脑-机接口中新的脑电数据分类方法

根据自发脑电的特点,将HMM-AR模型算法运用到脑电状态的分类中,证明它是一种非常有用的分析脑-机接口方法。将Laplacian filter、ICA和HMM-AR方法相结合,用想象左右手运动的BCI数据进行识别,得到了很好的分类结果,有效地区分脑电中运动与非运动两种状态。该算法能够在运动开始后1 s内检验到脑电信号的变化,从而证明了该算法在BCI的实用性,达到了良好的识别效果。     

ICA+CSSD的脑-机接口分类

针对复杂的脑电问题,介绍了一种对单次思维脑电信号提取、分类的方法。该方法的主要思想是将独立成分分量和共空域子空间分解方法以及支持向量机学习方法结合起来,用于提取脑电信号特征。该方法分别被用于BCI Competition 2003 Data set IV和BCI Competition III Data set I,正确率分别达到了89%和92%。实验证明独立成分分量算法和共空域子空间分解方法能够很好地结合起来进行脑思维的分类,分类正确率很高,是一种快速、稳定可行的分解方法。     

基于不同频率声音刺激的脑电信号分析方法研究

本文主要研究在不同频率声音刺激下的脑电信号特征。通过设计实验方案获取脑电数据,利用小波变换将脑电数据分解为不同频带信号,实现各频带信号的功率谱计算,应用模极大值检测脑电信号中的突变点,提取大脑在不同频率声音刺激下的特征,分析了人脑与声音刺激的关系,实验结果对脑机接口以及盲人导行等研究具有重要价值。     

基于AdaBoost的脑机接口分类算法研究

依据AdaBoost思想对BP神经网络、线性判别式以及支撑向量机三种传统分类器进行强化训练形成强分类器。在传统训练的基础上,根据分类器的映射特点选择相应的预处理方法和权值分布函数,降低分类器对数据特点的依赖性,提高AdaBoost的训练效果。对基于左右手运动想象的实际脑电数据进行模式分类,发现采用该思想训练的强分类器能不同程度地提高分类效果。该算法具有一定的推广意义,也证实了AdaBoost算法在脑机接口技术开发中的应用潜力。     

基于融合CNN和SSA-SVM的滚动轴承故障诊断

针对滚动轴承故障诊断问题,提出一种融合一维卷积神经网络(1D CNN)和麻雀算法优化支持向量机(SSA-SVM)的网络结构。该网络结构通过卷积运算对原始时域振动信号直接进行特征提取,将提取到的特征输入到麻雀算法优化的支持向量机中,使用支持向量机代替Softmax进行分类。利用滚动轴承故障数据进行验证,此方法故障诊断精度高达0.983,高于其他网络结构,且整体网络结构简单,有一定实际应用价值。     

脑电信号多重粗粒化复杂度分析方法研究

为了准确地描述脑电信号的精细结构和复杂成分,提出了基于多重粗粒化的脑电信号复杂度方法。根据脑电信号幅值微弱,幅值跨越大,一定幅值范围的脑电具有特定认知和生理意义的脑电特性,采用多重赋值,可尽量保留对信号复杂结构的描述;基于统计学特点(以百分比为阈值)对已经归一化的信号划分幅值域,进行粗粒化,基于传统方法计算复杂度。该方法有效地克服了经典LZC复杂度不能描述脑电精细结构的不足。提出了当脑电信号在粗粒化后出现局部周期,且达到一定阈值后(如beta波或具有相似幅值特性的脑电信号达到一定阈值),4重复杂度值小于10重复杂度值的假设,初步建立了脑电节律与多重LZC的联系。仿真计算和实际数据验证表明,多重LZC方法结果更准确、合理,而且能反映脑电节律成分特性。     

