基于稀疏组lasso-granger因果关系特征的脑电信号情感识别

针对目前基于单一脑区功能性网络层面的特征提取,文中提出稀疏组lasso-granger因果关系方法.首先从效应性脑网络层面提取不同脑区之间的因果关系作为脑电特征,分别提取受试者α,β,γ脑电波段的granger因果特征值.然后引用稀疏组lasso算法对获取的granger因果特征值进行特征筛选,获得高相关性特征子集作为情感分类特征.最后使用SVM分类器进行情感分类.此外,为了减少计算时间复杂度,使用过滤特征选择(ReliefF)算法,选取有效的脑电信号通道.实验表明,文中方法在Valence-Arousal二维情感模型上获得较高的平均情感分类准确率,分类效果优于对比的脑电特征,提取的情感脑电特征可以有效识别受试者的不同情感状态.     

基于mRMR特征优选与SVM的脑电信号的情绪识别

脑电信号情绪识别的难点之一在于如何优选特征,为此,本文提出一种基于mRMR特征优选方法的脑电信号情绪识别。首先,对数据集中经预处理后的脑电信号提取时域、频域、非线性、Hjorth特征等多种特征,构建特征向量;其次,采用mRMR优选特征向量数量,获得最优特征向量组;最后,采用支持向量机算法（SVM）对优选的特征进行分类,获得效价和唤醒度的二分类结果。实验结果表明,基于mRMR特征选择方法的脑电信号情绪识别方法在效价和唤醒度两个方面的识别准确率为76.82%和77.6%,具有良好的识别效果。     

基于支持向量机的酗酒脑电信号分类研究

酗酒会对脑认知功能产生严重损伤。为了检测长期饮酒人员是否有酗酒倾向问题,提出一种基于支持向量机的酗酒脑电信号特征分类识别方法。借助三类评估参数,实现了对健康者和酗酒者脑电信号定量分析。研究结果发现,能量评估参数是一种新的最佳评估分类因子,采用θ能量评估参数利用支持向量机能够对两类不同特征的脑电信号进行分类识别,识别精度最高达到90%。该方法能够为长期饮酒人员是否有酗酒倾向提供一种新的辅助检测方法,有助于提醒长期饮酒群体对健康给予关注。     

基于新型能量算子和多尺度熵的癫痫自动检测

提出癫痫检测的新算法,创新地使用新型能量算子和多尺度熵,不仅能够实时跟踪脑电信号能量,而且可以在脑电信号未知情况下提取其有效的特征信息。对脑电信号进行一定尺度的小波变换;利用新型Teager能量算子和多尺度熵提取脑电信号的非线性特征,将特征信号输入到极限学习机中,用来识别正常脑电信号与癫痫脑电信号。实验结果表明,此方法具有高分类精度,可达到98.89%,优于文献中所报道的多种检测方法,可以应用于癫痫临床检测。     

基于微基站发射功率的异构蜂窝网络能效优化

异构蜂窝网络（HetNet）的能量效率近年来引起了广泛的关注,然而,对于宏基站采用非泊松过程系统的能量效率的研究并不多。针对这一问题,研究了两层HetNet的能量效率,其中宏基站的部署采用β-Ginibre点过程（β-GPP）建模。首先,采用一种简单的近似方法分析了两层网络的信干比（SIR）分布;然后,推导出HetNet的覆盖概率、吞吐量和系统的能量效率;最后,提出一种有效的能量效率优化算法,寻找最优的微基站发射功率,使能量效率最大化。仿真结果表明,当β=1,宏基站的分布密度为2×10^-4 m^-2,微基站的分布密度为宏基站分布密度的2倍时,采用所提能量效率优化方案可以使系统能量效率提高约20%。实验结果验证了理论分析的准确性和提出的能效优化算法的有效性。     

