半监督学习下复杂背景图像边缘检测仿真

为了有效避免图像边缘检测过程中出现边缘间断或者伪边缘的情况,提出一种半监督学习的复杂背景图像边缘检测算法。设定特征筛选规则,增强复杂背景图像敏感区域,提取图像特征,通过灰度共生矩阵和Gabor滤波提取图像高频与中低频纹理特征。利用半监督学习对图像样本展开训练,实现复杂背景图像分类。采用双边滤波对完成分类的图像预处理,通过最大类间方差法展开阈值分割,引入形态学思想将分割后的图像分别展开膨胀和腐蚀,获取形态学梯度图,计算梯度图像和原始阈值图像的交并集获取具有精确边缘的灰度图,实现复杂背景图像边缘检测。实验结果表明,所提算法可以获取高精度的边缘检测结果,且不会出现边缘间断和伪边缘的问题。     

基于跨层全连接神经网络的癫痫发作期识别

为解决缺乏足够先验知识下,自适应癫痫发作期识别的困难问题。本文提出一种新的度量通道之间的聚类划分互信息同步特征计算方法,同时以相关矩阵的方式组织单个窗口内所有通道的同步关系,进一步的,设计一种跨层全连接神经网络分类器,对以上非平稳模式的互信息同步特征矩阵实现自适应分类。实验结果表明,本文所提出的方法获得98.19%精确度,98.27%敏感度和98.11%特异度,超过了大部分现有方法的分类性能。另外,本文所提出的方法无需去噪,相比之下,去噪过程是其他方法的强制性过程,而去噪极有可能丢失脑电数据的结构信息。此外,本文提出的方法仅需一个超参数（时间窗）,能够避免过多的参数设置引发的潜在参数错误设置而降低预测精确性能。     

卷积神经网络及其分析在抑郁症判别中的应用

在线脑电分类能准确评估严重抑郁症患者的脑状态并及时跟踪其发展状态可以将其陷入危险和自杀的风险降为最低.然而,在无经验监督条件下,在线脑电分类应用面临更大的挑战:脑电数据往往具有弱信号、高噪声与非平稳特性;缺乏有效解耦脑疾病发作时脑区与神经网路的复杂关系.为此,设计一个以卷积神经网络为核心的云辅助在线脑电分类系统,该系统...