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关注与重视,在范式与解码方法两方面取得了一些研究进展.范式方面,一些研究对想象单一肢体不同关节、同一关节不同自由度的动作进行了尝试;解码方法方面,传统机器学习、深度学习与基于领域自适应的迁移学习方法等被引入到了精细运动想象解码研究中.本综述讨论了基于脑电信号的精细运动想象范式与解码方法的研究进展,并展望了其未来前景,以期促进精细运动想象脑机接口技术的深入研究及未来应用.     

运动想象与其子过程相关脑电特征的数学分解和融合

现有的基于运动想象的脑机接口（Motor Imagery-Brain-Computer Interface,MI-BCI）研究主要将每个运动想象过程作为一个整体来识别,但是这样的控制是不精细的,因此提出MI子过程的概念,通过把MI分解为子过程,对MI及其子过程相关脑电特征进行数学分解和融合,以提高解码的精细度、精度和鲁棒性。研究证明,一个连续完整的MI过程可以分解为若干子过程,反之,若干子过程可以融合为一个连续完整的MI过程。该研究可望为MI-EEG-BCI系统的精细控制提供思路。     

单次样本对的CSP滤波器设计及其在脑电 训练样本优化中的应用

在运动想象脑-机接口（Motor imagery brain-computer interface，MI-BCI）系统研究中，共空间模式（Common spatial pattern，CSP）作为一种有监督空域滤波设计方法，已被广泛应用于运动想象脑电信号（Electroencephalography，EEG）的特征提取。但是EEG训练样本的采集过程不仅会受到各种噪声伪迹干扰，也会受到受试者分心和疲劳等因素的影响，因此，训练集中难免出现“低质量”的异常单次试验数据。如果不加选择地将所有的单次样本用于CSP滤波器设计和分类器训练，会给所建BCI系统的性能带来较严重的负面影响。针对这一问题，本文提出一种新颖而实用的EEG训练样本筛选方法。方法的基本步骤是，先依次选择单次EEG样本对进行CSP滤波器设计，并结合零训练分类器构造相应的CSP-BCI测试系统。然后以所建CSP-BCI系统的交叉验证识别率为指标，剔除低识别率对应的单次训练数据，以实现对训练样本集的优化。基于所提方法，论文对6位受试者在不同时间采集的75组两类运动想象EEG数据进行了优化筛选和测试。实验结果表明，相比传统方法设计的CSP-BCI系统，基于训练样本优化方法的CSP-BCI系统性能得到明显改善，针对六位受试者测试集的平均识别率分别提高了5.04%、6.42%、13.15%、15.51%、1.94%和8.26%。      

基于EOG的阅读行为识别中眨眼信号去除算法研究

由于眼电图(EOG)能反映不同行为状态下的眼球运动模式，因此，基于EOG的阅读行为识别已经成为一个新的研究热点。为了降低眨眼信号对阅读行为识别的影响，提高正确率，本文提出了一种基于独立分量分析(ICA)的眨眼信号去除算法。该算法首先利用ICA方法从原始多通道EOG信号中分离出眨眼信号，然后通过计算各输出通道的峭度值，自动识别眨眼信号通道，将其置零后映射回原始观测信号以达到噪声去除目的。实验室环境下，对降噪后的EOG信号进行阅读状态识别，其平均正确率达到95.5%，相比较原始EOG信号、带通滤波法及主分量分析方法(PCA)分别提升了3.39%，5.00%和2.70%，实验结果验证了所提算法的有效性。      

基于改进时域多尺度散布熵与支持向量机的转辙机故障诊断

为充分挖掘转辙机振动信号的有效故障信息，提高故障诊断准确率，提出了一种基于集合经验模态分解（Ensemble Empirical Mode Decomposition,EEMD）、改进时域多尺度散布熵（Improved Time-domain Multiscale Dispersion Entropy,TMDE）与粒子群优化算法（Particle Swarm Optimization algorithm,PSO）优化支持向量机（Support Vector Machine,SVM）的故障诊断方法 .首先，通过EEMD方法将不同故障类型的振动信号分解成若干个模态函数（Intrinsic Mode Functions,IMFs）；其次，采用相关系数与峭度的混合筛选准则筛选IMFs并重构信号；再次，应用所提ITMDE算法提取重构信号的多尺度故障特征；最后将得到的特征向量输入经PSO搜索最优参数后的SVM进行训练和测试.实验分类准确率为100%，分析表明所提方法优于传统的多尺度排列熵、多尺度散布熵的故障诊断方法，能精确地识别转辙机故障类型.     

