排序方式: 共有11条查询结果,搜索用时 15 毫秒
1.
基于EMD和SVM的抑郁症静息态脑电信号分类研究 总被引:1,自引:1,他引:0
以静息态脑电信号为基础,通过固有模态分解(empirical mode decomposition, EMD)算法对脑电信号进行信号去噪和特征值提取,通过支持向量机(support vector machine, SVM)算法对抑郁症患者和正常对照组人群的脑电特征值进行分类分析。 通过系统化的数据采集试验,采集了20位抑郁症患者和25位健康对照组的静息态脑电信号;对静息态脑电信号进行信号的去噪和特征提取;采用SVM算法对抑郁症患者和正常人对照组脑电特征值进行二值分类,分类正确率达到93.3%。 相较于传统的小波变换提取的特征值,分类准确率有明显的提高。 相似文献
2.
石英砂着色工艺技术研究 总被引:1,自引:0,他引:1
从彩砂涂料的应用状况出发,简述了彩砂的基本性能要求,同时根据实验分析结果,开发了一种新的石英砂中温烧结着色技术,给出了着色工艺的主要流程和方法。 相似文献
3.
5.
6.
从彩砂涂料的应用状况出发,简述了彩砂的基本性能要求,同时根据实验分析结果,开发了一种新的石英砂中温烧结着色技术,给出了着色工艺的主要流程和方法。 相似文献
7.
8.
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 总被引:1,自引:0,他引:1
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. 相似文献
9.
10.