离散小波变换结合二阶盲辨识的眼电伪迹自动去除方法

针对传统去除眼电伪迹的方法极易丢失潜在脑电信号的问题,提出一种离散小波变换(DWT)与二阶盲辨识(SOBI)结合的眼电伪迹自动去除方法(DSOBI)。首先将多通道脑电和眼电信号进行多层DWT得到多尺度下的小波系数,在小波域利用SOBI消除小波系数统计上的相关性,有效分离脑电和眼电伪迹,根据相关系数识别出眼电伪迹源分量并置零,再依次重构得到干净的脑电信号(electroencephalography,EEG)。方法对构造的数据进行去伪迹处理,均方误差为1.93,信噪比为14.32,与传统方法相比具有显著优势;对10位被试的真实脑电数据进行处理,利用相关系数验证本方法去除眼电伪迹的有效性,同时保留更多脑电信息。     

基于注意力机制归纳网络的小样本关系抽取模型

针对小样本关系抽取问题,提出一种基于注意力机制的归纳网络.首先,利用归纳网络中的动态路由算法学习类别表示;其次,提出实例级别的注意力机制,用于调整支持集,并获取支持集与查询集样本之间的高级信息,进而获得与查询实例更相关的支持集样本.该模型很好地解决了训练数据不足时如何进行关系抽取的问题.在小样本关系抽取数据集FewRel上进行实验,得到的实验结果为：5-way 5-shot情形下准确率为(88.38±0.27)%,5-way 10-shot情形下准确率为(89.91±0.33)%, 10-way 5-shot情形下准确率为(77.92±0.44)%, 10-way 10-shot情形下准确率为(81.21±0.39)%.实验结果表明,该模型能适应任务并且优于其他对比模型,在小样本关系抽取中取得了优于对比模型的结果.     

基于MAML方法的佤语孤立词分类

深度神经网络模型直接用于识别有限的佤语语音很容易陷入过拟合的窘境.而元学习善于解决小样本因数据不足导致的过拟合学习问题,利用平摊机制将以往经验应用于新任务学习能够有效减少对目标数据集的要求.选用原始的与模型无关的元学习(MAML)和近似一阶MAML梯度更新的Reptile对佤语语谱图进行识别研究.基于两组对比实验结果表明,元学习具有快速学习能力,并且能显著提高网络的收敛能力和泛化能力.在相同的实验设置条件下,MAML和Reptile对5-way 1-shot的实验准确率分别达到74.5%和61.6%,对5-way 5-shot的识别准确率分别达到94.5%和93.6%.     

去除癫痫脑电信号运动伪迹的变分模态分解-自适应熵阈值方法

针对癫痫发作前期脑电信号中含有运动伪迹影响癫痫预测的问题,提出一种变分模态分解-自适应熵阈值(VMD-AET)的运动伪迹去除方法。设计了实验室环境下8种模拟运动状态,分析不同运动状态下脑电信号的变化规律;利用VMD方法获得脑电信号各频带的变分模态分量,对分量进行能量熵求解和排序;采用不同的熵阈值进行运动状态下伪迹分量的去除,比较得到能量熵的最优阈值,得到不含运动伪迹的脑电信号;采用Matlab软件使用VMD-AET方法实现了脑电信号中运动伪迹的有效去除。实验结果表明:每种运动状态均能达到去伪迹效果,在跑步时伪迹去除率和信噪比提升最高;对癫痫病人发作前期脑电信号的伪迹去除率为5.54%,信噪比提升达到10.35 dB;与常用的独立成分分析和经验模式分解的阈值法进行对比,所提VMD-AET方法的伪迹去除率和信噪比提升了1.47%和3.36 dB,可满足对移动脑电运动干扰的预处理要求。     