基于经验模态分解和SVM的脑电信号分类方法

脑电信号的非线性、非平稳性造成对运动想象脑电信号的分类识别存在特征提取困难、可区分性低以及分类识别性能差等问题。本文提出一种基于经验模态分解(Empirical Mode Decomposition, EMD)和支撑向量机(Support Vector Machine, SVM)的运动想象脑电信号分类方法,充分利用EMD算法在处理非线性、非平稳信号的自适应性以及SVM在小样本条件的高识别性能和强泛化能力。首先利用EMD算法将C3、C4导联信号分解为一系列本征模函数(Intrinsic Mode Function, IMF),然后从IMF的信息和能量等维度提取特征将脑电信号转换至区分性更强的特征域,最后利用SVM进行分类识别。采用国际BCI竞赛2003中的Graz数据进行验证,所提方法可以得到94.6%的正确识别率,为在线脑-机接口系统的研究提供了新的思路。     

能量熵与峰值窗口结合去除眼电伪迹研究

为改进传统独立分量分析自动去除眼电伪迹算法中存在识别眼电分量速度慢、需采集同步参考眼电信号、丢失脑电信号问题,提出一种不需要参考眼电信号的眼电伪迹自动识别去除方法。利用FastICA分解出独立分量,计算各独立分量频谱能量熵,以频谱能量熵值作为判据识别出眼电分量;然后使用峰值窗口分离出眼电分量中存在的脑电信号,与其他独立分量进行拼接;利用FastICA逆变换重构出去眼电伪迹的脑电信号。实验结果表明：该方法能准确快速自动地去除眼电伪迹,并较好地保留其他的脑电信号成分;频谱能量熵识别眼电伪迹平均用时为0.01?s,准确率为98％,适用于实时EOG去除。     

多导联EEG信号分类识别研究

脑电信号是一种典型的非平稳随机信号,对脑电信号的分类识别是非常困难的,为了提高正确识别率,提出多导脑电信号的分类识别方法。首先对受试者分别在睁眼和闭眼状态下的单导脑电信号进行特征提取,然后选取多组识别效果不好的单导联的特征,组合成为多导脑电信号特征,最后用RBF核函数的支持向量机分类器进行分类识别。结果表明对多导联特征的正识率比单导联正识率有很大提高。结论：多导脑电信号能够更好地反映大脑活动的整体信息,噪声抑制能力较强,因此多导联脑电信号特征的分类识别效果较好。     

基于小波包分解和遗传神经网络的癫痫识别

基于小波包分解和遗传神经网络对正常脑电和癫痫脑电进行识别。通过分析脑电数据找出信号特征;利用一维离散小波包分解提取含有识别特征的脑电信号频率段,并以脑电各频段的相对能量作为信号特征;然后建立基于遗传算法优化的BP网络,用于对癫痫脑电识别。实验结果表明,该方法可以有效提取信号特征,并且对信号进行准确的识别。     

基于脑网络和TSK模糊系统的癫痫脑电识别

脑电检测是癫痫疾病诊断的重要手段,但基于脑电信号特征的人工标记方法,对癫痫发作状态识别的准确度较低。将脑功能网络与TSK模糊系统相结合,提出一种癫痫脑电信号识别的新方法。通过分析多通道脑电信号之间的同步性,构建癫痫患者的脑功能网络,采用复杂网络方法提取特征参数;以脑网络参数为输入特征建立TSK模糊系统模型,通过监督式学习训练分类器,用于识别癫痫发作期的脑电波形。实验结果证明了该方法的有效性,模糊分类器对癫痫发作状态识别的准确度达到98.36%,99.48%敏感度和97.24%特异度。该方法将复杂网络与机器学习算法相融合,为通过脑电检测识别癫痫疾病状态提供了新方法,具有重要的应用价值。     

BP神经网络和支持向量机相结合的电容器介损角辨识

针对电力电容器介质损耗的计算方法稳定性较差,频率波动对介损角的辨识有较大影响的问题,提出了BP神经网络和支持向量机（support vector machine, SVM）相结合（BP-SVM）的辨识方法,并且首次应用于电容器介损角的辨识。在辨识过程中,首先,对电容器工作一段时间的信号进行采样和预处理,预处理后的信号作为训练集训练BP-SVM模型;然后,使用训练好的BP-SVM模型对预处理后新的采样信号进行辨识,判断介损角的变化量。此外,给出了基于BP-SVM模型的介损角表示信号D_δ（t）的计算过程,同时分析了在讨论域内信号D_δ（t）的幅值即是介损角δ。仿真分析结果表明,提出的BP神经网络和SVM相结合的电容器介损角辨识方法比基于深度学习的辨识方法具有更高的辨识准确率,并且频率变化对BP-SVM方法的辨识性能无明显影响。     

