基于ELM和近似熵的脑电信号检测方法

脑电癫痫波的自动检测与分类对癫痫病情的诊断具有重要意义。提出了一种基于极端学习机(extreme learning ma-chine,ELM)和近似熵的脑电信号检测方法。首先,计算脑电信号的近似熵作为非线性特征,并与利用小波变换技术提取的线性特征波动指数相结合,组成特征向量,然后将特征向量送入单隐层前馈神经网络,采用ELM学习算法训练网络。实验表明,与BP(backpropagation)和SVM(support vector machine)算法相比,ELM在训练时间和识别精度两方面性能最佳,对用于实验的脑电数据检测识别率达到98%以上。     

单导癫痫脑电模糊特征提取的支持向量机发作预测

为了寻找一种通过单通道脑电分析实现癫痫发作预报的新方法,提出了一种基于经验模式分解模糊特征提取的支持向量机二分类预测模型。对7名受试者发作前的各导脑电信号进行经验模式分解,提取各本征模式函数分量的模糊特征向量,将其作为支持向量机的输入进行分类.研究表明,系统预测准确度与导联选择有关,但与支持向量机所用的核函数关系不大。最佳导联选择条件下,所提出的方法在预测癫痫发作时的表现为:准确度为82.8～87.1%,特异性为86.7～91.9%,敏感性为74.6～81.3%范围。     

基于免疫优化的脑电自适应集成分类方法研究

针对脑机接口研究(BCI)中对脑电波信号的分类识别问题,对脑电信号中P300脑电信号的预处理、特征提取及特征分类等方面算法进行了研究,主要侧重于对P300脑电信号分类算法的研究。提出了一种自适应的集成支持向量机(SVM)分类方法,利用免疫算法的多样性以及自我调节能力,对基于Bagging的集成SVM分类学习器进行了优化,提高了对P300脑电信号识别的准确度以及针对不同个体的自适应性。研究结果表明:将自适应集成分类算法运用在BCI Competition III Dataset II的P300脑电数据上,可以识别出被试者的脑电意图,并且对P300脑电信号的分类可以达到较高的分类准确率,实验结果稳定在98%。     

基于推土机距离和支持向量机的脑电癫痫检测算法(英文)

对于需要长期脑电图监测的癫痫患者,癫痫自动检测技术是十分必要的。本文所提出的基于多导联长程脑电的算法,首先,对脑电信号进行五层小波分解,取其中三层并求和,然后建立直方图并计算它们之间的距离。本文使用了一种有效的推土机距离算法,提出了脑电新特征EMD-L1。由于EMD-L1利用了L1范式,有效降低了时间复杂度,提高了运算速度。本文采用支持向量机作为分类器,并对支持向量机的输出做了后处理,其中包括平滑滤波和"collar"技术,以获取更准确的检测结果。本文将所提出的方法与其他使用相同脑电数据库的癫痫检测方法相比较,实验结果表明本文提出的算法达到了较高的灵敏度95.73%、特异性98.45%以及较低的误判率0.33/h。该检测系统不但具有较高的精确度和较强的鲁棒性,而且可以对脑电数据进行实时分析,用于长期脑电监测中。     

运动意识任务的模式识别方法研究

针对脑机接口研究中运动想象脑电信号的模式识别问题,提出了一种基于离散小波变换和AR双谱的特征提取方法.该方法首先利用Daubechies类小波函数对二路脑电信号进行3层分解,抽取小波系数的均值、能量均值、均方差三个特征;然后,采用5阶AR模型进行双谱估计,抽取双谱切片特征;最后,将这两类特征进行组合后使用马氏距离线性判别进行分类.利用BCI2003竞赛的标准数据,该方法使得EEG的识别正确率达到92.86%,与竞赛的最好结果(89.29%)相比提高了3.57%,为BCI研究中脑电信号的模式识别提供了有效的手段.     

