血管性痴呆患者脑电信号的多通道线性描述符特征研究

为提取能有效区分血管性痴呆(VaD)患者与正常老年人的神经电生理特征标识,采用多通道线性描述符对两组受试者在执行oddball视觉探测任务过程中的脑电(EEG)信号进行特征提取研究.通过对任务状态和平静状态下多通道EEG的3个多通道线性描述符分析表明,在执行探测任务过程中,VaD患者的场强变化率Φ和空间复杂度Ω明显高于正常老年人,而在平静状态下却无显著差异,两组受试人群的有效场强均没有显著差异.分别对比不同受试人群在任务状态和平静状态下的3个描述符,结果表明,两组受试者在任务状态下的有效场强Σ比平静状态明显增高,Φ和Ω明显降低,而且VaD患者3个描述符任务状态相对于平静状态的变化率要明显低于正常老年人.因此,多通道线性描述符可以有效地反映人脑认知功能的衰退,为VaD患者的脑电特征提取提供了一种新的方法.     

多通道用户界面的模型,方法及实例

多通道界面使用多种交互设备通过多种交互方式的协作,利用它们之间特性上的互补,方便用户传达交互意图和理解计算机的输出,提高交互效率,增进交互的自然性,目的是要让普通用户能够以日常技能来使用计算机。     

基于LIP的多通道图像边缘检测研究

由于弱光照图像的成像特点,使得普通的边缘检测的算法难以奏效。20世纪80年代中期由Jourlin和Pinoli提出的对数图像处理LIP模型颇具特色,该模型中的方法对低亮度图像敏感,并且对灰度有界图像的加法运算是封闭的,在边缘检测等方面有着其他方法所不具备的优点。文章基于灰度图像的对数图像处理LIP模型,建立了多通道图像的对数图像处理MLIP模型,并在此模型上进行了对微光图像边缘检测,其效果明显优于经典的Sobel算法。     

多媒体系统中多通道用户界面的研究

多媒体系统表现为在计算机控制下产生、操纵、存储和传送信息,侧重于信息的表现.多通道系统则力求对语义的理解,将用户输入的原始信息进行解释、分析和综合,侧重于对信息的理解和解释.多通道用户界面是一种重要的人机接口技术,它基于智能接口技术,充分利用人的多种感觉通道和运动通道,以并行、非精确方式与计算机系统进行交互,旨在提高人机交互的自然性和高效性.文章主要介绍了多通道用户界面的特点,对多媒体系统中多通道用户界面的关系及模型、多通道交互设备、用户界面的描述方法等进行了研究.     

基于AR模型和SVM的脑电信号分类

 基于P300事件相关电位的脑机接口（BCI）系统中,有效的P300特征提取及分类是系统开展后续工作的关键。应用时间序列自回归（AR）模型及支持向量机（SVM）算法对脑电信号进行P300分类;对10导联脑电数据分别分段,并对每段建立AR模型;采用最小二乘法进行AR模型系数估计,由估计出的系数序列构成特征向量,送入SVM进行模式分类。实验针对BCI Competition Ⅲ dataset Ⅱ数据集进行了方法验证,提出的方法在15试次情况下识别正确率达93.5%。实验及数据分析结果表明,应用SVM分类器对AR模型提取出的系数序列特征向量进行分类,具有较好的系统识别正确率,可为实现基于P300的BCI系统实际应用奠定理论和实验基础。     

基于改进块贝叶斯学习的多通道心电信号重构

为提高可穿戴心电监护系统的重构精度,提出了一种结合多测向量模型的块稀疏贝叶斯学习心电信号重构算法,并在算法的求解过程中使用快速边缘似然最大化算法。对MIT-BIH心律失常数据库、MIT-BIH噪声测试数据库和PTB诊断数据库中心电信号的实验表明,相比于其他传统的压缩感知重构算法,该算法具有重构精度高、运行时间短的优势;相比于基于单测向量模型的块稀疏贝叶斯算法,该算法的重构精度提高了35%,重构速度提高至原来的8倍;在重构含噪声心电信号的情况下,该算法获得比其他重构算法更好的重构效果。因此,本文算法在可穿戴心电监护系统中具有良好的应用前景。     

高速多通道CCD信号并行处理系统

为解决目前很多高速CCD(Charge Coupled Device)应用系统数据输出路数多,数据率高的问题,提出一种并行处理高速多通道CCD信号的系统架构,阐述了该系统的架构组成和实现方案,并对设计要点进行了分析.该系统采用FPGA(Filed Programmble Gate Array),时分复用,LVDS(Low Voltage Differential Signal)和SCSI(Small Computer System Interface)存储等技术.研究结果表明,该设计具有较好的稳定性,灵活性和通用性等,并已成功应用于某8通道高速TDICCD(Time Delay Integration Charge Couple Device)成像系统的设计中,数据率高达1.28 Gbit/s.     

