基于MTACNet网络的运动想象脑电分类

为了更好地利用到脑电信号中的相关特征，改善运动想象脑电的分类性能，构建了一种基于混合特征和并行多尺度TCN模块的多层卷积网络（MTACNet）。首先，搭建基于混合特征的多层卷积神经网络，并在其中嵌入高效通道注意力机制，选取PReLU作为激活函数，以提取脑电信号中的时域和空域信息；然后对TCN模块进行改进，构建并行多尺度时域特征提取模块，接入多层卷积网络，进一步挖掘不同时间尺度的特征信息。在公开数据集BCI_IV_2a和自采数据集SCU_MI_EEG上进行测试，平均分类准确率分别为8615%、7710%，标准差分别为917%、1358%。并且针对自采数据集，设计了一种融合多频域脑电信号进行三通道输入的预处理方法，经过预处理后使平均分类准确率提升了329%。实验结果表明，与其他方法相比，本文所构建的分类网络取得了较为不错的分类效果，所设计的预处理方法能够降低复杂环境和无关干扰因素对分类结果的影响。     

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。     

基于交错组卷积神经网络的脑电信号情绪识别研究

利用深度学习算法实现多种情绪的高效准确识别对当前脑电信号情感计算研究具有一定探索价值。常用的卷积神经网络其种类结构较为复杂且存在参数选择问题,针对不同类型刺激素材下脑电信号的情绪分类问题,搭建了一种交错组卷积神经网络的数学分类模型,此模型在经典卷积神经网络的基础上增加了交错组卷积结构。利用增加交错组卷积模块的LeNet-5卷积网络对诱发的不同情绪下脑电信号进行三分类识别,图片、音乐与视频素材刺激下的脑电信号平均识别率分别为98.74%、95.82%与96.06%。对比传统的机器学习分类算法的识别效果,轻量化结构卷积神经网络的收敛速度和情绪识别准确率均有明显提高,且鲁棒性更强。     

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。     

基于脑电两节律和 BP 神经网络的运动想象分类研究

针对脑电信号(EEG)分类过程中无效数据影响准确度的问题,提出一种数据筛选的方法。基于脑-机接口(BCI)系统,通过视觉诱发刺激产生左向和右向两种运动想象任务对应的脑电信号,提取该信号的统计特征,并利用BP神经网络实现运动想象分类识别。在数据处理过程中,首先利用β节律的能量特征对无效数据进行剔除,再结合μ节律信号的均值、标准差、能量谱、功率谱、自相关函数等多个特征进行分类。对筛选后的数据进行分析,所得特征更具代表性,信号分类的准确率由78.25%提高至84.11%。     

基于迁移学习多层级融合的运动想象 EEG 辨识算法

为了准确获取运动想象脑电信号的全局特征和个体间的共性特征,进而提高其分类准确率和模型鲁棒性,提出一种参 数共享迁移学习的融合卷积神经网络算法。 首先把源域上训练完成的网络逐层迁移至目标网络以获取最佳迁移层。 其次,在 迁移层后分别连接不同数量的卷积-池化块构成 4 个不同深度的卷积网络,并将其并行融合后连接分类器得到分类结果。 利用 BCI 竞赛 IV Datasets 2a 对提出方法进行实验分析。 结果显示,使用 100%和 50%样本时所有受试者的平均辨识率分别为 80. 85%和 78. 9%,验证了提出方法在全局特征提取上的有效性小样本问题上的优势。     

基于卷积神经网络的脑电信号情绪分类方法

情绪作为人脑的高级功能,对人们的心理健康和个性特征有很大的影响。通过对脑电情绪数据集进行情绪分类,能够为今后实时监控正常人或抑郁病人的情绪提供进一步理论及实践依据。因此文章运用公开的脑电情绪数据集所提取的微分熵特征,并使用传统的滑动平均和线性动态系统方法,采用深度学习中的卷积神经网络作为基本前提,设计了一个卷积神经网络的脑电信号情绪分类模型,其包括4个卷积层、4个最大池化层、2个全连接层和1个Softmax层,并采用批归一化使参数搜索问题变容易,抑制模型过拟合。实验结果表明,利用该模型对SEED数据集的3种情绪识别的平均准确率达到了98.73%,精确率、召回率和F1分数分别为99.69%、98.12%和98.86%,ROC曲线下面积达0.998。与最近的类似工作相比,该文提出的卷积神经网络结构对于脑电信号情绪分类具有一定优越性。     

基于多模态轻量化混合模型的情绪识别

实现更加准确的情绪识别是当前面临的一项富含挑战性且十分有意义的任务。由于情绪的复杂多样性,单一模态的脑电信号难以对情绪进行全面客观的度量。因此本文提出一种多模态轻量化混合模型PCA-MWReliefF-GAPSO-SVM,该混合模型由PCA-MWReliefF特征通道选择器和GAPSO-SVM分类器构成。选用脑电信号(EEG)、肌电信号(EMG)、体温信号(TEM)三模态信号进行情绪识别。在DEAP公共数据集上进行多次实验验证,在效价维度、唤醒维度和四分类中分别取得了97.500 0%、95.833 3%、95.833 3%的分类准确率。实验结果表明,提出的混合模型有助于提高情绪识别准确率且明显优于单模态情绪识别。与近期的类似工作相比,本文提出的混合模型具有较高准确率、计算量小且通道数少的优点,更易于实际应用。     

