基于改进深度学习模型C-NTM的脑电鲁棒特征学习

为了在脑电信号鲁棒特征学习中提取更多脑电抽象和深层特征,本文在卷积长短时记忆网络的基础上提出一种深度学习混合网络。采用快速傅里叶变换将多通道的脑电信号转换为一系列具有空域、时域、频域相关信息的频谱图;将改进的卷积神经网络和神经图灵机组合搭建完成深度学习混合模型卷积神经图灵机C-NTM;通过认知工作负载脑电的分类任务对改进的模型进行评估。实验结果表明:本文所提模型在相应的数据库上取得了94. 5%的准确率,优于目前在脑电分类任务中效果最好的模型。该模型能够有效地学习不同受试者之间和同一受试者不同状态时的脑电特征,实现更好的脑电鲁棒特征学习。     

基于深度卷积神经网络的睡眠分期模型

针对现阶段数据和特征决定睡眠分期模型的分类精度上限的问题,提出深度卷积神经网络模型. 在模型主体构建方面,并行卷积网络可以自动学习原始信号的时域特征和频域特征,特征融合网络通过空洞卷积和残差连接进行多特征融合,分类网络基于融合后的特征进行睡眠分期. 利用生成少数类过采样技术（SMOTE）减少类别不平衡对分类效果的影响,结合两步训练法对模型进行优化. 实验使用Sleep-EDF数据集的原始单导脑电信号（Fpz-Cz通道）对模型进行20折交叉验证,得到总体精度和宏F₁分别为86.73%和81.70%. 提出的深度卷积模型在没有任何先验知识的情况下,对脑电信号进行端到端的学习,分类准确率优于传统的深度学习模型.     

基于并行架构和时空注意力机制的心电分类方法

为了有效提取心电信号 (ECG) 的时空特征和提高分类准确性,提出基于深度学习的并行架构心电分类模型. 该模型采用基于GCA Block和GTSA Block模块实现多路特征融合的时空注意力机制. 使用双向长短时记忆网络和卷积神经网络作为基特征提取器,分别捕捉心电信号序列数据的前后依赖关系和不同尺度上的局部相关特征,实现对5种不同类型的心电信号的自动分类. 在MIT-BIH数据集上验证的结果表明,该方法对5种不同心电信号的总体分类准确率、特异性、敏感度、精确度和Macro-F1分别为99.50%、99.61%、96.20%、98.02%和97.08%. 相较于其他心电分类模型,该模型不仅能够有效地缩短网络模型深度,防止模型过拟合,而且能够更准确地提取心电信号的时空特征,获得更好的分类性能.     

基于卷积神经网络的多类运动想象脑电信号识别

针对传统多类运动想象（MI）脑电信号的识别方法须进行繁琐的预处理以及特征提取问题,提出基于深度学习的MI信号自动分类方法.在样本表示方面,提出将多通道脑电（EEG）信号转化为一维序列信号处理,在增加样本数量的同时又能够忽略与通道位置相关的空间信息的影响;根据输入信号的特点,采用多层一维卷积神经网络学习不同运动想象状态时脑电信号中的时频信息,自动完成特征提取和分类工作. 将所提出的方法在公共数据集上与多种方法进行比较,并完成对实际采集数据集的分类. 利用所提方法在不需要先验知识的条件下,对脑电信号进行端到端的学习. 结果表明该方法可以获得更高的多分类准确率以及降低个体差异对分类的影响. 所提出的方法有利于促进基于MI 的脑机接口系统的开发.     

基于时域、频域脑电(EEG)特征情感分类研究

目前的情绪识别技术已经成功地将情绪变化与脑电信号联系起来,并在适当的刺激下从脑电信号中进行识别和分类.因为声音以及表情等信号具有一定的伪装性,而脑电信号(EEG)和情绪的变化密切相关,通过对EEG信号的分析可以更精确的反映人的情感变化.对EEG信号的研究集中于通过时域和频域的角度提取出特征信号,采用基于熵(entropy)的可分性判断进行特征选择,分别使用SVM和HMM-SVM模型两种分类方法进行情绪分类,然后对分类结果进行分析、比较.结果表明,利用HMM-SVM模型基于频域特征的分类结果最好,平均准确率为83.93％.     