基于耳周围EMG信号的舌-机接口编解码技术研究

人-机交互（Human-Computer Interface, HCI）是将人的意图或运动转为机器指令的技术。其中，利用生物电信号来实现人与外部设备之间实时通信的HCI系统可反映人体内部状态和预期行动，已广泛应用于健康监测、医疗诊断、航空航天、假肢和辅助设备的开发等多个领域。研究表明，基于肌电（Electromyography, EMG）的HCI系统稳定性强、实用化程度高，具有广阔的应用场景。其中，舌头运动具有高度的灵活性和可控性，诱发信号强且易于检测，因此通过舌动来控制外部设备的舌-机接口（Tongue-Computer Interface, TCI）具有重要的研究价值。然而现有研究的舌动信号采集方式仍然无法同时满足自然场景下高用户舒适度、精识别准确率和多控制指令集等方面的需求。为此，本研究设计了7种不同的舌头运动方式，分别为舌头“从左到右”、“从右到左”、“向上”、“向下”、“吐舌”、“卷舌”和“说‘talk’”运动，并采用更为便捷、舒适的电极放置方法获取了22名受试者的耳周围舌动EMG信号。本研究通过时、频域特征和共空间模式（Common Spatial Pattern, CSP...     

听觉诱发的“是”与“非”脑电信号研究

脑机接口(BCI)作为一种新兴技术,把脑电活动转化成电脑、假肢、机器人等设备控制信号的新交流通道。通过脑机接口研究可以提高患有严重的神经肌肉损伤病人的生活质量。文中介绍了听觉刺激诱发的“是”或“非”脑电信号的信号处理。信号处理采用共空间模式(CSP)的特征提取方法以及支持向量机(SVM)的分类方法。健康受试者实验数据离线分析的分类准确率达到80.2%。实验结果表明了这种方法对神经肌肉系统损伤患者和外部交流的可行性和有效性,为进一步的研究奠定了基础。     

基于精细化频带的脑磁信号跨频耦合特征分析

脑信号跨频耦合现象与人的意识活动密切相关。本文将精细化的频带划分方法和多种跨频耦合的度量方法相结合,研究不同类型手腕运动的脑磁信号跨频耦合特征。首先对四类手运动脑磁信号进行精细化的频带分解,采用了三种具有主次关系的耦合度量方法（相干、虚部相干、调制指数）,在高频耦合低频、低频耦合高频两种耦合形式下对某一运动方向类型信号显著区别于其它运动方向类型信号的频带数、通道对、频带对进行了统计分析,可以区分出不同方向手腕运动的MEG信号;进一步利用通道间的频带耦合关系以及源频带及其激励通道与响应通道等概念,采用相干耦合度量方法对上述两种耦合形式下的统计结果进行分析,获得相应的源频带、激励通道、响应通道,从而可以更加有效地区分不同方向手腕运动的MEG信号。      

S模式应答信号多通道接收解码技术研究

为了解决单个天线覆盖范围和作用距离之间的矛盾，实现更广的空域覆盖和更高解码率的目标，采用多个通道进行S模式应答信号的接收、解码及融合纠错的方法，进行了两通道接收、解码及融合纠错实验，获得具有代表性的三批目标的解码数据。经过统计分析，结果表明多通道接收解码不仪可以覆盖更广的空域范围以增加数据量，同时在其中两个通道覆盖的交叠区域，采用信息融合纠错的方法可提供较好的相互纠错能力。     

基于栈式自编码机和模糊函数主脊的雷达辐射源信号识别

针对人工提取雷达辐射源信号特征存在提取周期长、特征描述不完备等局限性,提出了一种基于深度学习栈式自编码机和模糊函数主脊的雷达信号识别方法.该方法根据信号模糊函数主脊包含丰富的内在调制信息的特点,从信号中提取用于分类识别的抽象特征.通过对六种雷达辐射源信号进行实验,并对比人工特征提取及其他深度学习方法,结果表明,本文所提方法在信噪比（signal-noise ratio,SNR）为2 dB以上时均能保持100%的识别准确率,SNR为-6 dB时识别准确率仍能保持82.83%以上,明显高于其他方法.即使在包含相同调制类型不同参数的信号环境中,当SNR大于0 dB时识别率均稳定在95.0%以上,SNR降低到-4 dB时识别率也能达到79.0%.证明该方法能有效提取到信号的深层特征,且具有良好的抗噪性能,基本满足实际战场的需求.     

利用相锁值算法的脑电相同步测谎研究

相锁值（Phase Locking Value,PLV）是由相同步的概念下提出一种描述不同信号相关性（同步性）的算法,在脑电信号领域,其有效性已经得到了验证.本文针对当前测谎方法中脑电信号特征提取困难的问题,首次将相锁值的算法应用到脑电测谎领域中,研究谎言脑活动下不同脑区之间的相关性,通过相关性发现谎言的认知机制,并利用该相关性作为特征,使用支持向量机对说谎者和诚实者的两类信号进行模式识别,得到了88.50%的准确率,提出的方法验证了PLV在测谎应用中的有效性,为基于脑电信号的测谎提供了一种新的途径.     