基于改进残差网络的癫痫脑电自动识别算法

为了提高癫痫脑电图(EEG)的识别精度，提出一种基于改进残差网络的癫痫脑电自动识别算法。首先对EEG信号进行归一化，然后利用改进的残差模块构建一维深度残差网络，将其用于自主学习EEG的内在特征，最后利用Softmax分类器实现癫痫的自动识别。为了评估模型的性能，采用十折交叉验证对波恩大学的癫痫数据集进行实验。实验结果表明，该算法能够有效识别癫痫EEG类别，具有较高的识别准确率。     

多通道脑电信号眼电伪迹自适应去除方法

针对现有方法在眼电伪迹自动去除中存在有用信息丢失,伪迹分量识别困难的问题,提出了一种结合粒子群优化算法、独立成分分析和小波变换的伪迹自适应去除算法。首先,采用均方根误差和Pearson相关系数设计了粒子群优化算法的适应度函数,利用优化算法实现了两个样本熵阈值的自适应设置;然后利用快速独立成分分析算法将脑电信号分解为统计独立分量,根据第一个样本熵阈值自动识别含伪迹分量,含伪迹分量经过四层小波分解得到五个小波分量,根据第二个样本熵阈值自动识别伪迹分量,将识别的伪迹分量置零;最后经过小波重构和逆变换,获得去除眼电伪迹的脑电信号。采用Graz data set A数据集进行实验验证,结果表明提出的方法能够实现多通道脑电信号伪迹的自动去除;采用Klados数据集进行实验验证,结果表明,与SE-CEEMDAN方法相比,采用提出方法实验获得的均方根误差降低了4.816,约38.2%,Pearson相关系数提高了0.025,约2.97%。     

基于卷积神经网络的脑电信号分类

针对现有卷积神经网络脑电信号(electroencephalogram,EEG)分类模型分类精度低、方法复杂且耗时的问题,对卷积神经网络的卷积层进行了改进,提出了多尺度卷积核卷积神经网络(convolutional neural networks,CNN)脑电分类模型,并在输入数据前加了系数矩阵,该系数矩阵可以随网络的训练逐步更新,代替了手工提特征再送入网络的步骤,有助于提高分类精度。最终本文的脑电分类模型在高原脑电信号的分类实验中,二分类准确率比改进前提高8%,三分类、四分类准确率分别达到92.87%、81.15%,分类准确率较高,对脑电信号的分类具有较高的参考价值。     

微弱脑信号专注度特征提取与识别

目前基于脑机接口的脑电信号研究得到越来越广泛的关注,然而传统脑电信号采集需要使用电极帽并涂抹胶泥膏而不被大多数用户所接受。因此,将研究使用无需涂抹胶泥膏的独立电极采集脑电信号,然而使用独立电极采集脑电信号容易出现干扰大、信号不稳定等缺陷。为了快速有效提取脑电信号特征并克服独立电极采集脑电信号的缺陷,将采用低通滤波方法进行工频干扰的滤除,利用独立成分分析(ICA)实现脑电信号中的眼电伪迹分离,并在此基础上通过设置水平眼电和垂直眼电阈值以及各个独立成分在脑部位置的空间分布特性实现眼电伪迹的识别。最后,分别利用β波能量以及样本熵来衡量人脑专注度的高低,仿真结果表明两者均与专注度成正相关,实验以Neuro Sky专注度为基准,将两种算法分别与其进行对照。此外,样本熵与Neuro Sky算法的相关度比β波能量法提高了26%,说明样本熵专注度提取算法更能精确跟踪人脑注意力的变化,对脑电信号专注度的衡量与实际更加吻合。     

