基于运动想象的脑电信号特征提取研究

基于运动想象脑电信号的脑-机接口系统在医疗领域具有广阔的应用前景,被应用于运动障碍人士的辅助控制以及脑卒的预后康复。由于运动想象的脑电信号信噪比低、不平稳以及差异性显著,对脑电信号识别带来负面影响。一个有效的特征提取算法能够提高脑-机系统的脑电信号识别率。提出一种多通道的脑电信号特征提取方法,将数据矩阵分解为基矩阵与系数矩阵的乘积,以类间离散度做为性能判据对系数矩阵进行特征提取,提取可分性更高、维数更少的特征。结合脑电信号识别领域常见的分类器在2008年BCI竞赛数据集上进行验证,证明所提方法是有效的。     

基于多参数公共空间频率模式算法的脑电特征提取

针对目前脑机接口中提取明显的脑电信号特征较难以及特征维数较多的缺陷,提出了一种多参数的公共空间频率模式CSSP(Common Spatio-Spectral Pattern)算法对脑电信号进行特征提取。该算法对不同通道的脑电信号采取不同的延时因子,增强了CSSP算法在频域上的滤波效果。在对2003年国际脑机接口BCI(Brain Computer Interface)竞赛的运动想象脑电识别中,利用多参数CSSP特征提取方法结合支持向量机SVM(Support Vector Machine)分类方法,在只提取两维特征的情况下,较公共空间模式CSP(Common Spatial Pattern)与CSSP算法,分类的正确率有了明显提高。同时,多参数的引入使该方法在特征提取上较CSP与CSSP算法具有更强的适用性。     

思维作业脑电的IMF能量熵特征提取与分类研究

提出了一种基于固有模态函数（Intrinsic Mode Function,IMF）能量熵的特征提取方法。对三类脑电思维信号分别进行了经验模态分解（Empirical Mode Decomposition,EMD）,并得到与其相对应的IMF。试验发现对于不同类别的信号,同阶的IMF能量的判别熵有明显的不同。而采用K-近邻分类器对三类脑电信号进行了分类,发现基于最佳特征向量选择的分类试验的平均正确识别率达75%以上。     

ICA在思维脑电特征提取中的应用

简要介绍了独立分量分析（ICA）的基本思想及算法，并将其应用在基于多导思维脑电（mental EEG)的特征提取方面。实验结果表明：ICA可以将脑电信号中包含的心电（ECG）、眼电（EOG）等多种干扰信号成功地分离出来，较好地完成了脑电消噪预处理工作。同时，通过使用ICA方法对不同心理作业的脑电信号进行分析处理，发现了与心理作业相对应的脑电独立分量特征，这些稳定的独立分量特征为心理作业分类和脑一机接口技术提供了新的实现方法。     

基于DTCWT的运动想象脑电特征提取

针对脑电信号采用单一特征识别存在自适应性差和识别率低等问题,提出一种基于双树复小波(DTCWT)的多特征融合的左右手运动想象脑电特征提取方法。对原始脑电信号进行DTCWT变换提取最佳时频段;对所提取的信号频段进行希尔伯特变换与Lempel-Ziv复杂度计算,将得到的时-频域特征与非线性特征组合为特征向量;采用线性判别分析(LDA)完成运动想象任务的分类。实验采用BCI CompetitionⅢ竞赛数据对该方法进行验证,仿真结果表明其识别准确率明显提高,最高可达89.84%。     

脑电情绪识别的深度学习研究综述

情绪是情感的外在体现,影响人类的认知、感知、理性决策等日常活动.情绪识别作为实现计算机全面智能的一项基础任务,在情感计算和人机交互领域被深入研究和广泛应用.相比面部表情、语音或其他生理信号,利用脑电进行情绪识别具有时间分辨率高、成本低、识别效果好、可靠性高的优势.近年来,越来越多的深度学习框架被应用于基于脑电信号的情绪识别,并取得了比传统机器学习方法更加优异的效果.基于深度脑电特征的情绪识别是当前的研究热点之一,也具有一定的挑战性.目前,可供参考的针对此研究热点的综述文献较少.对近年来国内外相关文献进行调研分析,从模型输入、深度框架、实验设置、实验结果等方面对深度学习在基于脑电的情绪识别中的应用研究做了总结概况,并在DEAP和SEED这两个公开的脑电-情绪数据集上对具有代表性的方法进行了定性和定量的多方面对比,分析和总结这些方法的不足,同时也对未来可能的研究方向进行了展望.     

