波和"collar"技术,以获取更准确的检测结果。本文将所提出的方法与其他使用相同脑电数据库的癫痫检测方法相比较,实验结果表明本文提出的算法达到了较高的灵敏度95.73%、特异性98.45%以及较低的误判率0.33/h。该检测系统不但具有较高的精确度和较强的鲁棒性,而且可以对脑电数据进行实时分析,用于长期脑电监测中。     

基于ITD和PLV的四类运动想象脑电分类方法研究

针对四类运动想象任务的特征提取问题,提出一种基于固有时间尺度分解(ITD)和相位同步分析相结合的脑电(EEG)信号特征提取方法。采用第3届和第4届BCI竞赛中的4类运动想象数据集,首先选择5个导联的运动想象脑电信号,根据相位同步性计算导联之间的相锁值(PLV),将相锁值作为一类特征;之后利用ITD对5个导联的运动想象脑电信号进行分解,提取第一层固有旋转分量的能量特征,与PLV特征相结合获得十五维特征向量;最后通过支持向量机(SVM)进行分类识别。对12名受试者的平均识别率达到91. 64%,平均Kappa系数达到0. 887,说明该方法能够有效的提取脑电信号特征,进而提高4类运动想象任务的分类准确率。     

基于深度学习的传感器优化布置方法

针对传感器优化布置(optimal sensor placement,简称OSP)问题,提出了一种新的使用深度神经网络的解决方案,并以简化的桥梁形状的桁架结构中的振动测试传感器优化为例进行了验证。首先,选择一种传统的传感器优化布置方法,对自动化生成的大量不同的桁架结构分别进行传感器优化布置计算,将所得优化布置结果在进行数据预处理后构建出深度学习方法所需要的训练集与验证集;其次,使用Python语言和深度学习框架TensorFlow设计实现与本研究问题适配的深度神经网络模型并训练;然后,随机生成了新的桁架结构参数;最后,将深度神经网络输出的传感器布置结果和传统方法的计算结果进行了比较,验证了本研究方法的有效性以及在速度上、可移植性与可扩展性方面的性能优势。     

基于SSDAE深度神经网络的钛板电涡流检测图像分类研究

钛板电涡流成像检测易受工业现场中的噪声影响,包含噪声的检测图像往往难以提取较好的特征,从而影响分类识别精度。针对以上问题,提出了一种基于栈式稀疏降噪自编码(SSDAE)深度神经网络的钛板缺陷电涡流检测图像分类方法。将稀疏性限制引入降噪自编码器并进行逐层无监督自学习,然后将自编码器栈式组合后添加逻辑识别(LR)层,构建出SSDAE深度神经网络,网络在有监督微调后可实现钛板缺陷电涡流图像特征自动提取与分类识别。稀疏性限制的引入提高了特征学习能力,降噪自编码器的栈式组合提高了深度网络的鲁棒性。实验结果表明,相比其他常规方法,所提出方法不仅在理想环境下有更高的分类准确率,且该方法能有效抵抗噪声,在复杂工况下能更有效地对钛板缺陷进行分类识别。     

基于改进深度卷积网络的铁路入侵行人分类算法

异物侵入铁路限界严重影响行车安全,识别铁路限界内的人员侵入对保证铁路运营安全具有重要意义。由于既有铁路图像异物侵入检测系统只能检测报警图像,无法区分是人员侵入的正确报警还是光线干扰导致的误报警,为了降低上述误报警,本文建立了铁路异物侵限报警样本的训练集和测试集,提出了将改进的深度卷积网络提取的高层Alex特征和HOG特征相结合并用于深度卷积网络模型训练的分类算法。首先引入了改进的AlexNet深度卷积神经网络模型,提取了自动学习的Alex高层特征,然后将其与HOG特征相结合形成Alex-HOG组合特征,最后利用组合特征对分类网络进行训练。铁路异物侵限报警测试样本库的实验表明,该方法对1 498张测试样本图像的识别准确率高达98.46%,时间为3.78s,实时性和准确率均有较大提高,对降低系统误报率具有重大意义。     

基于深度卷积神经网络的车标分类

基于深度学习框架Caffe和具有强大计算能力的GPU,运用深度神经网络AlexNet和GoogleNet,对具有不同背景的汽车图像进行网络训练,以达到车辆自动识别的目的。分别对4类车标进行网络训练与测试,实验结果表明,在图像识别分类方面,与传统识别方法相比,深度卷积神经网络更具优势。     

基于迁移学习的VGG-16网络芯片图像分类

针对芯片图像分类过程中图像数量过少、需要大量人工标注以及效率低的问题,提出一种基于迁移学习的VGG-16网络芯片图像分类方法。该方法通过VGG-16网络直接从原始像素中自动学习图像特征,有效减少人工标注的成本,同时对比了VGG-16网络模型和基于迁移学习的VGG-16网络模型的准确率及其混淆矩阵。实验结果表明,所提出的基于迁移学习的VGG-16网络模型对芯片图像分类效果要优于原VGG-16网络模型。     