面向情绪识别中脑电特征分布不均匀的双策略训练方法

使用脑电进行情绪识别已经有了广泛的研究，但由于脑电的低信噪比、不平稳性以及受试者情绪表达方式的不同，不同受试者甚至单个受试者的脑电图情绪特征都会存在差异性，导致脑电样本在特征空间分布不均匀，容易出现模型泛化性能差的问题。为解决这一问题，该文提出了一种结合提升算法(boost)和梯度下降法(gradient descent)的双策略训练方法交替更新脑电情绪识别模型，梯度下降法在模型推理过程中更新网络参数，使损失最小化，提升算法用于更新脑电样本权重。在DEAP数据集上的实验结果表明，该方法在效价、唤醒和优势度3个维度上的准确率分别为71.25%、71.48%和71.80%,且在跨被试数据集下通过数据驱动的方式有效调整了脑电样本特征的分布，使其分布更均匀，从而提高了情绪识别模型的泛化性能。     

基于混合神经网络的脑电情感识别

为保留脑电(Electroencephalogram,EEG)空间信息的同时充分挖掘EEG时序相关信息,提出了一种三维卷积神经网络(3-Dimensional Convolutional Neural Networks,3D-CNN)结合双向长短期记忆神经网络(Bidirectional Long Short-term Memory Neural Networks,BLSTM)的混合神经网络(3DCNN-BLSTM);为验证该模型的分类性能,在DEAP数据集和SEED数据集上进行情感识别实验. 实验结果表明3DCNN-BLSTM模型能有效学习EEG多通道间的相关性与时间维度信息且提高了情感分类性能:在DEAP数据集的二分类实验中,唤醒度和效价的情感识别平均准确率分别为93.56%和93.21%;在DEAP数据集的四分类实验中,情感识别平均准确率为90.97%;在SEED数据集的三分类实验中,情感识别平均准确率为98.90%.     

小样本学习在高分遥感影像分类与识别中的应用

遥感影像分类与识别是近年来深度学习以及图像分类与识别研究的热点,其中一个关键问题是因样本数据集的数据较少而极易出现过拟合。许多图像分类的模型和方法并不完全适用于遥感影像分类,将小样本学习与遥感影像处理结合起来,实现遥感影像数据增强和识别模型优化是一个可行的思路。根据小样本学习的发展现状,针对特征提取、模型分类方法,归纳总结了典型学习方法的原理及其在相关领域的应用; 分析遥感影像处理的现状和存在问题,基于适用场景、优缺点对各方法进行了比较; 通过分析小样本学习在高分遥感影像分类与识别上的应用,发现引入注意力机制和迁移学习后,小样本学习能够用于样本数据量小的遥感影像分类。     

基于时频域组合特征的脑电信号情感分类算法

为了提高基于脑电信号(electroencephalogram, EEG)情感识别的准确率,提取了脑电信号的时域与频域特征,并且将其进行组合形成时频域组合特征,作为不同识别模型下的输入。采用集成决策树(bagging tree, BT)、贝叶斯线性分析(Bayesian linear discriminant analysis, BLDA)、线性判别分析(linear discriminant analysis, LDA)及支持向量机(support vector machine, SVM)四种浅层机器学习算法对EEG在效价与唤醒度上进行二分类情感识别。实验结果表明,DEAP数据集在效价上,基于时频域组合特征在BT分类器下的识别精度平均达到92.54%,在唤醒度维度上基于时频域组合特征在SVM下平均识别精度达到94.62%。     

基于CNN的脑电信号情绪识别模型研究

针对现有深度学习模型在情绪识别方面种类少且准确率低的问题,采集并建立了脑电波信号数据集,提出了一种基于CNN的脑电波的智能多情绪识别模型,利用多层卷积神经网络提取脑电信号情感特征,在批归一化层和激活函数中引入非线性特性,构建了两层全连接神经网络,实现了情绪特征中积极、中性和悲伤的分类。实验结果表明,提出的模型复杂度低且分类准确率达到了81.43%,明显高于SVM、LSTM、VGGNet模型,证明了该模型的简洁性和高效性。     

