Analysis of OSA Syndrome from PPG Signal Using CART-PSO Classifier with Time Domain and Frequency Domain Features

Obstructive Sleep Apnea(OSA)is a respiratory syndrome that occurs due to insufficient airflow through the respiratory or respiratory arrest while sleeping and sometimes due to the reduced oxygen saturation.The aim of this paper is to analyze the respiratory signal of a person to detect the Normal Breathing Activity and the Sleep Apnea(SA)activity.In the proposed method,the time domain and frequency domain features of respiration signal obtained from the PPG device are extracted.These features are applied to the Classification and Regression Tree(CART)-Particle Swarm Optimization(PSO)classifier which classifies the signal into normal breathing signal and sleep apnea signal.The proposed method is validated to measure the performance metrics like sensitivity,specificity,accuracy and F1 score by applying time domain and frequency domain features separately.Additionally,the performance of the CART-PSO(CPSO)classification algorithm is evaluated through comparing its measures with existing classification algorithms.Concurrently,the effect of the PSO algorithm in the classifier is validated by varying the parameters of PSO.

基于极限梯度提升和探地雷达时频特征的水泥路面脱空识别

针对探地雷达(GPR)数据解译依赖于人工经验,存在费时费力和主观偏差的问题,提出了基于极限梯度提升(XGBoost)和GPR时频特征的水泥路面脱空识别方法。采用正演模拟、室内试验和现场试验获得了脱空病害数据源,建立含有标签的脱空GPR数据集;通过重采样方法统一GPR数据采样频率,并对预处理后的GPR数据进行时频域特征提取,建立了包含18个时域和12个频域特征的数据集。以时频域特征为输入,是否存在脱空病害为输出,采用XGBoost算法构建脱空识别模型,并与随机森林(RF)和人工神经网络(ANN)算法进行对比。结果表明,模型的识别准确率排序为XGBoost(98.10%)>ANN(95.10%)>RF(93.17%),XGBoost模型识别精度最高,并能在实际路面上准确定位脱空区域。

融合时频特征的多源无监督域自适应轴承故障诊断方法

无监督域自适应已成为多工况下轴承故障诊断的一种重要方法。然而,现有多源无监督域自适应方法往往忽略不同视角信号对于跨域故障诊断的贡献,不足以全面表达轴承的故障特征。此外,这些方法的不同源域对同一目标域的预测结果存在差异。为此,提出一种融合时频特征的多源无监督域自适应(time-frequency features fused multi-source unsupervised domain adaptation,TFFMUDA)轴承故障诊断方法。该方法以时域和频域信号为输入,通过特征耦合机制实现两种故障特征的互补,并利用分类器对齐策略增强了不同源域对于同一目标域的诊断一致性。通过实际轴承故障案例的试验结果表明,所提方法相较于现有无监督域自适应轴承故障诊断方法能获得更清晰的故障类决策边界并具有更好的目标域诊断精度。

基于空间域与频域特征自适应融合和类间边界区域增强的三维海马分割

目的海马萎缩是诊断阿尔茨海默病等诸多精神疾病的临床重要标志,因此准确分割海马是一个重要的科学问题。随着深度学习的发展,人们提出了大量先进的自动分割方法。然而,由于MRI中各种噪声的影响以及海马不同类别之间不清晰的边界,三维海马分割仍然具有挑战性。因此本文旨在提出新的自动分割方法来更精确地分割海马头、体、尾。方法为了克服这些挑战,本文提出了两个策略。一种是空间域与频域特征自适应融合策略,通过快速傅立叶变换和卷积自动选择合适的频率组合,减少噪声对特征提取的影响。另一种是类间边界区域增强策略,它允许网络通过加权每个类之间边界区域的损失函数来增强对边界区域的学习,以达到精确定位边界和调节海马头、体、尾大小的目的。结果在50例青少年大脑MRI数据集上进行的实验表明,我们的方法实现了较先进的海马分割,海马头、体、尾相较于现有的方法都取得了一定的提升。消融实验证明我们提出的两种策略有效,我们还在260例Task04_Hippocampus数据集上验证了网络具有强大的泛化能力,说明本文提出的方法可用于更多的海马分割场景。结论我们提出的方法可以帮助临床医生更清楚地观测海马萎缩,并完成更精确的病情诊断和追踪。

基于时频融合特征的肺动脉高压心音分类模型

先心病相关肺动脉高压是一种严重的心血管疾病,致死率高,对其进行早期筛查与识别对于治愈尤为重要。目前临床是通过右心导管术确诊,此为有创检查,不便于在大规模筛查中采用,研究一种无创便捷的识别方法迫在眉睫。文中建立了一种时频融合的心音分类模型。首先对心音信号进行预处理,然后使用融合滤波器组对信号进行转换并求取动态时频特征,最后将得到的融合特征参数输入表格式先验数据拟合网络(TabPFN)中进行分类识别。实验结果表明,该算法在正常、CHD-PAH和CHD中的平均准确率、精确率、灵敏度、特异度和F1分别为92.21%,92.15%,92.15%,96.11%,92.14%。对于先心病相关肺动脉高压的早期筛查与识别具有重要意义。

