基于运动想象的皮层脑电图频域模式滤波

为了提高皮层脑电图(ECoG)脑-机接口(BCI)的分类精度,提出了基于运动想象的ECoG频域模式滤波法.该方法通过联合对角化寻找最具判别力的投影方向作为频域滤波器,抽取滤波后ECoG的均值和标准差作为特征,然后采用核Fisher判别式进行分类.BCI2005数据集I的实验结果表明:采用该方法仅用单个电极即可获得92%的测试精度.     

基于回溯搜索优化算法的运动想象 脑机接口频带选择

在基于运动想象的脑机接口(BCI)中,特征提取是影响整个系统性能的一个关键部分。共空域模式(CSP)是一种有效的特征提取算法,它能很好地提取与事件相关去同步/同步(ERD/ERS)生理特征相关的节律信息,因而在BCI系统中得到广泛应用。然而,CSP算法的分类性能极大地依赖于EEG信号的滤波频带。一般情况下,大都采用8~30 Hz的带通滤波器滤波,因为这个宽带包含了产生ERD/ERS想象的mu(8~12 Hz)和beta(18~26 Hz)节律。为了更加精准的定位最佳频带,将8~30 Hz的宽带滤波细分为大小不等的子带滤波,利用回溯搜索优化算法(BSA)与CSP相结合来选择最优频带,并以分类错误率作为BSA的适应度值(即频带选择标准)。使用该算法对5个受试者的实验数据进行了交叉验证分类实验。实验结果表明,最优频带的平均分类正确率比宽带(8~30 Hz)可高出7.91%。     

二元树复小波在图像特征提取和分类中的设计与应用

通过二元树复小波变换对图像进行4尺度分解,提取每一尺度下代表6个方向的高频带子图小波系数模的均值和标准方差组成48维的特征向量,利用支持向量机的一对一多分类算法对Brodatz图像库中的112幅图像进行了纹理特征提取和分类实验,结果表明二元树复小波变换提取的图像特征能有效提高图像的分类精度.     

基于复值小波模和幅角经验正交分解的奇异性特征提取

提出了基于Hermitian复值小波模和幅角经验正交分解方法,采用这种方法可以提取信号奇异性特征。通过在滚动轴承故障诊断应用表明:小波模和幅角协方差矩阵的特征值向量反映了在时间-尺度平面上的分布结构,不受时间平移影响,便于信号的奇异性特征提取;用主成分重构信号小波模和幅角,能更清晰地反映信号的奇异性特征,便于分类识别.     

基于AAR模型和累积频带能量的特征提取方法

提出了一种自适应自回归（AAR）模型参数和累积频带能量相结合的特征提取方法,该特征应用于基于运动想象脑．机接口（BCI）之中,实现左右手运动想象分类,改善BCI系统的性能．首先,对头皮EEG数据进行小波分解和重构,去除EEG中的噪声,得到不同频带的EEG数据．然后,提取EEG数据的AAR模型参数特征和不同频带的频带能量特征,提出了累积频带能量特征和AAR与累积频带能量相结合的特征提取方法,分别以AAR模型参数、频带能量、累积频带能量和AAR＋累积频带能量为特征,利用线性判别分析（LDA）分类器对左右手运动想象任务进行特征分类．最后,对不同特征的分类结果进行比较,得出以AAR＋累积频带能量作为特征在BCI系统中的优越性能．     

特征选择算法在ECoG分类中的应用

研究了基于运动想象的皮层脑电信号ECoG的特点,针对BCI2005竞赛数据集I中的ECoG信号,通过提取频带能量获得了想象左手小指及舌头运动时的特征,结合Fisher,SVM-RFE及L0算法对特征进行选择,采用10段交叉验证的方法得到训练数据集在各维特征数下的识别正确率并选出最佳特征组合.结果表明:三种特征选择方法中SVM-RFE算法所选出的特征组合可以获得最低的识别错误率以及最低的特征维数,针对所选出的特征组合,使用训练数据集的特征对线性支持向量机进行训练,使用训练好的模型对测试数据集进行分类,识别正确率可以达到94%.     

