基于运动相关脑电特征的手运动方向识别

为了研究如何从无创运动相关脑电中提取运动信息作为上肢主动康复训练的控制命令,通过设计实验,使右手完成左、上、右3个方向的运动,同时采集脑电数据和右手运动信息.通过小波时频分析确认与右手运动相关的脑电频带,并提取其小波分解系数作为特征,采用支持向量机进行特征分类,根据方向识别准确率分析提取特征的有效性.结果表明,运动脑电delta和theta频段的小波系数特征可以有效区分右手不同方向的运动,方向识别准确率的均值接近65%,并且用准备阶段特征分类的结果普遍优于运动阶段特征,因此,在手运动之前诱发的脑电活动含有丰富的运动信息,可用于脑-机接口系统提取上肢主动康复训练的控制命令.     

基于AR和SVM的运动想象脑电信号识别

针对不同思维运动中EEG信号识别,提出了一种基于自回归模型参数和支持向量机的识别方法.针对2008年BCI Competition Ⅳ Data sets 2a数据集中想象左右手运动的两类思维运动脑电信号,运用自回归模型进行特征提取,支持向量机进行特征分类.采用不同的核函数进行分类对比实验,该识别方法的正确识别率达到7...     

一种运动想象脑电信号半监督算法

针对脑机接口中两类左右手运动想象任务,提出一种依据迭代训练次数不断更新训练集样本的半监督算法.使用多重自相关分析算法,选择置信度较高的脑电信号样本并加入初始训练集;分别使用公共平均参考法与共空域模式算法,对样本进行预处理及特征提取;最后使用支持向量机对样本进行测试,根据迭代学习次数按照递进方式移除置信度较低的样本,并利用剩余样本继续训练模型,从而优化特征提取器及分类器参数.通过对标准脑电竞赛数据库BCI IV Dataset Ⅱa中左右手运动想象数据的测试表明,该算法与其他算法相比,在训练样本数目较少的情况下,具有较高的分类正确率.      

基于WPD和CSP的四类运动想象脑电信号分类方法

针对多通道四类运动想象脑电信号分类问题,引入小波包分解(WPD)与共空间模式(CSP)融合的脑电信号特征提取方法.首先利用小波包对训练集的多路脑电信号进行分解,然后用共空间模式算法对不同分解层子带的脑电信号进行特征提取,最后设计了基于支持向量机(SVM)的分类方法.应用提出的方法对四类运动想象脑电信号进行了特征提取和分类,分类正确率达到71.5%;相对于单纯的CSP特征提取,正确率提高了5.8%,说明了该特征提取及分类方法对该数据集的有效性.     

多小波包频带能量的煤岩界面识别方法

针对通过对伽马射线进行监测煤岩识别易受煤中夹杂物干扰和地质条件的限制的缺点,提出利用滚筒截割力响应来进行煤岩识别,但滚筒截割力响应受到煤炭破裂形式及其工作环境的影响而表现出多种形态,基于单一小波基的小波包分析难于处理这样的多态问题.引入了具有多个小波基函数的多小波来匹配煤岩响应特征信号,采用多小波频带能量提取煤岩特征建立特征库,通过相似物理模拟试验,表明多小波频带能量在煤岩特征提取总体上要优于传统的小波包分析,最后利用支持向量机实现煤岩特征的识别.     

基于时域统计特征的井眼碰撞识别方法

相同钻井条件下,钻头钻遇水泥环、套管的振动信号与钻进地层的振动信号的时域特征不同。提出一种基于时域统计特征的井眼碰撞识别方法,通过识别振动信号的特征差异,实现对钻头碰撞邻井井眼的及时预警。首先在时域上提取信号的分散特征和形状分布特征,然后利用主成分分析法对时域特征进行降维处理,进而得到主要特征成分,最后利用支持向量机对特征进行分类训练,以完成对钻进地层和钻遇水泥环、套管的自动识别。通过南海某钻井平台现场作业数据检验,验证了该方法的可行性,表明该方法可以加强海上丛式井作业的安全性。     

基于运动想象的双脑脑机接口系统设计与鼠标控制应用

脑机接口是在大脑与外部设备之间建立的直接交流通道,是脑科学的重要研究领域。目前,单被试脑机接口研究已经较为成熟,关于双脑协作的脑机接口研究还比较少。本文设计实现了一种基于运动想象的双脑协作在线脑机接口系统,利用两套脑电放大器、协同控制技术实现了系统的硬件平台搭建。算法控制部分采用信息论特征提取算法,选取共空间模式的最优空域模式和支持向量机分类,实现了双脑协作控制鼠标移动并到达指定目标。本文采用初始位置到目标位置的实际步长与理论最短步长比评价系统性能,4组(8人)的平均步长比值为1.32。研究提供了一种双脑协作脑机接口的设计方案,可用于协同控制多维度目标、提高信息传输速率、研究脑间同步、团队决策等方面的关键技术,为脑机接口进一步发展提供了新思路。     

