基于相位同步指数的运动想象脑电平行坐标可视化分类

脑电相位同步可以反应大脑不同功能区域之间的连接性能,是当前脑科学研究中最活跃的课题之一。平行坐标作为信息可视化的主流技术,在可视化数据分析和模式识别领域有广泛应用。本文以脑机接口竞赛的运动想象脑电数据（Data Ⅲ）为对象,以平行坐标可视化技术为手段,基于相位同步指数和线性判别分类器对左右手想象意识任务进行识别。结果表明,信息可视化技术为脑机接口系统的实现提供新的思路。     

基于音乐诱发脑电的抑郁症识别研究

抑郁症是最常见的精神类疾病之一,临床诊断存在困难,有必要寻找一种客观、高效的方式来辅助抑郁症的快速识别.通过融合中性、负性、正性音乐刺激下的不同脑电图(EEG)数据,提出一种新的抑郁识别方法来区分轻度抑郁症患者和正常对照组.在接受不同音乐刺激的同时同步记录抑郁症患者和正常对照组的脑电信号;然后从各模态的脑电图信号中提取线性和非线性特征,得到各模态的特征;此外,采用线性组合技术融合不同模型的脑电特征,构建全局特征向量,找出最佳的特征子集.最后比较了各分类器K-NN、DT和SVM的分类精度.实验结果表明,基于音乐刺激诱发脑电建立有效的抑郁症识别模型,KNN分类器的分类准确率最高达86.93％,可为抑郁症的辅助识别提供客观的指标和依据.     

基于Bi-LSTM的脑电情绪识别

为解决脑电(electroencephalogram, EEG)情绪识别这一项具有挑战性的任务,提出一种基于双向长短时记忆网络(bidirectional long short-term memory, Bi-LSTM)的脑电情绪分类模型并探索大脑情绪机制,唤醒度准确率最高为76.78%,效价度准确率最高为77.28%,与其他模型比较,Bi-LSTM模型在脑电情绪识别上有出色的表现。通过Bi-LSTM模型对比不同频段、脑区和特征疏密度的准确率来探索大脑情绪机制,表明大脑中情绪相关性最高的频段、脑区和特征疏密度分别为α和β、顶叶区与额叶区、50和15。     

基于经颅交流电刺激的脑功能网络研究

经颅交流电刺激(transcranial Alternating Current Stimulation,tACS)是一种通过在头皮施加微弱电流的非侵入性电刺激技术,已有研究证实经颅交流电刺激会对大脑的全局属性产生影响.本文使用脑电相位同步方法构建了刺激组和对照组刺激前、后静息态脑网络,并计算聚类系数、平均度、特征路径长度3种网络参数,来研究大脑各区域间的相关性.分析发现3种网络参数中,只有刺激组的特征路径长度在刺激后有明显下降,而对照组没有出现这种现象.特征路径长度的大小代表了大脑各区域间信息传递速度的快慢,说明经颅交流电刺激可以增强大脑各区域间的关联性,加快各区域的信息传递速度.     

DTI脑连接组分析中分割模板的选择

由于脑网络性质会因网络构建方法不同(如脑区划分模板、弥散磁共振成像(magnetic resonance imaging,MRI)模型、纤维素追踪算法和网络加权方案等)而出现较大的差异,针对弥散张量成像(diffusion tensor imaging,DTI),基于临床研究中的典型设置,研究了不同分割模板对脑网络拓扑参数的影响.参与本研究的75例健康老年人均接受了相同的认知功能综合评估和同一3T磁共振采集系统的全脑扫描.结果显示全局拓扑属性对脑区划分的空间尺度非常敏感,而对脑区划分原则并不是特别敏感.脑网络的模块化结构相对较稳定,不易受到节点划分尺度和节点划分原则的影响.中等分辨率的模板在大脑老化分析中具有更高的敏感性,可能更适合于常规DTI脑网络分析.     

基于脑电信号空域特征的紧急制动行为识别

基于脑电信号对紧急制动行为的分类识别和预测,是开发以人为中心的智能辅助驾驶系统的关键问题。为实现对驾驶过程中紧急制动和正常驾驶行为的分类识别,提出了基于PLV的特征表示方法来构建功能性脑网络,结合对网络特征参数的统计分析,确定显著性差异的特征参数,以及通过对数欧式距离提取脑电信号空域特征,并结合机器学习算法完成对紧急制动和正常驾驶行为的分类识别。实验结果表明,针对17名被试的紧急制动和正常驾驶的分类准确率均高于84%,最高准确率达到95.7%;对功能性脑网络的分析结果表明,在两种驾驶行为过程中,脑区间的交互都涉及全脑区,且在紧急制动过程中,脑区间的交互主要出现在额-中央-颞叶区,这与紧急制动下大脑更专注于判断决策相符。研究结果对理解驾驶过程中,尤其是紧急制动过程中驾驶员对应脑区间的依赖关系,以及开发智能辅助驾驶系统在驾驶过程中提前识别紧急制动意图具有一定的参考价值。     

