一种基于数据域描述的图像压缩方法

提出一种基于数据域描述的自适应加权支持向量回归图像压缩算法.先将一幅灰度图像分割成不重叠的方块,每个方块数据经过离散余弦变换得到对应的频率域系数,然后根据样本到高维特征空间最小包含超球球心的距离构建相应的加权函数模型,最后将确立的模型应用到基于加权支持向量回归的图像压缩方案中.实验结果表明,与同类的图像压缩算法相比,该算法在预测性能和压缩效果方面获得较明显提高.     

基于稀疏低秩张量分解的情绪脑电多域特征提取与分类

基于脑电信号(Electroencephalogram, EEG)的情绪分析和识别研究一直是脑科学领域的热点, 本文利用复Morlet小波变换构建脑电张量, 结合其低秩、稀疏的特点, 提出一种EEG多域特征提取方法——稀疏正则的低秩逼近Tucker分解算法(Sparse Regulation for Low-rank approach Tucker decomposition, SLraTucker).该算法提取样本所特有的多域特征——核心张量和样本共有的因子矩阵, 对情绪脑电进行分类和分析, 克服了传统Tucker分解计算效率低, 易导致维度爆炸的缺陷. 实验结果表明, 在MODMA数据集中, 以核心张量作为多域特征进行EEG样本分类, 对不同的情绪刺激下, 抑郁症患者（MDD）的平均识别率为88.9%, 且运算效率较传统Tucker分解提高约16倍. 本文利用表征空间特征的因子矩阵对活跃脑区进行分析, 实现对脑区空间层面动态变化的对比,发现了MDD患者与正常对照组在效价与唤醒度的敏感度上的差异. 本文提出的SLraTucker分解算法能够有效提取EEG的多域特征, 为情绪脑电的分析与诊断提供了新的方法和思路.     

基于密集残差连接的肺结节检测方法

针对目前基于深度学习的肺结节检测算法中不同深度与尺寸的特征信息间没有相互交流的问题,提出了一种基于密集残差连接的肺结节检测模型。本模型在3D U-Net网络的基础上引入密集连接,充分利用网络中肺结节特征图,实现不同层的特征信息的结合,提高结节特征的利用率;同时结合残差结构,避免了网络加深后出现的梯度消失问题;引入通道注意力机制,对不同通道的结节特征赋予权重,提高结节的识别率;在3D U-Net网络的编码解码部分间的跳跃连接中使用转置卷积,融合不同尺度与不同深度的特征。所提算法在肺结节公共数据集LUNA16上进行十折交叉验证,以无限制受试者操作特征为评价指标,实验结果表明,在假阳率为0.125、0.25、0.5、1、2、4、8这7个点上,平均敏感度为0.852,相较于基准模型提升5.5%。所提出的肺结节检测算法相比基准模型提高了检测敏感度,较好的实现对肺结节的检测。     

基于注意力引导空域图卷积SRU的动态手势识别

基于手部骨骼的动态手势识别是计算机视觉和人机交互领域的一个研究热点.手势涉及的关节在空间上分布更紧密,相关性更强.针对目前基于骨骼的动态手势识别存在空间特征复杂、识别计算速率缓慢等问题,提出一种注意力引导空域图卷积简单循环单元(ASGC-SRU)网络.首先,将空域图卷积嵌入至SRU的门结构中,使得具有高速并行计算能力的SRU能够对复杂手势的时域和空域信息进行建模;然后,引入一种指关节注意力引导模块,使得更重要的指关节具有更高的关注度;最后,引入一种注意力增强空域图丢弃(ASD)的正则化方法,缓解网络过拟合的弊端.为验证所提出方法的有效性,在公认的动态手势数据集SHREC’17和DHG 14/28上进行大量实验,实验结果表明,所提出方法取得了较高的识别准确率,同时保持优良的计算效率.     

