基于双向长短时记忆神经网络的步态时空参数脑肌电解码方法

针对脑电(EEG)信号对连续步态轨迹解码结果与实际轨迹相关性低的问题,提出一种基于双向长短时记忆(BiLSTM)神经网络的步态参数解码方法。首先,构建基于双向长短时记忆神经网络的步态时空参数解码模型,根据脑肌电信号特性设计解码模型的超参数;其次,同步采集脑电、下肢运动相关肌肉的表面肌电信号(sEMG)和下肢关节运动信号,并对脑电和表面肌电信号的步态相关特征进行分析;然后,以多通道脑电和下肢运动相关表面肌电信号作为解码模型的输入,自动提取脑肌电融合信号中步态相关特征并构建膝踝关节运动轨迹与特征之间的非线性回归模型;最后,以多通道脑电作为解码模型的输入,构建步态相关脑电信号和表面肌电信号之间的非线性回归模型。实验结果表明：所提方法与传统支持向量机方法相比,对踝关节解码轨迹与实测轨迹形状相似性Pearson相关系数提高了0.12;与单独采用脑电、表面肌电信号和脑肌电信号平均绝对值特征融合信号进行解码方法相比,对踝关节解码轨迹与实测轨迹形状相似性Pearson相关系数分别提高了0.81、0.19和0.63。该方法可实现从脑电信号中对部分表面肌电信号波形的解码,解码波形和实测波形的平均Pears...     

针对局灶性癫痫患者的脑电微状态分析

针对脑电的癫痫神经机制研究仅限于致痫灶相关的局部脑区,提出利用脑电微状态从全局角度揭示癫痫发病的神经机制。使用修正K均值聚类算法提取了癫痫患者发作间期的特征微状态,并与连续脑电信号配对得到微状态序列;计算每种微状态的平均持续时间、总占比、每秒出现次数,对比癫痫患者和正常人的参数相对趋势差异;利用小波变换的方法分析癫痫患者微状态序列的分形特性。研究发现:癫痫患者的微状态D的平均持续时间为(101.42±22.91)ms、在整个时间序列上的总占比为(30.86±9.79)%、出现频率为(3.10±0.94)次1s,数值结果显著大于微状态A、B,和微状态C相近,和正常人趋势不同;在32ms～16s的时间尺度上,分形分析的结果显示癫痫脑电微状态序列的赫斯特指数为0.643 5±0.010 2,具有分形特性。微状态D的参数异常解释了癫痫患者易出现注意力缺失的现象;癫痫微状态参数相对趋势变化对癫痫疾病诊断有参考意义;癫痫微状态序列的分形性质表明了序列在很大的时间范围内具有自相似、无标度的特性,使微状态序列具有研究癫痫发病机制和预测癫痫发作的潜力。     

基于改进的递归神经网络的化工动态系统建模

在局部递归网络Elman,Jordan,SIRNN的基础上,构建一种改进的递归神经网络模型DHORNN,该模型在结构上将隐层的状态反馈、输出反馈以及时间序列延迟等有机地结合起来,并选用基于Levenberg-Marquardt优化理论的快速的L-M算法,大大提高了网络的训练速度.用该网络对一个多输入单输出的连续搅拌釜式化学反应器模型进行建模,并与其他递归网络模型建模方法进行比较,证明该网络结构对化工动态系统具有良好的动态建模能力.     

基于有限元的三维粗糙表面电接触模型构建与仿真分析

由于在生产加工过程中诸多因素综合作用,使得加工件表面残留了尺寸、形状和分布规则不一的微观几何形貌,实际的接触表面都是粗糙表面。文章基于Matlab与ANSYS构建出随机粗糙表面,利用APDL参数化设计语言实现电接触有限元模型的建立,进行接触特性研究。研究结果表明,该模型能够较为准确地对三维粗糙表面形貌进行表征。在该模型的基础上,对接触界面微凸峰接触情况、应力分布特征展开了进一步探究。结果表明,随着法向位移的增加,发生接触微凸峰数增速逐渐变大,接触界面真实接触面积变大,Von Mises应力逐渐在粗糙实体内部及周围进行传递,微凸体将产生弹塑性变形,挤压周围基体,最大Von Mises应力逐渐于微凸体周围区域呈环状分布,该研究为保证电气设备电接触状态可靠性提供了一定的理论指导。     

基于定量递归特征提取的流量监测方法

提出一种基于定量递归特征提取的流量预测算法,构建了网络端到端路由缓冲区短时网络流量的时间序列分析模型.采用虚假最近邻点算法和平均互信息算法对网络流量时间序列进行相空间重构,计算递归图平面中时频特征点占平面总点数的百分比,实现网络流量的时频熵特征提取,有效反应流量时间序列的内部结构特征和变化趋势,实现对流量的准确预测和监测.仿真结果表明,采用该算法能准确实现对网络流量相轨迹的预测判断,预测过程具有较好的抗干扰能力,预测精度较高.     

