基于图卷积神经网络的脑力负荷识别

针对生理信号特征提取过程依赖于先验知识,且传统深度学习算法不考虑通道间耦合关系的问题,构建了基于图卷积神经网络的脑力负荷识别模型。数据集包含多通道连续采集的近红外光谱,分别计算基于互信息、锁相值和皮尔森相关系数的连通性矩阵来反映通道间的内在联系,并将近红外光谱和连通性矩阵组成图结构输入到图卷积神经网络。实验结果表明,该模型具有良好的抽象特征提取能力,在输入中融合通道间相关性系数有助于提升脑力负荷的识别精度,且连通性矩阵的可视化结果表明大脑额叶区对脑力负荷变化较敏感。

基于多源域深度域自适应的脑力负荷识别

为了解决脑力负荷识别模型在跨被试场景下泛化性能差的问题,本文构建了基于多源域深度域自适应的脑力负荷识别模型。使用预处理后的脑电和心电信号,首先通过基于最大均值差异的源域优选算法筛选出与目标域被试数据分布相近的源域被试集合;然后引入动态对抗域自适应网络,以对抗训练的形式同时适配源域和目标域数据的边缘分布与条件分布;最后采用集成学习策略对不同源域训练出的模型分类结果进行投票集成,以提高脑力负荷识别的准确性和稳定性。实验结果表明,该模型在WAUC数据集的跨被试脑力负荷识别任务中具有较好的识别准确率和鲁棒性。

TOA定位算法的坐标解析优化方法综述

TOA(Time Of Advent)算法被称为“到达时间算法”,是一种基于测量基站和标签之间通信信号的到达时间计算出二者之间的距离,从而进行定位的方法,但是由于存在基站与标签时钟不同步的问题,而有较大测量误差。本文基于TOA算法,对常见的二维坐标解析和三维坐标解析方法进行了综述,并总结了一些坐标解析的优化算法,以求提高TOA算法解析平面和空间坐标的精度。