基于正样本-背景数据的校正混淆矩阵

提出一种基于正样本和无标记背景数据的混淆矩阵校正方法，并以WorldView-3和Landsat8卫星影像不透水面提取为例，验证其在遥感影像一类分类精度评价中的有效性.实验结果表明，基于接受者操作特征曲线估算的校正常数c在WorldView-3影像中范围为0.301 7～0.310 3，在Landsat8影像中范围为0.289 5～0.313 2，分别与对应的真值0.279 0和0.300 0较为接近；基于正样本-背景数据朴素混淆矩阵的精度指标与传统基于正负二类数据基准混淆矩阵的精度指标值相差较大，而经过c值校正之后的精度指标值与基准指标值基本一致.该结果验证了基于正样本-背景数据的校正混淆矩阵在不依赖负样本的情况下可以有效地对一类分类结果进行评价.     

基于邻域空间模式的运动相关电位特征提取方法

为解决脑-机接口(BCI)研究中所采集的脑电图(EEG)信号数据分布复杂和训练样本不足的问题,文中提出了一种新的特征提取方法--邻域空间模式(NSP)算法,用于提取BCI想象肢体运动分类算法中使用的重要分类特征--运动相关电位(MRPs).NSP算法不需要对样本的数据分布进行假设,主要利用样本的邻域关系和类别信息寻找最佳投影方向,使得映射后邻域内异类样本距离之和与同类样本距离之和的比值最大化.采用BCI竞赛2003和2001的其中两组数据进行实验,结果表明NSP算法能更有效地提取MRPs特征.     

基于非线性动力学和GA-MLPNN的ECoG信号分类

为了对脑-计算机接口(BCI)中不同思维任务下的皮层脑电(ECoG)信号进行分类,提出了基于遗传算法(GA)和多层感知器神经网络(MLPNN)的混合方法.用GA方法优化ECoG通道选择,使得选择通道数最小而分类性能最大.使用误差反馈传播(EBP)算法作为MLPNN的学习机制.实验表明,用排列熵(PE)和Hurst指数刻画ECoG的非线性动力学特征具有较好的计算性能和区分能力,故选择这两个特征量进行通道选择和分类处理.分析结果显示,通过使用选择的15个通道进行分析所得的平均分类率为87%,而使用全部的64个通道的结果仅为79%.     

基于CLSTM的步态分类方法

步态分类在人体运动能量消耗评估等应用中具有重要意义,提高分类精度和降低对统计特征的依赖是步态分类的研究热点。采用传统的步态分类方法提取的步态特征用于细分化步态时不能得到较好的效果。考虑到步态的连续性和不同轴之间信号的相关性,本文提出了基于CLSTM的步态分类方法:采用卷积神经网络(CNN)操作,通过计算多轴步态数据提取步态特征;基于长短期记忆(LSTM)构建步态时间序列模型,学习步态特征图时间维度上的长期依赖性。基于USC-HAD数据集的实验结果表明,用此方法提取了步态序列特征,很好地利用了步态时间序列特点,提升了11种步态的分类精度。     

基于视觉和操作类脑电信号的脑力负荷分类

针对视觉和操作类任务，提出了一种基于脑电独立分量特征的脑力负荷分类方法.利用独立分量分析法从混合脑电信号中分解获得脑电信号的独立分量，再提取脑电独立分量的4个不同频段的能量特征，并对能量特征进行分类.基于脑电信号特征和脑电独立分量特征分别进行了脑力负荷分类实验，得到平均分类准确率分别为60.52%，86.14%，后者比前者提高了42.33%.     

基于人工免疫算法的光学影像与SAR影像配准方法

提出了一种基于人工免疫算法的光学影像和SAR影像配准方法,该方法从影像上的面状地物入手,仅从识别性较好的光学影像上提取面状地物,先随机给定一组配准参数,将光学影像上面状地物的坐标经仿射变换获得新的坐标,以转换后新坐标在SAR影像上对应区域的均质性为评价标准,并利用人工免疫算法对配准参数进行优化,从而得到影像配准结果.最后,利用WorldView-2和RadarSat-2影像的配准实验验证该方法的有效性,结果表明该方法配准精度可优于2像素.     

