基于CNN-LSTM的运动想象脑电四分类研究

脑机接口通过对运动想象脑电信号的分类识别,帮助运动神经严重受损的患者实现与外部设备的直接交互。为了提高多分类运动想象脑电信号的分类准确率,提出一种基于卷积神经网络（Convolutional Neural Network,CNN）和长短时记忆（Long Short-Term Memory,LSTM）网络的脑电信号识别方法。首先,对原始脑电信号进行预处理,并利用快速傅里叶变换提取出相关频带的能量值;其次,对处理后的脑电信号采用一维卷积神经网络提取空间特征,再利用LSTM网络在序列上的建模能力,将空间特征组成特征序列输入到LSTM网络,提取时间特征;最后,将LSTM网络输出的特征输入到Softmax分类器,把结果分为左手、右手、舌头和脚四种类型。文中使用BCI Competition Ⅳ竞赛的数据集2a对所提的方法进行验证,实验结果表明,所提方法能够有效地提高多分类精度,分类结果的平均准确率达到90.38%。     

基于小波变换的运动想象脑电信号分类

在脑-机接口的研究中,针对运动想象的两种思维任务的脑电信号的特征提取,提出了一种基于小波包变换的特征提取方法。该方法利用想象运动中,脑电信号Mu/Beta节律事件相关同步化/去同步化特性,采用BCI2003竞赛数据,输入Matlab的Classify分类函数进行分类,正确率达到88.57%。     

基于LSTM的运动想象脑电信号分类方法

脑机接口是一种通过特定手段对脑电信号进行提取,利用信号处理算法解码,分析大脑信号,识别人脑的技术.为了提高二分类运动想象脑电信号的识别准确率,该文提出了一种基于LSTM神经网络的脑电信号分类方法,以2003年BCI国际竞赛的公开数据对所提出的方法进行验证.实验结果证明,LSTM神经网络训练出的模型具有良好的效果,分类的...     

基于发音想象的脑机接口的研究综述

脑机接口作为患有交流或肢体障碍的病人与机器设备交流沟通的一种技术，近年来在生物医学工程、康复工程等领域受到广泛关注。基于发音想象的脑机接口作为一种新型的脑机接口方式，由于其具有为患有言语障碍的病人提供有效、舒适的言语交流的潜力，其相关研究正在迅速发展。本文首先介绍常见的基于发音想象的脑机接口所用到的信号采集技术，然后详述现有文献中的相关研究内容和信号处理算法，最后讨论基于发音想象的脑机接口存在的问题以及对未来工作进行展望。      

小波变换在运动想象脑电分类中的应用

脑机接口技术是一项不依赖人的外周神经和肌肉组织而实现人机交互通信的技术，使人类可以拥有一条不通过肌肉组织与外界交流而实现人机通信及控制的通道。在总结前人研究成果的基础上，采用了小波变换Mallat算法对实验数据进行特征提取，重点研究了时间窗的选取和利用频率范围选取有用信号的问题。通过SVM的分类结果为准确率84.2856%，精密度85.2721%和灵敏度92.0006%。     

运动想象脑信号的深度置信网络分类优化

关于脑机接口（BCI）系统中的运动想象（MI）脑信号的特征提取一直是一个难题。相较于SSVEP、AEP和P300等其他BCI模式,MI的分类准确率相对较低,缺乏有效的识别方案。本文提出了一种结合深度置信网络（Deep Belief Network,DBN）和麻雀搜索算法（Sparrow search algorithm,SSA）的特征提取和分类识别算法SSA-DBN。融合SSA与DBN的优势,可以在保持较低计算复杂度的同时,提高特征提取和分类识别的准确率。本研究首先利用完全自适应噪声集合经验模态分解（CEEMDAN）方法提取信号的固有模态函数（IMF）特征。然后,将筛选出的适合分类识别的IMF分量与希尔伯特黄变换（HHT）方法相结合,提取出不同导联时频信号的特征空间向量,并进行叠加平均。最后,将特征向量输入到SSA-DBN算法进行分类处理。为确保公平性,在验证算法性能时,选取了具有代表性的BCI Competition IV Dataset 2a数据集,同时对比了其他算法的表现,并详细说明了调参方法。为了避免过拟合问题,可以考虑使用更大规模的数据集进行测试,如PhysioNet或BCI...     