一种基于DCT域的自适应块效应消除算法

在基于块编码的图像压缩技术中,低比特率下重建图像的块边界会出现块效应．本文提出了一种有效的基于DCT域的块效应消除算法．首先通过DCT系数块的分解和合并,直接从两个相邻的系数块获取相应的转移块．然后对图像块的活动性进行分类,对于低活动性邻接块所构成的转移块,采用改进的线性函数替代阶梯函数的方法消除块效应,同时更新邻接块．最后采用后滤波和量化约束技术对更新块和高活动性块进行后处理．实验结果表明,本算法不仅有效去除块效应,而且能够保护图像的纹理和边缘．     

基于人工蜂群优化高斯过程的运动想象脑电信号分类

针对传统的高斯过程采用共轭梯度法确定超参数时对初值有较强依赖性且易陷入局部最优的问题,提出了一种基于人工蜂群优化的高斯过程分类方法,用于脑电信号的模式识别.首先,构建高斯过程模型,选择合适的核函数且确定待优化的参数.然后,选取识别错误率的倒数为适应度函数,使用人工蜂群算法搜索寻找出限定范围内可以取得最优准确率的超参数.最后,采用参数优化后的高斯过程分类器对样本分类.分别采用2008年竞赛数据集BCI Competition Ⅳ Data Set 1和2005年数据集BCI Competition Ⅲ Data Set Ⅳa对所提方法进行验证,并与支持向量机(SVM)、人工蜂群优化的支持向量机(ABC-SVM)、高斯过程分类(GPC)方法进行比较,实验结果表明了所提方法的有效性.     

基于相干性的多频段脑肌电信号双向耦合分析

针对皮层肌肉相干性分析时不能确定耦合方向的局限性,根据神经肌肉信息的双向传递性,提出利用不同大脑功能区的脑电信号和动作相关的肌电信号,实现了相干函数对脑肌电信号的双向耦合分析.本文对不同握力模式下同步采集的脑肌电信号进行了多频段耦合分析.通过下行(EEG—>EMG)和上行(EMG—>EEG)分析发现,随着握力的增大,EEG能量、相干幅值和耦合强度均向高频段转移.与基于新型格兰杰因果关系的耦合方法进行比较,验证了相干性方法进行皮层肌肉双向耦合分析的可行性和优势.研究结果为探索基于皮层肌肉相干性的双向手部运动信息解码和上肢运动功能障碍分析提供了依据.     

基于感兴趣脑区LASSO-Granger因果关系的脑电特征提取算法

该文将脑功能网络引入到脑电特征提取的研究中,提出一种基于感兴趣脑区LASSO-Granger因果关系的新方法,克服了当前基于孤立脑区的研究方法的不足。先利用主成分分析提取各感兴趣区的最大主成分,然后计算它们之间的LASSO-Granger因果度量,并将其作为特征向量,最后输入支持向量机分类器,对BCI Competition IV dataset 1中的4组数据进行分类识别。结果表明,基于感兴趣脑区间LASSO-Granger因果关系分析和支持向量机分类器的方法对不同的运动想象任务识别率较高,提供了新的研究思路。     

基于粒子群优化-支持向量机方法的下肢肌电信号步态识别

为提高下肢表面肌电信号步态识别的准确性和实时性,该文提出一种基于粒子群优化(PSO)算法优化支持向量机(SVM)的模式识别方法。首先对消噪后的肌电信号提取积分肌电值和方差作为特征样本,然后利用PSO算法优化SVM的惩罚参数和核函数参数,最后利用步态动作的肌电信号样本数据对构造的SVM分类器进行训练、测试。实验结果表明PSO-SVM分类器对下肢正常行走5个步态的识别率,明显高于未经参数优化的SVM分类器,优化后平均识别率达到97.8%,并兼顾了分类的准确性和自适应性。     

基于Kinect深度图像信息的人体运动检测

人体运动检测是计算机视觉人体运动分析的关键环节。根据Kinect深度图像的特点,引入并改进Vi Be算法处理深度图像进行人体运动检测。考虑到深度图像中地面像素值连续性造成的地面附近运动检测困难,提出了一种自适应的图像分层处理和不同邻域模式的建模方式,增加了去除"鬼影"现象的参考模型。像素分类时增加了前景点检验步骤,通过当前像素与参考模型的比较消除"鬼影"。在模型更新方面增加了基于前景点的背景模型更新策略,解决了"黑影"现象问题。采用阈值法对分类结果进行了误检点消噪处理。实验结果表明所提出的改进Vi Be算法能够比较准确地检测出人体运动。