基于奇异谱熵的脑电意识任务识别方法的研究

奇异谱分析是脑电信号研究的一种新方法。脑电信号的奇异谱熵可以反映脑电的特征,它有助于研究大脑的动力学行为。时变脑电信号所对应的奇异谱熵时间序列能很好地反映出事件相关去同步(ERD)和事件相关同步(ERS)现象,因此可以提取人脑想象左右手运动任务时的特征,最终利用K-近邻模式分类方法对想象左右手运动任务进行有效的分类决策。最后对国际脑机接口竞赛2003相关数据进行了测试,最高准确率达到85.16%,最大互信息达到0.48。测试结果说明,基于奇异谱熵的脑电信号特征,可以作为脑电意识任务的有效分类依据。     

左右手运动意识任务的分类

本研究提出了利用事件相关ERD/ERS和相同步提取脑电运动意识任务特征,应用Fisher线性判别式分析法,对想象左右手运动任务进行了分类,并获得了满意的效果。对被试者想象左右手运动过程中,记录的脑电信号采用了能量分析法量化了事件相关去同步ERD和事件相关同步ERS时程,同时提取了相位信息。最后对测试数据进行分类,最大正确分类率达到了83.20%,与用多通道AR模型提取特征方法相比,效果更好,从而为大脑运动意识任务的分类提供了新思路。     

基于样本熵的运动想象分类研究

提出了基于脑电的样本熵特征进行运动想象分类的思想,分析了左右手运动想象时感觉运动皮层的脑电信号样本熵及其动态变化规律．结果表明,样本熵能够较好地反映左右手运动想象时脑电特征的变化,具有明确的生理意义．在此基础上,利用Fisher线性分类器对基于样本熵的左右手运动想象进行了动态分类,得到的平均最大分类正确率达到87.8%．最后,提出了一种样本熵的快速算法,其计算量小、速度快,满足BCI实时系统要求．     

小波包熵和BP神经网络在意识任务识别中的应用

探索了小波包熵和BP神经网络在识别左右手想象运动中的作用.采用脑-机接口2003竞赛中Graz科技大学提供的脑电数据,计算C3、C4电极8～16Hz频带脑电信号的小波包熵,将其作为反应想象左右手运动的特征量,用BP神经网络对大脑想象左右手运动任务进行分类,最大分类正确率可达88.57%,与使用线性判别式算法分类结果相比,效果更好.脑电信号小波包熵随时间的变化与事件相关去同步和事件相关同步现象相一致,可在线识别左右手想象运动,为大脑运动意识任务的特征提取及肢残患者的临床康复提供了新思路.     

想象左右手运动的脑电特征提取

针对脑机接口中脑电信号特征提取的传统方法特征数量多、计算量大及分类正确率低等不足,提出了一种基于时域、频域、空域结合的方法用于提取大脑在想象左右手运动时所产生的事件相关去同步(ERD)和事件相关同步(ERS)信号.分别用独立分量分析(Independent Component Analysis, ICA)和小波变换提取原始脑电信号的空域特征及时频域特征,并用BP(Back Propagation )神经网络对提取的特征进行分类.分类实验结果表明,运用提出的方法提取的想象左右手运动脑电的特征,有效克服了传统的仅基于时频域特征提取方法在描述脑电信号本质特征方面的不足,具有较好的分类正确率.     

基于小波包和组合分类器的脑电信号分类

为了提高脑思维任务分类精度,提出了一种基于小波包分解和多分类器投票组合的运动想象任务分类方法。该方法利用小波包分解对经过预处理的脑电信号进行分解,提取所有频带上的相对小波包能量特征;根据不同脑思维任务下左右半脑各通道间的差异性对C3、C4两通道求取特定频带上的小波包系数的L-2范数作为特征;采用基于投票策略的组合分类器对两种联合特征进行分类,得到了92.85%的识别精度。实验结果表明,联合特征向量较好地反映了左右手运动想象脑电信号的事件相关去同步（ERD）和事件相关同步（ERS）的本质特性;组合分类器识别效果优于单一分类器。     

基于Mahalanobis距离的运动意识分类研究

提出基于Mahalanobis距离判别式算法的意识任务分类方法.对被测试者想象左右手运动时脑电信号的mu节律能量变化进行在线动态分析,提取EEG(C3,C4)两个通道的mu节律能量作为特征向量,用Mahalanobis距离判别式算法对左右手运动想象脑电模式进行分类,实验结果表明,正确识别率可达87.86%.     