ICA+CSSD的脑-机接口分类

针对复杂的脑电问题,介绍了一种对单次思维脑电信号提取、分类的方法。该方法的主要思想是将独立成分分量和共空域子空间分解方法以及支持向量机学习方法结合起来,用于提取脑电信号特征。该方法分别被用于BCI Competition 2003 Data set IV和BCI Competition Ⅲ Data set I,正确率分别达到了89%和92%。实验证明独立成分分量算法和共空域子空间分解方法能够很好地结合起来进行脑思维的分类,分类正确率很高,是一种快速、稳定可行的分解方法。     

P300信号分类的多样本融合支持向量机算法

脑电信号是大脑受到自发或诱发刺激所产生的一种变化的脑电活动,利用结合了多样本融合思想的支持向量机（SVM）算法,在不同受试者的多样本数据上对诱发脑电信号中的P300信号进行了分类识别。首先对实验数据进行预处理和特征提取,然后利用SVM算法训练分类模型,最后通过融合多个样本的预测结果对测试数据的P300信号进行识别。结果表明,相比单样本SVM算法该方法对检测数据有较高的分类准确率,能够成为P300脑电信号预测的较好方法,具有应用前景。     

基于脑电信号的癫痫疾病智能诊断与研究

针对医疗诊断中癫痫脑电信号分类准确率低、分类类别少的问题,依据粒子群算法和支持向量机理论,提出了一种基于粒子群算法优化支持向量机参数的信号分类检测技术。首先利用小波分析对脑电信号进行5层分解与重构,然后提取含有癫痫特征频率的3、4、5层重构信号的波动系数和近似熵等特征,计算不同状态不同尺度的脑电信号能量,根据不同状态不同尺度的能量分布,调整特征向量的系数。最后使用粒子群算法优化的支持向量机对脑电信号进行分类。实验结果表明,本文提出的方法可以正确识别健康、癫痫发作间期、癫痫发作期3种类型脑电信号,最终的识别率可以达到99.83%。     

基于高斯核函数支持向量机的脑电信号时频特征情感多类识别

为了找到一种综合分析方法,提高对脑电信号情感多分类识别的分类精确度,将DEAP数据库中的脑电数据采用经验模态分解的方法分解为多个本征模函数,并对本征模函数按不同的时长窗口进行分片,提取其功率谱密度作为脑电信号特征.将被试对音乐视频的情感评价指数用于生成情感分类标签,按"唤醒度"和"效价"2个维度将评价指数映射到二维情感模型中,分成4类.采用"一对一"的高斯核函数支持向量机对脑电特征进行多分类分析.实验结果表明:高斯核函数支持向量机的最高分类准确度达到90.9%(22号被试),平均分类准确度达到68.3%.高斯核函数支持向量机能有效地从脑电信号中识别出不同的情感状态;同时,对于相同刺激,不同的被试产生的情感状态不同;并且,在清醒状态下,脑电信号的高频子波对情感分类有更高的分类精确度.     

一种多特征提取的脑电情感识别方法

针对如何有效地缩小不同受试者脑电信号之间的波动和差异,提高分类精度的问题,提出一种多特征提取算法用于脑电情感识别.首先,采用数据空间自适应算法对脑电信号数据进行空间线性变换,使目标空间与源空间之间的差异最小化.再采用共空间模式将数据空间自适应变换后的信号变换到一个最优子空间,使两类之间的方差差异最大,将共空间模式处理后的数据作为数据空间自适应算法的输入数据,反复迭代多次.然后提取功率谱能量特征和小波包能量特征,最后采用Bagging tree、SVM、线性判别分析和贝叶斯线性判别分析进行情感分类.实验结果表明,所提算法相比于主成分分析算法在分类精度上提高了0.151 4;相比于只进行DSA-CSP迭代和提取小波包能量,在分类精度上提高了0.103 4;相比于只进行DSA-CSP迭代和提取功率谱密度,在分类精度提高了0.095 8,所提算法有效缩小了不同受试者脑电信号的波动和差异,提高了分类精度.     