基于USB多通道雷达控制系统关键技术研究

介绍了一种新型基于USB的多通道高速雷达控制、数据采集系统的关键技术及其实现的方法。改变了以往一台主机只能控制单个通道或者两个硬件通道的现状。开发出一台主机可以同时连接1～5组雷达天线,并可以根据需要动态增减。每个通道可以单独进行参数设置和采集控制,各个通道之间互不影响。硬件部分是以CYPRESS公司的68013A芯片为USB控制器,采用CPLD为主要控制模块,共同组成控制单元。使用Visual C++6.0编写上位机控制采集程序,编写了软件系统的总体通信协议,实现了高速、便捷、精确的数据采集系统。     

基于CNN的脑电信号情绪识别模型研究

针对现有深度学习模型在情绪识别方面种类少且准确率低的问题,采集并建立了脑电波信号数据集,提出了一种基于CNN的脑电波的智能多情绪识别模型,利用多层卷积神经网络提取脑电信号情感特征,在批归一化层和激活函数中引入非线性特性,构建了两层全连接神经网络,实现了情绪特征中积极、中性和悲伤的分类。实验结果表明,提出的模型复杂度低且分类准确率达到了81.43%,明显高于SVM、LSTM、VGGNet模型,证明了该模型的简洁性和高效性。     

基于多通道计数器的单态氧发光检测技术

在分析现有光子计数技术的基础上,提出了基于多通道光子计数的单态氧(1O2)发光检测技术.利用光电倍增管H10330-45和多通道计数器MSA-300,成功开发了用于检测1O2发光的系统.实验测量了3种卟啉类光敏剂喜泊分、血啉甲醚和癌光啉在二甲基甲酰胺中的1O2发光时间分辨光谱,并得到了它们的1O2寿命分别为:11.31±0.06,10.88±0.06,11.65±0.07μs.结果表明多通道计数器可应用于检测1O2近红外发光.     

网络经济条件下多渠道营销问题的研究综述

对网络经济环境下多渠道营销这一学术热点,从国外研究和国内研究、定量分析和定性分析等方面进行比较分析,系统地探讨了多渠道营销模式的研究现状,在分析目前文献的基础上展望了进一步的研究方向,提出未来的研究应重点关注理论模型的实证检验、多营销渠道间合作机制的设计和符合我国现实的多渠道营销模型的构建等方面。     

信道化接收机中10～12GHz微带交指滤波器的研究

针对信道化接收机的10～12GHz滤波器，研究微带交指滤波器的实现，提出一种设计微带交指滤波器的方法．根据微带线中电流的对称性，将微带交指滤波器分成互相独立的平行耦合节．通过平行耦合节阻抗综合过程，可以简单、准确地计算出各平行耦合节的参数，从而确定微带交指滤波器的参数，并根据计算结果用ADS进行了软件仿真和优化．该方法设计简单，硬件容易实现．测试结果表明，该方法可行有效，适合于工程应用．     

基于多通道时频域信号的卷积神经网络智能故障诊断技术

在滚动轴承故障诊断中,算法难以学习所有负载下的健康状态特征,为有效诊断滚动轴承在变负载下的健康状态,算法需要较强的负载域适应能力.针对上述问题,提出了基于多通道时频域信号的卷积神经网络算法.不同的小波提取不同的特征,算法采用多种小波可以提供多样的健康状态特征.并且全局最大池化替换每一空洞卷积之后的最大池化,从全局范围内提取最大激活.因此,算法只需在源域下训练,即可在目标域下得到良好的诊断效果.为验证该算法的有效性,利用公共数据集进行实验.实验结果表明,该算法在不同负载下的分类精度较其他算法有明显提高,从而可以有效识别滚动轴承的健康状态.     

基于CNN-LSTM的脑电情感四分类研究

为深入研究脑电信号时空特征之间的关联,解决因手动提取特征导致的脑电情感识别准确率较低问题。将卷积神经网络（Convolutional neural network, CNN）和长短时记忆网络（Long short- term memory, LSTM）相结合,构造出了CNN-LSTM模型。首先,提取了5个频段的5个不同特征：功率谱密度(PSD)、差分熵(DE)、差分不对称(DASM)、理性不对称(RASM)和差分熵差分(DCAU)。其次,将特征输入CNN-LSTM模型,在DEAP数据集中的效价和唤醒两种情感维度上展开四分类实验。最后,将堆栈自编密码器(SAE),卷积稀疏自编码器(CSAE),深度置信网络(DBN)分别与LSTM组合,构造SAE-LSTM,CSAE-LSTM,DBN-LSTM三种混合模型同CNN-LSTM进行分类准确率比较。实验结果表明,DE特征的分类识别效果在五种特征中占最优,β和γ频段上所有特征的识别准确率远高于其他频段,尤其是γ频段。CNN-LSTM模型获得了最高的平均分类准确率92.48%,充分证明了CNN-LSTM模型的有效性。     

