基于WPD和CSP的四类运动想象脑电信号分类方法

针对多通道四类运动想象脑电信号分类问题,引入小波包分解(WPD)与共空间模式(CSP)融合的脑电信号特征提取方法.首先利用小波包对训练集的多路脑电信号进行分解,然后用共空间模式算法对不同分解层子带的脑电信号进行特征提取,最后设计了基于支持向量机(SVM)的分类方法.应用提出的方法对四类运动想象脑电信号进行了特征提取和分类,分类正确率达到71.5%;相对于单纯的CSP特征提取,正确率提高了5.8%,说明了该特征提取及分类方法对该数据集的有效性.     

基于共空间模式和K近邻分类器的脑-机接口信号分类方法

脑-机接口是指在人脑和计算机之间建立的直接的交流和控制通道,它以脑电信号的形式反映人的意识,并转换成控制信号.针对两类运动想象脑电信号的分类问题,提出共空间模式和小波包分解相结合的脑电信号特征提取方法.利用不同小波包对训练集的多路脑电信号进行分解,再用共空间模式算法对不同分解层子带的脑电信号进行特征提取,并采用K近邻分类器对提取到的不同特征进行分类,得到最优小波包函数和小波包子带参数.将结果应用于测试集数据的分类.仿真实验结果表明,选择db4小波包函数和4层小波包分解层,对8个特征点进行分类,可以得到高达96%的正确率.     

基于DTCWT和CSP的脑电信号特征提取

针对运动想象脑电信号中存在很多与运动想象无关的频率信号和共空间模式特征提取方法缺少频率信息处理的问题,提出了一种双树复小波变换与共空间模式相结合的特征提取方法.该方法首先选取C3、Cz、C4 3个通道的脑电信号进行上采样,并利用双树复小波变换多尺度分解,获取适当的频段并在相应尺度下进行信号重构;然后将各频段的三通道重构信号联合输入到空间滤波器以得到所需的六维特征向量;最后利用支持向量机来完成两类运动想象任务的分类.采用BCI CompetitionⅣ提供的Dataset 1数据进行实验验证,与CSP、FBCSP、WPD-CSP方法进行比较,7名受试者的训练数据平均分类正确率可达到96.0%,测试数据平均分类正确率达到86.7%.实验结果表明了所提方法的有效性.     

融合频带能量特征和双向门控循环单元的运动想象意图识别

针对脑电信号分类正确率低的问题,结合频带能量、小波包变换和双向门控循环网络,提出了一种基于频带能量特征序列和深度学习算法的运动想象意图识别方法。首先,利用小波包变换对脑电信号进行分解、重构,获得运动想象相关频带信号;其次,对所得频带信号进行加窗,并滑动截取,通过计算所截每段信号能量,实现能量特征的时序化分解;最后利用双向门控循环网络对脑电信号进行识别并输出分类结果。实验结果表明:所提算法取得了92.1%的分类正确率,表明所提方法是切实可行的,能够有效改善分类识别率。     

基于CSP与卷积神经网络算法的多类运动想象脑电信号分类

针对直接利用卷积神经网络(convolutional neural network,CNN)算法对多类运动想象脑电信号分类识别时,因样本量比较少,难以充分训练权值,导致分类效果较差的问题,结合一对多CSP算法与CNN算法对多类运动想象脑电信号进行特征提取与分类。首先,利用CSP算法对多类运动想象脑电信号进行特征提取,形成一维特征数据,作为CNN的输入样本;其次,对传统二维输入样本的CNN结构进行改造,使其适应一维数据的输入样本,对输入样本进行再次特征提取并分类;最后,使用BCI2005desc—Ⅲa的K3b数据进行算法验证;并对不同参数值的确定进行了讨论。算法验证结果表明,单独利用一对多CSP算法得到的分类正确率73%,单独使用CNN算法得到正确率为75%,新算法取得了91.46%的正确率,相比两种原始方法有较大提升。     

