基于RSVP的面向不良信息检测人机协作系统研究

针对复杂的环境背景下不良信息的快速准确检测问题,提出了基于快速序列视觉呈现(rapid serial visual presentation,RSVP)的面向不良信息检测人机协作系统。首先利用快速佩戴便携式采集系统采集了12名受试者的脑电数据;然后采用Mallat算法提取较低维度的时频特征,使用人工神经网络(ANN)和支持向量机(SVM)两种模型分类对比;最后在训练集中引入不同次数的叠加平均数据以改善模型的分类性能。实验结果表明,在含有3个目标的60张图像中平均正确输出至少2张目标,AUC值达到了0.9。该系统在小批量数据集、环境变化复杂的不良图像信息检测中有着良好的性能,相较于人工检测提高了效率。

基于CNN-LSTM的脑电P300信号检测

为提高对无创脑机接口(BCI)中P300脑电信号的检测准确度,本文根据卷积神经网络(CNN)与长短期记忆(LSTM)网络,提出一种CNN-LSTM组合网络模型。卷积网络采取分层结构,同时设计匹配不同特征维度的一维卷积核;长短期记忆网络(LSTM)用来发掘数据时序相互依赖性,学习全局特征的相关性以实现目标分类。试验结果表明,本文提出的模型对于实验诱发出的单试次P300信号,检测准确率达到91.28%,与EEGNet网络和支持向量机算法对比,准确率分别提升2.18%、8.31%。在精确率、召回率、F1分数、AUC值的评价指标下也达到最优性能,具有较强的泛化性能。