多通道脉冲激光探测技术研究

在介绍多通道激光探测系统工作原理的基础上,设计了一种基于数字化的激光探测系统,采用一种基于抛物线内插互相关时延估计的激光定距方法,从而进一步提高定距精度. 该系统采用6路双通道ADC并行采样,具有较好的实时性. 仿真结果表明,互相关时延估计算法能够在低信噪比（R_SN=-7 dB）下实现定距,最大距离误差为0.74 m.      

基于CNN-BiLSTM的脑电情绪分类模型及验证

情绪在人们的思考、行为和交流方式中起着重要作用。为提高脑电信号的情绪识别准确率,充分利用脑电信号的频率、空间和时间维度上的信息,提出一种基于CNN-BiLSTM(convolutional neural networks-bidrectional long short term memory)的脑电情绪分类神经网络模型。该模型由卷积神经网络和多层特征融合的双向长短时神经网络构成,卷积神经网络用于学习脑电信号的频率和空间特征,双向长短时神经网络则从卷积神经网络的输出中挖掘脑电切片之间的时序信息。借助离散情绪模型的SEED(sjtu emotion eeg dataset)数据集和连续情绪模型的DEAP(database for emotion analysis using physiological signals)数据集来进行情绪分类实验。实验结果表明,在SEED和DEAP两个数据集上,CNN-BiLSTM模型均取得了目前最好的情绪分类性能。此外,该模型的时序信息挖掘模块性能优于单层长短时神经网络,能够学习更多的时序信息。     

结构因素对动力电池用多孔平板热管性能的影响

基于VOF(volume of fluid)两相流模型,采用计算流体力学(CFD)方法对某款锂离子电池用多孔平板热管的性能进行了仿真研究。分析表明:方孔结构比圆孔结构具有更大的蒸发/冷凝传质率和管内平均流速,6方孔平板热管的当量导热系数比原始6圆孔结构提升了30.5%;热管当量导热系数随内部孔数的增加而增加,但性能提升幅度渐渐变小;在蒸发段参数不变的前提下,热管的性能是由冷凝效果及冷凝段回流效率共同决定,热管冷凝段长度的增大并没有实质性改变热管的冷热端温差,此时所定义的当量导热系数并不能反应热管的实际性能。     

单次运动想象脑电的特征提取和分类

为了实现脑-计算机接口(BCI)系统,对运动想象脑电信号的特征进行了提取和分类.将大脑C3,C4处采集的二路运动想象脑电信号分成4段,分别建立六阶AR参数模型进行功率谱估计,再对每段数据的功率谱求和构造特征矢量,提供给误差反向传播算法进行左右手运动想象脑电模式分类.结果表明,该方法提取的特征向量较好地反应了运动想象脑电信号的事件相关去同步(ERD)和事件相关同步(ERS)的变化时程.另外,该方法识别率高,复杂性低,适合在线脑-计算机接口的应用.     

一维光子晶体多缺陷耦合的多通道滤波

利用传输矩阵法研究了含有多个缺陷且缺陷等距分布的一维光子晶体的透射谱.通过计算一个由1/4波片堆组成5个缺陷的一维光子晶体的透射比,发现缺陷间的距离每增加1个周期,禁带中的5个透射峰均向中心波长靠近,且1号峰向长波方向移到距离增加前2号峰的波长处,5号峰向短波方向移动到距离增加前的4号峰波长处.通过镀膜工艺,制备了这种缺陷结构,并用MP-5000分光光度计对其特性进行了测量.结果表明,实验结果与理论结果一致.缺陷层之间距离与透射峰位置的对应关系,对于多通道滤波器设计具有参考价值.     

EEG classification based on probabilistic neural network with supervised learning in brain computer interface

Aiming at the topic of electroencephalogram (EEG) pattern recognition in brain computer interface (BCI), a classification method based on probabilistic neural network (PNN) with supervised learning is presented in this paper. It applies the recognition rate of training samples to the learning progress of network parameters. The learning vector quantization is employed to group training samples and the Genetic algorithm (GA) is used for training the network’s smoothing parameters and hidden central vector for determining hidden neurons. Utilizing the standard dataset I(a) of BCI Competition 2003 and comparing with other classification methods, the experiment results show that the best performance of pattern recognition is got in this way, and the classification accuracy can reach to 93.8%, which improves over 5% compared with the best result (88.7%) of the competition. This technology provides an effective way to EEG classification in practical system of BCI.