排序方式: 共有30条查询结果,搜索用时 15 毫秒
1.
脑电采集后得到的脑电信号(Electroencephalogram,EEG)中含有噪声信号,为了有效去除噪声并保留有用信息,本文在软阈值去噪的基础上,提出一种改进阈值去除EEG噪声的算法。利用小波变换对EEG信号分解,得到多层的高频系数和低频系数;根据分解层次不同,对小波系数进行自适应的阈值处理;将缩放后的小波系数重构,得到去噪后的EEG信号。以信噪比、均方根误差作为去噪效果的定量指标,将改进算法与硬阈值法、软阈值法、Garrote阈值法进行比较,结果表明,改进阈值法优于其他3种阈值法。 相似文献
2.
为了提高下肢肌电控制系统中多运动模式识别的准确性,提出一种基于多核学习(MKL)和小波变换尺度间相关性特征提取的多类识别方法.根据多核学习理论,采用二叉树组合策略构造基于多核学习的多类分类器.对下肢4路表面肌电信号进行离散平稳小波变换,用小波系数尺度间的相关性提取特征向量输入构造的多类分类器,对水平行走时划分的支撑前期、支撑中期、支撑末期、摆动前期、摆动末期这5个细分运动状态进行分类.实验结果表明,所提的多模式识别方法能够以较高识别率区分多个细分运动状态,得到比标准的单核支持向量机(SVM)分类器更好的准确性. 相似文献
3.
共同空间模式(Common spatial pattern,CSP)是运动想象脑机接口(Brain-computer interface,BCI)中常用的特征提取方法,但对多类任务的分类正确率却明显低于两类任务.通过引入堆叠降噪自动编码器(Stacked denoising autoencoders,SDA),提出了一种多类运动想象脑电信号(Electroencephalogram,EEG)的两级特征提取方法.首先利用一对多CSP(One versus rest CSP,OVR-CSP)将脑电信号变换到使信号方差区别最大的低维空间,然后通过SDA网络提取其中可以更好表达类别属性的高层抽象特征,最后使用Softmax分类器进行分类.在对BCI竞赛IV中Data-sets 2a的4类运动想象任务进行的分类实验中,平均Kappa系数达到0.69,表明了所提出的特征提取方法的有效性和鲁棒性. 相似文献
4.
针对危险驾驶行为引起的交通安全事故频发的现状,提出一种基于MobileNetV3和ST-SRU的危险驾驶姿态识别系统.首先,修改MobileNetV3的网络结构使其适用于人体姿态估计任务,输出关节点的热力图和偏移量图,用来估计J个关节点的二维坐标位置;其次,定义ST-SRU骨架动作识别算法,利用动作的骨架序列数据对动作进行分类.实验结果表明:MobileNetV3姿态估计算法在自建的AI Challenger上肢姿态数据集上测得PCP值(percentage correct parts)达到95.6%,测试1 000次用时仅为5.03 s;利用自建的危险驾驶行为数据集将训练好的姿态估计和动作识别模型移植到嵌入式平台,实现了实时的危险驾驶姿态识别系统. 相似文献
5.
目的 引入视觉信息流的整体和局部处理机制,提出了一种多路径卷积神经网络的轮廓感知新方法。方法 利用高斯金字塔尺度分解获得低分辨率子图,用来表征视觉信息中的整体轮廓;通过2维高斯导函数模拟经典感受野的方向选择性,获得描述细节特征的边界响应子图;构建多路径卷积神经网络,利用具有稀疏编码特性的子网络(Sparse-Net)实现对整体轮廓的快速检测;利用具有冗余度增强编码特性的子网络(Redundancy-Net)实现对局部细节特征提取;对上述多路径卷积神经网络响应进行融合编码,以实现轮廓响应的整体感知和局部检测融合,获取轮廓的精细化感知结果。结果 以美国伯克利大学计算机视觉组提供的数据集BSDS500图库为实验对象,在GTX1080Ti环境下本文Sparse-Net对整体轮廓的检测速度达到42幅/s,为HFL方法1.2幅/s的35倍;而Sparse-Net和Redundancy-Net融合后的检测指标数据集尺度上最优(ODS)、图片尺度上最优(OIS)、平均精度(AP)分别为0.806、0.824、0.846,优于HED (holistically-nested edge detection)方法和RCF (richer convolution features for edge detection)方法,结果表明本文方法能有效突出主体轮廓并抑制纹理背景。结论 多路径卷积神经网络的轮廓感知应用,将有助于进一步理解视觉感知机制,并对减弱卷积神经网络的黑盒特性有着重要的意义。 相似文献
6.
