基于支持向量机的步态识别新方法

为了能更好地提取步态识别参量，克服目前常用步态识别算法的不足，提出了基于频域特征提取与支持向量机（SVM）识别的新方法．首先提取下肢关节点的两维空间运动数据并进行离散傅里叶变换，然后在频域进行窗口滤波，提取中间频段的幅值和相位，以此作为步态特征识别量输入至SVM进行分类识别．使用中国科学院自动化研究所的步态数据库，分别以SVM和人工神经网络（ANN）进行识别，其正确识别率分别为84％-93％和77％-88％，表明本文的新算法具有更好的识别性能．     

应用ROC曲线优选模式分类算法

不同模式分类算法具有性能各异的特征参数及识别效果,至今缺乏普适的评估和优选方法.文中尝试将临床诊断受试者操作特性（receiver operation characteristic, ROC）曲线应用于人工神经网络（artificial neural network, ANN）的参数优化与支持矢量机（support vector machine, SVM） 的性能比较.试用结果表明,ROC曲线能兼顾灵敏度和特异性要求以综合评价分类器的识别性能;ROC曲线下面积作为量化指标可以直观有效地帮助优选分类阈值和比较不同分类器的性能优劣,值得推广应用于各种模式分类算法的科学实践.     

脑电多极子模型及仿真分析研究

为寻求能更好反映头皮电位分布的等效脑电源模型，建立了脑电（EEG）的电流多极子模型，采用三层介质头球模型分别对单、双电流偶极子源情况进行了计算机仿真分析， 并引入适合度（GOF）、不适度（ND）和比适度（DD）等评价参数.仿真结果表明：与偶极子模型相比，多极子模型能够更好地拟合等效脑电源（尤其是双电流偶极子源）和反映真实头皮电位分布，具有较高的GOF数值.因此建议采用脑电多极子模型用于头皮脑电信息分析.