ICA在思维脑电特征提取中的应用

简要介绍了独立分量分析(ICA)的基本思想及算法,并将其应用在基于多导思维脑电(mental EEG)的特征提取方面.实验结果表明:ICA可以将脑电信号中包含的心电(ECG)、眼电(EOG)等多种干扰信号成功地分离出来,较好地完成了脑电消噪预处理工作.同时,通过使用ICA方法对不同心理作业的脑电信号进行分析处理,发现了与心理作业相对应的脑电独立分量特征,这些稳定的独立分量特征为心理作业分类和脑-机接口技术提供了新的实现方法.     

利用Bagging算法和GRU模型预测股票价格指数

股价预测对监管部门了解金融市场运行状况和投资者规避股市的高风险具有重要意义。提出了一种基于门控循环（gated recurrent unit,GRU）神经网络和装袋（Bagging）的方法,并将其应用于股指的预测研究。该模型通过Bagging方法处理训练数据集,在模型构建过程中引入随机性,并结合GRU模型预测股价,最终能够降低预测误差,提高预测准确性。通过4个数据集实验结果的对比发现：（1）GRU模型能够较好地预测股指数据,与另外两种单个模型相比,多数情况下具有更小的预测误差;（2）引入Bagging方法的GRU模型具有较强的预测能力,相比于三种基准模型（GRU、ELM、BP）有更小的预测误差和更高的预测稳定度。     

基于神经网络的一种概率谱特征提取方法

表达了一种概率谱特征提取方法、并行、自组织、分层神经网络（ＰＳＨＮＮ）在训练是在缩文尚未对输入矢量产生最佳分类、可提高精确率。     

多频带频域深度置信网络脑电特征识别算法

针对DBN（深度置信网络）脑电信号识别率不高的问题,提出了多频带频域深度置信网络（multi-band FDBN）算法进行特征提取.不同频带存在个体性差异,它们对于分类结果的贡献不完全相同,本文利用带通滤波器将原始的脑电信号分成多个频段,再采用FFT（快速傅里叶变换）将时域信号转换为频域信号并作归一化处理,最后将每个频段的频域数据输入DBN进行训练识别.线下实验证明,相比FDBN（频域深度置信网络）算法,多频带FDBN的平均准确率提高了3.25%,且标准差更小,鲁棒性更好.最后,在智能轮椅平台上,利用多频带FDBN算法基于左右手运动想象脑电信号控制轮椅完成了"8"字形路径,证明了该算法在脑电信号特征提取中的有效性.     

基于规则重组的“非我”特征序列抽取算法

抽取“非我”分类特征序列并依据它对“非我”进行准确分类是计算机免疫系统实现高效免疫应答的关键。基于规则重组的“非我”分类特征抽取算法(NFERR)以进程的系统调用序列为数据源,利用机器学习和数据挖掘方法抽取分类规则,并根据与原系统调用序列的匹配结果对这些规则进行重组得到“非我”特征序列。实验结果证明了此算法在“非我”分类特征抽取上的有效性。     

二维图象特征点快速提取算法

三维立体重建中的主要难题之一就是如何有效选择兴趣点，虽在文献[2]-[5]中提出了各种算法，但这些方法计算量大，且不能有效抑制干扰噪声，对光照条件的要求也十分苛刻，基于此，提出了一种二维图象特征点快速提取方法，通过与文献[2],[4]中方法就特征点识别与提取结果的实验对比，证实了该算法具有抗干扰能力强，对外界光照条件适应性强及处简单，运行速度快等显著特点，通过对一具有已知三维坐标的标准件的三维重建，证实了该算法的有效性，采用该算法所提取的特征点具有较高的准确性。     

