基于独立成分分析降噪与集成分类器的疲劳脑电分析

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。提出了一种基于Ada Boost的组合型实验方法用于分析脑电检测疲劳驾驶。实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Ada Boost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。实验结果显示,采用Ada Boost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。     

基于颈腰部肌电及脑电信号的疲劳驾驶检测

为了有效判别驾驶员的疲劳状态,结合生物力学分析提取了驾驶过程中的颈腰部肌电信号EMG和头部脑电信号EEG,并分析其特征参数在驾驶过程中的变化规律.结果表明:颈肌样本熵、颈肌复杂度、腰肌样本熵、腰肌复杂度、脑电样本熵、脑电复杂度这6个生理信号的特征参数值都随着驾驶时间的延长而逐渐降低,通过主成分分析可实现特征参数间的合理组合.基于多元回归理论,建立了能够有效预测疲劳驾驶的数学模型.状态验证结果表明,该模型对疲劳状态判别的正确率可达95%以上.     

基于AdaBoost的弱分类器选择和整合算法

针对传统AdaBoost算法在人脸检测中训练耗时和误检率高的问题,提出一种改进的AdaBoost算法.新算法在基于PSO的AdaBoost算法基础上对弱分类器的选择和整合两个阶段进行改进.弱分类器选择阶段,在使用PSO迭代选择最佳弱分类器之前,剔除部分无用特征,缩小粒子搜索空间;弱分类器整合阶段,在采用基于核函数的非线性感知器算法优化调节弱分类器参数的过程中使用一种新的与正样本分类能力有关的弱分类器初始参数.采用基于MIT数据库的实验结果表明,本文算法比基于PSO的AdaBoost算法在检测性能上有明显提高.     

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.     

基于非线性特征提取的EEG信号支持向量分类器

为提高癫痫脑电(EEG)信号的正确识别率,设计了一种基于非线性特征提取的EEG信号支持向量分类器.分类器首先将EEG信号通过四层小波包变换分解到不同频段,然后计算各频段小波系数的近似熵(ApEn)值,作为特征向量,最后使用支持向量机(SVM)进行分类.实验结果显示该分类器能有效提高正确识别率.     

基于混淆熵的分类器集成方法

本文提出了一种基于混淆熵（confusion entropy,CEN）的分类器集成算法.该算法按照候选分类器的CEN值升序排序，遍历选择使得CEN值减小的分类器，从而使组合不断优化，以获得更好的集成分类结果.使用7个候选分类器在5个UCI数据集上进行实验，结果表明，所提算法整体上优于经典的分类器集成算法AdaBoost和XGBoost以及另外3种近期算法（AdaCost、AdaCost-CNN和CU-AdaCost），验证了算法的可行性.     

基于脑电节律的小波熵分析方法

 针对现有小波熵方法的影响因素分析不明确,影响认知特性的分析结果和可比性,本文确定了分解层数和P_n（第n个子空间信号能量与信号总能量之比）的选择和计算原则,在此基础上结合脑电节律特性,提出了一种基于节律特征的脑电小波熵分析方法,以构成节律信号的所有子空间为单元,统计所有子空间的能量和作为该节律的能量,经过计算得到脑电节律小波熵。基于该方法提取的脑电小波熵值描述了脑电节律信号的分布情况,同时结合小波熵值与脑电节律的联系,分析了小波熵值变化的原因,可追溯到脑电节律信号的变化规律,进而分析相应的认知特性,初步建立了脑电信号-脑电节律-脑电节律小波熵-认知特性的联系。     

疲劳驾驶的脑电特性探索

研究疲劳驾驶时的脑电特性.利用汽车模拟驾驶系统模拟驾驶员疲劳驾驶的情况,用脑电仪记录驾驶员的脑电情况,得到了驾驶员在正常状态和疲劳状态下驾驶时的脑电数据和波形,分别用平均功率谱方法和非线性的关联维数方法对所得数据进行分析.得到了疲劳驾驶时脑电的2个特征量R和D.可以用驾驶员驾驶时的脑电特征量来评价其疲劳程度.     

