一种多特征提取的脑电情感识别方法

针对如何有效地缩小不同受试者脑电信号之间的波动和差异,提高分类精度的问题,提出一种多特征提取算法用于脑电情感识别.首先,采用数据空间自适应算法对脑电信号数据进行空间线性变换,使目标空间与源空间之间的差异最小化.再采用共空间模式将数据空间自适应变换后的信号变换到一个最优子空间,使两类之间的方差差异最大,将共空间模式处理后的数据作为数据空间自适应算法的输入数据,反复迭代多次.然后提取功率谱能量特征和小波包能量特征,最后采用Bagging tree、SVM、线性判别分析和贝叶斯线性判别分析进行情感分类.实验结果表明,所提算法相比于主成分分析算法在分类精度上提高了0.151 4;相比于只进行DSA-CSP迭代和提取小波包能量,在分类精度上提高了0.103 4;相比于只进行DSA-CSP迭代和提取功率谱密度,在分类精度提高了0.095 8,所提算法有效缩小了不同受试者脑电信号的波动和差异,提高了分类精度.     

心电信号处理中滤波器设计的研究

由体表电极(胸导联或肢导联)检测到的ECG心电信号常有不同的干扰,为了得到不失真的原始心电信号,在诊断分析前要进行必要的预处理--滤波.详细介绍了在处理动态心电图系统记录的ECG信号中各种滤波器的设计,包括去除各种噪声的的低通、高通、带阻滤波器以及一次性滤波器.     

基于Frank导联的心肌梗死不同阶段自动分类

基于Frank 正交心电导联早期心肌梗死的特征提取和分类,提出利用多通道回归(multivariate autoregressive,MAR)模型对心电信号(electrocardiogram,ECG)进行建模,以MAR系数为心电特征,对PTB诊断数据库中的正常状态病人、早期心肌梗死和急性期心肌梗死进行分类测试.结果表明,利用该方法从Frank心电导联中提取特征对早期心肌梗死和急性期心肌梗死进行分类诊断是可行的,分类精度能获得有效提高.     

一种随机隐退DBN的脑电信号识别方法

针对DBN处理小样本脑电信号训练时间长且存在过拟合的问题,提出基于随机隐退的DBN算法对左右手运动想象脑电信号进行分类识别.先对原始脑电数据进行降维预处理,然后输入到随机隐退DBN模型中进行训练,得到最优参数值后进行分类识别.实验结果表明:与CSP、PCA、单一DBN网络等方法相比,基于随机隐退的DBN算法在保持较高识别率的同时,降低了对数据集的训练处理时间,证明了该方法的有效性.最后在智能轮椅平台上验证了该算法的可行性.     

用于心律失常识别的LSTM和CNN并行组合模型

心脏病是导致人类死亡的首要原因,而大部分心血管疾病往往伴随着心律失常出现.为实现对不同类型心电图信号的自动分析、识别异常心律,研究并提出了一种基于深度学习的心拍分类算法.考虑到心电图自身的特性,使用长短时记忆网络来捕捉心电序列数据的前后依赖关系,结合卷积神经网络提取局部相关特征,自动识别5种不同类型的心拍.基于LSTM和CNN的深度学习方法将经过预处理的心电信号后直接作为网络的输入,将心电分类的特征提取、分类两个步骤融合为单个学习器.针对类别数据不平衡问题,通过对少数类样本滑窗采样获得更多训练数据.使用MIT-BIH数据集验证模型的有效性,最终在测试集2万多个心拍记录中分类结果准确率达到99.11%,特异性为99.44%,灵敏度为97.27%,此外滑窗采样操作对少数类样本的灵敏度有明显改善.实验结果表明,相比传统的SVM和随机森林等方法,基于LSTM和CNN的并行组合模型不需要人工提取复杂特征,且达到了更好的分类性能,适合用于可穿戴式心电设备和远程监护领域.     

