基于脑电四阶累积量的运动意识分类研究

提出了基于四阶累积量为脑电特征的意识任务分类思想.对被测试者想象左右手运动时的脑电归一化四阶累积量（峭度）及其动态变化情况进行了研究.结果表明,归一化四阶累积量能较好地反映左右手运动想象的脑电特征变化.在此基础上,进行了基于脑电四阶累积量的左右手运动意识识别和分类研究,实验结果表明,正确识别率能达到87.5%.由于四阶累积量的计算比较简单,而且可在线计算,因此可以认为,基于脑电四阶累积量为特征的运动意识分类及其在脑机接口技术中的应用,具有较高的实际应用价值.     

基于多特征融合的多分类运动想象脑电信号识别研究

针对目前多分类运动想象脑电识别存在特征提取单一、分类准确率低等问题,提出一种多特征融合的四分类运动想象脑电识别方法来提高识别率。对预处理后的脑电信号分别使用希尔伯特-黄变换、一对多共空间模式、近似熵、模糊熵、样本熵提取结合时频—空域—非线性动力学的初始特征向量,用主成分分析降维,最后使用粒子群优化支持向量机分类。该算法通过对国际标准数据集BCI2005 Data set IIIa中的k3b受试者数据经MATLAB仿真处理后获得93.30%的识别率,均高于单一特征和其它组合特征下的识别率。分别对四名实验者实验采集运动想象脑电数据,使用本研究提出的方法处理获得了72.96%的平均识别率。结果表明多特征融合的特征提取方法能更好的表征运动想象脑电信号,使用粒子群支持向量机可取得较高的识别准确率,为人脑的认知活动提供了一种新的识别方法。     

飞行状态下四种菊头蝠回声定位声波的小波包识别方法

研究了飞行状态下的四种菊头蝠回声定位声波的识别方法.通过小波包分解得到各个频带能量作为识一别特征向量,用主成分分析法优化特征空间.提取少数几个主成分,这些主成分彼此不相关,符合特征优化的要求,以主成分向量作为BP神经网络的输入对蝙蝠的种类进行识别.个体识别正确率达到了80%以上,表明基于小渡包分解和神经网络识别的方法对蝙蝠回声定位声波进行识别是可行的.     

基于小波变换的婴儿痉挛症脑干听觉诱发电位复杂性分析

采用多尺度小波变换计算脑干听觉诱发电位近似熵的方法,对比婴儿痉挛症患儿与正常幼儿的近似熵值,按照脑干听觉诱发电位成份波对应的解剖位置,分段、分尺度计算并统计近似熵值,从神经信息传递角度探讨阻碍婴儿痉挛症患儿智能发育的原因。采集12例正常儿童和13例婴儿痉挛症患儿的脑干听觉诱发电位,将它们进行60尺度小波分解,分段、分尺度计算各尺度近似熵值。发现婴儿痉挛症组患儿脑干听觉诱发电位中代表脑干活动的3~7ms段的分尺度近似熵明显高于正常组(P<0.01),小尺度上表现尤为显著。结果表明婴儿痉挛症患儿脑干传导通路不畅通,其中的随机成份增多,阻碍信息在脑干的传递,进而影响患儿大脑皮层的发育。     

A Comparative Approach for MI-Based EEG Signals Classification Using Energy,Power and Entropy

ObjectiveThe initial principal task of a Brain-Computer Interfacing (BCI) research is to extract the best feature set from a raw EEG (Electroencephalogram) signal so that it can be used for the classification of two or multiple different events. The main goal of the paper is to develop a comparative analysis among different feature extraction techniques and classification algorithms.Materials and methodsIn this present investigation, four different methodologies have been adopted to classify the recorded MI (motor imagery) EEG signal, and their comparative study has been reported. Haar Wavelet Energy (HWE), Band Power, Cross-correlation, and Spectral Entropy (SE) based Cross-correlation feature extraction techniques have been considered to obtain the necessary features set from the raw EEG signals. Four different machine learning algorithms, viz. LDA (Linear Discriminant Analysis), QDA (Quadratic Discriminant Analysis), Naïve Bayes, and Decision Tree, have been used to classify the features.ResultsThe best average classification accuracies are 92.50%, 93.12%, 72.26%, and 98.71% using the four methods. Further, these results have been compared with some recent existing methods.ConclusionThe comparative results indicate a significant accuracy level performance improvement of the proposed methods with respect to the existing one. Hence, this presented work can guide to select the best feature extraction method and the classifier algorithm for MI-based EEG signals.     