基于改进Faster R-CNN的红外目标检测算法

为提升红外目标的检测精度,提出了一种引入频域注意力机制的Faster R-CNN红外目标检测算法。首先,针对红外图像边缘模糊和噪声问题,设计了一种并行的图像增强预处理结构;其次,在Faster R-CNN中引入频域注意力机制,设计了一种新型红外目标检测主干网络;最后,引入路径增强金字塔结构,融合多尺度特征进行预测,利用底层网络丰富的位置信息,提升检测精度。在红外飞机的数据集上进行实验,结果表明,改进后的Faster R-CNN目标检测框架比以ResNet50为主干的算法的AP提升了7.6%。此外,与目前主流算法对比,本文算法提高了红外目标的检测精度,验证了算法改进的有效性。

频域特征提取联合双流CNN的轴承故障诊断方法

针对传统方法提取到的轴承各类故障特征混杂,部分类别故障不易区分的问题,设计一种双流卷积神经网络(Convolutional Neural Network,CNN)的故障诊断模型。首先将振动信号转换到频域,为减少低频微弱信号的干扰,过滤频域信号,设定滤波器通带和阻带衰减值以保证信号不失真,进而确定频率带宽,在该带宽值下求得信号振幅占比最大值的范围,同时以正常信号振幅平均值作为高频信号的阈值确定频率最高值。用上述参数分别作为滤波器的参数,过滤信号得到频谱信号和构建时频图像。将提取频谱信号和时频图作为模型两个通道的输入,在卷积层和池化层后加入特征融合层,通过加权融合的方式将两个通道的特征融合,使得各类故障特征区分度显著提高。实地搭建故障平台采集数据验证,实验结果表明,该方法能提取到每类故障独有的特征,轴承故障识别准确率达到98.95%。

基于双通道时频卷积神经网络的故障电弧检测

交流故障电弧产生的高温极易点燃周围的可燃材料,是引发电线火灾的重要原因之一.准确检测不同类型的故障电弧对于预防重大火灾事故的发生具有重要意义.然而故障电弧的复杂性与隐蔽性给检测方法带来了极大挑战.基于阈值和电流特征提取的技术难以全面概括故障电弧的特征,而大多数基于深度神经网络的方法直接对电流信号进行特征学习,忽略了信号中的频率信息,从而导致泛化能力差的问题.对此,本文提出了基于时频特征学习的双通道时频卷积神经网络的故障电弧识别方法,设计了可学习的自适应离散小波变换,用于提取一维信号中的多尺度特征,同时通过短时傅里叶变换获取二维的时频图像特征,分别在这2种特征信号上进行卷积,最后将2个通道中学习的特征进行融合,用于分类预测.通过对故障电弧发生器采集到的3种工况下电弧电流信号进行性能评估,验证所提方法的有效性.实验结果表明,该方法与其他同类方法相比具有更高的电弧识别准确率,达到了97.91%.

高低频通道特征交叉融合的低光人脸检测算法

低光条件下捕获的人脸图像存在着噪声严重、对比度低等不足,极大影响了现有人脸检测器的准确性,另外,现有的低光图像检测算法欠缺小区域人脸信息的提取能力。为此,提出一种基于深度学习的两阶段人脸检测算法,即利用现有的低光图像增强算法对人脸图像进行增强后再进行检测。为提升检测算法对人脸信息的提取能力,设计一种新型的高低频通道特征交叉融合方法,该方法首先使用高低频通道特征可分离模块分离出不同尺度特征的高低频信息,然后对上述信息进行交叉融合,提升网络提取高频细节信息和低频色域信息的能力,进而提高检测网络的性能。对比试验和消融试验验证了该研究方法的有效性,试验结果表明该方法优于基准方法4.0%mAP。

基于时频域特征和朴素贝叶斯的滚动轴承故障诊断方法研究

【目的】为了解决滚动轴承故障特征提取困难、诊断性能偏低的问题,提出了一种基于时频域特征和朴素贝叶斯的故障诊断方法。【方法】首先,通过局部均值分解方法对原始振动信号进行处理,获得多个乘积函数分量。其次,基于原始振动信号和各个乘积函数分量,提取时频域特征,并采用主成分分析实现特征降维,获得低维敏感特征。最后,依据低维敏感特征集,结合朴素贝叶斯模型,实现对江南大学—机械工程学院滚动轴承数据集的分析。【结果】实验结果表明,该方法相较于传统朴素贝叶斯准确率高39.49%,相较于主成分分析准确率高5.94%,由此得出该方法对滚动轴承故障的诊断表现较好。【结论】对于传统的单一的故障诊断模型,基于时频域特征和朴素贝叶斯的故障诊断模型具有更高的准确率,解决了滚动轴承故障特征提取困难、诊断性能偏低的问题。