基于PCA和PSO-SVM的手写数字识别应用研究

针对当前手写数字识别正确率较低这一不足,提出了一种主成分分析(PCA)和粒子群算法优化支持向量机(PSO-SVM)的手写数字识别方法。首先,利用PCA降低输入数据的维数,然后把降维的数据作为SVM的输入,用PSO不断优化SVM中的核函数参数g和惩罚因子c,以提高分类精度。实验结果表明:同传统的SVM、GA-SVM、网格搜索算法、卷积神经网络(CNN)相比,PSO-SVM方法分类方法具有最高的识别准确率且运算效率也较高,达98.2%,性能上优于其他几种分类算法。     

太极拳练习前后脑电信号变化特点的研究

目的:通过脑电地形图观察太极拳运动前后脑电信号的变化特点,为进一步了解太极拳的神经机理提供依据。方法:采集运动前安静状态、运动后即刻、运动后安静状态的脑电信号,计算并比较各波段的功率值。结果:与太极拳运动前安静状态比较,运动后即刻慢波(δ波、θ波、α1)波功率值60%以上脑区表现为下降,而较快波(α2波、β1波、β2波)功率值70%脑区上升;有6个脑区的脑电总功率值增加。太极拳运动后,被试者安静状态下慢波(δ波、θ波、α1波)70%以上脑区功率值呈上升趋势;快波(α2波、β1波、β2波)70%以上脑区功率值下降;5个脑区的总脑电功率值有所减少。结论:进行太极拳运动时能够使快波(β波)功率值升高,慢波(θ波、δ波)功率值降低,且β波功率值的升高主要集中在大脑右侧区域,提高了两侧大脑的协同化;太极拳运动后安静状态,50%的脑区功率值较运动前的安静状态有所下降,提示可将太极拳作为运动员的放松手段;运动后即刻和运动后安静状态下额区的脑电功率值都有所增加,提高了植物神经系统对内脏活动的调节功能。     

多通道特征融合卷积神经网络的齿轮箱故障诊断

针对一维数据的卷积神经网络故障诊断方法无法十分准确地识别齿轮箱故障类型的问题,提出一种二维振动信号的多通道特征融合卷积神经网络(MC-FFCNN)算法。采用格拉米角场将传感器获取的一维振动信号转换为二维矩阵,将矩阵中的数值作为像素值转换为灰度图从多个通道输入卷积神经网络,经过多个卷积层、池化层及增加的融合层,导出各通道的融合数据到全连接层。在试验中,通过对多个故障数据进行训练与测试,实现齿轮箱单一故障的诊断。将诊断结果与单通道的卷积神经网络诊断结果进行比较分析,结果显示：所提方法的故障诊断准确率更高。     

从内涵和外延的解析看脑机接口的哲学特征

从技术哲学的视野看,一种技术是通过专门的结构设计来实现特殊的功能,脑机接口的技术界定可以从这一视野去加以理解,它作为一种特殊的技术人工物,是通过在“脑”与“机”之间的人工联结(结构)来实现其特有的功能：为需要它的相关人群提供人工行动或人工感知。正是围绕这一界定,脑机接口成为一种具有信息技术、智能技术、神经技术、治疗与增强技术等多面相的技术统一体,并体现出心物交互、知行交互和对人多向度延展的哲学特征,由此延伸到它的分类上也可以从哲学价值论和认识论上获得新的解析。这些考察视角为理解脑机接口的内涵和外延拓展了本体论高度和认识论广度的新视野。     

从人类增强到机器向人化——对脑机接口技术两种进路的哲学审思

近年来,随着脑机接口(BCI)技术的发展,其在帮助人类延展心灵方面展现出巨大潜力。这种潜力首先直观反映在BCI研究与应用的"激进进路"中,BCI设备通过对人体尤其是大脑进行接触式作用,可以有效"增强"人类的行为和认知等能力。然而由于"激进进路"存在诸多难以逾越的伦理困境,在较长一段时间内人类还需要依赖"保守进路",即BCI促进机器"向人化",以弥补人类自身能力上的不足。也即以BCI为中介将机器纳入人类认知系统中,促使机器通过对人类伦理的"把握"以及对情感的模仿,来帮助或代替人类进行更加合理的决策。虽然机器"向人化"进路的可行性较高,但这一进路也并非尽善尽美。具身认知、行动者网络以及心灵哲学等理论向这一进路提出了理论与现实上的挑战,揭示出这一进路面临的"通感难题"以及未来向人化机器的社会定位与人类预测机器行为的策略选择等问题。     