基于并行架构和时空注意力机制的心电分类方法

为了有效提取心电信号 (ECG) 的时空特征和提高分类准确性,提出基于深度学习的并行架构心电分类模型. 该模型采用基于GCA Block和GTSA Block模块实现多路特征融合的时空注意力机制. 使用双向长短时记忆网络和卷积神经网络作为基特征提取器,分别捕捉心电信号序列数据的前后依赖关系和不同尺度上的局部相关特征,实现对5种不同类型的心电信号的自动分类. 在MIT-BIH数据集上验证的结果表明,该方法对5种不同心电信号的总体分类准确率、特异性、敏感度、精确度和Macro-F1分别为99.50%、99.61%、96.20%、98.02%和97.08%. 相较于其他心电分类模型,该模型不仅能够有效地缩短网络模型深度,防止模型过拟合,而且能够更准确地提取心电信号的时空特征,获得更好的分类性能.     

基于MP稀疏分解的心电身份识别

心电信号在医疗方面的应用有着广泛的研究,然而心电信号反映了人体心脏的生理活动,不同人的心电信号各不相同,因此可以用作身份识别.该文采用Gabor原子库对心电信号进行基于MP的稀疏分解,分解后所得的原子参数和投影值中包含该信号的重要信息,将其作为特征参数,并采用支持向量机对其进行分类.通过对20个人的心电信号进行实验,识...     

基于卷积神经网络的多类运动想象脑电信号识别

针对传统多类运动想象（MI）脑电信号的识别方法须进行繁琐的预处理以及特征提取问题,提出基于深度学习的MI信号自动分类方法.在样本表示方面,提出将多通道脑电（EEG）信号转化为一维序列信号处理,在增加样本数量的同时又能够忽略与通道位置相关的空间信息的影响;根据输入信号的特点,采用多层一维卷积神经网络学习不同运动想象状态时脑电信号中的时频信息,自动完成特征提取和分类工作. 将所提出的方法在公共数据集上与多种方法进行比较,并完成对实际采集数据集的分类. 利用所提方法在不需要先验知识的条件下,对脑电信号进行端到端的学习. 结果表明该方法可以获得更高的多分类准确率以及降低个体差异对分类的影响. 所提出的方法有利于促进基于MI 的脑机接口系统的开发.     

基于方差和深度学习的脑电信号分类算法

为了改善传统脑电信号分类不够准确且分类难度较大的问题,研究一种基于方差和深度学习的模型对脑电信号进行分类。针对脑电信号图像识别率较低的问题,采用方差对脑电信号进行特征提取,结合深度学习的一种典型方法——深度信念网络对提取数据进行训练,构建分类器,实现对脑电信号更高效的分类。实验证明,相比于SVM支持向量机、朴素贝叶斯等分类算法,该模型可以更准确地分类。     

高增益低噪声心电放大器的设计与分析

从体表获得的心电信号经导联输入后，由模拟多路开关进行切换，经前置放大器放大及滤波器滤除高频干扰后，再经一个50Hz陷波器进一步抑制电源干扰，然后通过电平位移进入A／D转换得到数字化的心电信号。以BiFET LF411型运放构成的前置放大器和以有源高通-低通滤波器为主要部件的高性能心电放大器可实现输出电压高增益、低噪声、高灵敏度，保证心电信号清晰稳定，满足临床监护以及病理分析的要求。     

基于时空分析的复杂交通流数据挖掘算法

为了建立一种易于计算机实现的线性算法来进行交通流数据挖掘,同时建立更加精确的路段交通流模型,通过分析复杂交通数据所特有的流特征和时空特征提出了一种新的交通流数据挖掘算法。首先采用时空滑动窗口数据模型降低了算法的时空复杂度,并实现了动态挖掘;通过对数据流进行聚类分析发现彼此间相似的数据流,并按时段分簇;对每一簇通过主成分分析法剔除非关键变量,最后使用分时段多元线性回归方程构建兴趣模式的表达式,该算法为动态算法,交通实测数据实验证明模型的拟合精度较高,拟合值与真值的平均绝对误差值控制在9秒以内,平均相对误差值控制在5%以内,综合各个时段来看,预测的准确度都在90%以上。     

基于数据挖掘的视频镜头分类方法

提出了一种基于数据挖掘的视频镜头风格自动分类方法.该方法首先进行镜头边界检测和关键帧提取,然后基于关键帧和镜头分别提取了视频的颜色和运动等特征,并利用决策树技术在大量的训练数据中挖掘这些特征与镜头类别之间的潜在规律,最后利用这些规律对新的视频镜头进行分类.实验结果表明,与基于SVM的方法相比,本文方法不仅能获得较好的检测准确率,而且获取的规则易于理解.     

