基于粒子群优化-支持向量机的睡眠呼吸暂停检测

睡眠呼吸暂停（sleep apnea,SA）是一种睡眠障碍疾病,严重影响睡眠质量和身体健康。为降低睡眠呼吸障碍检测的复杂度并提高准确率,提出了一种粒子群优化支持向量机（particle swarm optimization-support vector machine,PSO-SVM）方法,通过心电信号实现对SA的准确检测。首先,将心电信号分段,并从中提取心率变异性;其次,实现特征提取与选择,包含心电信号RR间期的均值、标准差、均值标准差、差值均方的平方、心率变异性的信号总功率、低频段功率、高频段功率、瞬时中位频率、边际谱熵和能量谱熵等;最后通过PSO-SVM分类算法进行睡眠呼吸暂停检测。结果表明,本方法筛选10个特征对SA检测,利用Apnea-ECG数据库通过PSO-SVM检测准确率为94.0%,提升了现有方法的检测性能。     

提高线性调频连续波探地雷达厚度检测分辨率的信号处理方法

线性调频连续波探地雷达（LFMCW GPR）用于检测路面厚度时要具有较高的垂向分辨率，而由于经典谱估计法固有的缺点，限制了分辨率的提高。利用Burg最大熵法和修正协方差法对探地雷达信号进行了处理，计算机模拟和室内实测信号处理的结果表明，这两种方法均能有效地提高LFMCW探地雷达的分辨率，使功率谱的主瓣变窄、旁瓣幅度降低。在对计算量无严格要求的情况下，修正协方差法的功率谱估计效果更好，它能克服使用Burg最大熵法出现的谱峰频率偏移和谱峰分裂的缺点。     

情感识别中脑电漂移数据的校正方法

本研究针对脑电信号在采集过程中出现的漂移情况,采用支持向量机分类器,分析了节律对数功率、分形维数和信号熵等9种特征,研究了脑电漂移数据对情绪分类的影响;同时,采用拟合求差的方法,尝试对脑电漂移数据进行校正.实验结果表明:脑电漂移数据会导致情绪分类正确率下降,而拟合求差法可以在一定程度上补偿漂移数据对分类造成的不利影响.仿真结果显示:不存在漂移数据时,样本熵和θ节律功率对数两种特征的情绪分类效果最好,而存在未经校正的漂移数据时,δ节律功率对数特征的情绪分类结果最好;漂移数据校正后,样本熵和δ节律功率对数两种特征的情绪分类结果最好.     

飞行员异常事件处理能力的脑电评估方法

为客观准确评估飞行员在飞行过程中对发生的异常事件的处理能力，在A320NEO/CEO全任务飞行模拟器中设定异常事件，并利用脑电设备进行实验信号采集。脑电信号（Electroencephalography，EEG）经独立成分分析（Independent Component Analysis，ICA ）等预处理后，通过近似熵法与小波包分析法提取相应特征以构建特征集，再选择适用于脑电领域的机器学习算法构建模型，并引入F1值、ROC-AUC曲线等模型评价指标对构建的模型进行评价。分析结果显示随机森林算法所构建的模型的分类效果最好，其准确度为88.5%，F1值为84.2%，AUC值为0.95。研究表明该模型预测精度良好，可用于辅助飞行员训练与评估。     

基于随机森林特征变量优化的湿地植物分类与密度反演

以长江口滨海湿地为研究区域,采用随机森林算法对滨海湿地植被进行分类。在提取Landsat?8 OLI影像植被指数和水体指数的基础上,提出利用植被指数季节差值对模型进行特征变量优化,分析了长江口滨海湿地植物群落分布的空间特征。以所占面积最大的互花米草（入侵物种）为例,采用多元线性回归模型结合实地测量数据,估算了秋季的互花米草植物密度的空间特征。提出的多时相遥感数据结合随机森林特征变量优化方法,可以较为便捷地提取长江口湿地3种优势物种的空间分布特征,与最大似然法相比,分类精度有较大提高,总体分类精度由78.35%提高至87.55%,Kappa系数由0.72提高至0.84。该方法适用于存在“异物同谱”问题的湿地植物群落研究。     

热带太平洋海平面高度季节内振荡的空间分布特征

根据三年卫星高度计（ＴＯＰＥＸ／ＰＯＳＥＩＤＯＮ）资料和涡分辨率的海洋环流（ＰＯＰ）模式模拟计算的海平面高度资料，利用功率谱和最大熵谱的方法，揭示了热带太平洋平面高度季节内振荡的空间分布特征。     