左右手想象运动的脑电信号分类识别

利用脑电信号的事件相关同步/去同步(ERS/ERD)现象,针对脑电信号的非平稳随机特性,采用短时傅里叶交换(STFT)提取信号的时频特征,并分别用fisher分类器、人工神经网络(ANN)和支持向量机(SVM)对特征进行模式分类,正确率分别为66.2%(53/80),72.5%(58/80),81.2%(65/80).实验结果表明STFT能有效提取脑电信号特征,且SVM是一种较优的分类方法.     

基于功率谱熵和频带能量的运动意识任务分类研究

提出以信号功率谱熵和频带能量作为组合脑电特征向量,运用时变线性分类算法对左右手运动意识任务分类的方法.C3、C4电极脑电信号8～24Hz功率谱熵和频带能量随时间变化的规律很好地反映了ERD/ERS现象,将两种特征组合用于分类,得到了满意的结果.由于功率谱峰熵和频带能量计算比较简单,稳定性好,识别率高,可在线识别左右手想象运动.     

基于能量熵的运动想象脑电信号分类

对脑电信号进行特征提取和分类是脑机接口研究的核心问题,利用不同运动想象脑电信号能量熵的变化,从能量熵中提取特征,利用自定义基于统计理论分类方法进行分类,结果均达到90%以上。     

联合同步挤压小波变换和多尺度排列熵的局部放电类型识别

为稳定提取变压器局部放电信号的特征,提出一种基于同步挤压小波变换和多尺度排列熵的局部放电特征提取方法,再通过ＧＫ模糊聚类方法对局部放电信号的特征进行识别分类。首先,通过同步挤压小波变换对4种典型变压器故障产生的局部放电信号进行分解,将其分解为一组含有局部放电特征信息的模态分量;然后,通过多尺度排列熵量化各模态分量的局部放电特征信息,使用各模态分量多尺度排列熵的平均值作为识别特征向量;最后,利用模糊聚类得到的局部放电样本标准聚类中心,采用欧式贴近度进行局部放电识别分类。将提出的方法应用于变压器局部放电的实验数据上,并与基于小波分解方法和经验模态分解的识别方法进行对比分析,实验结果表明,所提出的方法具有更好的分类性,对变压器局部放电分类具有更高的识别精度,平均识别精度达到93.60%。     

改进的最大嫡权值算法在文本分类中的应用

由于传统算法存在着特征词不明确、分类结果有重叠、工作效率低的缺陷,为了解决上述问题,提出了一种改进的最大熵文本分类方法。最大熵模型可以综合观察到的各种相关或不相关的概率知识,对许多问题的处理都可以达到较好的结果。提出的方法充分结合了均值聚类和最大熵值算法的优点,算法首先以香农熵作为最大熵模型中的目标函数,简化分类器的表达形式,然后采用均值聚类算法对最优特征进行分类。经过实验论证,所提出的新算法能够在较短的时间内获得分类后得到的特征集,大大缩短了工作的时间,同时提高了工作的效率。     

基于最大信息熵模型的异常流量分类方法*

最大信息熵原理已被成功地应用于各种自然语言处理领域,如机器翻译、语音识别和文本自动分类等,提出了将其应用于互联网异常流量的分类。由于最大信息熵模型利用二值特征函数来表达和处理符号特征,而KDD99数据集中存在多种连续型特征,因此采用基于信息熵的离散化方法对数据集进行预处理,并利用CFS算法选择合适的特征子集,形成训练数据集合。最后利用BLVM算法进行参数估计,得到满足最大熵约束的指数形式的概率模型。通过实验,比较了最大信息熵模型和Naive Bayes、Bayes Net、SVM与C4.5决策树方法之间的精度、召回率、F-Measure,发现最大信息熵模型具有良好的综合性能,尤其在训练数据集样本数量有限的情况下仍然能保持较高的分类精度,在实际应用中具有广阔的前景。     

基于改进的最大熵均值聚类方法在文本分类中的应用*

针对传统的文本分类算法存在着各特征词对分类的结果影响相同、分类准确率较低、造成算法时间复杂度增加的问题,提出了一种改进的最大熵C-均值聚类文本分类方法。该方法充分结合了C-均值聚类和最大熵值算法的优点,以香农熵作为最大熵模型中的目标函数,简化分类器的表达形式,然后采用C-均值聚类算法对最优特征进行分类。仿真实验结果表明,与传统的文本分类方法相比,提出的方法能够快速得到最优分类特征子集,大大提高了文本分类准确率。     