量子粒子群和最小二乘支持向量机相结合的网络异常检测

为了提高网络安全性的异常入侵检测的准确率,提出一种量子粒子群算法（QPSO）优化最小二乘支持向量机（LSSVC）的网络异常检测方法（QPSO-LSSVC）.首先利用量子粒子群处算法对LSSVC模型参数进行搜索,选出最优参数,然后采用泛化性能力优异的LSSVC对网络入侵进行建模和检测.选取KDDCUP99数据对QPSO-LSSVC性能进行测试,实验结果表明,QPSO-LSSVC提高了网络异常检测准确率,降低了误报率,为网络安全提供了有效保证.     

利用SVM的聚类算法在时间序列信号识别中的应用

研究了一维时间序列信号识别的问题.针对基于混合高斯模型的隐马尔科夫(HMM)编码准确率低的问题,提出了一种利用多个支持向量机构造混合支持向量机,从而为隐马尔科夫模型提供更精确的观测值编码和发生矩阵,能有效的提高HMM在语音信号识别或者文字识别中的准确率.本方法可以应用到语音识别,文字识别以及生物信息处理等领域.     

面向医学图像分割的U型Transformer模型

为了更加准确地根据医学图像进行医学类疾病诊断,可采用U型结构的全卷积神经网络模型对医学图像进行分割,并且可在分割的过程中,引入空间注意力机制和通道注意力机制,分别从空间维度和通道维度提取输入特征图的重要信息和抑制非重要信息。根据该思想,设计了一种基于通道和空间注意力机制的U型Transformer模型（SC U-Transformer）。SC U-Transformer包含编码和解码过程,编码过程使用Swin-Transformer作为编码器,提取上下文特征并实现下采样;解码过程使用包含扩展图像块的对称Swin-Transformer模型,并添加空间注意力模块和通道注意力模块,分别使模型更加关注前景和相关联的特征通道。根据ACDC数据集的实验结果表明,SC U-Transformer能有效提高医学图像分割的准确率。     

ADI公司推出多通道DDS器件

美国模拟器件公司（ADI），日前发布多通道直接数字频率合成器（DDS）器件，从而为系统工程师在多种应用中面临的两种普遍存在的设计问题提供了解决方案。ADI公司新的DDS允许对多迭4个内部同步输出通道独立编程。其中4通道AD9959和2通道AD9958能够对多通道信号之间的不平衡提供有效的校正控制．从而能使系统工程师用相当少的时间和精力去处理这个通常很复杂的系统设计部分。     

OFDM系统中一种新的迭代信道估计算法

本文提出了OFDM系统中一种新的基于软信息迭代处理的信道估计算法。该算法将面向判决最小二乘估计算法和盲估计算法相结合,在估计器中构造了一种新的置信度量函数,根据解码和软映射重构的反馈信号置信度大小在两种估计算法中自适应选择,这样估计的信道频响可以有效提高软信息迭代接收性能,大大降低信道估计训练开销。仿真结果表明,本文提出的算法能有效跟踪信道时变,限制传统面向判决估计的错误传播,达到好的系统性能。     

一种基于WRCE-CSP的运动想象电位识别方法

针对脑一机接口系统中运动想象脑电信号（Electroencephalography,EEG）的模式识别问题,提出了加权节律成分提取（WeightedRhythmicComponentExtraction,WRCE）与共空间模式（CommonSpacePattern,CSP）相结合的特征提取方法,并使用Fisher线性判别分析进行分类。采用2003年的BCI竞赛数据Datasetm对该方法进行评估,测试数据的分类正确率达到86．13％,比使用传统CSP方法进行特征提取时的分类正确率提高了5．71％,表明该方法可有效地应用于运动想象EEG的模式识别中。     

二维差分预测Rice算法在图像数据压缩中的应用

提出一种新型二维差分预测方法,该方法可实现双序列差分预测与“Zig?蛳Zag”扫描差分预测,解决了一维差分预测方法不能有效剔除数据冗余度的问题。压缩时,用新的预测方法对数据进行预处理,再用原有编码器对数据进行编码;解码时,先采用原有解码器进行解码,再使用新的预测方法的逆过程对解码后的数据进行后处理,重构出原始数据。实验结果表明：该方法可以更有效地剔除冗余数据。与原压缩算法比较,采用新的差分预测方法可以提高数据压缩比。     

基于MPEG-AAC编码器的压缩域音频增强方法

本文基于MPEG-AAC音频编解码器,提出了一种压缩域的音频增强方法.首先,对含噪音频信号的比特流进行解码,得到含噪音频信号的MDCT系数;然后,利用修正的加权递归平均（Modified Weighted Recursive Averaging,MWRA）方法估计噪声功率;再者,利用基于听觉掩蔽原理的自适应β-阶双曲余弦（COSH）统计模型,对含噪音频的MDCT系数进行增强处理;最后,将增强后的MDCT系数重新量化编码,得到用于解码的增强比特流实验结果表明,本文提出的方法能有效去除AAC解码音频信号中的多种背景噪声,其性能明显优于参考方法.