基于时空和频域特征的EEG帕金森疾病识别

脑电图(EEG)中蕴含着有关脑功能的丰富信息，这些信息对不同类型神经系统疾病的检测和诊断非常重要。针对单一特征无法充分表达脑电信号的问题，本文融合了频域特征和时空信息来更好的对信号进行表征，并提出一种基于时空和频域特征的注意力网络(STFACN)用于帕金森疾病(PD)的自动检测。在频域角度，利用快速傅里叶变换法从多通道脑电图中求取Delta、Theta、Alpha频段的平均功率特征。同时构建基于时空特征的紧凑型卷积神经网络，并将通道注意力机制嵌入到网络中，自适应提取表征PD的时空特征。最后将基于频域特征的模型与基于时空特征的紧凑型卷积神经网络模型进行融合，在新墨西哥州大学(UNM)数据集上进行实验，特异性、敏感性、准确率分别达到87.97%、84.39%、86.89%。在爱荷华大学(UI)数据集上进行跨数据集实验，准确率达到77.33%。实验结果表明：与现有的方法相比，本文提出的方法能够从原始脑电图中挖掘出有效特征，在基于EEG的帕金森疾病识别问题上准确率高，泛化能力强。     

基于混合神经网络和注意力机制的卒中后抑郁早期筛查分类方法研究

脑卒中后抑郁症（PSD）是卒中后常见的并发症之一，严重威胁着脑卒中患者的健康。目前PSD的诊断主要依据病人的临床表现及各种量表，这类方法存在一定的主观性。脑电图（EEG）结合深度学习技术有可能为PSD诊断提供客观标准。本研究采集28名脑卒中后无抑郁受试者(PSND)和38名脑卒中后轻度抑郁患者（PSMD）的EEG信号，提出了一种基于注意力机制的长短时记忆网络（LSTM）和卷积神经网络（EEGNet）特征融合的端到端的PSD诊断框架。采用LSTM模型来学习EEG信号在时序上的依赖关系，引入的注意力机制对LSTM模型中时域信息进行权重分配来提高有用信息的利用率，最终通过EEGNet模块来提取EEG信号中更具表征的深层特征。通过10折交叉验证得出准确度、精确度、召回率、F1-Score和Kappa系数，分别为95.90%、95.75%、96%、95.82%和91.60%。与基础的深度学习模型相比，本文的方法能保持稳定的模型性能，对PSD的诊断具有较高的准确性，为PSD的筛查和诊断提供了一定的参考。     

基于深度学习的天然气钢制管道缺陷检测方法研究

在天然气钢质管道腐蚀缺陷超声检测中,常规模式识别采用人工提取回波信号的方法,存在主观性强、普适性低的问 题。 基于此,本文提出用一维卷积神经网络(one-dimensional convolutional neural network,1D-CNN)提取回波信号的特征结合随 机森林(random forest RF) 分类的方法。 首先根据实验获取的回波信号的噪声情况,用小波包变换(wavelet packet transform WPT)对信号进行去噪;并用变分模态分解( variational model decomposition VMD)对去噪后的信号进行分解和重构以获得平滑 的信号;最后将处理好的回波信号进行 1D-CNN 网络特征提取和随机森林分类。 实验结果表明,基于 VMD-1D-CNN-RF 的天然 气钢质管道缺陷检测方法针对人造缺陷的识别准确率为 85. 71%,针对天然气站场的管道缺陷识别准确率为 71. 05%,表明无需 专家识别也可初步判别管道状况。     

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。     

基于CWD谱图和改进CNN的无线电调制分类

针对频率随时间的变化规律是不同调制信号之间最重要的区别，提出一种结合崔 威廉斯分布和改进卷积神经网络模型的无线电调制分类识别方法。在信号预处理阶段，为了更好保留信号的时频特征，引入崔-威廉斯变换将原始时间序列转换成时频图像，进而将调制信号分类问题转化成图像识别问题。在信号识别阶段，通过在卷积神经网络模型中引入残差密集块和全局平均池化层，以克服卷积神经网络模型泛化能力差和训练时间久等缺点。实验结果表明，所提方法可以有效解决梯度消失问题，具有识别率高、泛化能力强等优点。尤其是在低信噪比情况下，表现更为优异，在信噪比为-4 dB时，8种信号的分类精度便可达到100%。     

基于双分支并联的特征融合电能质量扰动分类方法

为了提高对电能质量扰动信号(power quality disturbance signal, PQDs)在受到噪声和异常数据干扰时的分类准确率,提出了一种双分支并联特征融合网络的PQDs分类方法。首先,采用一维残差神经网络和一维卷积神经网络两个分支进行特征提取。然后,通过特征融合模块将这些特征融合在一起。最终,通过分类模块对PQDs进行准确分类。相对于串联神经网络,所提方法融合特征向量,增强了特征的区分度,同时适用于并行计算,进一步提高了识别速度。仿真结果表明,所提方法在叠加信噪比为13 dB、15 dB和18 dB的PQDs分类任务中,识别率均超过95%,此外,该方法对异常数据的分类效果也具有一定的鲁棒性。