基于Transformer模型的手势脑电信号分类识别

基于无创脑电信号的精细手势动作识别是脑卒中患者运动功能康复的重要技术手段。本文通过设计实际手势动作,以手指精细运动时的运动功能区长时程脑电信号作为数据处理对象,改进了一种基于自我注意的Transformer模型识别方法,分别从时间维度和空间维度构建了基于自我注意模块的Transformer模型及其变体Top-k稀疏Transformer模型,并结合脑电数据结构特点设计了一种基于MEMD-CCA的混合去伪影方法,改进的Transformer模型取得了优异的分类识别结果。     

多标签小样本实例级注意力原型网络分类方法

多标签分类中,一个样本可能属于多个类别,且在小样本场景下模型性能更容易受到样本中复杂语义特征的影响。然而,目前常用的原型网络方法仅使用每类支持集样本的均值作为标签原型,导致原型中存在其他类别特征带来的噪声,弱化了原型间的差异性,影响预测效果。本文提出一种利用实例级注意力的多标签小样本原型网络分类方法,通过提高支持集中与当前标签关联度高的样本的权重,减少其他标签特征的干扰,增大标签原型之间的区分度,进而提高预测的精确率.实验表明,方法通过引入实例级注意力强化了多标签原型网络的学习能力,分类效果明显提升.     

基于扩展Informax算法的脑电信号伪差分离研究

提出了一种基于扩展Informax算法的脑电伪差检测和分离方法，首先应用扩展Informax算法将脑电信号分解为相互独立的分量，并计算其解混矩阵和混合矩阵，通过分析分解结果发现；脑电信号中的伪差成分总是作为一到两个独立分量被分解出来，并且这些分量的空间分布与特定伪差类型相对应，因此，根据混合矩阵提取独立分量的空间分布特征，即可检测出伪差成分，进而重构出无伪差的脑电信号，分离眨眼伪差的实验结果也充分证明了这一方法的有效性。     

脑电信号中肌电伪差的实时去除方法研究

为了在线去除脑电信号中的肌电伪差,使用典型相关分析方法,分析了大量被肌电干扰和未被干扰的脑电(EEG)信号,得出了一个合理的自相关阈值.在时域上,肌电伪差和一般的噪声信号比较类似,有比较小的自相关值,在去除肌电伪差时,凡自相关值低于此值的分解成分被识别为肌电伪差.该方法很好地利用了这个特点,将肌电伪差分量与潜在大脑信号分离,然后依据剩下的分解成分重建"干净"的EEG信号.实验结果表明,典型相关分析法在去除肌电伪差时优于独立成分分析法,结合提出的自相关阈值在有效去除肌电伪差的同时,又能较好地保持潜在的大脑信号不变.     

基于模糊函数主脊切片和深度置信网络的雷达辐射源信号识别

雷达辐射源信号识别是电子侦察系统的关键组成部分,为了提高低信噪比条件下对低截获概率雷达信号识别的准确率,提出了一种基于模糊函数主脊切片(MRSAF)与深度置信网络(DBN)的雷达辐射源信号识别方法。首先对雷达信号进行奇异值分解(SVD)进行降噪预处理,求解雷达信号的模糊函数并提取其主脊切片包络,采用奇异值分解方法降低噪声对主脊切片包络的影响,然后建立基于受限波尔兹曼机的DBN模型并运用标签数据有监督微调模型参数完成训练,最后基于该算法模型实现辐射源信号的分类和识别。仿真结果表明:该方法在低信噪比条件下也有较高的识别率,信噪比高于-4dB时,识别率可以达到90%以上,验证了本算法的有效性和应用价值。     

深度学习在轴承故障诊断领域的应用研究

深度学习具有强大的学习能力和特征分类能力,能够在海量、多源和高维测量数据中进行特征提取,具有不依赖人工干预而进行模型诊断和泛化的能力,广泛应用于设备故障诊断领域。阐述了深度学习的典型模型:深度置信网络(DBN)、卷积神经网络(CNN)和自编码器(AE),重点论述了深度学习在轴承故障诊断领域的应用进展。最后讨论了深度学习在轴承故障诊断领域所存在的问题及发展趋势。