7.
为探讨人体运动中肌肉间的功能联系,更加准确地理解不同特征频段下的肌间耦合情况,将小波包分解与Copula互信息相结合,构建了基于小波包-Copula互信息的肌间耦合分析模型,定量描述上肢肘关节屈曲运动中相关肌肉表面肌电(sEMG)信号在特征频段上的耦合特性。首先用小波包对同步采集到的sEMG进行信号分解,然后用Copula互信息计算sEMG在特征频段的耦合强度。肘关节屈曲运动中,肌间耦合强度在beta与gamma频段最为显著,协同肌肉对的耦合强度显著高于拮抗肌肉对;随着运动时间的增长,肌肉呈现疲劳状态,协同肌肉对与拮抗肌肉对的耦合强度增加。小波包-Copula互信息能定量分析肌间特征频段的功能耦合特性,揭示运动过程中协同肌与拮抗肌的运动控制机制。 相似文献
8.
在线分类是脑机接口应用中的一个重要研究方向,传统的在线学习算法需要大量样本来适应脑电信号变化,这增加了计算和内存成本。为此,本文提出一种基于样本迁移的在线脑电分类方法。首先利用源域数据训练离线分类器,然后将目标域数据逐个放入进行在线欧式空间预对齐以减小个体差异性,进而提取CSP特征,最后采用加权组合的在线迁移学习分类器进行标签预测。在 BCI 竞赛 Ⅳ 数据集Ⅰ和Ⅱa的跨受试者在线模拟实验中,与4种最先进的算法相比,本文方法表现最好,在线平均分类准确率最高达到了86.02%和75.74%,表明了所提方法的有效性。 相似文献
9.
提出一种基于数据域描述的自适应加权支持向量回归图像压缩算法.先将一幅灰度图像分割成不重叠的方块,每个方块数据经过离散余弦变换得到对应的频率域系数,然后根据样本到高维特征空间最小包含超球球心的距离构建相应的加权函数模型,最后将确立的模型应用到基于加权支持向量回归的图像压缩方案中.实验结果表明,与同类的图像压缩算法相比,该算法在预测性能和压缩效果方面获得较明显提高. 相似文献
10.
基于脑电信号(Electroencephalogram, EEG)的情绪分析和识别研究一直是脑科学领域的热点,利用复Morlet小波变换构建脑电张量,结合其低秩、稀疏的特点,提出一种EEG多域特征提取方法——稀疏正则的低秩逼近Tucker分解算法。该算法提取样本所特有的多域特征——核心张量和样本共有的因子矩阵,对情绪脑电进行分类和分析,克服了传统Tucker分解计算效率低,易导致维度爆炸的缺陷。实验结果表明,在MODMA数据集上,以核心张量作为多域特征进行EEG样本分类,对不同情绪刺激下抑郁症患者(MDD)的平均识别率为88.9%,且运算效率较传统Tucker分解提高约16倍。利用表征空间特征的因子矩阵对活跃脑区进行分析,实现对脑区空间层面动态变化的对比,发现MDD患者与正常对照组在效价与唤醒度的敏感度上的差异。SLraTucker分解算法能够有效提取EEG的多域特征,为分析情绪脑电以进行相应诊断提供了新的方法和思路。 相似文献