基于多任务学习的快速序列视觉呈现脑电图分类

针对快速序列视觉呈现的脑电图数据存在样本不平衡问题,提出一种基于多任务学习的快速序列视觉呈现脑电图分类模型。首先,建立深度共享特征提取模块,利用卷积神经网络自动学习共享参数,提取与任务关联的深度特征;其次,基于分类任务和超球约束任务构造多任务目标函数,利用两种任务的联合学习提取更有效的判别特征,提高模型泛化性。在快速序列视觉呈现公开数据集中进行实验,与常见的脑电分类模型DeepConvNet、EEGInception、DRL以及EEGNet相比,提出的Multi-task EEGNet在32个受试者中平均AUC分别提升3.57%、1.84%、6.22%和2.09%。实验结果表明,提出的多任务学习模型能更充分地提取判别特征,有效提升模型分类性能,较好地解决EEG分类任务中样本不平衡问题。     

基于深度学习的导波特征提取及其激光超声检测

针对激光超声检测中波场的三维数据处理计算量大且损伤特征提取难的问题,提出了一种基于深度学习模型的导波波场分析方法.首先,以VGG-Net网络为框架,建立了基于VGG11(A-LRN)的残差网络模型,用于挖掘时间-空间波场数据中的导波特征;其次,以局部波数特征为物理机理,采用导波传播的解析式生成训练样本,解决了深度学习大数据获取的问题,获得了波场特征提取的神经网络模型;最后,以激光超声系统在含损伤结构中的实验数据作为测试样本,验证了所提出的网络模型能够提取表征损伤的导波特征,实现了结构的损伤成像,其损伤成像精度均在67%以上,损伤形貌的可视化效果好。     

基于动态统计滤波与深度学习的智能故障诊断方法

电流信号具有易采集、不易受环境噪声影响的优点,为难以通过振动传感器采集信号的特殊设备提供了可行的监测诊断思路,但电流信号也存在故障特征难以提取等问题。为此,将改进的动态统计滤波与深度卷积神经网络(DCNN)结合,提出一种基于电流信号进行机械设备智能故障诊断的方法。引入综合信息量指标(SIpq)优化滤波效果,基于改进的动态统计滤波方法,使不同状态信号间的特征差异最大化,以提高状态识别精度;通过交替堆叠特征图尺寸不变的卷积层与逐层递减的池化层,构建DCNN,提取电流信号中的高维故障特征。将动态统计滤波后的特征增强图像输入DCNN,识别故障类型。为验证方法有效性,以不平衡、不对中、松动3种故障为对象进行故障类型识别,分析结果表明,所提方法可有效识别故障类型,与传统的ANN、CNN等其他方法对比具有较好的识别精度。     

基于深度卷积神经网络的目标检测研究综述

作为计算机视觉中的基本视觉识别问题,目标检测在过去的几十年中得到了广泛地研究。目标检测旨在给定图像中找到具有准确定位的特定对象,并为每个对象分配一个对应的标签。近年来,深度卷积神经网络DCNN(Deep Convolutional Neural Networks)凭借其特征学习和迁移学习的强大能力在图像分类方面取得了一系列突破,在目标检测方面,它越来越受到人们的重视。因此,如何将CNN应用于目标检测并获得更好的性能是一项重要的研究。首先回顾和介绍了几类经典的目标检测算法;然后将深度学习算法的产生过程作为切入点,以系统的方式全面概述了各种目标检测方法;最后针对目标检测和深度学习算法面临的重大挑战,讨论了一些未来的方向,以促进深度学习对目标检测的研究。     

A new automatic convolutional neural network based on deep reinforcement learning for fault diagnosis

Convolutional neural network (CNN) has achieved remarkable applications in fault diagnosis. However, the tuning aiming at obtaining the well-trained CNN model is mainly manual search. Tuning requires considerable experiences on the knowledge on CNN training and fault diagnosis, and is always time consuming and labor intensive, making the automatic hyper parameter optimization (HPO) of CNN models essential. To solve this problem, this paper proposes a novel automatic CNN (ACNN) for fault diagnosis, which can automatically tune its three key hyper parameters, namely, learning rate, batch size, and L2-regulation. First, a new deep reinforcement learning (DRL) is developed, and it constructs an agent aiming at controlling these three hyper parameters along with the training of CNN models online. Second, a new structure of DRL is designed by combining deep deterministic policy gradient and long short-term memory, which takes the training loss of CNN models as its input and can output the adjustment on these three hyper parameters. Third, a new training method for ACNN is designed to enhance its stability. Two famous bearing datasets are selected to evaluate the performance of ACNN. It is compared with four commonly used HPO methods, namely, random search, Bayesian optimization, tree Parzen estimator, and sequential model-based algorithm configuration. ACNN is also compared with other published machine learning (ML) and deep learning (DL) methods. The results show that ACNN outperforms these HPO and ML/DL methods, validating its potential in fault diagnosis.