基于共空间模式的运动想象脑电信号识别研究

脑-机接口技术领域的关键问题是脑电信号的分类识别研究.本文针对脑电信号的分类问题,基于EGI-64导脑电采集系统得到7名被试者的左右手运动想象脑电数据,首先采用扩展Infomax-ICA方法对脑电数据进行去噪处理;然后利用共空间模式方法对C3/C42个电极的脑电信号进行特征提取;最后比较了Fisher线性判别分析法、贝叶斯方法、径向神经网络和BP神经网络几种算法的平均分类率.结果表明:神经网络分类方法得到的平均分类率要高于其他2种方法,而BP神经网络方法的平均分类率最高,可以达到95.36%,但另外3种方法的运行速度明显高于BP神经网络.该结果为实时BCI系统实施提供了一定依据.     

基于CNN脑电信号伪迹检测与去除的EEMD方法

为了去除在脑电信号采集过程中受到的干扰,在传统方法的基础之上,提出了一种基于卷积神经网络(CNN)脑电信号伪迹检测与去除的方法。该方法通过CNN模型对脑电信号电压幅值计算后的特征进行提取,完成Softmax分类器对脑电信号的检测分类。采用EEMD算法将含噪脑电信号分解为若干个本征模式函数IMF分量,通过Hilbert特征法提取出噪声占主导的高频IMF分量,再由FastICA的方法将剩余信号分离,达到眼电伪迹的去除。实验表明,CNN方法检测准确率高达80%以上,CNN与EEMD的结合提高了脑电信号伪迹去除的有效性。     

基于小波包和ICA的ERD/ERS脑电信号特征提取

在脑机接口研究中,针对运动想象脑电信号的特征提取,采用了一种优化的基于小波包的ICA（独立成分分析）法,用于提取大脑在想象动作时产生事件相关去同步/同步（Event Related Desynchronization or Event Related Synchronization ERD/ERS）信号。利用小波包对脑电信号进行分解去除不同脑电信号之间的统计相关性,抽取包含ERD/ERS现象的特征频带,对每个特征频带分别进行ICA分解,获取与ERD/ERS现象相关的μ节律和β节律。最后引入ERD/ERS系数作为量化指标进行想象动作的识别。分类仿真结果表明,上述方法能够显著增强运动想象脑电信号的ERD/ERS特征信息,对比与独立使用某一种方法,两种方法结合更能有效的提取脑电信号特征波。     

基于CNN-BiGRU的风机叶片故障诊断

提出一种深度学习检测方法CNN-BiGRU.采用CNN自适应地学习变量之间存在的关联特征,利用BiGRU对时间序列的敏感性,对风机叶片故障分类.对某风电场的SCADA数据进行增强、切片、标准化等预处理,实验结果表明：CNN-BiGRU分类模型能有效对叶片结冰故障进行准确检测,在时间效率和检测准确率方面较其他深度学习模型效果更好.     

四类运动想象脑电信号特征提取与分类算法

针对脑机接口(BCI)系统中存在的信息传输速率较慢和脑电信号识别正确率较低的问题,对多通道四类运动想象脑电信号进行研究.通过对4种运动想象及休息状态脑电信号进行功率谱分析,合理确定预处理滤波器的最佳滤波频段,然后使用PW-CSP,Hilbert变换及归一化处理的方法,对四类运动想象脑电信号进行特征提取,分类算法分为特征信号算术求和与阈值比较的预分类过程及包含单个支持向量机(SVM)的细分类过程,算法复杂度明显比采用多个SVM组合的多类分类算法要低,为实现算法的在线应用打下基础.仿真结果表明,该算法分类正确率高,时间开销小,并且可以通过调节阈值,在正确率与算法复杂度之间获得平衡.     