基于组稀疏贝叶斯逻辑回归运动想象脑电信号分类模型的通道选择与分类新算法

针对脑电信号的通道选择和分类问题,提出了基于组稀疏贝叶斯逻辑回归(gsBLR)的运动想象脑电信号分类模型,同时进行通道选择和分类。首先,对多通道信号进行空间滤波和带通滤波,降低容积传导效应的影响;其次,对每个通道的信号提取具有判别信息的时域、频域以及时频域特征,并进行特征融合;最后,使用gsBLR方法进行通道选择和分类,在贝叶斯学习框架下模型参数可自动从训练数据中估计得到,避免了繁琐而耗时的交叉验证过程。在两个公开的脑机接口(BCI)竞赛数据集和自采集数据集上进行了实验验证,分别获得了81.63%、84.97%和76.47%的最高平均分类准确率;相比其他方法,所提出的方法具有较好的分类准确率和较少的通道数,同时所选通道与神经生理背景更加吻合。     

基于ITD和PLV的四类运动想象脑电分类方法研究

针对四类运动想象任务的特征提取问题,提出一种基于固有时间尺度分解(ITD)和相位同步分析相结合的脑电(EEG)信号特征提取方法。采用第3届和第4届BCI竞赛中的4类运动想象数据集,首先选择5个导联的运动想象脑电信号,根据相位同步性计算导联之间的相锁值(PLV),将相锁值作为一类特征;之后利用ITD对5个导联的运动想象脑电信号进行分解,提取第一层固有旋转分量的能量特征,与PLV特征相结合获得十五维特征向量;最后通过支持向量机(SVM)进行分类识别。对12名受试者的平均识别率达到91. 64%,平均Kappa系数达到0. 887,说明该方法能够有效的提取脑电信号特征,进而提高4类运动想象任务的分类准确率。     

癫痫发作瞬态带宽特征自适应检测方法

癫痫是常见的神经系统疾病之一。癫痫发作的识别通常采用脑电测量记录中的癫痫发作起始点,以辅助医生进行诊断并对患者的发作状态报警。利用脑电信号的瞬态参数提出了一种自适应带宽特征,可用于提高癫痫发作检测精度。首先,利用经验模态分解(EMD)求得脑电信号的本征模态函数(IMF),并计算特定阶次IMF的解析信号;其次,利用该解析信号求解瞬时幅值与瞬时频率,对EEG信号的带宽特征添加权重,得到可用于癫痫检测的自适应带宽特征(Adaptive Bandwidth);最后,利用该特征完成癫痫发作检测。采用长达118 h 49 min的癫痫患者临床脑电数据进行实验,实验结果表明,自适应带宽特征的敏感性、特异性、准确性参数均比原特征取得明显提高。自适应带宽特征可提高癫痫发作检测精度并降低时间延迟,便于及时采取治疗措施,为临床检测提供了重要依据。     

SSVEP-BCI抗自由眨眼稳定性的ANFIS方法

针对伪迹干扰下脑机接口稳定性问题,以自由眨眼动作下稳态视觉诱发脑机接口的稳定性为切入点,进行了稳态视觉诱发脑电信号去眼电伪迹(electroculography,简称EOG)研究。提出了一种基于自适应神经模糊推理系统(adaptive neuro-fuzzy inferency system,简称ANFIS)的无眼电电极下脑电信号眼电伪迹的自适应消除方法并进行实验,验证该方法对自由眨眼动作下稳态视觉诱发脑机接口稳定性的提高。该伪迹消除方法通过自适应神经模糊推理系统逼近眼电信号源至眼电伪迹的非线性变换函数,达到消除脑电信号中眼电伪迹的目的。算法通过前额叶区脑电信号获得替代性眼电信号源,经延时处理后,输入自适应噪声消除器中以消除各通道脑电信号中的眼电伪迹。通过自由眨眼动作下稳态视觉刺激实验,对该伪迹消除方法中各参数及函数的选择进行了研究,并将该方法与经典滤波和传统独立成分分析(independent component analysis,简称ICA)进行对比,证明了该方法在消除眼电伪迹的情况下保留了稳态视觉刺激的有效信息,识别正确率较经典滤波相比最高提高了6.25%,较传统ICA相比最高提高10%,保证了稳态视觉诱发脑机接口在自由眨眼动作下的稳定性。     

基于RBF核函数支持向量机分类器的多导脑电信号分类识别研究

脑电信号是一种典型的非平稳随机信号,对脑电信号的分类识别是非常困难的,为了提高正确识别率,提出多导脑电信号的分类识别方法.首先对受试者分别在睁眼和闭眼状态下的单导脑电信号进行特征提取,然后选取多组识别效果不好的单导联的特征,组合成为多导脑电信号特征,最后用RBF核函数的支持向量机分类器进行分类识别.结果表明对多导联特征的正识率比单导联正识率有很大提高.     

