排序方式: 共有18条查询结果,搜索用时 203 毫秒
1.
2.
针对传统稳态视觉诱发电位(SSVEP)脑电信号目标识别方法分类精度低、提取特征不充分、方法复杂且耗时等问题,提出一种基于多尺度特征融合卷积神经网络的SSVEP信号分类识别方法(SSVEP-MF)。利用小波变换将多通道SSVEP信号整合转化为二维图像作为输入样本集;建立多尺度特征融合卷积神经网络模型(MFCNN),该模型利用三层二维卷积核实现图像样本不同尺度特征的充分提取,构建多尺度特征融合单元对不同层级特征进行融合,并通过全连接等操作完成模型的训练;将样本集输入到MFCNN模型中实现脑电信号特征自适应提取及端到端分类。所提SSVEP-MF方法能够充分提取信号各层级特征,实现短时间视觉刺激下SSVEP信号的有效识别,并具有较高的目标识别效率。实验结果表明,在1 s刺激时长时,相比传统功率谱密度分析方法、典型相关分析方法以及普通卷积结构方法,所提方法的识别准确率分别提升了18.57%、20.08%及7.03%,有效提高了基于稳态视觉诱发电位范式下脑机接口的信号识别性能。 相似文献
3.
针对目前采用肌电信号的手指关节角度连续解码误差较大,导致肌电假肢手运动效果较差的情况,提出了一种应用表面肌电信号、深度回归森林模型和人工神经网络相结合的手指关节角度连续精确感知方法。首先,应用基于滑动时间窗的特征提取器从前臂8个通道的肌电信号中各提取7种肌电信号特征(肌电信号的平均绝对值、积分肌电值、均方根、波形长度、对数特征、过零点数、斜率符号变化数),输入深度森林回归模型得到具有较大波动的掌指关节估计角度;然后,采用人工神经网络对这些掌指关节估计角度进行优化,以创建一种深度森林回归模型与人工神经网络相结合的综合回归模型;最后,利用该综合回归模型对采集到的表面肌电信号进行连续精确解码,得到肌电假手掌指关节角度控制量,其余手指关节角度可通过比例控制得到。采用所提方法进行实验验证,结果表明:所提方法的平均轨迹跟踪精度比传统高斯过程方法提高了42%,达到82.12%,证明所提方法对基于肌电信号的手指关节角度估计具有非常优良的效果。 相似文献
4.
为有效地模拟行星齿轮传动系统齿圈结构柔性,采用有限元方法建立了齿圈结构模型,依据啮合力与内齿圈的变形协调关系建立了传动系统刚-柔耦合动力学模型,求解了系统固有频率与振型,阐述了耦合系统固有频率的分布规律,依据系统振动特征,将系统振型划分为6种振动模式。计算了系统刚度对各阶固有频率的灵敏度,可作为行星传动系统振动抑制的依据,分析了系统扭转振动随太阳轮扭转刚度和太阳轮与行星轮啮合刚度的变化规律,讨论了齿圈厚度对系统固有频率分布、子系统耦合阶次与振动模式的影响,发现系统固有频率均会在齿轮子系统扭转振动频率位置出现,但随着齿圈厚度的增加,与之耦合的齿圈振动模式则逐渐由高阶节径振动逐渐降低,系统一阶振型也会由齿圈节径振动模式转变为齿圈刚体振动模式。 相似文献
5.
通过对6种猪肉香精的成分及其应用的分析,研究了热反应肉味香精的总氮、总碳、氨基态氮、脂肪含量等对其在食品热加工过程中的香气域值、持香性、色香味等感官性状的影响.结果表明热反应肉味香精的热稳定性与其成分密切相关,热反应肉味香精的总氮含量、氨基氮含量、脂肪含量应作为评价热反应肉味香精品质的重要指标. 相似文献
6.
不正确的坐姿通常会导致青少年近视、脊柱侧弯和退行性疾病。研究能够快速、准确识别不规律坐姿的智能监测技术,有助于保持正确的姿势并预防健康问题。为了解决RGB图像易受光照强度以及遮挡因素的干扰并造成的识别率不高等问题,通过采用双流RGB-D图像作为双输入,利用ResNet网络中的残差结构改进EfficientNet基线网络结构,提出了一种基于改进R-EfficientNet的双流RGB-D多模态信息融合的坐姿识别方法。试验结果表明,提出的R-EfficientNet融合方法模型对8种坐姿的识别均值平均精度(mean average precision, mAP)达到了98.5%。与CNN、Vgg16、ResNet18、EfficientNet、RGB-D不同的输入方法相比,所提方法获得了最高的识别率。该方法不仅可以用于坐姿客观监测,具有医学和社会效益,此外还为人体工学研究者们提供改进办公家具的方案。 相似文献
7.
陶庆 《芜湖职业技术学院学报》1999,(4)
我国社会主义初级阶段理论来之不易。它不是特指任何国家进入社会主义都必须经历的起始阶段,而是特指我国在生产力落后、商品经济不发达的历史起点上,建设社会主义必须要经历的历史阶段。 相似文献
8.
随着AUTOCAD在各个方面的普遍应用,手工制图被逐步代替,这大大提高了作图的速度和质量。为了达到更进一步巧妙快速制图的要求,我们在CAD中可以使用一些有效的技巧。 相似文献
9.
10.
为解决采用表面肌电信号(surface electromyography, sEMG)进行手势识别时电极贴片位移、受试者动作变化等复杂情况下分类识别准确率下降这一问题,提出了一种基于表面肌电信号与迁移学习的手势分类模型。首先对4通道表面肌电信号进行活动段提取与降噪处理,然后提取活动段信号的四种时域特征与两种频域特征。采用流形嵌入分布对齐(manifold embedded distribution alignment,MEDA)方法将源领域和目标领域的特征矩阵嵌入到格拉斯曼流形中进行流形特征学习,减小两域之间的数据差异,消除特征退化;同时根据自适应因子执行动态分布对齐,动态调整数据不同分布差异下边缘分布和条件分布的相对重要性。对多名受试者开展实验以验证所提方法的合理性,实验结果表明:所提方法与决策树(decision tree, DT)、支持向量机(support vector machine,SVM)、k临近(k-nearest neighbor,KNN)三种传统机器学习方法相比,识别准确率分别提高了13%、21%、9%。与未执行流形学习与动态分布对齐的联合分布适配(joint distribution adaptation,JDA)迁移学习方法相比,识别准确率提高了52%,达到93%。 相似文献