一种改进的SwinTransformer图像分类识别方法

针对Transformer模型在处理图像任务时存在计算复杂度过大的问题,提出了一种改进的Swin Transformer图像分类识别方法。首先,Swin Transformer使用补丁(Patch)化的图像特征图处理方法,极大地降低了计算复杂度,提高了模型性能。其次,在Swin Transformer的基础上加入全局的信息交互模块,加深了跨模态特征信息之间的表征能力,使模型能够获得更准确的图像分类准确率和更快的模型收敛速度。实验结果表明,该模型在公开数据集ImageNet上获得的分类准确率能达到84.2%。本文方法相较于Swin Transformer图像分类方法,分类准确率提高了2.8%。

基于共空间模式与决策树支持向量机的运动想象脑电信号分类

针对脑电信号(Electroencephalogram,EEG)采集易受干扰导致EEG分类准确率低的问题,提出一种基于共空间模式(Common Spatial Pattern,CSP)与决策树支持向量机法(Decision Tree Support Vector Machine,DTSVM)相融合的运动想象脑电信号处理方法。首先利用CSP算法对运动想象的EEG特征值进行特征提取,其次运用线性判别分析法(Linear Discriminant Analysis,LDA)、自适应增强分类法(Adaptive Boosting,Adaboost)和决策树支持向量机法分别对特征进行分类,最后通过实验对比发现,利用决策树支持向量机进行分类的分类效果最佳,分类准确率最高可达到92.52%。

基于小波变换和FastICA的眼电伪迹去除研究

为了高效去除脑电信号(Electroencephalogram,EEG)中的眼电伪迹,文章提出一种基于小波变换(Wavelet Transform,WT)和快速独立成分分析(Fast Independent Component Analysis,FastICA)相结合的眼电伪迹去除方法。首先,应用小波变换将信号分解成不同频率的小波分量,采用适合的小波基函数和阈值针对高低频噪声做去噪处理;其次,应用FastICA算法分离出各通道的独立成分,获取纯净的脑电信号;最后,对BCI competition IV公共数据集应用融合算法,并输入支持向量机(Support Vector Machine,SVM)进行分类验证。实验结果表明,相较于单一的小波变换和FastICA算法,采用文章提出的融合算法处理后的脑电信号的SVM分类识别率分别提升了18.9%和15.8%,证明该融合算法对去除脑电信号中的眼电伪迹有较好的效果。