基于熵权法的驾驶疲劳量化

为了客观准确获取驾驶疲劳判别阈值,采用驾驶模拟试验研究方法,采集驾驶员在清醒及疲劳状态下的眼动数据、反应时间、执行时间.用驾驶人连续驾驶状态下的眼动数据、反应时间、执行时间表达驾驶人注意特性、反应能力、执行能力.并以三者为自变量,驾驶疲劳量化值为因变量,基于熵权法对三者加权平均建立三者之间的关系模型.为了提高驾驶疲劳阈值的客观性,选取基于可变的阈值确定方法,得到最优一次疲劳及二次疲劳阈值.文中还揭示了驾驶人连续驾驶状态下疲劳变化规律.评价了驾驶疲劳的量化方法.试验结果表明,该方法有效地提高了驾驶疲劳量化的准确性,在预防驾驶疲劳的行车安全领域有着广泛应用前景.     

一种基于核熵和人工免疫的网络异常检测方法

针对网络样本数据复杂且维数较高,导致异常检测模型容易遭受维数灾难这一问题,本文将核熵成分分析法应用到基于人工免疫的网络异常检测中,与传统的多元统计分析方法相比,核熵成分分析可以保证数据降维过程的信息熵损失更少,从而保留了更多有用的分类信息.基于降维后的数据,本文采用实值否定选择算法训练人工免疫检测器对网络异常样本进行检测.在入侵检测标准数据集KDD Cup99上进行了对比实验,实验结果表明,基于核熵成分分析的异常检测准确率从87.1%提高到了98.9%,有效地改进了网络异常检测的性能.     

基于EEMD与模糊信息熵的旋转机械故障诊断方法

针对旋转机械故障识别率偏低的问题,提出一种基于EEMD与模糊信息熵的旋转机械故障诊断方法.该方法结合EEMD分解和模糊信息熵在特征提取方面的优势,构造出一种能够精细度量不同类别振动信号故障概率复杂度的特征集合.首先将原振动信号进行EEMD分解,获得若干个本征模态函数(IMFs);计算出前5个高频IMF分量的模糊信息熵组成高维特征集;利用LPP对高维特征集进行维数约简剔除冗余不相关特征;最后将约简后的样本集输入到KNN分类器中进行故障识别.用双跨转子实验台采集的数据对所述方法进行验证,并与EMD模糊熵、EMD模糊信息熵、EEMD模糊熵方法进行故障识别率对比,结果表明该方法能够有效提取转子振动信号的故障特征,并且具有更高的故障识别率.     

一种基于压缩感知和小波信息熵的滚动轴承特征提取方法

为降低滚动轴承在线监测和故障诊断过程中振动信号采集、传输、存储和处理负担,基于压缩感知理论和小波包分析技术,提出一种基于压缩感知和小波信息熵的滚动轴承特征提取方法,用于滚动轴承故障诊断。应用部分哈达玛矩阵采集振动信号实现压缩,通过小波包分解提取滚动轴承状态特征,计算其小波信息熵作为故障诊断特征。在标准数据集上进行振动信号特征提取,并采用四种分类方法完成故障诊断实验,结果表明本文特征提取方法能够在较高的数据压缩率条件下,保持较高的故障诊断精度,适用于滚动轴承在线监测和故障诊断。     

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.     

基于Hilbert谱熵的柴油机故障诊断方法研究

从信号的特征提取出发,采用局域波时频谱分析和信息熵结合的方法--Hilbert谱熵(HSE),进行柴油机振动信号的特征提取和状态识别.首先,对信号进行局域波分解;然后,根据得到的内蕴模式分量计算Hilbert谱;最后,建立基于时频分布的Hilbert谱熵,并以此作为故障识别的特征参数.以柴油机缸套与活塞间磨损的状态识别为例,根据对时域、频域和时频域的信息熵比较分析,证明了Hilbert谱熵对柴油机的状态进行评价的有效性.此方法为柴油机预知维修提供了一个有效的手段.     

