基于滤波器组典型相关分析的SSVEP信号分类方法

基于稳态视觉诱发电位(SSVEP)的脑机接口系统存在鲁棒性不足和短时分类准确率较低的问题,本文提出了一种基于滤波器组典型相关分析的SSVEP信号分类方法(FBCCA-SVM)。通过结合性能较为优秀的滤波器组典型相关分析(FBCCA)和鲁棒性强的支持向量机(SVM)的优点,使用SVM分类器替代FBCCA中的MAX分类器对FBCCA提取到的特征分类,在较短时间的刺激下在多目标分类中达到了较高的准确率和信息传输速率(ITR)。通过对8名受试者的实验结果表明,2 s的刺激时间下平均准确率为93.91%,信息传输速率为78.63 bit/min,与典型相关分析方法相比,平均准确率和信息传输速率分别提高了14.32%和25 bit/min;与滤波器组典型相关分析方法相比,分别提高了6.36%和9.66 bit/min;相比于主流识别算法,该方法性能得到明显提高,同时增强了目标分类的鲁棒性,为后续脑机接口系统的实际应用提供了实验基础。

基于空间滤波器组典型相关分析的SSVEP信号处理

稳态视觉诱发电位(Steady-State Visual Evoked Potential,SSVEP)作为一种特征较为明显的脑电信号,有着训练迅速、数据集要求少、分类准确率高等优点,近年来广受关注。SSVEP信号采集的过程中会受到环境、设备、人工操作等因素的影响,因此模型对不同信噪比信号的稳定性显得尤为重要。本文提出一种空间滤波器组典型相关分析模型,在原始信号、人工合成信号、平均特征信号三者之间提取四种空间滤波器用于后续分类,并将该模型与另外四种模型在不同信噪比情况下进行对比分析。六组低信噪比数据集为采集数据、六组高信噪比数据集为清华数据集,实验证明该模型在使用高低信噪比数据时均有优秀的分类性能,最高可达99.24%,且对不同数据长度有较高鲁棒性,同时信息传递速率(Information Translate Rate,ITR)最高可达105.1bits/min。

两个多重相关变量组的统计分析(1) (典型相关与典型冗余分析)

本文介绍两组相关变量间的典型相关与典型冗余分析的统计分析方法 ,以及在SAS软件包中如何实现 。

医院统计指标组间相互关系的典型相关分析

利用典型相关分析方法，研究医院诊断质量、治疗质量和工作效率３个指标组之间的相互关系，结果表明三者之间存在着密切的相关。本研究还找出了各组指标中的主要指标，为医院管理工作中突出重点抓主要矛盾提供了数量化依据。

多组变量典型相关分析的正交Carroll准则

研究多组变量典型相关分析的正交Carroll准则.首先,把Carroll准则等价地转化为迹函数的极小值问题,由此导出最优性条件;然后,对Van de Velden给出的方法进行改进.为了提高算法的收敛速度和获得全局解的可能性,给出了初始点的选择策略;最后,分析了正交Carroll准则与其他一些问题之间的联系.

中华绒螯蟹塘水质的超度量聚类分析与典型相关分析

对5口中华绒螯蟹养殖塘连续4个月测定pH、溶解氧、氨氮、亚硝酸盐、总氮、总磷、COD和酸性高锰酸钾指数,利用克鲁斯卡尔算法进行超度量聚类分析,并进行典型相关分析及典型冗余分析。结果显示:pH值和COD在水质的8个参数中起中心作用,以这两个变量为中心将8个变量分为两组,第一组为pH值、氨氮、溶解氧和总磷;第二组为COD、高锰酸钾指数、亚硝酸盐及总氮;第一典型相关系数为0.7221(P<0.05),相关显著;典型变量V1可以解释24.64%的组内变差,并解释12.84%的另一组的变差,典型变量W1可以解释40.23%的组内变差,并解释20.97%的另一组的变差;W1对pH值有30.49%的预测能力,V1对总氮、亚硝酸盐含量的预测能力分别为32.54%和38.72%。

胆石症患者头发和胆石中多种元素含量的典型相关分析

已有研究测定不同类型胆石中所含的无机和有机组份。包括宏微量元素在内,近期更有关于胆石症患者头发中微量元素含量的报道,但尚缺乏胆石与头发中微量元素含量两者相关分析的研究。本文就胆百症患者中头发和胆石的微量元素含量作多元相关分析,初步探索头发中某些微量元素含量的测定,能否反映胆石组成的类型,以便于指导临床实践。

基于组稀疏联合学习的影像遗传学数据关联分析

影像遗传学的发展很大程度上促进精神类疾病的研究,其主要是分析并挖掘多模态数据以找出与疾病相关的致病机制,但是此类数据的特征之间通常呈现出群组相关或者多个特征相关的特性,传统的方法很难找出具有相关性的疾病机制,易出现过稀疏的问题。针对上述问题,本文引入可以实现组内稀疏和组间平滑的正则化项l_(1,2)范数,并将其与可以实现组间稀疏和组内平滑的l_(2,1)范数联合共同惩罚典型相关分析,通过优化数据之间的相关性实现具有相关性的群组特征和组内特征之间的两模态数据集的特征选择。仿真实验结果表明,本文方法在较准确地估计出2组数据之间的相关系数的同时可选择出具有相关性的组间特征和组内特征;在真实的精神分裂症数据集上,本文方法可找出更多的与精神分裂症相关的易感基因和风险脑区。

