基于EMD的左右手运动想象脑电信号分析研究

基于经验模态分解(EMD)理论,提出一种左右手运动想象脑电信号分析方法.首先利用时间窗对脑电信号数据进行划分,对每段数据通过经验模态分解法将其分解为一组固有模态函数IMF,提取主要信号所在的IMF层去除信号中的噪声.对含有主要信号的几层IMF进行Hilbert变换,得到瞬时频率与对应的瞬时幅值.再提取左右手想象的特定频段mu节律和beta节律的能量信号作为特征,分别利用支持向量机(SVM)和Fisher进行了分类比较.对EMD和小波包在去噪和特征提取进行了比较.结果表明,EMD是一种很有效的去噪方法,经过EMD分解后提取的能量信号在区分左右手想象上更具有优势,识别率高.     

基于特征融合的ARMA短时睡眠状态分析

针对短时睡眠的特点,结合自回归-移动平均模型(Auto-Regressive and Moving Average Model,ARMA)对短时睡眠过程中的睡眠状态变化进行分析研究。以白天短时睡眠中记录的脑电信号为研究对象,首先,从脑电信号中提取了3个与短时睡眠过程相关的特征参数,采用条件概率方法对特征参数进行融合处理,计算得到一个表征睡眠状态的参数;然后,通过ARMA模型分析睡眠状态的变化趋势;最后,采用支持向量机(Support Vector Machine,SVM)方法将整个短时睡眠过程进行了睡眠状态的自动判别,并与人工判别进行比较。结果表明,基于特征融合的ARMA模型显著提高了睡眠状态分析的准确率,7组测试数据得到的平均准确率为88.7%。一方面,特征融合能够有效地提高数据处理速度,为睡眠状态实时检测提供有利的数据处理方式;另一方面,ARMA模型的预测作用,能够分析受试者的睡眠状态变化趋势,为进一步调整和控制睡眠时长提供客观评价依据。     

基于Flexible ICA的睡眠EEG及EOG中心电伪差的消除

提出了一种采用自适应非线性函数的ICA学习算法,Flexible ICA算法,并将其应用于睡眠EEG自动分期的前期预处理中,用于消除采集到的各通道信号中的心电伪差.实验结果证明,Flexible ICA算法能够快速有效的消除各通道的心电伪差,为后期的睡眠EEG自动分期打下了良好的基础.     

基于IPSec的端-端VPN系统的设计与安全性分析

首先介绍了VPN的基本概念及其应用，并对使用IPSec的VPN技术与传统VPN技术的特点及安全性做了分析和比较。通过对IPSec协议的深入研究，给出了一种基于IPSec组合SA的端-端VPN系统的设计方法，并对其安全性进行了分析。     

基于表面肌电信号的肘关节运动角度的提取

随着人口老龄化问题的越来越严重,医疗护理机器人的开发,今后将会有大量的需求,基于表面肌电信号的医疗护理机器人的开发将是其中的一个热点.本文提出了基于Bayesian正则化的多层感知器人工神经网络方法来提取人体肘关节运动角度,解决了普通神经网络对于表面肌电信号这一复杂亚高斯随机信号泛化能力不强的缺点,有助于将表面肌电信号的研究推向医疗护理机器人研发的实际应用阶段.     

块脉冲算子及其在控制理论中的应用(Ⅱ)——非线性时变系统中时变参数的递推辨识

本文利用(Ⅰ)中所提出的块脉冲算子,来讨论非线性时变系统中时变参数的辨识问题。以两类典型的系统(双线性时变系统和多项式时变系统)为例,分别给出了时变参数的递推辨识算法及计算机模拟结果。这种算法计算简便、精度较高。本文并进一步概括出应用这种方法去获得一般非线性时变系统参数辨识算法所应遵循的步骤,为获得更广泛的非线性时变系统的参数辨识算法,提供了新的途径。     

基于动态筛选策略的SMO改进算法

提出了一种基于动态筛选策略的SMO(Sequential Minimal Optimization)改进算法,它能快速地筛选出绝大多数的边界支持向量和非支持向量,并将非边界支持向量限定在很小的范围内。仿真实验结果表明:样本规模无论大小,这种策略都能使Keerthi的改进算法2的性能得到大幅提升。     

基于条件概率的短时睡眠状态实时估计

目的根据脑电信号的特征,提出基于条件概率的睡眠状态实时估计方法,为睡眠监测提供反映睡眠状态连续变化的客观评价依据。方法在白天短时睡眠过程中,同步采集了4导与睡眠相关的脑电信号(C3-A2,C4-A1,O1-A2,O2-A1),对每5秒记录数据进行傅里叶变换,分别计算了8~13 Hz和2~7 Hz的脑电节律能量占空比特征参数。主要方法包含了学习和测试两个阶段:在学习阶段,根据训练数据获得脑电特征参数的概率密度分布;在测试阶段,根据当前特征,得到各睡眠分期的条件概率,并计算获得睡眠状态的估计值。结果分析和测试了12名受试者的短时睡眠数据。通过与睡眠分期的人工判读结果相比较,睡眠状态估计值呈现了睡眠深度的连续变化。觉醒期的显著性差异为2.94,睡眠一期和二期分别为1.78和1.62,分析结果符合实际规律。结论本文所定义的睡眠状态估计值蕴含了睡眠分期的特征,较好地反映了睡眠阶段在持续和过渡期间的连续变化过程,能够为白天短时睡眠状态分析提供实时监测和分析的客观评价依据。     

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。     

基于SVM的多类分类集成

为了解决单个SVM可能产生的泛化能力恶化问题以及当SVM采用一对多组合策略解决多类分类时可能产生的误差无界情况,本文采用Bagging方法构造了一个基于SVM的多类分类集成模型,利用MIT KDD 99数据集进行仿真实验,通过实验探讨了其中的两个参数——训练样本数和单分类器个数对集成学习效果的影响,并将其与采用全部样本进行训练及部分样本进行训练的单分类器检测进行了比较。结果表明：集成学习算法能够有效降低采用全部样本进行训练所带来的计算复杂性,提高检测精度,而且也能够避免基于采样学习带来检测的不稳定性和低精度。