基于VMD和KNN的心电信号分类算法

心电信号反映了心脏的活动状态,在诊断心脏疾病和指导心脏手术方面有重要参考价值,为提高心电信号的分类准确率,降低识别难度,提出了一种基于变分模态分解(VMD)和K最近邻(KNN)相结合的心电信号分类算法。使用MIT-BIH心律失常库中的数据,选取5类心电波形作为主要分类对象,从多个记录中截取心电信号作为样本数据,确定最优分解层数,利用VMD分解提取各模态的能量特征作为分类特征,最后运用KNN算法对信号进行分类识别并与支持向量机(SVM)和BP神经网络等分类方法进行了对比。实验结果表明,该方法在少量样本的情况下依然可以实现对心电信号的快速准确分类。     

基于MEMD和TK能量算子的肌电信号手势识别

为提高肌电信号手势识别的准确率,提出基于时频域分析的肌电信号特征提取方法。该方法利用无线肌电信号采集装置获得肌电信号,采用基于多元经验模态分解(multivariate empirical mode decomposition, MEMD)和TK(Teager-Kaiser)能量算子的肌电信号特征提取方法,利用多维尺度分析(multi-dimensional scaling, MDS)对多通道特征降维,采用线性判别分类器(linear discriminant analysis, LDA)对手势特征分类识别。将该算法应用于UCI数据库,手势识别准确率达98.96%,应用于自主采集数据库准确率达99.37%,同时F1 score具有明显提升。实验结果表明,与典型方法相比,所提出的肌电信号特征提取方法对手势识别的准确率更高。     

基于MEMD和TK能量算子的肌电信号手势识别

为提高肌电信号手势识别的准确率,提出基于时频域分析的肌电信号特征提取方法。该方法利用无线肌电信号采集装置获得肌电信号,采用基于多元经验模态分解(multivariate empirical mode decomposition, MEMD)和TK(Teager-Kaiser)能量算子的肌电信号特征提取方法,利用多维尺度分析(multi-dimensional scaling, MDS)对多通道特征降维,采用线性判别分类器(linear discriminant analysis, LDA)对手势特征分类识别。将该算法应用于UCI数据库,手势识别准确率达98.96%,应用于自主采集数据库准确率达99.37%,同时F1 score具有明显提升。实验结果表明,与典型方法相比,所提出的肌电信号特征提取方法对手势识别的准确率更高。     

多工况下基于EEMD-ICNN的输油管道泄漏识别

针对多工况下管道泄漏信号预处理繁琐、误报率高的问题，提出了一种集合经验模态分解(EEMD)结合改进卷积神经网络(ICNN)的泄漏识别模型。所用识别方法采用EEMD将泄漏信号分解成若干个具有稳态性能的固有模态分量(IMF),通过相关系数划分出噪声主导向量并予以去除实现信号重构；提取重构信号的一系列指标特征作为ICNN模型的输入进行特征提取，实现管道多工况分类；ICNN在每个卷积层和池化层之间加入批量归一化层，以此加快网络训练速度。结果表明：所提模型能够快速准确识别出停泵、调阀、泄漏、正常工况，且在较少训练数据下平均识别准确率可达98.25%。与未改进的CNN和SVM分类识别模型相比，该方法有效提高了识别准确率。     

VMD多尺度熵和GWO-SVM在扬声器异常声分类中的应用

针对扬声器异常声分类中异常声特征提取以及分类识别两个关键环节,提出一种基于变分模态分解(VMD)多尺度熵(MSE)与灰狼算法优化支持向量机(GWO-SVM)结合的扬声器异常声分类方法。首先,对扬声器声响应信号进行VMD分解得到一系列本征模态函数(IMF),计算各阶IMF与原始信号的相关系数,然后选择相关系数高的IMF提取该IMF的MSE作为特征向量,最后利用灰狼算法优化支持向量机模型识别故障类型。实验结果表明,在5种状态下扬声器单元分类的识别中,较经验模态分解(EMD)多尺度熵、VMD多尺度散布熵(MDE)、EMD多尺度散布熵的特征提取方法,VMD多尺度熵呈现出更高的识别准确率,其识别准确率为99.3%。能更好地表征异常声特征。     

基于多域信息融合的脑电情感识别研究

脑电信号识别方法较少将空间、时间和频率信息相融合,为了充分挖掘脑电信号包含的丰富信息,本文提出一种多域信息融合的脑电情感识别方法。该方法利用二维卷积神经网络和一维卷积神经网络相结合的并行卷积神经网络(PCNN)模型学习脑电信号的空间、时间和频率特征,来对人类情感状态进行分类。其中,2D-CNN用于挖掘相邻EEG通道间的空间和频率信息,1D-CNN用于挖掘EEG的时间和频率信息。最后,将两个并行卷积模块提取的信息融合进行情感识别。在数据集SEED上的情感三分类实验结果表明,融合空间、时间、频率特征的PCNN整体分类准确率达到了98.04%,与只提取空频信息的2D-CNN和提取时频信息的1D-CNN相比,准确率分别提高了1.97%和0.60%。并于最近的类似工作相比,本文提出的方法对于脑电情感分类具有一定的优越性。     