基于小波包能量的脑电信号特征提取方法

在脑机接口研究中,针对运动想象脑电信号的特征抽取,提出了一种基于小波包变换和AR模型的特征提取方法.该方法首先利用小波包变换对大脑C3和C4处采集的2路运动想象脑电信号进行3层分解,抽取小波系数的能量特征;然后,利用Burg算法提取脑电信号的5阶AR模型系数;最后,将这2类特征组合,使用基于马氏距离的线性判别分类器对左右手运动想象脑电模式进行分类,正确率达到91.43%.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和事件相关同步的变化时程,为BCI研究中脑电信号的模式识别提供了新的思路.此外,该方法的识别率高,复杂性低,适合应用于在线脑机接口中.     

基于降维Householder变换的多任务运动想象脑电信号特征提取研究

近年来,针对传统的左右手运动想象BCI系统信息传输速率低这一现状,众多脑-机接口(BCI)研究团队开始着眼于对多任务运动想象脑电信号的研究,相比于两类模式识别,多类模式识别能够有效提高BCI系统的信息传输速率。如何准确提取出多任务脑电信号的特征,是实现多任务BCI系统的关键。采用了基于初等反射变换(又称Householder变换)的矩阵近似联合对角化算法,将CSP算法应用于多任务运动想象脑电信号的特征提取,对EEG信号采集效果较好的受试者,四任务运动想象脑电信号的分类准确率提升至80%以上,为在线BCI系统的实现奠定了坚实的基础。     

采用改进共空间模式算法的四类表情辅助脑电信号识别方法

针对采用传统共空间模式(CSP)算法处理脑电信号时存在的特征提取困难、计算复杂度高及信号识别率低等问题,提出了一种基于重复二分滤波器组共空间模式(RB-FBCSP)算法和支持向量机(SVM)算法的4类(左撇嘴、右撇嘴、皱眉、扬眉)表情辅助脑电信号识别方法。利用滤波器组筛选出表情辅助脑电信号中包含α波和θ波的信号;将4类表情看作上面部表情(皱眉、扬眉)和下面部表情(左撇嘴、右撇嘴)两大类进行CSP特征提取,并结合SVM分类器进行分类;将识别出的上面部和下面部表情脑电信号均重复进行一次CSP特征提取和SVM二分类,实现表情辅助脑电信号的四分类。实验结果表明：所提识别方法的计算复杂度与采用传统CSP扩展算法的脑电信号识别方法相比有明显降低,且运算耗时少、平均分类准确率高,可达89.61%;相比于传统OVO-CSP、OVR-CSP和小波包变换算法结合SVM分类,所提识别方法的平均识别率分别提高了9.23%、9.82%和8.04%。     

基于相位同步的运动想象分类

针对多通道脑电信号特征提取过程中存在的特征向量稳定性低及区分度差的问题,提出相位同步与空间位置相结合的特征提取算法.首先,利用相位锁定值(PLV)衡量不同模式下不同脑区的相关程度,通过相关性分析发现感觉运动的作用机制,并按相关程度选取特征电极;然后,采用共空间模式算法(CSP)对所选电极间的PLV进行特征提取;最后,使用支持向量机(SVM)完成运动想象分类.本方法在持续4 s和1 s的左右手运动想象分类中分别获得平均91.3%和82.7%的准确率,相较于传统CSP算法具有更高的分类准确率,需要的电极更少,能快速响应短时不连续性运动想象.     