基于运动想象脑机接口的AuFBCSP方法

针对基于运动想象的脑机接口问题,提出了一种新的特征提取方法,即加强的滤波带宽共同空间模式方法。与传统的滤波带宽共同空间模式方法相比,文中提出的方法充分考虑了被试在进行运动想象时发生事件相关去同步时段的特异性,从而得到更多的特征,并利用这些特征分类,取得更高的准确率和kappa值。在特征的选择上,利用BCI的竞赛数据,将基于互信息的方法和基于准确率的方法进行对比,发现基于准确率的特征选择方法优于基于互信息的特征选择方法。     

基于深度学习的运动想象脑机接口研究综述

近年来,随着脑机接口（Brain-Computer Interface,BCI）技术的进一步发展,对特征提取技术的鲁棒性的需求也持续增加。深度学习（Deep Learning,DL）作为多层次的神经网络模型具有从高维数据中进行特征提取并从分层表示中学习的能力,在分类识别任务领域中的表现优于手工选择特征的传统机器学习方法。深度学习模型可以自动学习高维的EEG数据集从而提取有效特征,因此基于深度学习的脑机接口成为该领域新的研究趋势。卷积神经网络（Convolution Neural Network,CNN）、深度信念网络（Deep Belief Network,DBN）和递归神经网络（Recurrent Neural Network,RNN）是深度学习中对脑电信号进行分析的三大主流算法。主要介绍了这三大主流深度学习算法的基本原理。为了探索能更好契合脑电数据特点的分类模型,还探讨了它们在BCI中集成其他方法的实际运用。     

基于信号投影能量特征的脑电意识动态分类

针对脑电意识任务动态分类问题,本文提出了一种基于投影能量的特征提取方法来提取反映不同思维状态的脑电特征,并结合信息累积后验贝叶斯方法进行分类以提高脑-机接口系统的分类正确率。该方法通过使两类信号在投影基上的平均投影能量比达到极值,从而达到提高脑电信号分类准确度的作用。实验结果表明两个运动想象数据集上的最大正确率都达到90%左右,最大分类准确率、kappa系数和最大互信息等评价指标的比较也表明该方法能够有效提高BCI系统的性能,具有较好的实用性。     

基于精细运动想象的脑机接口技术研究进展

基于运动想象的脑机接口(Motor Imagery based Brain-Computer Interface,MI-BCI)对运动康复具有重大意义.然而,现有MI-BCI指令集有限,在高维精细运动控制时,运动意图与动作输出无法匹配,不利于构建反馈真实运动意图的闭环运动康复系统.近年来,精细运动想象编解码研究逐渐受到...     

基于多任务学习的端到端维吾尔语语音识别

维吾尔语是黏着语,词汇量较多,容易出现未登录词问题并且属于低资源语言,导致维吾尔语的端到端语音识别模型性能较低。针对上述问题,该文提出了基于多任务学习的端到端维吾尔语语音识别模型,在编码器层使用Conformer并与链接时序分类(CTC)相连接,通过BPE-dropout方法形成鲁棒性更强的子词,以子词和字作为建模单元,同时进行多任务训练和解码。实验结果分析发现,子词作为建模单元能有效解决未登录词问题,多任务学习模型能在低资源环境下较充分利用数据,学习到丰富的时序语音特征信息,进一步提升模型的识别性能。在公开的维吾尔语语音数据集THUYG-20上与基线相比把子词错误率和字错误率分别降低7.3%和3.8%。      

ECOC多类分类研究综述

纠错输出编码能有效地将多类问题转化为二类问题进行求解,已受到国内外从事机器学习的研究者们的重视,并使其成为多类分类领域的研究热点.本文首先分析了ECOC多类分类的原理和框架,指出解决ECOC多类分类问题的关键在于解码策略和编码策略的确定;然后从这两个关键点出发综述了ECOC多类分类的最新进展和应用领域;最后指出了目前存在的问题以及下一步研究方向.论文研究成果将为基于ECOC多类分类方法在实际应用过程中起借鉴和参考作用.     

