运动想象脑电信号的跨被试动态多域对抗学习方法

解码运动想象脑电(EEG)信号是构造脑机接口(BCI)的关键技术之一。然而,脑电样本采集成本高、个体差异大,且信号具有时变性强、低信噪比等特点,构建跨被试模式识别方法成为了研究的关键。为此,提出一种跨被试动态多域对抗学习方法。首先采用样本协方差对齐和全局域鉴别器适应样本集边缘分布,随后采用多个类别子域鉴别器适应样本集条件分布,并自适应学习多域鉴别器的对抗系数。基于动态多域对抗学习策略,所提出的动态多域对抗网络(DMDAN)模型可学习到被试域间有泛化能力的深度特征。在BCI Competition IV 2A和2B公开数据集上的实验结果表明,DMDAN模型提高了跨被试域不变特征的学习能力,与现有对抗学习方法DRDA(Deep Representation Domain Adaptation)相比,在数据集2A和数据集2B上的平均分类准确率分别提高了1.80和2.52个百分点。可见,所提出的DMDAN模型提升了跨被试运动想象脑电信号解码性能,在不同数据集上具有不错的泛化性。

脑电信号的稳定扩散样本增强方法

针对脑电信号样本稀缺导致的分类性能瓶颈问题,本文提出了一种脑电的稳定扩散模型样本增强方法。通过将脑电样本转换为时频图,并采用有效提示词微调图像稳定扩散模型以扩充脑电样本集,以提升分类识别准确率。实验结果表明,经过稳定扩散模型增强后的样本集,对其分类的准确率由72.94%提高到76.80%,说明本文方法有效地破除了分类性能瓶颈,为小样本脑电样本分析提供了新途径。

重叠特征策略与参数优化的运动想象脑电模式识别

针对运动想象脑电信号的非线性、非平稳特性,提出重叠特征策略与参数优化方法.通过重叠频带滤波(OFB)进行预处理,在滤波后的信号上提取共同空间模式特征(CSP).将OFB-CSP特征输入鲁棒支持矩阵机,完成模式识别,在模式识别中通过校正粒子群算法(CPSO)动态调整被试个体最优参数.在两个公开数据集上进行实验,分别验证OFB预处理可提升CSP特征区分度,CPSO可为个体寻找最优的鲁棒支持矩阵机分类参数.文中方法提升运动想象识别率,样本和计算资源需求较小,适合脑机接口的实际应用.

融合特征的自适应超像素图割算法

目的针对图割(GrabCut)算法对于前景与背景颜色特征相差不大容易发生分割错误,SLIC(simple linear iterative clustering)预分割在对应情况下边缘不够准确以及时间复杂度较高等问题,提出一种融合特征的自适应超像素GrabCut算法。方法该算法首先将图像转化到Lab色彩空间,并对原图像提取Gabor纹理特征,综合得到融合特征;再利用融合特征改进SLIC方法,使用改进方法对图像进行预分割,提取超像素区域,构建区域邻接图;然后保存每个超像素区域的融合特征,对两种特征分别进行高斯混合模型(Gaussian mixture model,简称GMM)建模,并利用相对熵自适应调整分割过程中混合特征的权重,优化Gibbs能量函数;最后执行迭代图割算法,得出分割结果。结论实验结果表明,本算法对颜色特征不佳的情况下有较好的分割效果,并通过改进的SLIC预分割提高了算法的执行效率,降低了迭代次数,前景物体边缘也得到较好的保护。

基于降噪自编码器特征学习的作者识别及其在《西游记》诗词上的应用

由于作者归属问题较为复杂,采用传统自然语言处理模型难以完成作者识别.为了深入挖掘作者归属问题,首先采用降噪自编码器深度模型提取文本结构特征,再采用支持向量机分类器完成作者识别.模型的优势在于能够考虑未知文本特征的噪声多样性和复杂性,且能够重构添加噪声的原始文本输入.将该方法应用于吴承恩、王廷陈、薛蕙等人的诗词作者识别,识别准确率最高为78.2%,验证了该方法的有效性,进一步将该方法应用于《西游记》诗词作者识别.