相似度三支决策模糊粗糙集模型的决策代价研究

在三支决策模糊粗糙集模型中,一些学者基于相似度三支决策模糊粗糙集模型建立了目标函数来得到最优阈值对 $\left( {\alpha ,\;\beta } \right)$ 的计算方法,但在该过程的研究中,学者并没有在相似度三支决策模糊粗糙集模型中讨论关于决策代价的描述问题。基于模糊信息系统用新的函数来描述决策代价成为计算阈值对 $\left( {\alpha ,\;\beta } \right)$ 的一种方法,首先,在模糊信息系统中,通过建立一个描述决策代价的函数,将模糊信息系统中的模糊数与三支决策的决策代价联系在一起;然后对隶属频率进行拟合,得到了三支决策中决策代价的数值描述;最后,通过两个实例说明了该方法的可行性和适用性。     

基于因子分析模型的噪声稳健脑电信号分类方法

脑电信号的非线性、非平稳性和微弱性造成对运动想象脑电信号的分类存在特征提取困难,分类结果不理想,分类性能受噪声影响明显等问题。为此,提出了一种基于因子分析(Factor Analysis,FA)模型的噪声稳健运动脑电信号分类方法。首先利用FA模型对脑电信号中存在的噪声分量进行抑制,针对重构信号可分性较差的问题,将其转换至功率谱域,进而提取三维能够反映不同运动状态的功率谱特征,最后利用支撑向量机(Support Vector Machine,SVM)分类器对所提特征向量进行分类判决。基于Graz数据的验证实验表明,所提方法可以明显提升低信噪比条件下的分类性能,在实际工程应用中具备较强的推广泛化能力。     

采用多路图注意力网络的情绪脑电信号识别方法

情绪是一种大脑产生的主观认知的概括。脑信号解码技术可以以一种较客观的方式来有效地研究人的情绪及其相关认知行为。本文提出了一种基于图注意力网络的脑电情绪识别方法(multi-path graph attention networks, MPGAT),该方法通过对脑电信号通道建图,利用卷积层提取脑电信号的时域特征以及各频带的特征,使用图注意力网络进一步捕捉情绪脑电信号的局部特征以及各脑区之间的内在功能关系,进而构建出更好的脑电信号表征。MPGAT在SEED和SEED-IV数据集的跨被试情绪识别平均准确率分别为86.03%、72.71%,在DREAMER数据集的效价(valence)和唤醒(arousal)维度的跨被试平均准确率分别为76.35%和75.46%,达到并部分超过了目前最先进脑电情绪识别方法的性能。本文所提出的脑电信号处理方法有望为情绪认知科学研究与情绪脑机接口系统提供新的技术手段。     

离散线性一致性算法噪声问题研究

多智能体一致性问题在传感网、社交网、协同控制等诸多领域有着广泛的实际应用背景, 本文对离散线性一致性算法的噪声问题进行了研究, 证明了离散线性 一致性算法的噪声不可控性; 提出基于抑噪算子ε(t)的噪声控制策略, 指出当ε(t)为t-0.5的高阶无穷小时, 抑噪后的一致性算法噪声可控; 分析了抑噪算子对一致性 算法收敛性的影响, 证明了在无噪声条件下, 当抑噪算子ε(t为t-1的低阶无穷小时, 抑噪后的一致性算法依然可以使Agent收敛至原收敛状态x*.在上述结论基础上进一步指出, 当t→∞ 时, 若抑噪算子ε(t)的阶在t-0.5~t-1之间, 所有Agent 的状态将以原收敛状态x* 为中心呈正态分布. 最后, 以DHA 为例对相应理论结果进行了验证和讨论. 本文为线性一致性算法的噪声控制提供了理论依据, 对抑噪算s子的确定有较强的指导意义.     