基于功率谱熵特征提取的脑电波大脑年龄预测

 大脑会随着年龄的增加而出现功能衰退，通过决策实验获取年轻人和中老年人的脑电信号，可以定量分析大脑随年龄增长而出现的变化。提出了一种基于熵的脑电波刻画方法，并利用机器学习的方法能够比较准确地预测人的大脑年龄。研究表明，脑电波功率谱熵（PSE）具有良好的时域分辨能力和更准确的区分效果，年轻人在做决策时的脑电波功率谱熵的分布是大于中老年人的，即年轻人所产生的脑电波信息量更大。此外，支持向量机（SVM）的分类效果优于随机森林（RF）方法，最高平均精度达88.02%，比随机森林高出2.66%。通过基尼指数对特征重要性排序，还发现决策过程中左眼电区域、大脑的颞和中央区域的决策反应差异很大，分类器更容易在这些特征区域做出更好的分类。     

基于点标定的行人检测准确度研究

为了提高基于特征点的行人检测方法的检测准确度,提出了一种基于局部二值模式(local binary patterns,LBP)和二进制梯度方向直方图(binary histograms of oriented gradients,BHOG)特征组合和支持向量机分类器(support vector machine,SVM)的行人检测方法。实验结果显示,采用BHOG+LBP组合特征提取方式的错误检测率为0.012,相较于采用单一BHOG特征提取方式的错误检测率降低了33.33%,相较于采用单一LBP特征提取方式的错误检测率降低了40%。     

基于信息熵的无线传感网入侵检测遗传算法

无线传感网作为正在兴起的物联网的基础设施,在快速发展的同时却面临着多种信息安全风险。提出了一种基于信息熵的无线传感网入侵检测遗传算法,将信息熵和遗传算法应用于检测过程所用比对库的训练,采用异常检测和特征检测结合方法进行入侵检测。仿真实验结果表明,该算法能快速地生成比对库,在入侵检测过程中的收敛性和精确度都有明显改善,其对入侵的检测率高于99．5％,误检率低于0．5％。     

基于多尺度熵的滚动轴承故障诊断方法

针对滚动轴承故障振动信号具有不同复杂性的特点,提出了一种新的基于多尺度熵(multi-scale entropy,简称MSE)和支持向量机的滚动轴承故障诊断方法.该方法首先利用MSE方法对滚动轴承不同类型振动信号进行故障特征提取,然后与样本熵方法对比说明MSE方法相对于样本熵方法的优势,最后通过适合小样本分类的支持向量机作为分类器来识别滚动轴承故障类型.对实验数据分析的结果表明,该方法能有效地实现滚动轴承故障类型的诊断.     

基于脑电图的新型情绪识别特征提取方法

基于脑电图(EEG)信号对情感识别计算进行研究.针对脑电图的特征提取难和模型计算难的问题, 提出了一种从EEG信号中获得可靠区别特征的创新方法.该方法将微分熵与线性判别分析(LDA)相结合,可被应用于情绪EEG信号的特征提取.采用3类情绪EEG数据集进行实验,结果表明该方法能够有效提高EEG分类的性能:与原始数据集的结果相比,平均准确度提高了68%,比单独使用微分熵进行特征提取时的准确度高7%.总执行时间结果证明提出的方法具有较低的时间复杂度.研究结果在3类情感脑电图识别领域具有重要的实用价值,可被应用于实际的工程领域.     

互信息和核熵成分分析的油中溶解气体浓度建模

针对变压器油中溶解气体浓度的预测问题,提出了一种基于互信息和核熵成分分析(KECA)的油中溶解气体浓度预测建模方法。首先,用标准互信息变量选择方法确定模型的输入变量并对选取的输入变量进行相重构;然后,利用Renyi熵信息测度确定KECA核参数并采用KECA对相空间进行特征提取;最后,以核熵成分作为机器学习极限学习机(ELM)的输入,建立变压器油中溶解气体浓度的预测模型。实验结果表明,与灰色模型、支持向量机、BP神经网络建模方法相比,本文提出的方法能够充分利用油中溶解气体浓度信息,因而具有较优的预测精度和泛化能力。