运动想象脑电信号的跨域特征学习方法

运动想象脑电信号采集成本高且个体差异大,跨个体域构建脑电信号模式识别模型属于典型的小样本跨域学习任务。针对该任务,提出了一种运动想象脑电信号的跨域特征学习方法。该方法首先选择最优度量方法对齐协方差并提取共同空间模式特征;其次,在该特征基础上采用领域自适应方法学习目标域的最优跨域特征。为验证所提方法的可行性与有效性,采用经典模型识别跨域特征,在两个公开的数据集上进行对比实验。实验结果表明,通过所提方法学习到的跨域特征,在运动想象模式识别中明显优于现有方法学习到的特征。此外,还详细对比了跨域特征学习方法的各项参数设置、性能及效率。

重叠时间切片改进深度神经网络的运动想象EEG模式识别

运动想象脑电信号(EEG)的模式识别方法,一直是无创脑机接口领域的重要研究方向之一.近年来,深度学习进一步提升了运动想象EEG信号的识别准确率,但面对EEG信号较强的时变性,依然存在训练样本不足和特征维度太高等问题.针对上述问题,本文提出了一种新型的重叠时间切片训练策略,在现有的时间切片策略基础上(cropped),采用重叠的时间切片策略(overlapped),并基于重叠时间切片集合构建了全新的损失函数计算和标签预测方法.采用重叠时间切片策略,不但能够进一步提升训练样本数量,还可以降低单个样本特征空间,从而提升深度神经网络在EEG信号识别中的性能.为了验证overlapped策略的可行性与有效性,本文选择了BCI CompetitionⅣdataset 1,2a和2b三个开源EEG信号数据集,在数据集上分别建立5种深度神经网络模型,并对比cropped策略与overlapped策略的运动想象识别性能与效率.实验结果表明,overlapped策略较cropped策略拥有更好的识别性能.最后,通过调整重叠时间切片策略的参数值,设计了9组不同参数组合的对比实验,实验结果表明不同的参数组合会影响最终的分类性能,且分类性能的好坏并不与效率的高低呈线性关系.本文提出的overlapped策略在CompetitionⅣdataset 1,2a和2b数据集上的识别准确率分别达到了92.3%、77.8%和86.3%,较传统策略有明显的性能提升,效率却不一定降低.

光伏发电系统最大功率点跟踪仿真

随着世界的发展,能源危机日益严重,太阳能及其利用率的逐渐提高,得到了人们的充分重视。其中光伏发电系统是将太阳能转化为光电能源的系统,而太阳能的转化率取决于光伏电池列阵转化效率的高低。该文首先简单介绍了国内外光伏产业的发展现状,并介绍了其发展前景、光伏电池的运行原理及其等效模型的简化形式。其次,介绍了在传统扰动条件下的功率点跟踪方法,在此基础上,对蚁群算法和粒子群算法的各自特点进行了介绍。

融合特征的快速SURF配准算法

目的针对基于SURF特征点的图像配准算法对颜色单一的彩色图像提取的特征点较少及配准时间复杂度高等问题,提出一种基于融合特征的快速SURF(speed up robust features)配准算法。方法该算法首先提取图像的颜色不变量边缘特征和CS-LBP(central symmetry-local binary patterns)纹理特征形成融合特征灰度图,并利用颜色直方图的方差自适应调节融合特征间的权重。其次,在融合特征灰度图上提取SURF(speed up robust features)特征点及描述子。再次,用最近邻匹配法形成粗匹配对,结合改进的快速RANSAC(random sample consensus)算法得到精匹配对。最后,使用最小二乘法求出映射关系用于配准图像。结果本文算法能够在融合特征上提取更稳定的SURF特征点,用该特征点进行配准能提高配准5%精度,且减少时间复杂度15%,实现了对普通场景下图像的快速配准。结论本文算法能提取稳定数量的特征点,提高了精确度与鲁棒性,并通过改进的RANSAC算法提高了执行效率,降低了迭代次数。