CASA: A knowledge-based tool for management consultants

The objective of strategic management consultant work is a comprehensive evaluation of the ethical values of the management, the capabilities of the employees and the performance of the administrative systems in order to develop a well-suited corporate strategy. In order to fulfill all these requirements the management consultants have to take into consideration several hundred data. The human information processing capacity allows in such situations only the intuitive and condensed assessment of the strategic corporate status quo. The knowledge-based system CASA (Computer Aided Strategy Audit) assists the management consultant during the process of enterprise segmentation in order to create strategic business units, the analysis of the corporate culture, the assessment of market and competition, and the strategic cost situation. The system is used now since the CeBIT fair 1989, and includes: 5-MB code and help texts, 2000 rules in 44 knowledge bases and 200 pages of automatically generated reports and up to 100 business charts. The use of CASA reduces the costs for the management consultancy to 30% of the original costs, i.e., from $75,000 to $25,000 for a strategy development project.     

基于内模法的PID控制器自整定算法

为解决传统工业控制中比例-积分-微分(PID)控制器参数整定的问题,提出了一种基于内模法(IMC)以及系统辨识的控制器参数确定算法。该方法首先利用被控过程在开环阶跃信号激励下,输入与暂态输出的对应关系,将被控对象辨识为一阶加滞后(FOPDT)或二阶加时滞(SOPDT)的模型;再利用IMC算法确定控制器的参数。对于在内模法中引入的滤波器参数λ的确定问题,提出通过引入γ和σ两个参数,并与输出误差的平方建立关系来确定λ 的方法。仿真显示,对于输出误差绝对值之和(IAE)这个指标,该种算法与传统基于IMC的PID控制算法相比,在无输入扰动时可提高20%左右,在有输入扰动时可提高10%左右。仿真结果表明:在用单位阶跃信号激励系统时,提出的整定方法在保证了系统鲁棒性的前提下,提高了系统的瞬态响应速度,并有效抑制了系统输出的超调。     

Estimating vigilance level by using EEG and EMG signals

We developed a new method for estimation of vigilance level by using both EEG and EMG signals recorded during transition from wakefulness to sleep. Previous studies used only EEG signals for estimating the vigilance levels. In this study, it was aimed to estimate vigilance level by using both EEG and EMG signals for increasing the accuracy of the estimation rate. In our work, EEG and EMG signals were obtained from 30 subjects. In data preparation stage, EEG signals were separated to its subbands using wavelet transform for efficient discrimination, and chin EMG was used to verify and eliminate the movement artifacts. The changes in EEG and EMG were diagnosed while transition from wakefulness to sleep by using developed artificial neural network (ANN). Training and testing data sets consist of the subbanded components of EEG and power density of EMG signals were applied to the ANN for training and testing the system which gives three situations for the vigilance level of the subject: awake, drowsy, and sleep. The accuracy of estimation was about 98–99% while the accuracy of the previous study, which uses only EEG, was 95–96%.     

The Medwise diagnostic module as a consultant

Medwise is an interactive computer assisted medical diagnosis program running on a personal computer. The knowledge base (KB) of our Medwise system is founded on a matrix structure representation of disease profiles. This study evaluates some unique features of Medwise, namely the matrix structure, the automatic assignment of weight factors during expansion of the KB, the auxiliary KB with equivalent terms, and the invariance during expansion of the KB. For 104 patients described in 1986 and 1987, the diagnostic outcome was compared to the conclusions of the clinicians. With the use of the matrix and all other options active, Medwise yields the correct diagnosis in 93% of the cases. The performance decreases to 79% if the characteristics of the matrix are eliminated. After the KB was expanded from 2,400 to 3,600 disease profiles, the correct diagnosis was established in 91% while analyzing the same cases. This implies that it may be anticipated that the score of the diagnostic program will not appreciably decrease as the KB expands towards the final goal of 8,500 disease profiles. Furthermore, the lack of standardized medical language limits the potential use of computers in medicine. Incorporation of a separate knowledge base containing equivalent expressions proved to contribute to a better score for the Medwise program.