共查询到17条相似文献,搜索用时 62 毫秒
1.
脑电图(electroencephalogram,EEG)信号智能识别是癫痫病检测的重要手段。传统的智能识别方法在进行检测时,都假定智能模型训练采用的训练样本集和测试样本集满足同一分布特征,但在实际应用时,此假设条件过于苛刻,当训练和测试数据对应的场景有一定漂移时传统方法不再适用。针对上述情况,将近年来广受关注的对分布差异性场景具备较好性能的迁移学习方法引入到脑电图识别中,使得最终所得的模型对训练和测试数据的分布要求较之传统方法得到进一步放松,扩大了算法的适应场景,实现了在数据漂移场景下对癫痫EEG信号的自适应识别。实验表明,基于迁移学习的方法比传统方法具有更好的适应性。 相似文献
2.
《计算机科学与探索》2016,(12):1729-1736
在癫痫脑电图(electroencephalogram,EEG)信号识别中,传统的智能建模方法要求训练数据集和测试数据集均服从相同的分布。但在实际应用中,某些情况并不能满足此条件,进而导致传统方法性能急剧下降。针对上述情况,引入迁移学习策略,提出了适用于数据分布迁移环境的直推式径向基神经网络(transductive radial basis function neural network,TRBFNN)。该方法在癫痫EEG信号识别中的实验结果表明:直推式径向基神经网络具有较好的场景迁移适应性,对训练数据和测试数据存在差异时,识别性能不会出现急剧恶化的现象。 相似文献
3.
4.
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。 相似文献
5.
传统的交通标志识别方法主要基于特征提取和机器学习技术,易受外部环境干扰,特征学习和特征表达能力较弱,识别准确率低。而基于深度学习的交通标志识别,对学习数据要求较高,模型在小样本数据学习中学习效率低。针对上述问题,提出了一种基于迁移学习的交通标志识别方法。该方法首先将ImageNet数据集中训练好的Inceptionv3模型的卷积层和瓶颈层进行迁移;然后在瓶颈层后接上全链接层,从而构建出迁移学习的模型;最后利用公开数据集和公开场景的交通标志图像进行实验训练模型验证。实验结果表明,与现有主流的交通标志识别方法相比,所提方法在微量数据集下有较高的识别率,预测准确率达96%以上。 相似文献
6.
海洋声场环境的时变空变特性、水声目标发声机理的多源性以及其他噪声源的干扰,给水声目标的检测和识别带来很多困难.常规的目标识别手段主要是基于音频时频域特征分析,在复杂海洋环境下的难以获取有效的表征特征及鲁棒的识别效果.为了解决这些问题,本文提出了基于迁移学习的水声目标识别,分别利用预训练网络VGG和VGGish提取深层声学特征及模型微调,实现水声目标的分类识别.实验表明,本文提出的识别算法有效提升了识别准确率,减少了训练时间,基于微调的迁移学习算法在水声目标识别上平均准确率为92.48%,取得了当前最好的识别结果. 相似文献
7.
8.
用于生理信号情感识别的自适应遗传算法 总被引:3,自引:0,他引:3
针对用生理信号识别情感中的最优情感特征组合的选择这一组合优化问题,将遗传算法中的交叉、变异操作加以改进形成新的算法.该算法用来选择最能代表相应情感状态的最优特征组合,并以最近邻法的分类正确率作为当前搜索到的最优特征组合的评价准则,对joy、anger、pleasure、sadness这4种情感状态进行识别,得到了较好的情感识别效果.仿真实验表明了该方法的可行性和有效性. 相似文献
9.
行人再识别指的是在无重叠的多摄像机监控视频中,匹配不同摄像机中的行人目 标。提出了一种基于迁移学习的行人再识别方法。在训练阶段,针对现有的基于深度卷积神经 网络的图像识别模型进行参数微调,将网络模型迁移学习至行人再识别模型。测试阶段,利用 学习好的网络模型提取行人图像的特征,再采用余弦距离来描述行人对之间的相似度。在 CUHK03、Market-1501 和 DukeMTMC-reID 3 个数据集上进行了深入的实验分析,实验结果表 明该方法取得了较高的累积匹配得分,特别是第 1 匹配率远远超过了非深度学习的方法,与其 他基于深度学习的行人再识别方法相比,准确率也有所提升。 相似文献
10.
11.
12.