分维方法在肝癌超声图像纹理识别中的性能比较研究

研究描述超声肝图像纹理特征的分维方法。用14幅正常肝样本图像和14幅原发性肝癌样本图像检验并比较评估4种分维方法。用布朗运动方法、毯子法、傅里叶功率谱法和差分盒计数法4种方法得到的分维作为特征进行ROC(Receiver operating characteristic)分析,以SVM作为模式分类方法的分类正确率进行分析。研究结果表明:除了分数布朗运动方法外,由毯子法、傅里叶功率谱法和差分盒计数法获得的描述正常肝图像感兴趣区域的分维值明显小于描述原发性癌图像感兴趣区域的分维值;采用傅里叶功率谱方法得到最大的ROC曲线下的面积;用SVM(Support vector machine)方法进行分类也取得了与ROC分析类似的结果,即用傅里叶功率谱方法进行分类准确度最高,分数布朗运动和差分盒计数方法效果较差,毯子方法效果居中;傅里叶功率谱方法是描述超声肝图像纹理特征最适合的方法。     

基于小波包能量熵和随机森林的级联H桥多电平逆变器故障诊断

为了提升级联H桥多电平逆变器故障诊断的准确性和高效性,提出一种基于小波包能量熵和随机森林的故障诊断方法 .首先对级联H桥多电平逆变器的输出电压进行小波包分解,提取小波包能量熵构建故障特征;然后采用主成分分析法对故障特征进行维数约简,以降低诊断模型的训练时间;最后采用经参数调优后的随机森林模型对逆变器故障进行分类诊断.基于Matlab平台,将该诊断策略与传统的基于快速傅里叶变换的SVM(Support Vector Machine)方法以及基于小波变换的BP(Back Propagation)神经网络方法进行对比.仿真结果表明,针对级联H桥多电平逆变器中功率开关晶体管开路故障,基于小波包能量熵和随机森林诊断策略的故障识别率更高,可有效提升故障诊断率至97%左右.     

基于信息融合的支撑座早期松动故障诊断

采用基于信号分析的无模型检测方案和信息融合技术,对支撑座早期松动故障进行检测诊断.针对支撑座松动的小波包变换特征和功率谱特征进行特征融合与决策融合,同时采用基于熵度量的无监督特征约简方法对功率谱特征进行约简,有效地减少了特征数目,加快了融合和诊断速度.特征融合与决策融合采用分层神经网络实现,该网络综合了局部融合和全局融合的优点,具有很高的故障确诊率和很好的抗噪性能,无噪声样本综合确诊率达94.3%,有噪声样本综合确诊率达88.6%.     

基于脑电功率谱-连续隐马尔科夫链的精神疲劳分级模型

提取多通道脑电（EEG）功率谱特征,训练连续高斯密度混合隐马尔科夫模型（CHMM）,建立了基于功率谱-CHMM的精神疲劳分级模型.分级结果表明：EEG各节律功率谱及其比值是精神疲劳的敏感指标,CHMM对于不同的精神疲劳状态具有较高的分类精度,最高分类正确率达到97.5%;在训练样本相同的情况下,CHMM比反向传输人工神经网络具有更高的分类精度.     

老年性痴呆症患者的EEG近似熵特征初探

老年性痴呆症是一种后天获得性中枢神经系统退行性疾病，严重地危害着人们的身体健康和生活质量，为了探索老年性痴呆症脑电图中隐含的信息，对老年性痴呆症患者和健康对照者的脑电图（EEG）近似熵进行分析，并绘制其脑电脑电信息图，对照健康人，发现患者EEG近似熵普遍下降，尤以右额叶，颞叶区显著，提示EEG近似熵与大脑功能状况有一定联系，在一定程度上可以反映大脑功能状态。     

基于特征筛选的经验模式分解脑电信号分类方法

脑-机接口已成为一种独立于正常周围神经和肌肉的从大脑到输出设备的新型通信方式.而脑电信号处理是其中的关键技术之一.利用小波变换和经验模式分解对脑电信号进行分解重构出8个内涵模态分量(IMF),然后再对分解后的IMF计算排列熵,运用比较特征值的显著性差异(Pearson系数)筛选出特征冗余小的IMF熵值,并利用遗传算法优化支持向量机进行分类,准确率达到97.64％.     