人脑时间信息处理的性别差异研究

视听觉信息融合特性的研究是脑信息学的重要研究内容之一,同时大脑的性别差异近年来也倍受关注.通过行为学实验技术探索不同性别之间视听觉信息融合特性的差异.实验设计了单独的视觉刺激、单独的听觉刺激和具有不同时间间隔的视听觉刺激,要求被试者对这三种刺激类型的靶刺激进行判断.结果表明只有听觉刺激优先提示或同时提示条件下才有整合作用的发生,男性比女性的整合作用时间晚但反应强.     

多任务中枢疲劳脑电的线性描述符参数分析

该文首先选取50名受试者分别完成3种不同类型长时间脑力认知任务,而后采用主观评价、行为学分析和事件相关电位P300对实验前后的疲劳状态进行分析,研究结果表明长时间脑力认知任务后,受试者的主观感觉疲劳程度增加,复杂运算任务的平均反应时间显著增加,转换实验任务的错误率显著增加,Fz、Cz和Pz电极位置P300的幅度均显著降低,说明受试者的大脑处理信息的能力、紧急应变能力和判断能力下降,进而验证3种类型的脑力劳动任务均不同程度地诱发了中枢疲劳程度的增加。为充分利用多导脑电信息,提出了运用线性描述符参数对实验任务前后大脑总体状态变化情况进行分析。研究结果表明,完成任务后中央和顶叶脑区能量增加,而前额、中央和顶叶脑区场强变化率下降。线性描述符参数可以从不同角度全面地描述多导脑电信号随中枢疲劳深度变化所形成的大脑整体活动状态变化的物理特性,从而更好地揭示中枢疲劳作用机制,为中枢疲劳的多通道脑电分析开辟了一个新的窗口。     

基于改进深度学习模型C-NTM的脑电鲁棒特征学习

为了在脑电信号鲁棒特征学习中提取更多脑电抽象和深层特征,本文在卷积长短时记忆网络的基础上提出一种深度学习混合网络。采用快速傅里叶变换将多通道的脑电信号转换为一系列具有空域、时域、频域相关信息的频谱图;将改进的卷积神经网络和神经图灵机组合搭建完成深度学习混合模型卷积神经图灵机C-NTM;通过认知工作负载脑电的分类任务对改进的模型进行评估。实验结果表明:本文所提模型在相应的数据库上取得了94. 5%的准确率,优于目前在脑电分类任务中效果最好的模型。该模型能够有效地学习不同受试者之间和同一受试者不同状态时的脑电特征,实现更好的脑电鲁棒特征学习。     

基于AdaBoost的脑机接口分类算法研究

依据AdaBoost思想对BP神经网络、线性判别式以及支撑向量机三种传统分类器进行强化训练形成强分类器。在传统训练的基础上,根据分类器的映射特点选择相应的预处理方法和权值分布函数,降低分类器对数据特点的依赖性,提高AdaBoost的训练效果。对基于左右手运动想象的实际脑电数据进行模式分类,发现采用该思想训练的强分类器能不同程度地提高分类效果。该算法具有一定的推广意义,也证实了AdaBoost算法在脑机接口技术开发中的应用潜力。     

一种基于量子神经网络的模拟电路故障诊断方法

针对模拟电路中部分故障类别发生重叠的特点, 提出了一种基于量子神经网络算法的模拟电路故障诊断方法。在被测电路输出端采集时域响应信号, 计算其峭度和熵, 作为特征量, 并应用量子神经网络算法对模拟电路的各个不同的故障类别进行辨别。实验结果表明, 构建的神经网络具有简单的网络结构, 且故障诊断正确率较 高, 达到9 9. 6 2%。     

基于空间注意力和卷积神经网络的视觉情感分析

为了解决现有基于深度学习方法的视觉情感分析忽略了图像各局部区域情感呈现的强度差异问题,提出一种结合空间注意力的卷积神经网络spatial attention with CNN, SA-CNN用于提升视觉情感分析效果。设计一个情感区域探测神经网络用于发现图像中诱发情感的局部区域;通过空间注意力机制对情感映射中各个位置赋予注意力权重,恰当抽取各区域的情感特征表示,从而有助于利用局部区域情感信息进行分类;整合局部区域特征和整体图像特征形成情感判别性视觉特征,并用于训练视觉情感的神经网络分类器。该方法在3个真实数据集TwitterⅠ、TwitterⅡ和Flickr上的情感分类准确率分别达到82.56%、80.23%、79.17%,证明利用好图像局部区域情感表达的差异性,能提升视觉情感分类效果。     

基于显著稀疏强关联的脑功能连接分类方法

针对脑功能连接数据维度过高、冗余特征过多影响神经网络分类准确率的问题,提出一种基于显著稀疏强关联的脑功能连接分类方法. 该方法利用显著特征稀疏模块对原始特征进行筛选增强;采用稀疏强关联特征上下文融合模块对不同感受野内的显著特征信息进行聚合;使用全连接神经网络进行分类预测. 在ABIDE以及ADHD-200数据集上的实验结果表明,所提方法相较于现有的脑功能连接分类算法在准确率上分别提升了10.41%和12.50%. 重要特征的可视化结果表明所提方法能准确定位与疾病相关的脑区,具有一定实际应用价值.     