利用DCE-MRI结合改进卷积神经网络的MR图像自动分割与分类方法

为鉴别乳腺良、恶性肿瘤,利用动态增强磁共振成像(DCE-MRI)技术,结合混合集成的改进卷积神经网络(ME-ICNN),设计了一种计算机辅助诊断(CAD)方法。首先,在预处理阶段对输入的肿瘤图像进行背景缩减、对比度增强和乳房区域裁剪,采用全局Otsu阈值分割和形态学顶帽变换去除非损伤结构;然后,在定位阶段使用Chan-Vese活动轮廓模型自动选取最佳ROI,采用基于紧致度的滤波方法减少假阳性;最后,在诊断阶段提出一种新的卷积神经网络混合集成模型ME-ICNN,用于乳腺良恶性肿瘤的分类。通过112例DCE-MRI数据库上的实验结果表明:相比其他几种较新的卷积神经网络分类方法,所提出的ME-ICNN方法具有训练和测试执行时间快、自由参数少、分类精度高等优点,可作为放射科专家分析乳腺DCE-MRI图像的有效工具。     

基于多尺度卷积策略CNN的滚动轴承故障诊断

针对一维卷积神经网络单一卷积拓扑结构在提取不同工况下的信号特征时缺乏自适应性,难以处理复杂工况下的机械故障诊断问题,提出了一种基于多尺度卷积策略的卷积神经网络(MACNN)故障诊断算法。首先将表征滚动轴承故障的一维振动信号输入模型,然后利用卷积层中的多尺度卷积结构对原始信号进行卷积运算,实现不同角度的敏感特征提取,再通过池化层进行特征信息的提炼和简化,最后利用全连接层实现检测结果输出。在公共数据集——凯斯西储大学的轴承故障数据集上进行试验,结果表明:MACNN算法和其他算法相比拥有更快的收敛速度和更高的识别准确率,为故障诊断提供了一种新的方法。同时,其在多工况下表现出的优异泛化性能说明具备工业应用的可行性。     

激光刀口法声表面波分布图像化系统

介绍了激光刀口法声表面波(SAW)分布图像化高速测量系统的原理和系统构成,并进行了测试验证。通过将声表面波传播时引起的被测件表面微变转换为入射到光电二极管的光量变化,转换出的电信号下变频到中频进行检波和鉴相后输入到高速数据采集器,实现了约20min测试2620(x)×410(y)点阵,获取的声表面波振幅和相位数据重构声表面波分布的图像。     

基于P300和极限学习机的脑电测谎研究

极限学习机基于一种典型的单隐层前馈神经网络(SLFNs),其有效性在模式识别很多领域得到证实。该文针对当前的测谎方法的准确率不够高及训练时间较长的缺点,将ELM算法应用到测谎研究领域,作为分类器,对说谎者和诚实者的两类脑电信号进行分类识别,并将实验结果和三类典型的分类器:支持向量机(SVM)、人工神经网络(ANN)和线性分类器(FDA)的分类结果进行比较。实验结果表明,该方法不仅获得最高的训练和测试准确率,而且训练时间也大为缩短,证明了该方法的测谎有效性。     

基于改进DPGN的少样本图像分类算法研究

DPGN(distribution propagation graph network)是基于深度学习的少样本图像分类算法,在数据稀疏的条件下可以顺利完成图像分类,但其分类的准确率仍需进一步提升。以DPGN算法为研究对象,提出SFOD＿DPGN(SinAM＿FRN＿layer＿ODConv＿DM&EMD＿distribution propagation graph network)算法。在骨干神经网络Resnet12的残差块中融入注意力机制;将Resnet12网络中批量归一化与ReLu激活函数搭配使用的方式改为滤波器响应归一化与阈值线性单元激活函数搭配使用的方式;在分类器模块中选用全维动态卷积替换普通卷积;使用马氏距离和推土机距离替换L2距离度量函数。在CUB-200-2011数据集上的实验表明,在5way-1shot和5way-5shot分类任务下,SFOD＿DPGN算法比DPGN算法的准确率提升约7.97%和2.66%。     

