基于脉搏波数学模型的运动员运动状态判别方法

针对利用运动员脉搏波信息对其运动状态(高强度运动、平静)进行判别,并减少身体状态的随机性对脉搏波特征信息的影响问题,提出了一种对原始脉搏波信号进行建模进而提取特征信息进行状态判别的方法.利用训练-测试的二分类分析方式,对运动员的心率状态进行判别,以分析运动员的运动状态,辅助其进行运动训练工作.实验通过对10名运动员志愿者在不同状态下进行脉搏波采集,对预处理后的原始信号进行函数建模并提取生理信息,利用SVM进行监督训练和测试.结果表明,该方法能够对运动员心率状态进行有效判别,得到运动员的运动状态.     

一种应用于人体活动识别的迁移学习算法

通过采集可穿戴运动传感器信号,并利用迁移学习克服数据分布不一致来识别人体日常行为成为当下主流.利用可穿戴传感器采集信号,会产生影响迁移效果的噪声样本,传统的算法缺少对这部分样本的处理.针对这一问题,在传统算法的基础上进行改进,引入了基于马氏距离的样本筛选算法,提出了可用于人体活动识别的迁移学习算法T-WMD,并在两个公开的人体活动识别数据集上与其他5种算法进行对比实验.结果表明提出的算法可以有效地提升迁移学习效果.     

一种应用于脑电情感识别的迁移学习框架

脑电信号作为最能表征人体情绪的信号，正在成为情感识别的主流信号源.利用迁移学习可以克服生理信号源域、目标域间存在分布差异的问题.传统迁移学习由于缺少对样本、特征的选择过程，会对迁移效果产生负影响，致使识别率较低.为提升迁移效果，在样本、特征两个方面对迁移数据进行优化.介绍了一种基于Like值的实例筛选方法，以及基于粒子群优化的自动特征选择方法，并使用联合分布适配(joint distribution adaptation, JDA),提出了一种应用于情感识别的迁移学习框架.在SEED数据集上构建了两个迁移任务并进行验证，结果表明，该框架可以有效提升迁移效果，提高跨域情感识别准确率.     

犯罪与网络行为特征的映射研究

选取美国芝加哥2012—2017年的盗窃、抢劫、毒品案件进行研究.提出一种基于时空影响域的犯罪网络构造方法，并针对犯罪表现的行为特征与网络行为特征进行映射分析.实验结果表明，所提方法构造的犯罪网络在不同犯罪类型、不同网络规模下均表现出无标度性、小世界特征;局部呈现高聚集性，并体现不同的聚集特点;犯罪网络社团化的程度明显.因此，可以利用复杂网络手段，对犯罪网络建模与拓扑特征分析方面作进一步深入探讨，对不同犯罪模式的动力学研究以及预防和资源配置提供新思路.