基于CSP与SVM算法的运动想象脑电信号分类

针对基于两种不同意识任务(想象左手运动和想象右手运动)的脑机接口,使用共空间模式(common spatial pattern,CSP)算法对BCI 2003竞赛数据进行特征提取;基于滑动时间窗,利用CSP方法对C3,Cz和C4位置的脑电信号进行处理.利用支持向量机对特征进行分类,获得最大分类正确率82.86%,最佳时间点4.09 s,最大互信息0.47 bit,最大互信息陡度0.431 bit/s.与BCI 2003竞赛结果相比,最大互信息陡度有了显著提高,证明该方法更适合BCI实时系统的要求.     

基于S变换和共空间模式的运动想象脑电特征提取

针对共空间模式算法运用于运动想象脑电信号特征提取分类正确率低、计算实时性差等问题,提出运用S变换结合共空间模式算法对脑电信号进行特征提取方法。经过S变换后的信号具有更加明显的时、频、相特征,再运用共空间模式算法提取特定任务信号成分的特征,最后用支持向量机进行分类。实验结果表明:在S变换采样数较多的情况下,平均正确率达到92.8%,大大超过单纯使用共空间模式算法的正确率。如果降低S变换的采样率,系统实时性得到大幅提升,平均运行时间仅为0.85 s,平均分类正确率可达89.8%,比仅运用共空间模式算法的运行时间缩短30.9%。可见,不仅可提高运动想象脑电信号的分类正确率,还可以提高分类的实时性。     

基于支持向量机的油气管道安全监测信号识别方法

针对基于经验风险最小化原则的传统学习方法的不足,提出了一种基于支持向量机的油气管道安全识别方法通过基于Mach．Zehnder光纤干涉仪原理的分布式光纤振动信号传感器获取管道沿线振动信号,利用基于小波包分解的“能量-模式”方法提取振动信号的特征向量,并利用支持向量机根据振动信号的特征对其进行识别,判断管道沿线是否有异常事件发生．利用现场实验数据对该方法进行验证分析．结果表明,该方法识别正确率较高,实时性好．     

基于脑电特征的多模式想象动作识别

对不同部位肢体想象动作诱发的脑电特征进行辨识,并提取出对应的思维信息,这是实现脑-机交互的经典方法之一,传统的左、右手双想象动作诱发模式下信息转化效率较低,引入多个肢体部位想象动作的多模式转化方法可望改善这一缺点.采用二维时频分析结合Fisher分析的方法,从典型受试者的多模式想象动作脑电信号中提取出有利于分类识别的事件相关去同步化和同步化特征信息,再使用支持向量机建立双层分类器对多模式想象动作进行分类识别.本方法对于4种不同肢体部位的识别可以达到较高的正确率(85.71%).结果表明,多模式想象动作的诱发脑电特征信息具有明显的空间特异性,可以用于脑-机交互思维任务的识别和提取,值得进一步研究.     

基于能量聚类分析法的运动想象脑电信号快速识别

在脑-机接口研究中,针对两种思维任务的特征提取和分类,提出一种以单次实验的信号能量与其中两个通道信号的平均能量的欧式距离作为特征,用聚类分析法进行任务分类的方法,7-折交叉验证法用来评价分类器的性能;采用BCI 2003竞赛数据集Ⅲ,分析了该方法的实验背景和理论依据,并将分类精度与竞赛的结果进行了比较;表明了所提出方法运用在实际系统中的有效性。     

利用粒子群优化的人脸特征提取识别算法

针对如何提高人脸图像识别率问题,提出了利用粒子群优化(PSO)的人脸特征提取识别算法.采用小波变换和张量主成分分析(PCA)方法对人脸图像进行特征提取,利用PSO对提取的特征进行加权处理,根据特征的每一维元素的聚类正确率进行优化选择,从而达到对人脸提取关键性特征的目的.实验结果表明,所提算法能减小光照、表情和姿态变化的影响,在英国曼彻斯特科技大学人脸数据库上的识别率比张量PCA方法提高了12.75%.     

基于线特征的SPOT影像几何纠正方法

探讨了利用线特征实现SPOT影像的精确几何纠正问题.在研究SPOT卫星影像星历参数的应用基础上,提出了利用卫星星历参数确定纠正模型的初始参数,将直线方程作为纠正模型的约束条件,通过迭代计算获取纠正模型的精确参数,实现SPOT卫星影像的精确纠正.结果表明,提出的线特征SPOT影像几何纠正方法,可以满足1∶5万数字正射影像的精度要求.     