基于小波包和解调分析的多类故障综合诊断方法研究

提出了一种基于小波包分解和解调分析相结合的旋转机械故障综合诊断方法.它能诊断复杂机械的多类故障,针对振动信号的非平稳和调制特点,首先采用小波包将信号进行分解,再分别以不同的方法分析不同的分解频段.利用解调技术分析小波包分解的高频段(调制频段),用来诊断轴承、齿轮等零部件的各类故障;利用FFT频谱分析小波包分解的低频段,用来诊断转轴的各类故障.理论分析和仿真结果表明该方法优于仅做FFT频谱分析或Hilbert解调分析.实例分析也证明了该方法的实用性和有效性.     

Feature combination for classifying single-trial ECoG during motor imagery of different sessions

The input signals of brain-computer interfaces (BCIs) may be either scalp electroencephalogram (EEG) or electrocorticogram (ECoG) recorded from subdural electrodes. To make BCIs practical, the classifiers for discriminating different brain states must have the ability of session-to-session transfer. This paper proposes an algorithm for classifying single-trial ECoG during motor imagery of different sessions. Three features, derived from two physiological phenomena, movement-related potentials (MRP) and event-related desynchronization (ERD), and extracted by common spatial subspace decomposition (CSSD) and waveform mean, are combined to perform classification tasks. The specific signal processing methods utilized are described in detail. The algorithm was successfully applied to Data Set I of BCI Competition III, and achieved a classification accuracy of 91% on test set.     

Feature combination for classifying single-trial ECoG during motor imagery of different sessions

The input signals of brain-computer interfaces(BCIs)may be either scalp electroencephalogram(EEG)or electrocor- ticogram(ECoG)recorded from subdural electrodes.To make BCIs practical,the classifiers for discriminating different brain states must have the ability of session-to-session transfer.This paper proposes an algorithm for classifying single-trial ECoG during motor imagery of different sessions.Three features,derived from two physiological phenomena,movement-related potentials(MRP)and event-related desynchronization(ERD),and extracted by common spatial subspace decomposition(CSSD)and waveform mean,are combined to per- form classification tasks.The specific signal processing methods utilized are described in detail.The algorithm was successfully applied to Data SetⅠof BCI CompetitionⅢ,and achieved a classification accuracy of 91% on test set.     

基于碱基偏好分析和SVM的植物启动子识别

植物启动子识别是真核启动子识别中的重要研究领域.针对目前植物启动子识别算法的特异性较低的问题,提出了一种基于GC碱基偏好分析和支持向量机（SVM）的植物启动子识别算法.首先通过对GC含量的分析将DNA序列分类为GC偏好序列和非GC偏好序列,然后进行结构特征和信号特征的提取,最后通过SVM分类器进行启动子识别.SVM分类器由四个SVM子分类器组成,即启动子-3’UTR子分类器,启动子-5’UTR子分类器,启动子-Intergenics子分类器和启动子-CDS子分类器.实验结果表明,该算法比其他算法具有更高的特异性,对植物启动子识别具有积极意义.     

一种新的湿地信息遥感提取方法研究

针对多光谱影像水体信息提取,结合湿地遥感自身特点,提出了一种基于湿度分量与水体光谱特征的湿地信息提取方法.与传统单波段阈值法、谱间关系法等水体提取方法相比较,此算法不仅适合于开敞水体的提取,还将滩涂、芦苇沼泽地等湿地信息同时提取出来,然后利用建立的湿地分类决策树模型,实现了研究区湿地信息分类提取.     

颅内压增高皮层脑电的复杂度分析

为研究颅内压增高对脑功能的影响,以家兔为实验对象建立侧脑室灌注加压的单纯颅高压模型.采集皮层脑电信号并同步记录颅内压(ICP)、心电、呼吸、动脉血压等信号,采用迟滞粗粒化方法和Lempel-Ziv算法计算脑电信号的复杂度,分析不同ICP状态下脑电信号的非线性变化特征.发现以灌注加压前基础ICP时的状态为对照,ICP为2,4倍基础值时的脑电信号复杂度显著降低(P＜0.01);ICP越高,复杂度越低;ICP恢复正常后,脑电复杂度有恢复趋势.研究结果表明,脑电信号的复杂度可用于检测由于ICP增高引起的脑损伤并有可能对其损伤程度进行定量评估.