基于离散小波变换的卷积自编码运动想象脑电信号的分类

左右手运动想象脑电信号(MI-EEG)分类准确率低,制约了相关脑-机接口技术的发展。实验采集了16名健康受试者的运动想象脑电信号,提出了一种基于离散小波变换(DWT)和卷积自编码(CAE)的运动想象脑电信号分类算法。利用离散小波变换将EEG转换成时频矩阵,输入到卷积自编码网络中进行脑电信号的特征分类。该算法在实验数据集和公开数据集上测试都得到了较好的分类结果,静息-想象左手、静息-想象右手、想象左手-想象右手3组EEG在实验数据集上分类准确率分别为97.36%、97.27%、86.82%,在公开数据集上分类准确率分别为99.30%、98.23%、92.67%。离散小波变换结合卷积自编码网络模型在左右手运动想象脑电信号分类应用中比其他深度学习方法(CNN、LSTM、STFT-CNN)性能更优。     

一种组合重构的电能质量扰动特征提取方法

电力系统中电能质量扰动类型较多、扰动特征表征复杂,特征提取的有效性直接影响识别精度。为了保证特征提取的有效性,通常以牺牲特征向量维度作为代价,但特征向量维度过高会增加识别模型的复杂度和降低识别的速度。基于以上考虑,提出了一种基于能量熵和功率谱熵的组合重构特征提取方法。首先根据电能质量扰动信号特性和改进集合经验模态分解(modified ensemble empirical mode decomposition, MEEMD)对电能质量扰动信号进行处理。其次利用能量熵和功率谱熵对扰动特征进行组合提取,构建高精度、低维度的特征向量。最后通过双层前馈神经网络(double-layer back propagation neural network, DBPNN)对扰动信号进行识别。仿真和实验结果表明,与单一特征提取方法相比,所提出的组合重构特征提取方法的特征向量维度、识别模型复杂度和识别难度降低,准确率较高,且具有一定的抗噪性。     

基于变分模态分解能量熵混合时域特征和随机森林的故障电弧检测方法

在家庭生活用电器中,非线性负载电器逐渐增多。这一趋势使基于电弧“零休”特性的传统故障电流检测方法无法准确识别故障现象,因此本文提出一种基于信号时域特征结合变分模态分解固有模态能量熵的随机森林故障电弧识别方法。以线路电流为分析对象,先提取其时频特征量,再采用变分模态分解算法对故障电弧电流进行分解得到模态分量并计算其能量熵。以时域、能量熵特征构成多维特征向量,输入随机森林模型中对信号类型进行分类决策,进而识别故障电弧。实验发现,相比于其他方法,本文所提方法的故障电弧识别准确率可达99%,且适用于多种典型负载和非线性负载工作的低压配电故障电弧识别。     

基于多维度特征提取的电弧故障检测方法

针对当前含多种电气故障的复杂电路电弧故障识别率低、训练速度慢的问题,提出一种窗口划分结合小波分解与经验模态分解(empirical mode decomposition,EMD)分别从时域、频域及时间尺度等多个维度提取电流特征量,利用机器学习分类模型进行电弧故障识别的方法.首先,利用搭建的电气故障实验平台采集故障及正常电流数据,并将电流数据进行窗口分段,然后分别使用小波变换与EMD方法对电流信号进行分解并计算不同维度上的特征量,将该特征信息作为分类算法的输入进行电弧故障诊断.经实验验证,该特征提取方法在梯度提升决策树(gradient boosting decision tree,GBDT)上的电弧故障检测准确率高达98％,相比电流不分段的方式分类准确率提升了1.87％,能有效获取电弧故障特征,实现对电弧故障高效率与高准确率检测.     

基于遗传优化的多级SVM语音情感识别

针对语音情感识别中特征维数高、识别率较低的问题,提出利用遗传算法进行特征降维,并构建二叉树结构的多级支持向量机(SVM)分类器进行语音多类情感识别的方案.首先对语音信号预处理后提取常用的情感特征,由于涉及特征较多,存在数据的冗余,采用遗传算法对提取的特征进行优化筛选;然后使用选出的最具情感区分能力的特征训练二叉树结构的多级SVM分类模型.在包含7种情感的柏林情感语料库上进行实验,结果证明提出的语音情感识别方案的有效性.     

基于多层注意力机制的4DC-BGRU脑电情感识别

为了提高脑电情感识别的准确率，提取更丰富的特征信息，提升网络模型稳定性，提出一种改进的基于多层注意力机制的脑电情感识别模型。在特征提取方面，将原始脑电信号转换成四维空间 频谱 时间结构，提取丰富的脑电信息。在网络模型方面，构建双路卷积神经网络学习空间及频率信息，有效提取多尺度特征，增加网络宽度来学习更丰富的特征信息；在卷积层及池化层后融入批量归一化层，防止过拟合。最后，构建多层注意力机制 双向门控循环单元模块处理时间特征并配合Softmax分类。采用双向门控循环单元学习更全面的上下级特征信息。利用多层注意力机制使四维特征中不同时间切片与整体时间切片之间产生关联。该文在DEAP数据集唤醒度和效价两个维度进行了评估实验，二分类平均准确率分别为96.38%和96.73%，四分类平均准确率为93.78%。实验结果显示，与单路卷积神经网络及其他文献算法相比，该文算法的平均准确率有所提高，表明该算法可以有效提升脑电情感识别性能。     

