基于共同空间模式的情感脑电信号的空域特征提取

为了改善基于脑电(EEG)的情感分类性能,提高多分类情况下的识别准确率,提出了一种基于共同空间模式(CSP)的空域滤波算法。首先使用传统的CSP方法设计空域滤波器,并通过该滤波器对3种情感类型(即积极、中性和消极)的EEG信号进行线性投影,以提取空域特征。此外,考虑到传统近似联合对角化(JAD)算法是使用"得分最高的特征值"准则进行特征向量的选择,该情况可能导致无法有效区分多分类的情感状态,因此针对最高分特征值位置存在的所有可能情况设计了不同的特征值选择方法。对实验室自主采集数据集,使用支持向量模型(SVM)作为分类器进行对比实验。结果表明基于CSP的空域特征提取方法在三分类情感识别中平均准确率达到了87.54%,证明其在情感识别应用中具有可行性。

脑-机接口中基于ERS/ERD的自适应空间滤波算法

在与运动相关的脑-机接口(Brain-Computer Interface,BCI)研究中,如果样本规模小,共同空间模式(Common Spatial Patterns,CSP)滤波算法对离群点(可能为噪声)敏感,鲁棒性不好。为此该文提出自适应空间滤波(Adaptive Spatial Filter,ASF)算法,抽取滤波后脑电信号的方差作为特征,并寻找最优滤波器使两类特征中心的比值最大。与CSP不同,ASF是迭代算法,具有软判决机制,能够依据历代更新后的滤波器,自适应地降低离群点对各类特征中心计算带来的影响。采用BCI competition 2003和2005中两套数据集进行实验,结果表明:尤其是在训练样本少的情况下,相对于CSP,ASF所提取的特征分类效果更好。

基于运动想象脑机接口的AuFBCSP方法

针对基于运动想象的脑机接口问题,提出了一种新的特征提取方法,即加强的滤波带宽共同空间模式方法。与传统的滤波带宽共同空间模式方法相比,文中提出的方法充分考虑了被试在进行运动想象时发生事件相关去同步时段的特异性,从而得到更多的特征,并利用这些特征分类,取得更高的准确率和kappa值。在特征的选择上,利用BCI的竞赛数据,将基于互信息的方法和基于准确率的方法进行对比,发现基于准确率的特征选择方法优于基于互信息的特征选择方法。

Web要素服务的优化方法

基于(Web)XML空间数据互操作规范的方式是目前实现Internet上空间信息共享和互操作的有效途径。Web要素服务是OGC提出的基于(Web)XML空间数据互操作规范中功能最为强大、应用前景最好的一种数据服务。Web要素服务通过GML传递空间数据,但是由于GML描述方式冗余度大,生成和传输GML的时间长,在现有的网络带宽下难以令用户满意。本文介绍从GML模式定义、数据压缩和客户端生成内存结构3个方面提出优化Web要素服务的方法。

脑机接口中一种多类运动想象任务识别新方法

目的针对脑机接口中三类运动想象任务,提出一种最小二乘法自适应滤波结合独立成分分析以及样本熵(RLS-ICA-Samp En)、多类共同空间模式(CSP)、增量式支持向量机(ISVM)相结合的脑电识别新方法,以解决脑机接口中多类运动想象正确率低的问题。方法首先采用ICA将EEG分离,然后利用样本熵自动识别分离后的噪声,再采用RLS对识别出来的噪声进行滤波,最后进行信号重构,得到去除噪声的脑电信号。多类CSP采用"一对一"CSP与多频段滤波相结合,对去噪后的脑电信号进行特征提取。通过"一对多"方式的ISVM对三类运动想象脑电信号获取的特征向量进行分类。为检验新方法的有效性,将本文方法与多类CSP+ISVM(方法 1)及RLS-ICA+多类CSP+ISVM(方法 2)进行比较。结果对三类想象任务而言,本文方法识别正确率与方法 1和2相比均高8%左右。结论与方法1和2比较,RLS-ICA-Samp En、多类CSP、ISVM相结合的脑电识别新方法能更好地适用于多类运动想象任务识别。

小班英语分层教学的探索与践行

本文提出的小班英语分层教学是以小班化为前提，在缩小了学生比例，相对地扩大了教学空间的条件下，充分体现因材施教原则，使提高每个学生充分享受教育资源程度得以实现。在英语课堂教学的实践中，我不断探索新的教学方法，努力构建新的课堂教学模式，采取“动态分层，分类指导，协同合作，全员发展”的方式，使同学们在共同活动中接受教育，在素质教育的推动下，增强自我教育力量，相互推进，提高学生综合素质。