离散粒子群优化-贝叶斯线性判别分析算法用于视觉事件相关电位P300的分类

P300在头皮上的导联位置并不明确,目前对P300的分类研究中,采用的电极组合各不相同,且不同被试在同一电极组合下得到的分类效果存在一定差异,要使所有分类精度都达到最优比较困难。而采用全导联方式则增加了数据处理量,导致系统实时性要求不能满足。为解决该类问题,提出一种基于离散粒子群优化(DPSO)的算法对P300进行最优电极组合选择,并将其与F-score进行了比较。然后利用贝叶斯线性判别分析(BLDA)对P300进行分类,比较了最优电极组合和其他电极组合下的分类结果,表明了DPSO对脑电最优电极组合选择的有效性,并提出了一组可能普适的P300最优分类电极组合,对提高基于P300的BCI系统实时性有重要意义。

淮北煤田地下水微量元素贝叶斯多类线性判别分析

在淮北煤田主要含水层水中微量元素及常规离子测试分析的基础上,建立了微量元素Bayes多类线性判别模型。分析结果表明,在以As、Ba、Co、Cr、Cu、Se、V等7种特征微量元素为解释变量的Bayes多类线性判别函数中,Co与Cu对水源判别所起的作用较大,Ba最小。Ca2+、Mg2+、K++Na+、Cl-、SO42-、HCO3-等7种常规离子在判别函数中的系数绝对值相差不大。没有发现判别效果较强的常规离子,但经常规离子修正的微量元素Bayes多类线性判别模型具有很好的判别效果。

基于SPSS的贝叶斯逐步线性判别法在煤炭种类识别中的应用

利用统计软件SPSS的逐步判别分析功能筛选出判别无烟煤、烟煤、褐煤的主要指标——氢含量和氧含量,以该指标为变量建立贝叶斯逐步线性判别函数,并采用该函数分别对建模样本和测试样本进行识别。识别结果显示:基于SPSS软件的贝叶斯逐步线性判别法的分类识别结果正确率为100%,优于模糊识别等算法。SPSS软件具有建模速度快、易操作、精确度高等优点,值得推广和应用。

基于小波预处理和贝叶斯分类器的P300识别算法

提出了一种高效的诱发电位P300成分识别算法用于脑计算机接口。采用小波分解与重构法去噪,根据P300特征决定小波基函数和分解层数,抽取出最明显的特征成分,结合基于证据框架的贝叶斯回归学习方法,获得对应类别概率进行分类决策。数据来源于2004 BCI Competition中的dataset P300字符拼写实验,交叉验证的结果表明,滤波方法有效,特征提取和分类算法计算复杂度低,获得了比较高的分类精度,平均精度最高为90%。

基于可见-近红外光谱技术的蜜源快速识别方法

蜂蜜蜜源决定了蜂蜜的药用价值。为了实现快速无损识别蜂蜜蜜源,提出了基于可见-近红外光谱技术结合机器学习的方法来实现蜂蜜蜜源的快速无损识别。该研究采集来自4个蜜源共232份蜂蜜样本光谱数据,随机选取其中212个样本用来构建分类器,剩余20个样本进行分类器泛化学习能力的检验评估。光谱数据预处理采用基线校正,数据标准化和平滑消除干扰和噪声。基于一对多分类规则,采用主成分分析结合贝叶斯线性判别构造线性多分类器,并就分类效果和泛化学习能力与前向神经网络器构成的非线性分类器进行比较。结果表明:基于主成分分析结合贝叶斯线性判别构造的多分类器分类正确率为91.95%,前向神经网络的分类正确率为100%。该研究也表明应用可见-近红外技术对蜂蜜蜜源进行快速分类是可行的。

脑机接口中脑电信号的特征提取和模式分类

从智能处理与不确定性的角度,探讨了脑机接口中的核心问题-EEG模式特征的识别和分类.针对EEG模式分类中所存在的不确定性问题,从EEG的特征提取和分类模型构建两个方面进行了分析,并提出了解决问题的方法和对策.以P300成分为例,从导联选择、滤波处理和时间窗处理三方面进行特征提取,采用贝叶斯线性判别分析的方法进行模式分类.最后以第三届脑机接口竞赛P300字符输入的数据为实验,分别采用3种不同的方法进行数据分析,通过分类准确率和不同重复次数下性能的比较,实验结果表明了本文特征提取和模式分类方法的有效性.

基于BLDA的癫痫脑电信号分类检测

有效的癫痫脑电信号检测方法对于病人和医护人员具有重大意义。本文提出一种基于贝叶斯线性判别分析(BLDA)的癫痫脑电信号分类方法。首先对脑电信号进行滤波,然后计算波动指数和离散功率为脑电特征,随后送入贝叶斯线性判别分类器进行判断。通过对4位病人的脑电记录进行实验,结果表明该方法具有较好的检测效果。

一种运动想象异步BCI的空闲状态检测方法

提出一种利用特殊运动想象训练样本与有限的空闲状态训练样本进行训练的方法,采用公共空间频率模式算法与功率谱密度算法分别提取样本的空域与频域上的特征.利用贝叶斯线性判别方法进行分类,设计出一种适用于异步脑-机接口(BCI)的具有两级分类结构的分类器.实验结果表明:该方法对包含空闲状态的脑电信号具有较好的分类效果;在利用较少电极的情况下,测试集样本的分类结果的正确率和均方误差分别为77.62%和0.495.

用于脑机接口的训练样本集扩增方法

在脑机接口技术研究中,为有效提高脑电信号分类正确率,提出了一种样本容量扩增方法。该方法将一组脑电数据的所有电极数据值增加一倍,然后与原始数据一起作为样本数据进行训练,这种方法不但增加了样本容量,而且进一步提高了训练的收敛速度及测试结果的可靠性。用贝叶斯线性判别法对脑机接口行列闪范式下公共数据扩增前后的样本进行训练和测试,在两种类别的数据中将数据在直线上进行投影。经研究发现投影后每一种样本扩增数据的投影点比原始数据的投影点更接近,两种类别的数据的类别中心点也更大,分类效果更好,平均正确率相比原始公共数据平均正确率有了显著性的提高。研究表明这种用于脑机接口的训练样本集扩增方法能显著提高脑电信号分类正确率。通过实例验证了所提出的样本扩增方法的有效性,为样本容量不足提供了可行的解决方法。