基于集合经验模式分解和公共空间模式的脑电信号特征提取

公共空间模式(common spatial pattern,CSP)能够较好地提取运动想象任务时脑电信号的判别特性,但是其性能与大脑进行想象任务的频带相关。为了确定这样一组频带实现精确的分类,基于集合经验模式分解、FIR滤波器组以及公共空间模式算法提出了一种脑电特征提取方法。预处理去除伪迹后的信号首先经过集合经验模式算法获得多个模函数,然后选择出包含μ节律和β节律范围的分量实现信号重构,重构后的脑电信号作为带通滤波器组的输入得到若干子带信号集合,从每个子带信号中提取CSP特征,最后将提取的特征经过支持向量机(support vector machine,SVM)进行分类。运用该方法对脑-计算机接口(brain-computer interface,BCI)竞赛数据集进行分类,实验表明该方法能够自适应地提取、筛选和判别每个受试者的空间CSP特征,分类准确率达96. 53%。     

基于加权频繁子图挖掘的图模型在文本分类中的应用

针对传统文本分类算法的分类精度低和计算复杂度高的问题,提出一种基于加权频繁子图挖掘的图模型文本分类算法。首先将文档集表示成图集;然后运用加权图挖掘算法提取频繁子图;最后,对特征向量进行分类。提出的算法仅提取最重要的子图,使其整体具有较好的分类效果和较高的计算效率。为评估该算法有效性,将其与多种现有分类算法分别对一个数据集进行分类实验,实验结果表明,提出的算法具有更高的识别精度和更少的运行时间。     

朴素Bayes分类器文本特征向量的参数优化

采用朴素Bayes算法建立中文文本自动分类器, 并研究相关参数的选择问题, 以实现中文文本的高效分类. 首先在模型训练阶段, 采用N-gram模型处理训练数据集提取特征向量; 然后使用朴素Bayes算法建立文本分类器; 最后在模型测试阶段, 为提高分类准确率, 使用词频反文档频率算法对测试样本进行特征向量提取. 实例分析结果表明, 在提取训练集特征向量时, 2-gram模型和4-gram模型的特征提取效果最佳; 在选取特征向量长度时, 长度为25 000的特征向量可使分类准确率出现最大增幅并保证较高准确率; 在确定特征项词性方面, 同时选取动词和名词可使分类器准确率达到最高, 仅选取动词时准确率最低.     

基于ReliefF算法与遗传算法的肌电信号特征选择

针对肌电信号特征维数高、运算效率低等问题,提出了一种基于ReliefF算法与遗传算法(GA)相结合的肌电信号特征选择方法.分析了肌电信号的特征,运用小波分析对肌电信号进行特征提取,采用ReliefF算法评估所提取的高维特征信号的权值,以选出对分类效果影响显著(权值较大)的特征子集,采用GA进一步筛选出分类效果最佳的特征子集,并对比分析了基于ReliefFGA-Wrapper算法与全局搜索算法对肌电信号处理的时间和分类效果.结果表明,所提出的方法能够提高运算效率并具有很好的分类效果.     

朴素Bayes分类器文本特征向量的参数优化

采用朴素Bayes算法建立中文文本自动分类器, 并研究相关参数的选择问题, 以实现中文文本的高效分类. 首先在模型训练阶段, 采用N-gram模型处理训练数据集提取特征向量; 然后使用朴素Bayes算法建立文本分类器; 最后在模型测试阶段, 为提高分类准确率, 使用词频反文档频率算法对测试样本进行特征向量提取. 实例分析结果表明, 在提取训练集特征向量时, 2-gram模型和4-gram模型的特征提取效果最佳; 在选取特征向量长度时, 长度为25 000的特征向量可使分类准确率出现最大增幅并保证较高准确率; 在确定特征项词性方面, 同时选取动词和名词可使分类器准确率达到最高, 仅选取动词时准确率最低.     