基于Gabor小波和特征加权的红刺舌象分类

红刺为舌尖、边、根等处突出之刺状物。根据红刺类型,并结合其他颜色、纹理或形状特征,中医能够快速准确的识别出多种疾病,如阑尾炎,支气管炎等。Gabor小波是纹理分析领域一种应用较多也较为成功的方法,本文以这种方法提取特征,在此基础上使用特征加权的聚类方法对红刺舌象进行识别分类,取得了较好的结果。     

基于小波和BP网络的视觉诱发电位分类识别

提出了小波分解与BP网络相结合的方法来识别视觉诱发电位（Visual Evoked Potential,VEP）。先用小波分解对VEP进行特征提取和降维。然后用BP网络进行分类识别。     

基于小波特征分析的手指动作识别研究

目的：本文利用表面肌电（sEMG）信号来研究多种手指组合动作的识别问题。方法：在对采集的四个通道sEMG信号进行降噪预处理的基础上,采用移动加窗处理方法来提取关于手指运动状态的信号活动段,再分析各个信号活动段的小波系数统计特征,进而利用多类支持向量机（SVM分类算法来实现手指组合动作的识别。结果：动作识别率最高达到100％。结论：所采用方法能够有效地识别多种手势动作,并为后续基于肌电信号的实时人机接口系统的研究奠定了理论基础。     

基于小波特征分析的手指动作识别研究

目的:本文利用表面肌电(sEMG)信号来研究多种手指组合动作的识别问题。方法:在对采集的四个通道sEMG信号进行降噪预处理的基础上,采用移动加窗处理方法来提取关于手指运动状态的信号活动段,再分析各个信号活动段的小波系数统计特征,进而利用多类支持向量机(SVM)分类算法来实现手指组合动作的识别。结果:动作识别率最高达到100%。结论:所采用方法能够有效地识别多种手势动作,并为后续基于肌电信号的实时人机接口系统的研究奠定了理论基础。     

基于小波变换的心电信号去噪综合算法

目的：研究去除心电信号中的基线漂移、工频干扰和肌电干扰等噪声,提高心电信号的自动识别和诊断精度。方法：利用Coif4小波对心电信号进行8尺度分解,采用小波分解重构法去除基线漂移,然后利用改进的小波闽值算法去除工频干扰和肌电干扰。结果：利用Matlab仿真工具,选择MIT-BIH心率失常数据库中信号进行验证,能有效去除这三种噪声,并且很好的保持R波的信息。结论：本算法在不丢失心电信号有用信息的前提下,可以较好的去除三种常见的噪声,可以用于心电信号自动分析之前的预处理。     

Deep Learning Using Havrda-Charvat Entropy for Classification of Pulmonary Optical Endomicroscopy

1) ObjectivePulmonary optical endomicroscopy (POE) is an imaging technology in real time. It allows to examine pulmonary alveoli at a microscopic level. Acquired in clinical settings, a POE image sequence can have as much as 25% of the sequence being uninformative frames (i.e. pure-noise and motion artifacts). For future data analysis, these uninformative frames must be first removed from the sequence. Therefore, the objective of our work is to develop an automatic detection method of uninformative images in endomicroscopy images.2) Material and methodsWe propose to take the detection problem as a classification one. Considering advantages of deep learning methods, a classifier based on CNN (Convolutional Neural Network) is designed with a new loss function based on Havrda-Charvat entropy which is a parametrical generalization of the Shannon entropy. We propose to use this formula to get a better hold on all sorts of data since it provides a model more stable than the Shannon entropy.3) ResultsOur method is tested on one POE dataset including 3895 distinct images and is showing better results than using Shannon entropy and behaves better with regard to the problem of overfitting. We obtain 70% of accuracy with Shannon entropy versus 77 to 79% with Havrda-Charvat.4) ConclusionWe can conclude that Havrda-Charvat entropy is better suited for restricted and or noisy datasets due to its generalized nature. It is also more suitable for classification in endomicroscopy datasets.     

基于HNP三态模型及相对熵方法的蛋白质折叠研究

把20种氨基酸简化为3类:疏水氨基酸(hydrophobic,H)、亲水氨基酸(hydrophilic,P)及中性氨基酸(neutral,N),每个氨基酸简化为一个点,用其C!原子来代替.采用非格点模型,以相对熵作为优化函数,进行蛋白质三维结构预测.为了与基于相对熵方法的蛋白质设计工作进行统一,采用了新的接触强度函数.选用蛋白质数据库中的天然蛋白质作为测试靶蛋白,结果表明,采用该模型和方法取得了较好的结果,预测结构相对于天然结构的均方根偏差在0.30～0.70nm之间.该工作为基于相对熵及HNP模型的蛋白质设计研究打下了基础.     

基于小波的心电信号有效性检测方法

目的：检测采集到的信号是否为有效心电信号,提高后续心电诊断和分析的准确率。方法：将采集到的信号进行预处理,即去噪处理,主要抑制基线漂移,50Hz工频及其谐波干扰和肌电干扰;取滑动窗长度为4s,检测该段内信号是否有效。为了验证算法的准确率及对不同心电波形是否具有普遍适用性,对MIT-BIH Arrhythmia Database中48个记录,CU及MIT-BIH Noise Stress Test Database中部分记录进行了仿真、验证。结果：仿真实验证明该方法能正确区分有效和无效信号,错检率较低,实现简单,适合实时处理。结论：本方法准确率高,能减少后续心电诊断和分析的计算量并提高准确率,特别是对室颤检测,符合心电分析的要求。