基于时空特征学习Transformer的运动想象脑电解码方法

脑电图（Electroencephalography,EEG）可记录来自大脑皮层的电信息，反映了脑活动中神经细胞放电产生的电场变化情况. EEG的空间信息和时间信息对于运动想象脑电（Motor Imagery Electroencephalogram,MI-EEG）解码分类模型学习判别特征至关重要，但过度依赖预处理和手工特征提取，导致对EEG数据进行信号分类较为困难.尽管深度学习已经在很多领域实现了自动特征提取，但脑电图的深度学习尚未完成.提出基于FBCSP (Filter Bank Common Spatial Patterns)和Transformer模型的时空特征学习的运动想象脑电解码方法 .针对FBCSP滤波的脑电信号，依次通过空间维度和时间维度上的注意力转换来获取空间和时间特征，然后通过Softmax函数对不同类别的EEG数据进行分类.实验结果表明，在BCI竞赛数据集IV-2a上，该方法的分类准确率可达84.16%，为MI脑电信号分类提供了新思路.     

面向情绪识别中脑电特征分布不均匀的双策略训练方法

使用脑电进行情绪识别已经有了广泛的研究，但由于脑电的低信噪比、不平稳性以及受试者情绪表达方式的不同，不同受试者甚至单个受试者的脑电图情绪特征都会存在差异性，导致脑电样本在特征空间分布不均匀，容易出现模型泛化性能差的问题。为解决这一问题，该文提出了一种结合提升算法(boost)和梯度下降法(gradient descent)的双策略训练方法交替更新脑电情绪识别模型，梯度下降法在模型推理过程中更新网络参数，使损失最小化，提升算法用于更新脑电样本权重。在DEAP数据集上的实验结果表明，该方法在效价、唤醒和优势度3个维度上的准确率分别为71.25%、71.48%和71.80%,且在跨被试数据集下通过数据驱动的方式有效调整了脑电样本特征的分布，使其分布更均匀，从而提高了情绪识别模型的泛化性能。     

基于马尔可夫转移概率的意识障碍识别研究

意识障碍可分为最小意识状态和植物状态,目前对两类患者的区分主要基于行为量表的方法,但仍存在40%的误判率,脑电信号可以作为临床诊断的辅助工具.微状态可以反应大脑潜在认知机制的时空信息,探讨较短且具有平稳性微状态序列的低阶马尔可夫性质鲜少研究.基于18名意识障碍患者的静息态脑电信号,在具有平稳性的时间尺度上（60 s）对微状态序列进行分割,然后计算状态转换序列的一阶马尔可夫和二阶马尔可夫转移概率,得到两类意识障碍患者具有统计学差异的转移模式,并将差异模式作为特征进行交叉验证,最高得到92%的分类准确率.结果表明：意识障碍患者的统计差异模式更倾向于转向C状态和D状态,一阶马尔可夫比二阶马尔可夫具有更好的分类效果.上述结果为区分两类意识障碍患者以及医疗领域的微状态研究提供了新方法.     

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。     

功能磁共振时间序列图像快速配准方法研究

提出了一种非迭代分别检测时间序列图像间旋转、平移运动的方法．该方法基于傅立叶频谱的相位相关特性，解决了迭代配准算法中的旋转与平移耦合问题．通过精心选择参考图像，采用基于递归数字滤波的三次B样条插值方法，实现了功能磁共振序列图像的快速配准，配准精度达到了亚像素级。     

伽罗华环上线性递归关系的求解

利用伽罗华环上元素的p-adic表示，对有限域上的Berlekamp-Massey算法加以改进，解决了伽罗华环上的序列综合问题，即求解最短的线性递归关系，使之生成伽罗环上的已知序列。该算法可以应用于某些循环码的解码。     

递归图理论在不同时间尺度下的径流混沌特征分析

以黑河上游莺落峡水文站1944～2017年的出山径流量为研究对象,将递归图理论与混沌理论相结合,在不同时间尺度下对径流时间序列混沌特征进行了有效辨识.利用递归图和滑移窗递归定量分析法(RQA)获取原始时间序列的动力学信息,提取出相关递归特征量;绘制不同尺度下的径流递归图,对径流混沌特性进行定性描述;利用RQA对混沌特性进行定量计算和检验.结果显示,在不同阶段径流的混沌程度各不相同,滑移窗的确定性(DET)可与递归图共同描述径流的混沌程度;滑移窗的Shannon熵(ENTR)显示径流的混沌程度随着时间尺度的增加而逐渐增大;滑移窗的层状性(LAM)与传统的水文学特征量——变差系数(C_v)的计算结果相互检验,可作为一种新的衡量径流离散程度的参数.递归图理论实现了径流混沌特征的可视化,是辨识径流时间序列混沌特征的有效工具.     

电磁感应下一类新皮层神经元的放电及同步

通过引入磁通变量实现电磁感应电流对膜电位的调制,建立一类新皮层神经元的四维神经元模型.基于单参数分岔图、双参数分岔图及其相应的最大李雅普诺夫指数图详细地分析该模型的放电特性和分岔模式.数值结果表明,该模型在适当的外界刺激和电磁感应强度作用下会产生复杂的分岔行为,即加周期分岔、倍周期和逆倍周期分岔等.有趣的是,该模型在双...     