基于IAPSO-RELM的信用卡用户风险评估

为了提高正则极限学习机(RELM)分类模型的精度,准确的将银行信用卡客户按照信用等级进行分类,利用改进的自适应粒子群算法(IAPSO)的全局搜索能力,寻找RELM的最优输入权值(IW)和隐藏层阈值(B),提出一种IAPSO-RELM分类算法。在分析影响信用卡用户信用等级的个人状况、工作状况和与银行关系的基础上,建立基于IAPSO-RELM的信用等级分类模型,并以FX银行信用卡中心的数据进行仿真实验。结果表明:与RELM、PSO-RELM算法相比,该方法分类效果更好。     

基于深度学习的海岸带土地利用信息提取方法

针对海岸带地物类型复杂多样,监测难度较大,本文选取山东省烟台市海岸带为研究区,运用时间序列Sentinel-2遥感影像数据,基于面向像元分类方法,利用不同地物在时间序列遥感影像不同波段上表现出的光谱差异特征,通过构建轻量级卷积神经网络提取出研究区土地利用信息,并对分类结果进行精度评估.结果表明:(1)像元时序特征值作为网络输入形式,提取出烟台市8种土地利用类型信息,很好区分出草/林地、耕地、裸地等地物,并能提取细长河流和道路,有效降低了"同物异谱"和"异物同谱"现象.(2)该方法总体分类精度、Kappa系数分别达到了91.32%,0.8965,比采用支持向量机、随机森林分类器总体精度提高4.17%,5.66%,分类制图中有效地避免了"椒盐"现象.基于像元时序特征值分类方法分类精度较高,为利用中分辨率遥感数据对海岸带土地利用信息快速、准确分类提供支持.     

基于动态因果模型的运动执行和运动想象脑网络研究

利用动态因果模型,分析右手运动执行和想象过程中功能磁共振实验数据对侧初级运动皮层(M1)和双侧辅助运动区(SMA)的动态功能网络,发现了左侧SMA在右手运动执行和运动想象过程中的主导作用,以及运动想象过程中左侧SMA对左侧M1的抑制作用;进一步分析了运动执行和想象过程的动态功能网络的差异,发现了实验刺激模式在两种不同的动态网络中对激活脑区的激活和抑制作用的转化,揭示了运动执行和想象动态功能网络转换的神经机制。     

基于EEMD-PSR-CS-SVR组合方法的PM2.5浓度预测模型研究

为了解决具有非线性特征的未来24小时PM2.5浓度预测难题,将集合经验模态分解(ensemble empirical mode decomposition, EEMD)和相空间重构(phase space reconstruction, PSR)技术与布谷鸟算法优化的支持向量机(CS-SVR)模型结合起来,建立EEMD-PSR-CS-SVR组合预测模型。采用EEMD将PM2.5浓度时间序列分解为n个不同尺度的IMF子序列及余项,然后对各子序列进行相空间重构,再用重构后数据对支持向量机预测模型进行训练并得到未来24小时PM2.5浓度的预测结果,在其中采用布谷鸟算法对支持向量机参数进行优化。实验结果显示：建立EEMD-PSR-CS-SVR组合预测模型对PM2.5浓度的预测结果,相对于单一预测模型(ARIMA、LSTM、BP)、不同的模态分解方法(EMD-PSR、CEEMD-PSR),以及不同参数优化算法的SVR预测模型等具有显著提高的预测精度(R,RMSE, MAE, MAPE等评价指标),为未来24小时PM2.5浓度预测研究提供了一种新的方法。