一种新型可变增益高阶滑模跟踪微分器

针对传统高阶滑模跟踪微分器产生的超调较大和噪声抑制能力较差的问题,提出一种新型可变增益高阶滑模跟踪微分器.该微分器通过改进传统高阶滑模跟踪微分器的结构,以此减少响应阶段的超调;通过引入Sigmoid变增益函数使增益能够根据跟踪误差的大小进行自动改变,以此平衡响应速度与滤波效果.数值仿真结果表明,该新型可变增益高阶滑模跟踪微分器所产生的超调不仅小于传统高阶滑模跟踪微分器所产生的超调,而且其滤波效果在不降低响应速度的前提下也显著优于传统高阶滑模跟踪微分器.因此,该新型微分器在提高含噪声信号高阶导数的估计精度方面具有良好的应用前景.     

改进的一致性数据融合算法及其应用

通过定义一种新的置信距离,提出了一种改进的一致性数据融合算法.该方法综合考虑各传感器测量精度的差异,并通过权系数来体现各传感器测量精度的差异对置信距离的影响.算例应用表明该方法能够有效地减小传感器发生扰动时数据融合结果的变化,具有较高的数据融合精度;与极大似然法和未改进的一致性数据融合算法比较,该方法融合精度更高、抗干扰能力更强.该改进算法已成功应用于煤自然发火实验温度数据的数据融合,取得了较满意的融合结果.     

VLSI电路中时序特性分析改进方法

针对VLSI电路规模增大引起的时序特性确定方法精确度低的问题,研究了一种将局部伪路径和全局伪路径的概念引入到改进层次电路时钟模型准确性的新的时序特性分析方法。实验证明,对于规模为几千个逻辑门的基准电路,应用本文方法可以产生具有十分精确的路径延迟的时钟模型,保证了在不采取复杂空间搜索实现电路功能的情况下能得出正确的计算结果,并且除去大多数由于层次设计中模块间连接而产生的伪路径,为得到精确的电路时延提供了依据。     

数据多层次分解的多结点模式函数

针对数据分析问题,提出一类新的算法,称之为多结点经验模式分解(MEMD).依据多结点样条函数插值理论,定义了模式函数,给出了数据分解过程.算例表明本文给出的算法是有效的.     

一种面向最终用户的可视化网页数据抽取及服务化封装方法

提供了一种方法使得用户可以有效利用不同门户的相关资源,快速构建新的信息门户.该方法将抽取出来的结果以服务的形式进行封装,最终能够以自定义的布局模式显示;同时利用数据服务的重用性,用户可以将数据服务聚合到自己的门户中形成新的门户.本文给出了数据服务模型的定义以及布局模式的描述;解释可视化定位算法和可视化抽取算法的过程.     

基于用电信息采集系统的电费管理模式

从管理学角度来说,技术发展必然带来管理模式的变革。随着用电信息采集系统的深入推进,原有的电费管理模式已限制系统的发展。文章分析了用电信息采集系统在电费管理中的应用现状,分析了当前存在的问题与不足,结合三集五大的管理要求,探讨了基于用电信息采集系统的电费管理模式;最后比较了优化前后的管理模式,分析了优化后管理模式的效益。     

基于增强关联规则的医学图像分类新方法

由于乳腺X光图像的复杂性,直接从图像中看出肿瘤及其良、恶性质是很困难的,因此建立高效的肿瘤自动诊断系统非常必要。文中将关联规则分类器和粗糙集理论相结合构造了增强关联规则分类器(EAC),应用于乳腺X光图像分类。实验结果表明,EAC的分类精确度可达到77.48%,比单独使用关联规则的分类精确度(69.11%)要高近10%,同时规则数也明显减少。     

基于 MATLAB 的结构动力特性分析简

介绍了结构动力特性分析的基本原理和方法,利用MATLAB语言编写了结构自振频率和振型向量的求解程序.通过一个算例,表明编写的程序计算效率高,计算精度高于用ANSYS所得结果,可为求解结构自振频率和振型提供新的思路.