基于脑电多特征融合的癫痫发作预测方法

癫痫的发作会给患者的身体和精神造成极大的创伤,对癫痫发作的准确预测可以及时协助医生对患者采取治疗措施.为了准确预测癫痫发作,提出脑电特征和多通道脑电交互特征相融合的癫痫发作预测方法.首先,提出多尺度符号化排列传递熵对多通道脑电信号交互信息进行分析,生成同步矩阵,并通过显著性分析筛选与癫痫发作相关的重要脑电通道,减少不必要特征对分类的干扰;然后,对筛选通道后的脑电信号生成表征脑电信号特征的功率谱密度能量图(PSDED)和描述脑通道交互特征的同步矩阵图(SMD),将两个特征图融合,采用深度卷积神经网络(DCNN)对癫痫患者脑电信号进行分类识别,提高学习能力和泛化能力,分类准确率可达到96.825%;最后,在分类的基础上采用预测评价系统对癫痫发作预测性能进行评估,癫痫发作预测范围(SPH)为10 min和发作发生期(SOP)为10 min时,预测敏感性达到96.66%,误检率可达到0.03/h;当SPH为30min,SOP为10 min时,预测敏感性达到93.17%,误检率可达到0.05/h.与现有研究结果相比较,所提出方法具有较好的预测敏感度和较低的误检率.     

非线性PCA在表面肌电信号特征提取中的应用

针对表面肌电信号的特点,提出了一种应用非线性主分量分析(PCA)提取表面肌电信号特征的新方法.该方法在表面肌电信号滤波的基础上,采用非线性PCA方法完成数据压缩,将多路表面肌电信号转换为一维的特征数据主元,并以主元曲线的形式输出特征提取结果.本文采用基于自组织神经网络的非线性PCA对手臂尺侧腕伸肌和尺侧腕屈肌的两路表面肌电信号进行主元提取,试验结果表明,四种手部运动模式(握拳、展拳、腕外旋、腕内旋)对应的表面肌电信号利用该方法处理后,得到的主元曲线具有很好的类区分性,依据所得主元曲线的形状特征可以有效地进行手部动作类别的识别.     

消除阵列触元间相互干扰的一种方法

本文论述了阵列触觉传感系统中普遍存在的触元间的相互耦合干扰问题，提出了干扰的生成，可能的几种干扰情况及有效排除干扰的一种实用方法，该方法在作者研制的１６×１６的阵列触觉传感系统中得到了很好的应用。     

基于眼动辅助脑电信号的手部动作分类方法

提出一种利用小波包变换和支持向量机对手部动作的运动想象脑电信号进行分类的方法。在相关眼动辅助情况下采集想象手部动作时的C3、C4 、P3和P4通道脑电信号,用小波包变换的方法提取4种特征节律波,分别计算每种节律波能量占4种节律波能量之和的比值作为特征,然后将16维特征向量输入支持向量机分类器进行手部动作分类。对上翻、下翻、展拳、握拳4种手部动作的分类实验中平均识别率为82。3%,表明眼动辅助能有效提高运动想象脑电信号可分性。     

仿生假手触滑觉研究

实现人体假手的触滑觉传感器，包括其结构设计、传感信号的采集、处理和感觉信息输出。传感器采用PVDF作为敏感材料，柔顺的传感器表面和小巧的尺寸使之能完全应用于仿生假手的手指上。信号调理电路完成信号的放大、滤波。信号数字处理完成触觉、滑觉信号的分离，并根据特征值的大小判断是否输出相应的感觉信息。     

高速缓存技术在基于SOAP的Web中的应用

WWW上的缓存技术被认为是改进Web性能的有效技术之一.文中分析了基于SOAP协议的缓存系统所要解决的问题,并针对需要解决的问题,给出了相应的方案.这些方案在实际的应用中,可以有效地减少等待时间,提高Web应用系统的性能.     

一维压电式触觉传感器去耦问题的研究

就PVDF材料制成的－维触觉传感器的去耦问题作了讨论，采用递推最小二乘估计的方法很好地解决了去耦矩阵的求解问题。     

优化研究生课程结构，提高人才培养质量--以“电子科学与技术”学科为例

本文分析了新形势下“电子科学与技术”学科的特点,研究了本学院学科特点和研究生现状,并在此基础上,有针对性地提出了制定研究生课程结构优化方案,为提高研究生培养质量奠定了理论基础。     

基于K近邻互信息估计的EEG伪迹消除方法

针对脑电信号中的眼电和心电串扰伪迹,提出一种基于最小相依成分分析的互信息(MILCA)算法的伪迹消除方法.在提升小波硬阈值法对多路原始脑电信号去噪基础上,运用MILCA算法对各通道信号进行盲源分离,同时采用信号间互相关系数和互信息量作为指标,分析伪迹分离程度.与Extend Infomax、FastICA 2种常见盲源分离算法的对比结果表明,运用MILCA算法对脑电信号中的眼电及心电伪迹的分离结果最理想.