基于深度学习的癫痫脑电不平衡分类方法

癫痫发作自动检测技术对癫痫患者的诊断和治疗具有重要意义。由于癫痫发作期持续时间较短,发作期与非发作期的脑电数据分布是不平衡的。针对该问题,本文提出了一种不平衡分类与深度学习相结合的癫痫发作自动检测方法。首先,为防止不同类别数据之间界限模糊,使用Borderline-SMOTE算法对1/3训练集做平衡处理;之后,设计了金字塔型的一维深度卷积神经网络,并利用平衡处理的训练集进行训练。与常见的二维卷积神经网络不同,本文构造的一维卷积神经网络减少了训练参数,提高了训练速率,能够有效地避免由于训练样本较少而造成的过拟合。在长达991小时的长程头皮脑电数据集上的实验表明,经过平衡处理后的检测效果得到明显改善,最佳敏感度达到92.35%,特异性达到99.88%,阳性预测率达到90.68%,阴性预测率达到99.91%。同时,与其他癫痫检测方法的比较表明,本文方法具有更好的检测结果,更加符合临床应用的要求。     

基于轻量化YOLOv4的轮毂内部缺陷检测算法

为解决常规深度学习方法检测轮毂内部缺陷存在模型尺寸大、参数多和精度低等问题,提出一种轻量化YOLOv4的轮毂内部缺陷检测算法。该算法采用MobileNetV3替换YOLOv4的主干特征提取网络,并利用深度可分离卷积模块对YOLOv4的PANet(path aggregation network)模块中的传统卷积进行了替换。同时,在PANet特征加强网络中加入通道注意力机制(SE)模块,提高了轮毂内部缺陷目标的识别精度。测试结果表明,所提算法检测精度为90.23%,权值文件为45.2 MB,检测速率为68.38帧/s。相较于常规模型性能有所提升,更适用于轮毂内部缺陷的快速、准确检测。     

基于卷积神经网络的热轧钢条表面实时缺陷检测

热轧钢条的表面质量对成品至关重要,因此必须要严格控制热轧钢条的表面出现的缺陷。 针对当前 YOLOv4 算法检测 精度不高、对小范围信息表现较差等问题,提出一种改进 YOLOv4 自动检测方法。 首先,将 YOLOv4 中特征提取网络 CSPDarknet53 换为轻量级深层神经网络 MobileNetv3 来提高检测速度,并且加强对检测目标特征提取以及减少梯度消失问题。 其次,采用 K-Means 聚类生成适合本实验的先验框,有效提高学习效率,加快收敛速度。 最后,对置信度损失进行重新定义,提 出一种能够适应多尺度的损失函数,来解决因正负样本不平衡而导致检测效果差的问题。 实验结果表明,该方法较原 YOLOv4 模型在热轧钢条的表面缺陷检测上的均值平均精度值提高约 7. 94% ,速度提升约 4. 52 f / s,在保证检测速度的基础上有效提高 了精确度。     

Detection of ECG characteristic points using Multiresolution Wavelet Analysis based Selective Coefficient Method

Automatic extraction of time plane features is important for cardiac disease diagnosis. This paper presents a multiresolution wavelet transform based system for detection and evaluation of QRS complex, P and T waves. Selective coefficient method is based on identification of proper and optimum set of wavelet coefficients to reconstruct a wave or complex of interest from the ECG signal. The performance of the system is validated using original 12 lead ECG recording collected from the physionet PTB diagnostic database. The measured values are compared with the manually determined values and measurement accuracy is calculated. The test result shows over 99% true detection rate for R peak and base accuracy over 97%, 96%, 95%, 98% for heart rate, P wave, QRS complex and T wave respectively.     