基于改进语音特征提取方法的语音识别

在分析语音特征提取方法基础上提出一种改进组合算法,并采用HMM声学模型和Viterbi算法进行模式训练和识别.实验结果表明,该算法在噪声环境中具有较好的鲁棒性,能有效提高噪声环境下中文连续语音识别的正确率,增强语音识别整体性能,因此在噪声环境下的语音识别系统中具有一定的实用价值.     

A Hybrid Task Scheduling Algorithm Based on Task Clustering

Mobile Networks and Applications - Based on the problem of task communication overhead being higher than the task execution time has a direct negative impact on the makespan of task scheduling in...     

一种基于语谱图分析的语音增强算法

针对传统谱减法会产生“音乐噪声”及在低噪比环境下降噪效果不理想的问题,提出一种基于语谱图分析的语音增强算法.所提方法先对带噪语音进行谱减处理,再通过语谱图分析对处理后的语音信号进行去小亮块处理,即对“音乐噪声”进行有效的削弱,最后通过设置阈值,滤除低灰度值的成份,即消除残留近似高斯噪声.实验结果表明,提出的算法可以有效地解决谱减法后残留的“音乐噪声”及低信噪比下谱减法残留噪声较大的问题.     

基于LPCC的多语种识别算法

语种识别是多语种信息服务和机器翻译等处理任务的必要预处理过程。提出了基于线性预测倒谱系数的多语言识别系统,由于LPCC属于倒谱域的语音特征,能够比较简单地分离开语音信号中的声门激励信号与声道冲激响应,所以系统中选择使用LPCC作为特征参数,并使用K-均值的矢量量化方法进行聚类得到训练的初始码本。通过对不同帧长的测试,得到选择较长的帧长时可以获得较好的识别概率的结论。     

一种基于遗传算法的SVM决策树多分类策略研究

提出了一种基于遗传算法(GA)的SVM最优决策树生成算法,并将其应用于解决SVM多分类问题.首先以最大分类间隔为准则,利用遗传算法对传统的SVM决策树进行优化,生成最优(或近优)决策二叉树;然后在各个决策节点,利用传统的SVM算法进行二值分类,最终实现SVM的多值分类.理论分析及实验结果表明,新方法比传统的DT-SVM、DAG-SVM方法有更高的分类精度,比经典的1-a-1、1-a-r有更高的训练和分类效率.     

协同空战中基于任务分解的任务协调机制研究

协同空战任务决策的一个关键是编队内部的协调。基于复杂系统的一般求解方法,结合人工智能领域的MAS技术,提出了一种任务协调的分步实现方法。首先,就复杂的协同作战任务提出了一种分级分解思想,通过6级分解,将一项复杂作战任务分解为单个作战Agent的阶段性战术级任务,实现了协同作战任务的细化和量化,为各Agent协同完成复杂任务奠定了基础。在任务分解的基础上,建立了多Agent任务协调的数学模型,在合同网协议的基础上,提出了一种基于市场行为的编队内部的任务的动态协调机制。各作战Agent通过市场协议动态地选择适合自己的作战任务(包括协作性的和非协作性的),以编队总体效用最大化为目标,高效地实现了任务的动态、分布式的分配。仿真结果表明,提出的基于任务分解的协同任务协调机制效果较好,对作战任务决策起到了基础性的作用。     

基于短时自相关的语音感知哈希认证算法

针对移动语音通信对语音区分性和内容保持操作鲁棒性,以及实时认证的要求,提出了一种基于短时自相关的语音感知哈希认证算法。该算法对语音进行预处理、分帧和加窗,进行短时自相关分析,并结合非负矩阵分解得到特征参数矩阵,利用特征参数矩阵生成感知哈希序列进行语音内容认证。实验结果表明,该算法具有较好的区分性和鲁棒性,能够满足语音通信实时认证的要求。     

基于LPMCC的语音识别系统实现

语音识别可实现人机交互和语音控制,在工业控制、消费电子等领域都有广泛应用。结合人发音的生理结构的特点,使用LPMCC（LPC倒谱美尔变换）作为特征向量,采用动态规划算法作为核心识别算法,在TMS320VC5402芯片上实现了特定人、孤立词的高性能实时识别系统。