一种基于S变换及样本熵组合特征的癫痫脑电信号分类方法

癫痫脑电信号的自动检测对癫痫的临床诊断与治疗具有重要意义。为了解决脑电信号采用单一特征识别率不高的问题,提出了一种基于S变换与样本熵组合的癫痫脑电信号自动识别方法。首先对原始信号进行S变换;然后对变换后脑电信号各节律的幅值分别求其波动指数,将其与原始信号计算得到的样本熵组合为特征向量;最后采用支持向量机进行癫痫脑电信号自动识别。实验结果表明:方法的分类准确率明显提高,准确率可达到98.94%。     

基于近似熵快速算法的静息态脑磁信号分析

为了探究静息态精神分裂症患者脑磁信号的非线性动力学特性,提出了一种将小波变换和近似熵相结合的特征提取方法.该方法首先通过小波变换,将10个正常人和10个精神分裂症患者的脑磁信号进行6层小波分解,提取对应于脑磁信号θ波段和α波段的小波系数,继而计算和比较两类人近似熵的分布情况.实验结果表明,相同情况下精神分裂症患者MEG信号的各脑区和各通道间的近似熵都普遍高于正常人,α波段的额叶和中央区域尤为突出.该结果为进一步研究患者MEG信号特征进而建立相应的分类诊断模型提供了思路.     

运用FIR数字滤波器提取视觉警戒脑电的节律特征

脑电信号(EEG)蕴涵着视觉警戒操作过程中的状态变化信息,利用凯泽窗函数法设计了有限长脉冲响应(FIR)数字滤波器,提取了EEG信号中δ、θ、α、β等节律,计算了各节律的相对能量。以相对能量为特征探讨了警觉状态与低警觉状态的节律差异,警觉状态变化过程中不同脑区节律的变化情况,结果表明该方法所获取的EEG特征能够较好地表征警觉状态变化,为脑机接口监控操作员的状态提供参考。     

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。     

基于多尺度符号转移熵的脑电信号分析

无论从全局还是局部的角度出发,采用多尺度转移熵表示全局和局部两类脑电(electroencephalography,EEG)信号,并分析其动态和不对称信息。采用比例系数从1到199、步长为2的多尺度方法处理正常人和癫痫病患者的脑电信号;然后采用维度为3的全局排列方法表示序列。将正向和反向符号序列作为转移熵的输入。比例因子的间隔和全局路径分别为(37,57)和(65,85),分析发现两组EEG信号的熵值在该处较容易区分。当比例系数为67时,健康对照组和癫痫病患者的转移熵值分别为0.113 7和0.102 8,差异最大。在比例系数是165时,全局变量的相应值为0.064 1和0.060 1。研究结果表明,合适的排列有助于更好的区分脑电数据信息,采用多尺度符号转移熵分析EEG信号更加有效。     

基于样本熵的注意力相关脑电特征信息提取与分类

提出一种用样本熵作为特征进行注意力相关脑电信号的分析与分类处理、并采用支持向量机(SVM)算法实现分类器的方法.7位年龄在20~30岁之间的男性受试者接受了执行3种不同注意任务状态下的测试.数据分析结果显示:样本熵分类法对注意任务相关脑电信号分类的正确率可达85.5%,优于传统频段能量法获得的分类精度(77.9%).这个结果暗示了样本熵能有效地识别出自发脑电中注意力相关信息,因而它可在脑电生物信息反馈治疗系统设计中获得广泛的应用.     

基于独立成分分析降噪与集成分类器的疲劳脑电研究

疲劳驾驶是引起众多交通事故的重要因素之一,脑电作为一种直接反映大脑组织电活动的信号日趋成为评估驾驶疲劳检测与预警的研究焦点。本文提出了一种基于AdaBoost的组合型实验方法用于分析脑电检测疲劳驾驶。试验过程中针对不同受试者采用独立成分分析(Independent Component Correlation Algorithm, ICA)处理分析,继而进行样本熵、信息熵、模糊熵和AR系数的特征提取;最后运用AdaBoost将最小二乘向量机基于三种核分类器集成为一个强分类器。试验结果显示,采用AdaBoost分类器分类效果优于单个核分类器,对疲劳驾驶平均识别率达到93%,五折交叉验证准确率为91.04%,在一定程度上推动了基于脑电信号的安全驾驶辅助监控系统的研究。     

老年驾驶人的应激操作反应特性分析

随着年龄的增长,老年驾驶人的感知认知能力、判断决策能力及操作反应能力均出现衰退,进而导致其交通风险感知和应激反应能力发生变化。为了研究风险情景下老年驾驶人的应激操作反应特性,设计并搭建了行人与机动车、非机动车与机动车、机动车与机动车冲突的道路交叉口风险虚拟试验场景；分别招募了15名中青年与老年驾驶人进行了驾驶模拟试验,采集驾驶过程中驾驶人的操作行为及车辆运行数据；选取相关的指标对试验进行分析。结果表明,老年驾驶人在各风险情境下的反应时间与制动踏板行程总体上比中青年驾驶人长；而在高风险驾驶场景下,老年驾驶人的纵向加速度的波动幅度比中青年驾驶人大,其中有10名老年驾驶人发生了碰撞事故,占所有受试者的比例为33.3%。研究结果能为交通安全政策制定者的措施制定提供一些提高老年驾驶人驾驶安全性的理论依据。