基于自归一化神经网络的电弧故障检测方法

电弧故障是电气火灾的重要原因。低压线路发生串联电弧故障时,回路电流波形的时域特征与正常工作状态类似,采用传统的特征提取方法无法完整表达时域信号的全部数据特征,限制了电弧故障的特征表达能力,导致检测结果的误报率和漏报率较高。针对此问题,提出基于自归一化卷积神经网络的电弧故障检测方法。该方法将采集到的不同种类负载的电流时间序列按照半周期截取,然后进行归一化处理,将灰度矩阵变换生成电弧故障及正常工作的二维图像;利用卷积神经网络提取电弧故障的灰度变换特征;通过全连接层拟合计算下采样信息实现电弧故障卷积特征的识别。验证表明,所提方法对电弧故障的识别率达到99.67%,优于传统卷积神经网络,具有良好的泛化性能。     

基于视觉引导的工业棒材上料系统研究

为了提高生产效率,设计一种基于视觉引导的工业棒材上料系统。首先,为了实现视觉引导进行工业棒材上料,设计了工业棒材上料总体方案,并对上料机械结构模型进行选型设计。然后,为了实现棒材的自动识别和位姿检测,提出了一种基于改进YOLOv5的旋转目标识别与定位算法。该方法在YOLOv5主干特征网络上,添加高效ECA通道注意力机制模块,利用其避免降维,并通过适当跨通道交互策略提高特征提取能力;为了增强不同尺度的特征信息融合,将原特征增强网络替换成BiFPN加权双向特征金字塔网络,进行自上而下和自下而上的多尺度特征融合,提高棒材识别准确率并获取平面位置信息;在此基础上,采用双目视觉进行立体匹配获取棒材的深度位置信息,最终实现棒材立体位姿检测。对所提上料系统进行实验验证,棒材识别的平均精度为99.4%,抓取棒材成功率达到90%及以上。     

基于改进 EfficientNet 的锻件磁粉探伤智能检测方法研究

针对锻件生产企业零件缺陷检测效率低下,检测精度不高的问题,提出一种基于改进EfficientNet模型(EfficientNet-F),对两种锻件的荧光磁粉探伤图像进行检测。构建以EfficientNet为主干特征提取网络的深度学习模型,并引入特征金字塔为特征融合层,进而提高模型的多尺度特征融合能力;引入完备交并比和注意力机制以提高模型鲁棒性和检测效率。同时,搭建荧光磁粉探伤图像采集平台,构建缺陷样本数据集。试验表明,EfficientNet-F的最优模型在测试集上的均值平均精度达到了95.03%。F1得分值为0.96,浮点运算数为1.86 B。相较于其他深度学习模型,该方法提高了检测的精度和效率,可以满足相关生产企业的需求。     

小样本下自校正卷积神经网络的 滚动轴承故障识别方法

针对实际工程中因故障样本数据稀少而导致模型识别准确率不高的问题,提出了一种基于自校正卷积神经网络( SCCNN)的滚动轴承故障诊断模型,并将其应用于小样本条件下的故障识别研究。 首先,为减少不同信号的数据分布差异,在每个 卷积层后添加 BN 算法;其次,利用自校正卷积学习信号的多尺度特征,提高模型获取有用故障特征的能力;然后,引入通道自 注意力机制,建立通道特征信息之间的相关性,用于突出故障特征并抑制数据过拟合;再将少量训练样本输入到模型中进行学 习;最后,将各类不同条件下的故障信号输入到训练好的 SC-CNN 模型进行识别分类,并在两个数据集上进行实验验证。 结果 表明,所提模型在信噪比为-4 dB 的强噪声环境下,识别准确率分别为 98. 64% 和 99. 83% ,在变工况条件下,识别准确率分别为 94. 37% 和 99. 64% ,验证了 SC-CNN 模型在小样本条件下具有较强的鲁棒性和泛化性能。