基于局部特征分析与最优化匹配的人脸识别算法

在分析传统弹性图匹配的基础上, 提出一种基于局部特 征分析(LFA)与最优化匹配的人脸识别算法. 该算法首先利用神经网络方法估计出在识别人脸中起重要作用的一些特征点(如瞳孔、 眼角、 眉心、 眉角、 嘴角等), 之后利用Gabor小波的局部多尺度分析特性提取特征点的多尺度特征. 这样人脸的每个特征点就被一系列的 Gabor小波系数所表示, 最后对待识人脸与人脸库中人脸的相应特征点的多尺度特征进行最优化匹配找出需要的人脸. 对最优化匹配方法给出了严格的数学证明, 同时也给出了Yale大学和ORL人脸库上的测试结果. 理论和实验证明, 该方法远优于传统的EigenFace方法, 同时能有效地克服光照变化对人脸识别的影响, 在一定程度上对表情的变化也有较好的鲁棒性 .     

基于粒子群优化支持向量机康复下肢外骨骼的脑电控制研究

为解决失能人群自主移动的问题,脑机接口(brain computer interface, BCI)已广泛应用于外骨骼领域,但脑电(electroencephalogram, EEG)信号因信噪比低等原因导致识别率一直难以提高。为提高基于脑机接口下肢外骨骼的信号识别率,采用粒子群优化支持向量机(particle swarm optimization-support vector machine, PSO-SVM)算法提高脑电信号识别率,取得了86.52%的脑电信号识别率。首先建立共空间模式(common spatial pattern, CSP)数学模型对脑电信号进行特征提取,随后建立基于粒子群优化的支持向量机分类模型,优化脑电信号分类关键参数,将最终的实验数据与传统的支持向量机分类方法比较,最后进行算法的验证及下肢外骨骼实验。实验结果表明：经过粒子群优化的支持向量机分类准确明显高于传统支持向量机分类。所提出粒子群优化支持向量机对脑电信号的特征识别方法可实现运动想象(motor imagery, MI)的精确识别,为脑机接口技术在康复外骨骼领域的应用提供理论基础和技术支持。     

基于小波多分辨分析的往复机械故障特征提取与识别

本文从往复机械故障诊断领域中特征信号处理的应用角度,探讨了利用小波多分辨分析与信息熵相结合,对往复机械故障进行诊断识别的方法．首先应用小波分解,将监测信号映射到由一个小波伸缩而成的一组基函数上去,在通频范围内得到分布在不同频段内的分解序列;在此基础上,对各分解序列进行ＦＦＴ变换,建立信号的小波特征熵,以此作为故障识别的特征参数,对往复机械运行故障进行诊断识别,并以压缩机振动监测信号为例,实现了不同频段范围内特征信息的提取与故障识别,说明该方法是提取故障信息并进行诊断的有效方法     

基于能量加权的子带杂交法在掌纹识别中的应用

在掌纹采集过程中,由于受光照噪声的影响,以及手掌的弓形常常给掌纹采集带来噪声.基于此,提出小波变换子带杂交的一种新颖掌纹识别算法.该算法综合考虑小波同层各子带及相邻层子带分解系数的噪声特点,采用基于掌纹图像空间能量加权,再由二维主元分析（Two-di mensional Principle component Analysis,2DPCA）算法降维、去相关,最终由最小距离分类器完成掌纹识别.基于香港理工大学公布的PolyU掌纹数据库的实验,此算法正确识别率达到100%.同2DPCA算法相比,提出的算法不仅正确识别率较高,识别效率也较高.     

基于小波变换及分形特征的目标检测与识别

提出在对图像进行小波变换的基础上提取图像的分形特征，即通过小波变换对图像进行频域上的分割，使得对图像的描述更丰富，对各频段上的细节图像分别求分形维数组成联合特征矢量，有利于迅速准确地将目标从复杂的自然背景中分离出来，实验结果表明，这种方法能够有效地区分人造物体和自然背景，但计算量较大。     

基于SVM的四类运动想象脑电信号分类方法研究

针对传统支持向量机分类方法在脑电信号处理中存在分类正确率低的问题,将聚类思想与二叉树支持向量机结合构造多类SVM分类器。实验以“BCI Competition 2005”中的Dataset IIIa为例,先对C3/C4导采集的四类运动想象脑电信号应用小波变换进行去噪;再在分析小波包频带划分特点的基础上,利用小波包进行分解与重构,获取相应的能量特征;最后应用改进后的支持向量机(SVM)分类方法对特征信号进行分类。结果表明该方法分类正确率较高,可以达到91.12%,并且有效的减少了分类器的个数,最终达到较好的识别效果。