基于PSD特征的FBCCA脑电信号识别方法

当前基于稳态视觉诱发电位(steady-state visual evoked potential,SSVEP)的脑机接口(brain-computer interfaces,BCIs)使用的都是单一识别算法,针对不同时间长度的识别准确率较低。提出了一种基于滤波器组的典型相关分析(filter bank canonical correlation analysis,FBCCA)与功率谱密度(power spectral density,PSD)分析相结合的SSVEP识别算法,可以提高SSVEP识别的普适性与准确率。该方法使用FBCCA寻找高相似度的参考频率信号,再通过多组PSD分析来锁定最终的响应频率,完成频率识别。该方法无需经过训练就能得到较高的识别准确率。实验结果表明:在刺激时长为1 s时,该方法能达到86.61%的准确率,比PSD分析方法提升了5.44%,比典型相关性分析方法(canonical correlation analysis,CCA)提升了10.38%的准确率,比FBCCA提升了8.86%的准确率。

结核感染T细胞斑点试验在不同患者群中的检测结果分析

目的探讨影响结核感染T细胞斑点试验（T-SPOT．TB）检测结果的因素。方法收集2014年5月至2015年4月同济大学附属上海市肺科医院共1537例住院患者的临床资料。以《临床诊疗指南：结核病分册》的标准将患者分为临床诊断结核病组（1159例）和临床诊断非结核病组（378例）；再经病原学诊断及随访排除不能做出最终诊断的39例患者后，将患者分为结核病组（1103例；包括经分枝杆菌培养及菌种鉴定确诊的229例和最终临床诊断的874例）和非结核病组（395例；包括既往有结核病史或肺部存在陈旧性病灶者94例，无病史者301例）；1103例结核病组患者中，肺结核557例，结核性胸膜炎107例，淋巴结结核16例，骨关节结核51例，脑结核7例，多组织器官结核363例，其他肺外结核2例；395例非结核病组患者中，经分枝杆菌培养及菌种鉴定确诊的非结核分枝杆菌（NTM）感染患者93例。回顾性分析临床诊断结核病组和结核病组患者T-SPOT．TB检测结果的敏感度、特异度，结核病组与非结核病组患者T-SPOT．TB检测反应强度，不同结核病类型TSPOT．TB检测阳性率，以及NTM感染患者与结核病患者的年龄差异。结果（1）临床诊断结核病组T-SPOT．TB检测的敏感度为8L97％（950／1159）、特异度为53．44％（202／378）；结核病组T-SPOT．TB检测的敏感度为83．77％（924／1103）、特异度为54．43％（215／395）；结核病组中抗酸染色阳性患者T-SPOT．TB检测阳性率为90．73％（235／259）；培养阳性患者T-SPOT．TB检测阳性率为92．58％（212／229）。（2）非结核病组有结核病史或肺部显示陈旧性结核病灶的患者与无病史者T-SPOT．TB检测的阳性率分别为69．15％（65／94）和38．21％（115／301），两组间差异有统计学意义（x^2=27．65，P=0．000）。（3）结核病组与非结核病组T-SPOT．TB检测结果以斑点计数表示反应强度，结核病组对A、B抗原刺激出现阳性反应（斑点数≥1）的患者中，明显阳性及超强阳性（斑点数≥11）的比率分别为69．81％（652／934）和69．67％（627／900），明显高于非结核病组[分别为46．83％（96／205）和46．63％（83／178）]；经曼-惠特尼秩和检验，差异有统计学意义（Z值分别为-14．20、-14．63，P值均d0．01）。（4）1103例结核病组患者中，T-SPOT．TB检测阳性率以淋巴结结核（87．50％，14／16）为最高，随后依次为多组织器官结核（87．33％，317／363）、肺结核（86．54％，482／557）、结核性胸膜炎（74．77％，80／107），脑结核（57．14％，4／7）和骨关节结核（50．98％，26／51）相对较低。（5）T-SPOT．TB检测阳性的NTM感染患者的平均年龄[（53．61±18．43）岁]较T—SPOT．TB检测阳性的确诊结核病患者[（44．98±18．88）岁]高，差异有统计学意义（t=-2．63，P=0．009）。结论T-SPOT．TB检测结果受结核病诊断依据、痰菌量、既往结核病史或肺部陈旧性结核病灶、NTM感染、结核病灶存在的部位等多种因素的影响；T-SPOT．TB检测用于指导结核病诊断时，需综合考虑各项因素。

求解多组变量典型相关分析Maxrat准则的预处理Dinkelbach方法

多组变量典型相关分析的Maxrat准则是一类具约束的非线性最优化问题.本文给出了关于最优性的一阶必要条件和一个便于应用的充分条件.利用Dinkelbach技巧给出了求解Maxrat的一种算法.提出了几种初始点策略用于改进算法的收敛速度和提高收敛到全局最优解的可能性.数值实验结果证明算法和初始点策略是有效的.