基于图像增强的月面特征提取与匹配方法

针对月面巡视探测器自主导航中的障碍识别问题,为了采集清晰有效的图形,使用一种基于图像增强的方法结合尺度不变的特征点提取和匹配新的算法来识别障碍物。使用图像增强方法预处理图像,用多尺度特征极值点检测的SIFT方法,提取特征,进行左右双目图像的特征匹配。与传统视觉算法相比,可以解决仿真试验场较差的光源环境,并提高对不同光照环境图像的特征提取和匹配的鲁棒性。在仿真试验场的双目视觉图像匹配中,仿真实验取得较好的效果。     

基于神经网络集成的思维脑电信号分类方法

提出基于神经网络集成算法的思维脑电信号分类方法,采用BP神经网络为分类器,对用AR参数提取的思维脑电特征进行分类。为进一步提高BP神经网络的分类性能,采用Bagging算法对BP神经网络分类器进行加权投票,实验表明,提出的方法具有很好的分类效果。     

东巴象形文字特征曲线提取算法研究

东巴文是一种原始的图画象形文字,要提高东巴文字的识别率,准确提取字符的 特征曲线是关键。现阶段对东巴文字的检索和识别研究大多仍停留在使用已有的、通用的及成 熟的识别技术,对东巴文字本身的分析和讨论较少。因此,结合东巴象形文字的形态特征和结 构要素,给出了基于链码的连通域优先级标记算法(CDPM),该算法通过扩展 Freeman 链码在边 缘检测及曲线局部分割方面的功能,实现了使用一种算法完成轮廓型及结构型两种不同类型东 巴字素的特征曲线提取,通过大量实验及与其他经典边缘检测算法的比较表明,CDPM 算法具 有良好的通用性、可扩展性及健壮性,并且准确率达到了 98.2%,从而为东巴文字的检索和识 别奠定坚实的基础。     

用聚类算法提取基于彩色特征的语义物体

该文提出一种用聚类算法提取基于彩色特征的语义物体的方法。首先把RGB空间转化为L*a*b*空间,然后用最近邻算法进行聚类,把图象中象素依次聚类到各个颜色区域中,最后,根据彩色信息提取出语义物体,实验表明该方法具有实用性,并且对图象语义信息的研究有很大的帮助。     

二维图像特征点自主提取算法研究

采用概率论理论,对二维图像进行灰度统计分析,采用计算标准差方法,对图像特征点区域定位并提取特征点.该方法提取特征点,仅需对抽样象素区域进行灰度标准差分析,避免了提取图像特征点,根据被处理图像的一些先验信息,利用试探方法确定阈值的局限性.通过分别对具有弱纹理及包含复杂背景的多物体自然二维图像的特征提取,证实了所提方法的有效性和可靠性,可满足机器视觉系统中自主、实时识别与提取二维图像特征点要求.     

基于先验知识的月球车视觉系统特征提取方法

为了满足月面巡视探测器的自主导航要求。提出一种新的基于先验知识的特征点提取算法。首先,根据先验知识对原始图像进行预分割成危险区域和安全区域,然后在危险区域里面进行特征点的选取工作,对特征点用于以后的匹配和目标定位,进而用于视觉系统的导航工作。与传统算法相比,提取方法可以有效减少计算量,使选取特征点更加准确,提高后续匹配阶段的处理速度和匹配精度。在模拟试验场的双目视觉照片中,通过实验取得较好的效果。     

用于图像处理的二元同步并行小波变换算法

小波变换可以有效的用于图像的特征提取 ,但二元小波变换的计算量随其阶数的增加呈指数级增长。本文提出小波变换并行算法 ,并在银河系列并行计算机上进行了图像特征提取的实验 ,结果表明计算时间明显减少。