基于元学习的小样本调制识别算法

针对基于深度学习的调制识别算法对带标签样本需求量过大的问题,采用基于元学习思想的多任务训练策略,通过大量不同的任务训练网络来获取一种跨任务的信号识别能力,使得网络在面对新信号类别时仅需少量样本就能快速适应。为更全面地提取信号样本的特征,设计了一种由卷积神经网络和长短时记忆网络并联组成的混合特征并行网络,通过度量样本特征向量间距离的方式完成识别任务;并引入可同时考虑信号类内与类间距离的联合损失函数,以使信号样本特征在度量空间内的分布能更加紧凑,从而实现更高效的相似性比对。实验结果表明,该算法在仅有5个带标签信号样本条件下最高可达到88.43%的识别准确率。     

基于EMD和SVD特征提取的通信辐射源个体识别方法

为改善通信辐射源指纹特征提取算法抗噪声及干扰能力差导致的对通信辐射源个体分类识别率低和稳定性差的问题,提出了一种基于经验模态分解和奇异值分解特征提取的方法.通过对信号进行经验模态分解,来克服噪声对指纹特征提取的影响,经希尔伯特-黄变换和奇异值分解实现对通信辐射源信号的指纹特征提取,结合支持向量机算法完成对通信辐射源的个...     

无线电监测中调制信号特征提取算法

针对传统调制信号特征提取算法在噪声环境下存在识别准确度低、分类效果差等问题,基于已有的调制 信号处理方法,提出一种新的无线电监测中调制信号特征提取算法。首先构建无线电监测中各类调制信号的 数学模型,以此为基础通过仿真得到信号瞬时幅值、瞬时相位及瞬时频率的特征。分析当前信号调制方式识别 各类算法的优缺点,采用小波变换完成调制信号的降噪处理与突变边界特征提取算法的设计,利用零中心归一 化瞬时幅度的谱密度最大特征提取算法以及核判别分析算法对各类调制信号进行逐层提取,实现了各类调制 信号的完整分类与提取,提升了噪声环境影响下的特征信号提取精度、且分类效果较好,为无线电监测中调制 信号特征提取提供了有利科学依据。     

基于免疫遗传优化支持向量机的普米语孤立词语谱图分类

基于免疫遗传优化支持向量机的普米语孤立词语谱图分类方法,首先利用短时傅里叶变(STFT)生成普米语孤立词语谱图;其次,提取普米语孤立词语谱图的二值特征;最后,利用免疫遗传优化支持向量机实现语谱图的分类.实验结果表明:普米语孤立词语谱图分类预测准确率为88%～91%.基于免疫遗传优化支持向量机的语谱图分类比基于语音信号分类效果更好.     

基于小波变换和支持向量机的心电信号ST段分类

摘要: 为完成ECG(Electrocardiogram)信号特征点提取, 并对ST 段分类, 提出了一种基于离散小波变换和支持向量机的ST 分类算法。首先对信号进行预处理, 完成噪声消除, QRS 波群检测和提取特征值; 然后计算ST段平均值、曲线面积和标准差, 并结合使用SVM(Support Vector Machine)对ST段进行分类。Matlab 仿真结果表
明, 小波去噪效果明显,ST 段未出现失真现象, 特征点提取完整。经MIT鄄BIT 数据库验证, 分类结果显示交叉验证准确率平均值为80. 70%, 训练准确率平均值为91. 83%, 测试准确率平均值为74. 28%。     

基于深度学习的闪烁探测器信号故障识别研究

传统核探测器故障信号诊断研究都需要提前提取信号特征,然后用机器学习、支持向量机、统计方法等对特征进行分类。为了实现对探测器输出信号进行实时识别和故障诊断,本文基于Matlab平台构建了一个用于对图像进行分类的卷积神经网络模型,对核探测器故障信号进行分类诊断。从分类准确率和算法运行时间两个方面对Adam、Sgdm、Rmsprop三种优化算法进行了比较。结果表明Rmsprop算法运行时间最少,但准确度和损失的训练迭代曲线不平稳;Sgdm模型对十组非正常信号图像分类的准确率最高为93.10%,准确度和损失的训练迭代曲线平稳。虽然,本文方法诊断准确率略低于文献报道值,但是不需要对信号进行预处理和特征预提取,使用更为简便。