A hybrid approach for word emotion recognition

In recent years, with plenty of online resources constantly emerging, emotion recognition in text has become increasingly important in human–computer interaction. Word emotion plays a very important role in emotion analysis of sentences or documents. This paper proposes a hybrid approach to recognition of word emotion in the dimension of eight emotion categories with corresponding intensities based on the Chinese emotion corpus. First, we present a new algorithm of semantic similarity computation for aiding emotion intensity computation and design a new algorithm of emotion vector computation by making use of both morpheme characteristics and semantic relations. And then, we adopt support vector machine model for the secondary classification to the words whose emotions cannot be calculated by the semantic analysis algorithm. Our approach achieves the accuracy of 54.00% and 78.75% for exact match and all five types of hit, respectively, on the basis of the core emotion lexicon CL4. Experimental results show that the integration of morpheme characteristics and semantic relations can improve the classification accuracy efficiently. © 2013 Institute of Electrical Engineers of Japan. Published by John Wiley & Sons, Inc.     

基于深层图卷积的EEG情绪识别方法研究

针对浅层图卷积提取的局部脑区空间关联信息对情感脑电表征不足的问题,本文提出了一种深层图卷积网络模型。该模型利用深层图卷积学习情绪脑电全局通道间的内在关系,在卷积传播过程中应用残差连接和权重自映射解决深层图卷积网络面临的节点特征收敛到固定空间无法学习到有效特征的问题,并在卷积层后加入PN正则化扩大不同情绪特征间的距离,提高情绪识别的性能。在SEED数据集上进行实验,与浅层图卷积网络相比准确率提高了0.7%,标准差下降了3.15。结果表明该模型提取的全局脑区空间关联信息对情绪识别的有效性。     

基于 MIC 心率变异性特征选择的情感识别研究

心率变异性分析能够在情感识别中发挥重要作用,为了建立心电与情感类别之间的精准模型,提出了基于最大信息系 数(maximal information coefficient,MIC)的特征选择方法。 使用 Aubt 数据库和设计情感诱发实验进行研究,首先提取了心率变 异性时域、频域、非线性及时频域 40 个特征参数,然后基于 MIC 方法结合支持向量机、随机森林、K 近邻算法进行情感建模。 结 果显示,基于 MIC 特征选择方法,使用 Aubt 数据库针对唤醒度、效价、4 类情感的分类准确度分别为 90%、89%、84%,并进一步 选用皮尔森相关系数、ANOVA 特征选择方法与 MIC 进行对比;诱发实验数据中的多种一对一情感识别率均高于 75%。 结果表 明基于 MIC 特征选择方法能够显著提高分类准确度,对基于心电信号进行情感识别具有重要意义。     

基于SVM的汉语语音情感识别研究

随着信息技术的发展,对人机交互能力的要求不断提高,情感信息处理已成为提高人机交互能力的一个重要课题.本文提出了一种汉语语音情感分类方法,主要研究了4种基本的人类情感:高兴、愤怒、恐惧、悲伤.从汉语语音信号中提取了能量、基频、语速等特征,利用支持向量机方法识别,取得了43.7%的平均识别率.     

经验模态分解奇异性检测的配电网混合线路测距方法

含架空线和电缆的配电网混合线路发生故障时,故障行波信号传播复杂,波头识别困难。提出一种分形维数与经验模态分解（EMD）奇异性检测结合的配电网混合线路单端行波测距方法。对故障产生的行波信号进行分形滤波后,利用经验模态分解方法提取出高频信号的固有模态函数（IMF）,进行奇异性检测实现行波波头的准确标定,最后利用A型行波测距原理实现配电网混合线路的故障测距。PSCAD仿真结果表明,该方法具有较高的准确性和可靠性,能够有效识别出混合线路中故障点反射波和对端母线反射波,实现故障测距。     

Multi‐label emotion recognition of weblog sentence based on Bayesian networks

An increasing number of common users, in the Internet age, tend to express their emotions on the Web about everything they like or dislike. As a consequence, the number of all kinds of reviews, such as weblogs, production reviews, and news reviews, grows rapidly. This makes it difficult for people to understand the opinions of the reviews and obtain useful emotion information from such a huge number of reviews. Many scientists and researchers have attached more attention to emotion analysis of online information in the natural language processing field. Different from previous works, which just focused on the single‐label emotion analysis, this paper takes into account rich and delicate emotions and gives special regard to multi‐label emotion recognition for weblog sentences based on the Chinese emotion corpus (Ren‐CECps). Using the theory of Bayesian networks and probabilistic graphical model, the latent emotion variable and topic variable are employed to find out the complex emotions of weblog sentences. Our experimental results on the multi‐label emotion topic model demonstrate the effectiveness of the model in recognizing the polarity of sentence emotions. © 2015 Institute of Electrical Engineers of Japan. Published by John Wiley & Sons, Inc.