视觉刺激间隔对大脑诱发电位的影响

采用成对的闪光信号刺激大脑，探讨两个刺激间时间间隔（inter stimulus interval，ISI）的变化对大脑视觉诱发电位幅值的影响程度和规律. 揭示出视觉前刺激对后刺激诱发电位有抑制作用，抑制作用随着刺激间时间间隔的缩短而逐渐增强. 当ISI＜250?ms时，前刺激完全抑制了后刺激独立诱发电位的产生；当ISI250?ms时, 后刺激独立诱发电位逐渐出现，并随ISI的增大其幅值逐渐加大. 这种抑制作用揭示了大脑对刺激进行响应的不应期效应，反映了大脑在信息处理和编码时遵循着时间优先和时间加权的编码原则. 本研究对于揭示大脑功能，对于精神疾病的病理研究等具有重要意义，可为精神疾病的诊断提供客观指标.     

基于量子卷积神经网络的图像识别新模型

为了解决卷积神经网络对内存和时间效率要求越来越高的问题,提出一种面向数字图像分类的新模型,该模型为基于强纠缠参数化线路的量子卷积神经网络。首先对经典图像进行预处理和量子比特编码,提取图像的特征信息,并将其制备为量子态作为量子卷积神经网络模型的输入。通过设计模型量子卷积层、量子池化层、量子全连接层结构,高效提炼主要特征信息,最后对模型输出执行Z基测量,根据期望值完成图像分类。实验数据集为MNIST数据,{0,1}分类和{2,7}分类准确率均达到了100%。对比结果表明,采用平均池化下采样的三层网络结构的QCNN模型具有更高的测试精度。     

模糊ARTMAP神经网络在一维信息聚类分析中的应用

从生物脑神经网络的信息处理入手，讨论了ＡＲＴＭＡＰ人工神经网络的聚类模型，给出了其有师学习过程，并依据物以类聚的哲学原理，从类的角度，论述了事物细节的类可描述性，为一维信息的描述提供了新的途径． 同常规的数学关系描述法相比，对于那些无法用确定的数学模型来描述的事件信息，类描述法有其独到之处．     

Two-Dimensional Images of Current and Active Power Signals for Elevator Condition Recognition

In this paper, an improved two-dimensional convolution neural network(2DCNN) is proposed to monitor and analyze elevator health, based on the distribution characteristics of elevator time series data in two-dimensional images. The current and effective power signals from an elevator traction machine are collected to generate gray-scale binary images. The improved two-dimensional convolution neural network is used to extract deep features from the images for classification, so as to recognize the...     

基于灰度特征聚类的图像自动分割方法

脉冲耦合神经网络是一种新型神经网络,该网络无需训练,根据脉冲耦合神经网络相邻神经元同步点火特性,提出了一种基于灰度特征聚类的脉冲耦合神经网络图像分割方法,利用脉冲耦合神经网络点火捕获特性,实现了对特征的自组织聚类,克服了以往基于统计方法对于相邻灰度影响的考虑,弥补了空间不连贯灰度区域分割成离散块的缺点.针对目前对网络参数的选取还主要停留在人工调整和确定阶段,对参数的选取进行了分析,并对迭代终止条件进行了研究.通过实验,证明分析结果是有效的.     

基于注意力时序网络的非侵入式负荷分解

非侵入式负荷分解的本质是根据已知的总功率信号分解出单一的负荷设备的功率信号.目前基于深度学习模型大多存在网络模型负荷特征提取不充分、分解精度低、对使用频率较低的负荷设备分解误差大等问题.本文提出一种注意力时序网络模型(Attention Recurrent Neural Network,ARNN)实现非侵入式负荷分解,它将回归网络与分类网络相结合来解决非侵入式负荷分解问题.该模型通过RNN网络实现对序列信号特征的提取,同时利用注意力机制定位输入序列中重要信息的位置,提高神经网络的表征能力.在公开数据集Wiki-Energy以及UK-DALE上进行的对比实验结果表明,本文提出的深度神经网络在所有考虑的实验条件下都是最优的.另外,通过注意力机制和辅助分类网络能够正确检测设备的开启或关闭,并定位高功耗的信号部分,提高了负荷分解的准确性.