一种基于事件相关电位的时频表示方法

生物信号的非平稳特性使得经典的时域分析方法和频域分析方法不能更好地描述信号的局部特征,而联合时频表示可以有效地反映信号的瞬时频率特性.事件相关电位(ERP)是指在特定认知任务下获取的脑电信号,它与刺激所引起的皮层电位直接相关,ERP信号的时频分析将有助于从更深层次上解读其中蕴涵的丰富信息.本文在对几种典型时频表示方法的比较基础上,提出了一种基于滤波器组-Hilbert变换的信号时频表示方法,将这几种方法应用到模拟信号的结果表明,该方法可以更好地保留信号时频特征的细节.因此通过将滤波器组-Hilbert变换方法应用到心理学经典Stroop任务的ERP信号分析中,除了可以得到与心理学传统ERP分析一致的结果外,还可以获取比之更为丰富的信息.

基于稳态视觉诱发电位的脑电信号分类算法比较

基于稳态视觉诱发电位(steady state visual evoked potential,SSVEP)的脑-机接口(brain computer interface,BCI)系统具有分类准确率高、用户不用长时间训练等优点而广受关注。如何高效地对SSVEP信号频率识别而实现更好的分类效果是SSVEP-BCI的核心问题。采用滤波器组典型相关分析(filter bank canonical correlation analysis,FBCCA)与任务相关成分分析(task-related component analysis,TRCA)对SSVEP信号分类比较研究,探讨了两种方法在数据长度、子带数以及通道数对SSVEP信号分类效果的影响。35位被试者的数据表明:在数据长度小、时间短的情况下,TRCA具有更高的分类准确率,且子带数设置为5时,分类准确率达到最大。通道数越多分类准确率越高,但是通道个数较少时,TRCA分类效果明显优于FBCCA。研究为SSVEP脑电数据有效性分析以及提高基于SSVEP的脑电信号分类准确率提供了新的思路。

结合ASM及特征融合策略的Tagged MR左心室分割

提出了一种基于ASM框架的Tagged MR图像左心室分割方法。即从基于典型相关分析的特征融合角度对LM滤波器组提取的Tagged MR图像左心室纹理特征用典型相关分析进行优化组合,再用SVM构造分类器,通过分类器来确定边缘点,驱动ASM模型边界变形得到分割结果。通过典型相关分析的特征融合可以降低分类错误率,提高分类性能;用分类器代替经典ASM模型的基于轮廓灰度的匹配法来确定边缘点具有较强的鲁棒性。该方法在不同时刻不同断层Tagged MR图像上进行了验证,实验结果表明该方法具有较高的准确度和较强的鲁棒性。

强光束干扰下的弱目标图像检测

由于强光束的方向性和弱目标的各向同性 ,采用具有方向选择特征的多尺度、多频道Gabor滤波器组来抑制强光束 ,并在此基础上采用纹理驱动的相关分析算法来检测弱目标图像 .实验证明这是一种有效的检测手段 .

PDEs对四种图像降噪降维方法的影响

针对高维噪声图像(光暗、有遮挡)的分类问题,分类质量的好坏不仅依赖于图像降噪方法的选择,同时还依赖于图像降维方法的选择.目前,大部分的降噪方法不具备降维作用,同样地,大部分的降维方法也不具备降噪作用.为了在降噪降维的同时还能保持良好的分类精度,本文提出了基于偏微分方程组(PDEs)的主成分分析(PCA\PDEs)、基于PDEs的线性判别分析(LDA\PDEs)、基于PDEs的典型相关分析(CCA\PDEs)以及基于PDEs的监督典型相关分析(SCCA\PDEs)四种降噪降维算法,并研究了PDEs的进化对四种算法的影响。

不同累计贡献率下PDEs对CCA的影响

针对高维噪声图像(光暗、有遮挡)的分类问题,分类质量的好坏严重依赖于图像降噪方法和降维方法的选择.本文提出基于偏微分方程组(PDEs)的典型相关分析(CCA)作为联合降噪降维方法,并研究了PDEs的进化对CCA中累计贡献率的影响.分别以支持向量机(SVM)和一对余多类SVM(OVR-MSVM)为分类器,以分类精度为标准,在Extended Yale B人脸数据集和Palm-print掌纹数据集上进行了大量的实验.实验结果表明,PDEs的进化可以弱化累计贡献率的影响,甚至不用选择累积贡献率,通过不超过5次的进化即可达到同等条件下的最佳分类精度.

多变量模型

本书中到目前为止,我们一直倾向于使用术语变元(Variable)来指'对不同个体取不同值的量'或'同一个体在不同时间取不同值的量'。术语'变元'在统计学上的定义是'在一特定的数集中取任何一值的量'。这些值可以是连续的,比如测高度,也可以是间断的,比如计数个体数。的确,在某些例子中,用这个词表示非测量特性也很方便。如。