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。     

基于脑电通道增强的情绪识别方法

随着人工智能与深度学习的发展,基于深度学习的多通道脑电信号的情绪识别研究逐渐受到关注,但多通道脑电情绪识别信号复杂且各通道重要性一致,并不能高效且有针对性地进行脑电情绪识别。为此,该文提出一种基于缩放卷积层和脑电通道增强模块的情绪识别方法,能直接在脑电物理通道上进行增强学习。首先,通过缩放卷积层提取多通道脑电情绪信号的类时频特征;然后,通过脑电通道增强模块对所有脑电物理通道重新赋予不同的重要性;最后,利用卷积神经网络对情绪进行分类。该方法能够融合多通道脑电信号的时间和频率信息,同时,通过输出各脑电通道的重要性,探究不同情绪维度与脑电通道之间的关系。在DEAP数据集上进行了实验验证,不同脑电通道对情绪识别任务的重要性存在差异,其中,额叶区和枕叶区的C4、 P4、 P3、 PO4、 F7 5个脑电通道重要性相对较高,该情绪识别方法在愉悦度、唤醒度和支配度3个情绪维度上的识别准确率也均有提升。     

基于EEGNet的脑电情绪分类应用研究

针对特定脑电信号数据集的情绪分类问题，研究紧凑型的卷积神经网络EEGNet在不同脑电数据集上的能力与效果，并通过在不同的脑电数据集上对EEGNet进行训练与调试，实现单模态脑电数据集的情绪分类。首先，介绍紧凑轻量型卷积神经网络EEGNet结构在时空数据集上的强大处理能力，提出在对EEG信号特征进行编码时的有效性假设。其次，介绍两种经典的脑电公开数据集SEED和SEED-IV，设计针对性的预处理方法、基于EEGNet的情绪分类实验并与其他经典分类方法进行了比较分析。最终，经过在SEED和SEED-IV数据集上的多轮测试，分别得到了85.3%和73.3%的分类准确率，验证了EEGNet在基于脑电信号的情绪分类任务中具有较好的健壮性与准确率。     

基于季节自回归单整移动平均模型的电梯交通流递归预测方法

针对电梯交通流预测提出了一种基于季节自回归单整移动平均（SARIMA）模型的递归预测方法．通过离线分析,对电梯交通流利用时间序列分析得到初始的SARIMA模型,引入异常值检测对训练数据中的异常值进行修正,利用修正的序列得到电梯交通流SARIMA模型;在线预测时,将离线得到修正的SARIMA模型转化为状态空间形式．通过Kalman滤波实时调整状态向量,实现电梯交通流的实时在线预测仿真表明该方法具有很好的预测性能,且运行时间短,满足实时性的要求．     

基于长短期记忆网络的解码器设计及闭环脑机接口系统构建

随着脑机接口技术的发展,该技术在残疾人肢体功能恢复等方面应用越来越广泛。首先,在简介经典单关节信息传输模型基础上,设计并训练基于长短期记忆网络的解码器,代替原有脊椎电路通路将大脑信号传递给假肢;其次,为了在感觉反馈通路缺失时,仍能准确地恢复肢体运动功能,结合基于无模型控制策略设计的辅助控制器,构建闭环脑机接口系统,实现恢复关节活动障碍者缺失的感觉反馈通路从而实现跟踪期望轨迹的目的。由仿真可知,基于长短期记忆网络设计的解码器的离线解码效果良好。构建的闭环脑机接口系统对期望轨迹的跟踪以及缺失信息通路的恢复的结果验证了无模型控制辅助控制器良好的控制性能以及构建的闭环脑机接口系统的有效性。     

基于ARIMA-GARCH-M模型的短时交通流预测方法

针对差分自回归移动平均(Auto-Regressive Integrated Moving Average,ARIMA)模型在获得时间序列非线性特性中的局限,基于线性递归的ARIMA模型和非线性递归的广义自回归条件异方差一均值(Generalized Autoregressive Conditional Heteroscedasticity in Mean,GARCHM)模型,提出一种组合模型ARIMA-GARCH-M进行短时交通流预测,并利用城市快速路交通流数据进行模型预测精度的检验.结果表明:ARIMA-GARCH-M模型考虑了异方差性这一非线性特性,相比于ARIMA-SVR模型和ARIMA-GARCH模型的预测结果,本文构建模型具有较好的预测效果,能够有效提高预测精度至90.39%.     

电-液驱动撞针式成型喷射系统的键合图建模及实验验证

为了实现微液滴喷射增材成型制造过程中微量高黏性熔体快速、精确的喷射,并探究系统参数对喷射过程的影响,本文提出一种电-液混合驱动的机械撞针式液滴喷射成型方法,对微量熔体进行喷射;同时,构建了该系统的键合图(bond graph)模型,该模型能有效耦合各能域变量;最后利用Matlab仿真模拟系统的键合图模型,通过实验验证了该模型的正确性。