基于广义S变换和并联神经网络的结构损伤识别研究

目前在利用CNN网络提取特征的结构损伤识别研究中,仅仅利用1D-CNN和2D-CNN提取的特征进行损伤识别存在准确率低、识别效率不高等问题。提出了一种基于广义S变换和并联神经网络的结构损伤识别方法。为了丰富输入信号的特征维度,利用广义S变换将滤波后的信号转化成时频图,并同时将一维加速度响应信号和二维时频图分别输入1D-CNN和2D-CNN中进行时域和时频域特征提取,并在汇聚层进行特征拼接,然后通过FC层和Softmax层对损伤识别结果进行分类。利用IASC-ASCE SHM Benchmark结构第二阶段试验数据对所提出的并联网络模型进行验证,结果表明,所提出的网络模型与其他同类方法相比具有更高的识别精度和识别效率。

基于时频感知双路径Conformer的语音增强

近年来,Conformer在语音领域的应用表现较为突出。该模块通过结合多头自注意力机制和卷积神经网络,能够同时关注短时和长时序列信息,从而在语音处理任务中表现出卓越的性能。在此基础上提出了一种基于时频感知双路径Conformer的语音增强网络(TFDPCNet)。首先,该网络将改进的Conformer结构作为核心,采用双路径结构,构成时频感知的双路径Conformer模块(TFDP-Conformer),增强了整体网络的时频提取能力;同时,为了减小时频特征融合的难度,提出了注意力门控交叉融合模块(AGCF),通过额外的注意力门进一步增强了网络训练过程中时频特征的交互,提高了时频特征的利用率;最后,引用度量鉴别器,并对其进行适当剪枝,使得增强后的音频和原始音频在量化评价指标上保持更高的一致性。实验结果表明,相比于TSTNN算法,TFDPCNet在主观和客观指标上都有明显提高。

基于多尺度FCN和GRU的雷达有源干扰识别

雷达在现代电子战中发挥着至关重要的作用,随着电子对抗与电子反对抗的较量愈演愈烈,复杂电磁环境下,雷达有源干扰的人工提取特征困难以及低干噪比下的识别率较低的问题亟需解决。针对该问题,文中提出了一种基于多尺度全卷积网络(Multiscale and Fully Convolutional Neural Network,MFCN)和门控循环网络(Gated Recurrent Unit,GRU)并联的干扰识别算法。这是一种端对端的深度神经网络模型,其输入干扰信号的原始时域序列,不需要对数据进行复杂的预处理,即可提取信号在时间和空间上的融合特征,并能对不同干噪比下的干扰信号进行分类识别。仿真结果表明,随着干噪比的逐渐增加,网络的识别准确率也逐渐提升;在-10~10 dB的全干噪比范围内,网络的整体识别率为99.4%,干噪比为-6 dB以上时识别准确率接近100%,与单纯的多尺度全卷积网络、门控循环网络和其他经典模型相比具有更高的识别准确率,且能够适应的干噪比的下限更低。

基于眼部特征频域信息的早期疲劳检测

行李X光安检员工作疲劳是造成错检、漏检的重要原因。目前疲劳检测的方法主要通过发现打哈欠、打瞌睡和长时间闭眼等明显的迹象来检测中晚期疲劳,然而对于安检工作人员来说,出现这样明确的标志时,可能已经发生了安检事故,此时再进行疲劳检测为时已晚。因此,在早期阶段发现疲劳,并对疲劳的发生及时预警是非常有价值的。由于早期疲劳会有细微的面部表现特性,时域参数的不可逆性导致其无法完全表示。为了解决此问题,提出了一种基于眼部特征频域信息的行李X光安检员早期疲劳检测方法,将原始时域信息转换到表达能力更强的频域特征空间。该方法首先通过面部检测算法获取眼部横纵比(Eye Aspect Ratio,EAR)时间序列;然后利用频域特征提取方法得到频域特征序列,来表示更加细微的特征;最后利用分层多尺度网络HM-LSTM进行训练及验证。在公开数据集UTA-RLDD上的对比实验结果表明,所提方法对早期疲劳的识别率提升了2%,证明了频域特征比时域特征有更好的表达能力。

