基于小波包分解的脑电信号身份识别研究

本文对运动想象脑电信号进行分析，提出一种基于小波包分解（WPD）的特征提取技术，在时频平面对信号的高频和低频成分同时进行相同的分解，以距离准则进行最优基选择，并以Fisher准则对最优基进行特征选择并结合神经网络，从而实现身份的识别。结果表明，小波包分解能有效地提取脑电信号特征，并且在不同运动想象下对三个受试者的分类识别率的最高识别率达到80％，能适合残疾等各种人群，有较好的适应性。

研究型实验室在创新人才培养的研究现状

研究型实验室，是一个高校创新研究的基地，同时高校也是创新人才培养的摇篮，但是就目前而言，研究型实验室在高校创新人才培养中，并为发挥其应有的作用，研究型实验室只是为项目研发而设置，高校学生并未加入其中，本文就研究型实验室在创新人才培养中的一些问题进行探讨，为发挥实验室在创新人才培养中的如何发挥作用提出自己的观点。

脑电信号应用于消费心理研究可行性研究

如何对消费心理进行定量测量是对消费心理研究提出的一个新问题，传统的调查问卷方式显然已经不能满足这个要求，在对脑电信号进行分析研究之后，脑电信号能真实反映受试者心理特征这一特性是否能引入消费心理研究呢。

脑电信号处理方法的研究综述

大脑为高级神经中枢系统,脑电信号(EEG)是反映大脑神经元细胞群自发性、节律性的电生理活动信号,包含着重要的生理信息。对脑电信号进行深入的处理分析是提取脑电信息的重要手段,为生物医学、临床病症提供重要依据。文章主要归纳脑电信号的处理方法,对时频分析、高阶谱分析、人工神经网络和非线性动力学分析等四种处理方法进行介绍,将国内外对应处理方法的应用结果加以展示,同时总结脑电研究的相关成果并提出脑电研究在当前社会的应用前景。

弱标记不完备决策系统的增量式属性约简算法

在许多现实应用领域中,由于数据标注代价昂贵,且数据往往呈现动态变化,因此存在大量弱标记的不完备数据。针对上述复杂应用场景,本文以粒计算理论为基础,从区分性视角给出不完备数据的区分对概念,同时给出属性相对重要度的度量方法,并设计面向弱标记不完备决策系统的属性约简算法。该算法能在迭代过程中不断缩减搜索空间,提高属性约简效率;并根据实例的动态变化情况,分析属性约简的动态更新机制;在此基础上,设计了半监督条件下的增量式属性约简算法。最后,通过实验验证了算法的可行性和有效性。

基于独立成分分析降噪与集成分类器的疲劳脑电分析

疲劳驾驶是引起众多交通事故的重要因素之一,脑电作为一种直接反映大脑组织电活动的信号日趋成为评估驾驶疲劳检测与预警的研究焦点。提出了一种基于Ada Boost的组合型实验方法用于分析脑电检测疲劳驾驶。实验过程中针对不同受试者采用独立成分分析(independent component correlation algorithm,ICA)处理分析;继而进行样本熵、信息熵、模糊熵和AR系数的特征提取;最后运用Ada Boost将最小二乘向量机基于三种核分类器集成为一个强分类器。实验结果显示,采用Ada Boost分类器分类效果优于单个核分类器,对疲劳驾驶平均识别率达到93%,五折交叉验证准确率为91. 04%,在一定程度上推动了基于脑电信号的安全驾驶辅助监控系统的研究。

集成3种不同核分类器的疲劳脑电分类

为对疲劳脑电进行准确识别,预防疲劳驾驶带来的危害,对32导脑电信号进行预处理,对比小波变换和经验模态分析(empirical mode decomposition,EMD)去掉异常值和高频噪声情况,在效果较好的EMD基础上进行样本熵、模糊熵的提取,形成特征集,选用最小二乘为基分类器,采用AdaBoost (adaptive boosting)方法通过迭代增加错分样本权重,投票形成基于最小二乘支持向量机3个不同核的弱分类器集成的强分类器,实现驾驶疲劳的识别,平均准确率达95%。通过实验验证了该方法的灵活性及鲁棒性,在一定程度上推动了驾驶疲劳的研究。

基于小波变换与多项指标的疲劳驾驶检测应用

为了对疲劳驾驶的脑电进行研究,本文收集数据并利用小波变换在实验数据中提取α波、β波、θ波和δ波这4种频段的均幅值和(α+β)/β、α/β、(δ+α)/(α+β)、(α+β)/θ共8项合成指标集成为脑电特征参数。通过KPCA提取贡献率90%以上的主元特征信息形成特征集合,并将特征信息输入最小二乘支持向量机(LSSVM),建立KPCA-LSSVM预测模型并对比其他4种模型试验,最终求得该模型平均正确率达到89. 47%,通过实验表明了该实验的有效性及在数据处理速度上的优势。