不等式最大熵中的特征选择方法

不等式最大熵模型较为成功地缓解了文本分类任务中的过拟合问题,但它使用的特征选择算法不能完全发挥不等式最大熵的最大优势。针对该问题提出采用改进的顺序前进式选择算法,提高文本分类任务中的识别率,试验结果证明该算法能够更准确地选出文本代表特征,对不等式最大熵模型的分类成绩有一定的改善。     

基于MCKD-EEMD近似熵和TWSVM的齿轮箱故障诊断

在复杂环境下齿轮箱信号往往会淹没在噪声信号中,特征向量难以提取;为了有效地进行故障诊断,提出了基于最大相关反褶积(MCKD)总体平均经验模态分解(EEMD)近似熵和双子支持向量机(TWSVM)的齿轮箱故障诊断方法;首先采用MCKD方法对强噪声信号进行滤波处理,在采用EEMD方法对齿轮箱信号进行分解,分解后得到本征模函数(IMF)分量进行近似熵求解,得到齿轮特征向量,最后将其输入到TWSVM分类器中进行故障识别;仿真实验表明,采用MCKD-EEMD方法能够有效地提取原始信号,与其他分类器相比,TWSVM的计算时间短,分类效果好等优点。     

基于多尺度加权排列熵的管道泄漏检测

管道的泄漏检测对于物料长距离运输的安全至关重要。利用加权排列熵方法分析管道的压力时间序列,可提取压力时间序列的特征,通过判定所提取特征的变化,实现管道的泄漏检测。考虑到单尺度加权排列熵在反映压力信号复杂度方面的不足,提出了基于多尺度加权排列熵的管道泄漏检测方法。该方法采取移动窗口法,选取固定长度的压力序列作为子序列。计算该子序列的多尺度加权排列熵,从而判定管道的泄漏。最后,通过对管道泄漏实验装置的仿真试验,验证了所提算法的有效性。     

基于语义空间的藏文微博情感分析方法

藏语微博是目前流行的藏文网络媒体形式。对藏文微博文本进行情感挖掘,能够有效提高政府对藏语言的监测能力。传统的文本分类方法对中文微博能够达到不错的效果,但由于藏文具有自身的语言特点,传统方法对藏语的分类效率并不高。本文提出了一种基于语义空间的藏文微博情感分析方法。该方法首先使用句法树生成句法结构;然后结合句法结构和语义特征向量构建语义特征空间,在特征空间中通过K-means方法聚类形成语义簇质心;最后计算基于簇的TF-IDF值作为最终的微博情感特征值。实验结果表明,与目前常用的SVM TF-IDF和Naive Bayes 最大熵方法相比,该方法能更准确地对藏文微博进行情感分类。     

基于最大熵原理的空间特征选择方法

特征选择在模式识别和数据挖掘等领域都有十分广泛的应用.然而,当涉及空间数据时,由于传统特征选择方法没有很好地考虑数据的空间特性,所以会导致特征选择结果性能下降.从空间数据本身的特性出发,提出一种特征选择方法MEFS(maximum entropy feature selection).MEFS在基于最大熵原理的基础上,运用互信息和Z-测试技术,采用两步方法进行空间特征选择.第1步,空间谓词选择;第2步,选择与每个空间谓词对应的相关属性集.最后,分别对MEFS方法和RELIEF方法以及基于MEFS的分类方法与决策树算法ID3分别进行了实验比较.实验结果表明,MEFS方法不仅可以节约特征提取和分类时间,而且也极大地提高了分类质量.     

基于深度度量学习的电机故障诊断

深度学习以其强大的自适应特征提取和分类能力在机械大数据处理方面取得了丰硕的成果，由于电机结构的复杂性，其信号表现出的非平稳、非线性和复杂多样等特点，使得传统分类方法中的Softmax分类器+交叉熵损失函数对电机故障诊断力不从心。根据电机信号非平稳、数据量大等特点，结合短时傅里叶变换(STFT)与深度学习中的卷积神经网络(CNN)算法和Triplet Loss三元组思想，提出了深度度量学习电机故障诊断方法。该方法能将电机故障信号转换成时频谱图，同时构建CNN，将预处理后的样本用于CNN的训练，采用Triplet Loss作为损失函数度量故障数据高维特征间的距离，并结合标签有监督地微调整个网络，从而实现准确的电机故障诊断。实验表明该方法在处理复杂数据时能够度量特征在高维空间中的距离，高效完成故障诊断任务，弥补了交叉熵函数的不足。