大岗山高拱坝地震动力响应特征分析——以泸定6.8级地震为例

为了探究2022年9月5日四川甘孜州泸定县6.8级地震对大岗山高拱坝的影响,根据坝体及坝基上布置的由21台强震仪组成的强震监测系统监测记录,对泸定地震强震监测数据进行了时域和频域分析,总结了大岗山高拱坝在泸定地震中的动力响应规律。分析结果表明:泸定地震时坝顶与两岸坝肩的位移与加速度较大,加速度峰值最大为576.6 cm/s~2,位于坝顶6^(#)坝段;大岗山高拱坝对频率范围为0.5~8 Hz的地震动响应最为明显;坝体高程对地震动响应具有放大效应,且顺河向加速度峰值放大该效应最明显。震后大坝运行状态稳定,整体受地震影响较小,但坝肩及两岸边坡处需引起重视。研究成果可为类似拱坝的安全运行提供参考。

基于时频域特征参数的风电机组滚动轴承故障诊断方法及应用

针对风电机组滚动轴承工作环境恶劣、工况多变且振动信号成分复杂等特点,将33项时域和频域特征参数及其特性应用于风电机组滚动轴承状态监测和故障诊断中,利用奇异值分解重构法(Singular Value Decomposition,SVD)将滚动轴承振动故障信号中的噪声等干扰成分去除,降噪重构后的信号经过基于经验模式分解法(Empirical Mode Decomposition,EMD)的希尔伯特-黄变换,实现故障冲击信号的共振解调处理,将低频周期故障调制信号筛选出来,最终结合滚动轴承各部件故障特征频率、振动信号时频分析结果和时频特征参数诊断结果实现滚动轴承的状态监测和故障识别。并通过振动测试信号分析,验证了该方法对提取风电机组滚动轴承故障特征的有效性。

基于特征融合的RV减速器局部故障诊断研究

为提高模拟真实工况下RV减速器局部故障诊断方法的可靠性与识别精度,降低工业机器人的故障率,本文提出一种基于频谱、时频谱特征融合的方法,设置三种负载影响因素,采集伺服系统在不同模式下反馈的电流信号,并对电流信号进行快速傅里叶变换(FFT)和小波包分解(WPD),从而获取频谱、时频谱曲线。提取频谱曲线中的平均频域、重心频率、均方根频率及频率标准差用作频域特征值,将时频谱曲线中4个频带能量值用作时频域特征值,并构建融合特征向量;利用基于Sigmoid函数的极限学习机(ELM)对RV减速器的3种工作模式进行识别。结果表明:进行特征融合后,测试集数据的准确率与仅使用频谱特征、时频谱特征相比分别提高了10.95%和5%。本文所研究的方法能够有效提高故障识别准确率,为开发工业机器人无传感在线监测提供指导。

基于深度学习的广播信号自动分类研究

非法广播信号指未经国家无线电管理部门批准擅自设立的广播电台,这类信号会扰乱正常的无线电通信秩序。因此,提出了一种基于时频域特征提取和反向传播(Back Propagation,BP)神经网络的非法广播信号监测方法。该方法先使用时频域分析方法提取信号的特征,然后使用BP模型进行分类。在实验中,文章使用MATLAB生成模拟广播信号数据集,并对设计方法进行测试。结果表明,该方法的准确率、召回率和F1值均在99%以上,证明了该方法的正确性。

基于小波变换与卷积神经网络的羊脸识别模型

为解决养殖场条件下羊只的个体识别问题,本文基于小波变换与卷积神经网络,提出一种融合频域特征与空间域特征的羊脸识别模型DWT-GoatNet。首先采集总计30只高相似度西农萨能奶山羊日间、夜间两种不同光照环境下的面部图像,基于SSIM指标剔除其中相似度过高的样本,接着进行图像裁剪,并通过模糊、调整亮度、平移、旋转、加入噪声、缩放等方法完成数据增强;然后,设计基于二维离散小波变换(2D-DWT)与卷积运算的羊脸特征提取模块,完成特征融合;之后,以前述羊脸特征提取模块为基础,添加分类模块,进行卷积神经网络搭建;最后,进行超参数组合寻优,形成羊脸识别模型。试验结果表明,本文所构建的羊脸识别模型在日间、夜间两种不同光照环境下测试集上识别准确率分别可达99.74%和99.89%,高于AlexNet、VGGNet-16、GoogLeNet、ResNet-50、DenseNet-121等经典卷积神经网络模型,说明所构建模型适用于羊只的个体识别,为精准养殖、农险理赔领域相关工作提供了有效解决方案。

基于Autoformer AI架构的SD-OTN专线流量预测模型

根据政企SD-OTN专线流量时间周期分布相似的特点,在业内首次采用流量序列时频域特征结合训练的Autoformer AI架构对流量序列进行预测,以获得更高预测准确性,并首次应用于某省联通的生产实践中,通过对流量趋势的精准预测,提前做好流量越限和丢包预警,有效降低SD-OTN的投诉量,可为SD-OTN客户提供付费的临时调速和周期性调速方案等增值业务功能。