融合小波包和神经网络的脑电信号处理方法

针对运动想象脑电信号处理中分类准确率较低的问题,提出了一种基于能量（二阶矩）小波包变换和莱文伯格-马夸特神经网络算法相结合的运动想象脑电信号处理方法.首先,利用能量方法对信号进行时域分析,选取有效的时序段;然后,使用小波包变换对所选有效时域段的各导信号进行时频分解,选取与想象任务相关的频段信息重构脑电信号特征;最后,将各导信号重构的特征串接,导入基于莱文伯格-马夸特训练算法的神经网络实现最终的任务分类.利用2个脑电信号标准竞赛数据库进行方法验证,分别取得了95.62%和90.13%的分类准确率.与近期的一些研究成果进行对比,可知该方法具有较好的分类效果.     

基于多模态生理信号的驾驶人脑力负荷评估

准确评估驾驶人脑力负荷状态对降低因驾驶人脑力负荷过载导致的交通事故具有重要意义．基于典型驾驶场景,结合N-back认知负荷次任务,设计不同难度的驾驶任务实验,研究驾驶人脑力负荷．实验收集驾驶人在任务完成过程中的多种模态生理信号（脑电、心电和皮电信号）及美国航空航天局任务负荷指数量表主观脑力负荷数据,提出基于多模态生理信号特征分析和模式识别的驾驶人脑力负荷分类模型,并比较不同模态生理信号及其组合在3种典型机器学习算法（随机森林、决策树和k最近邻模型）中的脑力负荷分类识别效果．研究表明,基于不同模态生理信号组合的脑力负荷分类模型具有不同的分类准确率．单一模态生理信号的分类模型中,基于皮电、心电和脑电信号的分类模型准确率依次增加;基于多模态生理信号的分类模型准确率普遍优于单一模态分类模型;基于脑电、心电及皮电3模态生理信号的随机森林分类模型具有最高的分类准确率．     

基于深度学习的地基云分类技术研究进展

深度学习的自动学习特征和精确的预测能力使其在地基云分类上获得成功,更复杂更优良的深度学习网络在地基云分类领域得到研究和应用.近两年来一些大规模地基云分类数据集被公布,但还没有文献对这些大数据集进行完整地介绍和使用.本文对深度学习地基云分类领域最新的研究进展进行了详细的概括,并介绍了最新发布的国际标准大规模数据集,最后对几种经典的卷积神经网络深度学习模型在地基云分类上的性能进行了评估,验证了卷积神经网络在地基云分类领域的适用性.     

一种基于DSmT推理的物品融合识别算法

针对目前提升深度模型分类表现方法存在的硬件性能不足、结构创新不易、训练样本有限等问题,提出一种基于DSmT(Dezert-Smarandache)推理的物品融合识别算法。对于待识别目标,应用数据融合思想将来自不同深度学习模型提供的识别信息进行融合处理。利用已有的预训练深度学习模型,根据分类识别任务进行特定的微调;针对DSmT理论中构造信度赋值困难的问题,使用深度学习网络对图像的判别输出进行证据源信度赋值;在决策级层运用DSmT组合理论对信度赋值融合处理,进而实现物品的准确识别。在不改变网络模型结构与同一数据集的情况下,将提出的方法与单一网络模型和平均值处理方法进行对比测试试验。试验结果表明,该方法可以有效地提高物品图像的识别率。     

立体深度运动感知的脑电信号研究

立体显示舒适度在很大程度上取决于立体深度运动变化。该文基于脑电EEG技术对两类深度运动的特征进行识别。首先通过主观实验确定脑电实验所用的两类视频素材,计算脑电信号在时域和时频域的点列r2值,并通过共同空间模式提取不同脑区和整个脑区的时频域差异最大的EEG信号的空域特征,采用支持向量机进行信号分类。仿真分析结果证明:刺激时大脑顶区脑电信号的α、β频带相对能量上升;对于两类深度运动,差异最显著的波段集中在顶区的α频带;Dorsal路径上具有相对较高的分类率。这表明,观看立体深度运动场景时,采用EEG去识别舒适度具有可行性。