情绪识别是指通过人的面部表情、行为动作或者生理信号等信息识别人的情绪状态,其成果在医疗辅助、教育、交通安全等方面有很大的应用价值.由于脑电信号的客观真实性等特点,使用脑电信号进行情绪识别研究受到国内外学者们的广泛关注.查阅了大量脑电情绪识别相关文献并进行归纳、分析和总结.首先,对情绪以及情绪识别的定义、情绪的分类模型、... 相似文献
13.
有效地分析处理癫痫脑电信号并对其准确分类可以进一步完善癫痫检测问题。因此,各种深度学习方法逐渐应用到该问题中,如使用BiLSTM模型对癫痫脑电的一维时间序列数据进行处理。为进一步提高癫痫脑电分类的准确率,本文将癫痫脑电的一维时间序列数据转换为二维图像,使用EfficientNetV2模型来实现癫痫检测的二分类。同时,引入梯度加权类激活映射(Gradient-weighted class activation mapping, Grad-CAM)对二维图像分类进行可视化分析。对德国伯恩大学脑电癫痫脑电信号数据集的预处理版本进行分类实验,EfficientNetV2模型的准确率达到了98.69%,优于BiLSTM模型。结果表明,EfficientNetV2模型可以有效通过二维脑电图像实现癫痫脑电分类,而且分类准确率更高。 相似文献
14.
文章研究了特征图像的自适应识别技术问题,提出了利用自适应共振理论,实现自稳定和自组织识别的人工神经网络,达到学习和自适应识别图像的应用要求,根据这一原理及规则,给出了具有自稳定分类功能的自适应学习算法。 相似文献
15.
情绪是由大脑内多个通道共同作用产生的,格兰杰因果检验作为情绪识别的主流方法,在计算任意2个通道之间的因果关系时容易忽略其他通道的影响。面向多通道脑电信号,提出一种基于条件格兰杰因果检验(CGC)的因果网络情绪识别方法。利用CGC算法计算不同情绪下大脑全通道的因果关系,据此构建因果网络,并通过分析各通道的入/出度和介数拓扑属性找到关键通道,得到简化的因果网络进行情绪识别。将节点之间的因果连接关系作为特征分别输入SVM和KNN分类器进行分类训练,实验结果表明,简化网络的识别率分别为75.3%和78.4%,验证了所提方法的有效性。 相似文献
16.
针对癫痫脑电信号的检测问题,提出一种基于可调Q因子小波变换和迁移学习的癫痫脑电信号检测方法。首先,对EEG信号进行可调Q因子小波变换,并选择能量差异较大的子带进行部分重构,重排重构信号,将其表示为二维彩色图像数据;其次,通过对现有的癫痫发作自动检测算法和深度可分离卷积网络Xception模型的分析,使用ImageNet数据集分类的预训练模型参数进行网络参数初始化,得到深度可分离卷积网络Xception的预训练模型;最后,利用迁移学习方法将Xception模型的预训练结果迁移至癫痫发作自动检测任务。所提方法在BONN癫痫数据集上的准确度达到99.37%,敏感度达到100%,特异度达到98.48%,证明了该模型在癫痫发作自动检测任务上具有良好的泛化能力。与传统检测方法和其他深度学习方法相比,所提自动检测方法达到了较高的准确率,避免了人工设计和提取特征的过程,具有较好的应用价值。 相似文献
17.
从相关向量机(RVM)和支持向量机(SVM)的相似性以及RVM的稀疏特性出发,将RVM应用于脑电信号(EEG)的情感识别中。针对一对一(OAO)和一对多(OAA)两种多分类方法各自的特点和不足,提出了一种全新的两层多分类模型(OAA-OAO),改进现有OAO算法中无效投票影响最终决策的现象。设计情感EEG信号识别对比实验,验证基于RVM的改进多分类算法在脑电信号情感识别中的应用。对于实验室采集的情感脑电信号,提取其非线性特征(功率谱熵、样本熵和Hurst指数)并采用主成分分析法进行降维。将OAA-OAO-RVM算法分别和OAO-SVM、OAO-RVM两种识别网络进行对比,分析RVM的识别性能以及OAA-OAO多分类算法的分类性能。结果表明,采用降维后的最优特征集合作为识别网络的输入向量得到的识别性能更高,且RVM表现出的性能优于SVM。同时,改进后的OAA-OAO算法较传统OAO模型的平均识别率提高了7.89%,证明OAA-OAO算法可有效去除一部分无效投票从而使分类精度得到显著提高,验证了此模型是一种有效的多分类模型。 相似文献