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%。     

电子光学条纹管的物理特性分析

传统的分析法在分析电子光学条纹管物理特性时效果较差。针对新技术的要求提出了一种新的电子光学条纹管物理特性分析方法,首先建立了物理特性分析模型,计算电子在光学条纹管中的运动轨迹,然后通过建立二维平面图,统计空间向量分布方式,分析了电子光学条纹管的灵敏度、静态空间分辨率、时间分辨率、偏转电压、偏转距离、动态空间分辨率和畸变时间,最后与传统方法进行了对比实验。结果表明,给出的分析方法能够在短时间内精准地分析出电子光学条纹管的对应物理特性,耗时短、效果好,具有很好的发展空间。     

基于阈值决策的小波降噪方法研究及其改进

分别从小波基、阈值的选择等方面详细讨论了基于阈值决策的小波降噪方法及其应用。在此基础上，探讨了对传统的阈值方法的改进，即平移不变小波变换去噪法。实验证明，应用改进后的方法能更好地逼近真实信号。     

MSPCA在流向变换催化燃烧过程监测中的应用

针对PCA单尺度建模的局限性,综合应用小波分析和主元分析PCA,将小波分析提取变量局部特征的能力及主元分析分解变量线性关系的优势结合起来,引进新的多元统计过程监测工具MSPCA,并将其应用于温度周期化的流向变换催化燃烧过程。研究表明,与PCA相比利用MSPCA可以更有效地监测到过程的异常状况。     

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%。