融合脑电与近红外脑地形图特征学习的多模式分类

脑地形图可以用来可以监测大脑的活动状态，为了准确提取被试大脑活动产生信号的空间特征以及有效提高分类准确率，结合脑地形图和卷积神经网络提出一种多模态脑地形图神经网络分类算法(MBTMNN),对运动想象和心算进行分类识别。对脑电和近红外信号进行预处理，提取脑电的能量特征和近红外中氧合血红蛋白浓度特征，结合各自电极位置统一所有样本的colormap后生成脑地形图，将二者同时输入到卷积神经网络并在特征层进行融合得到训练模型。利用2017年柏林脑电-近红外公开数据集进行六折交叉验证实验，数据集包含29名被试，各300个样本，在运动想象左/右、心算/静息、运动想象/心算/静息和运动想象左/右/心算/静息等4种分类场景中，分别达到了82.91%、94%、90.34%和78.18%的准确率，高于同数据集的近期研究和单模态方法。所提出方法能够有效融合脑电和近红外信号以提高分类精度。     

基于卷积神经网络和长短时记忆网络的心理疲劳状态识别方法

现代生活节奏加快,生活压力逐渐增大,长期累积的心理疲劳对健康构成威胁。通过分析生理信号和参数,本文提出一种可以识别心理疲劳状态的方法,从而有助于维护健康生活。本文所提方法是基于卷积神经网络与长短时记忆网络结合的心电信号心理疲劳状态识别方法。首先,利用一维卷积神经网络模型的卷积层提取局部特征,通过池化层提取关键信息,同时去除部分冗余数据。然后,将提取的特征作为长短时记忆网络模型的输入,以进一步进行心电特征的融合。最后,通过全连接层整合关键信息,成功实现了对心理疲劳状态的准确识别。研究结果表明,相较于传统的机器学习算法,本文提出的方法显著提高了心理疲劳识别的准确性,识别的准确度达到了96.3%,可为心理疲劳的预警和评估提供可靠的基础。     

基于特征融合的人体运动识别

目的 基于手机内置传感器所获得人体运动信号,建立人体运动识别模型,为身体状况评估、特殊人群监护以及其他生物医学研究提供支持。方法 使用手机内置传感器采集运动信号,并结合公共数据集UCI HAR和WISDM作为实验数据。采用卷积神经网络与自回归模型相结合的特征提取方式,建立人体运动识别模型。结果 模型在自采集数据、UCI HAR和WISDM中均取得90%以上的识别正确率。结论 引入自回归模型,可以避免手工设计特征值的缺陷,并有效减少大规模堆积卷积层的计算量。研究结果证明,基于特征融合的方法可以有效识别人体运动。     

空间模型对单次运动相关脑电的分析

本研究提出一种从单次试验的多导EEG信号中提取运动相关去同步化和同步化电位特征的空间模型，区分左右手想象运动，作为一种新的通讯手段对外界设备进行控制。此模型根据各电极对分类的重要性自动获得其权值，并将EEG信号沿最适合分类的几个方向投影，沿投影方向计算一连续时间段内的方差，作为线性分类器的特征输入。对8名被试者左右手想象运动时59导EEG进行分类，正确率均在70％以上，与用多通道AR模型提取特征、神经网络做分类器的方法相比，效果好、速度快。     

基于自适应线性神经网络的胎儿心电信号提取

胎儿心电信号提取对胎儿监护具有重要意义。本文介绍了一种基于自适应线性神经网络的胎儿心电信号提取方法。该方法根据母体心电信号与母体腹部信号的相关性原理,以母体心电信号为网络输入,母体腹部信号为网络目标,采用W-H学习方法获取的训练误差即为提取出的胎儿心电信号。此外,通过增加网络隐含层,对神经网络的结构进行改进,增加网络训练精度,从而得到更好的训练结果,提取出更易识别的胎儿心电信号。最后分别使用仿真数据和临床数据对上述方法进行测试,实验结果表明,利用自适应线性神经网络可以提取出胎儿心电信号,通过改进神经网络结构,可以提取出更为清晰的胎儿心电信号。     

基于想象左右手运动脑机接口实验研究及分析

探索一种实用的基于想象运动思维脑电的脑．机接口（Brain．computerinterface，BCI）方式，通过寻找合适的信号处理方法，来提取最能反映不同思维的脑电特征，以提BCI系统通讯识别正确率，为最终实现BCI应用奠定理论和实验基础。对6名健康受试者进行3种不同时段（箭头出现2s、1s和0s后提示按键）情况下想象左右手运动思维作业的信号采集实验，利用小波分析、前向反馈神经网络（BP神经网络）对离线实验数据进行处理和分析。对所有受试者三种情况下的延缓时间△t2、△t1和At0分析发现：At0与△t1和△t2之间都有显著性差异（P〈0．05），而△t1与△t2之间没有显著性差异（P〉0．05）；三种情况下，平均分类正确率分别达到65．00％、86．67％和72．00％，实际按键前0．5～1s左右，想象左右手运动的思维脑电特征信号都发生明显改变，且这些特征存在明显不同。在箭头出现1s左右后提示随机按键情况下，可以获得更高的识别正确率，说明该方案提取的特征作为BCI系统外部装置控制信号是可行的，通过合理的实验设计获取的信号有助于识别正确率的提高，为BCI系统中思维任务的特征提取与识别分类提供新思路和方法。     

一种用于构音障碍语音识别的多尺度特征提取算法EI北大核心

针对构音障碍语音识别率难以提升的问题,本文提出一种多尺度梅尔域特征图谱提取算法。该算法采用经验模态分解方法分解语音信号,分别对三个有效分量提取Fbank特征及其一阶差分,从而构成能够捕捉频域细节信息的新特征图谱。其次,由于单路神经网络在训练过程中,存在有效特征丢失及计算复杂度高的问题,本文提出一种语音识别网络模型。最后,在公开UA-Speech数据集上进行训练和解码。实验结果表明,本文方法的语音识别模型准确率达到了92.77%,因此,本文所提算法能有效提高构音障碍语音识别率。     

一种新的冠心病心电信号的模式识别方法

目的：本文研究一种利用微机神经网络识别冠心病心电信号的模式识别方法,方法：Ｓ一项研究利用心电电极、１２位模／数转换器和奔腾－Ⅱ／２３３多媒体微机系统等硬件采集心电信号,采用改进的反向传播人工神经网络方法进行冠心病心信号模式识别。该神经网络采用三层结构：输入层、隐含层和输出层。其中输入层的节点数为４,隐含层的节点数为３,输出层的节点数为２。从心电信号中提取如下四项特征参数作为输入层的输入量。这四项特     

基于双通道神经网络的疾病文本分类方法

医疗疾病文本的准确分类对医疗信息化的发展具有重要的推进作用,本研究提出一种基于双通道学习的神经网络模型研究疾病文本分类方法。该模型分别使用卷积神经网络和双向长短期记忆网络对患者输入的疾病症状文本进行局部特征以及时序特征学习。此外,在双向长短期记忆网络上引入自注意力机制区分特征对类别预测的贡献值,增强模型的学习能力和可解释性。为使两个通道提取到的特征能够共同决定分类结果,该模型将两种特征进行拼接融合,最后利用softmax分类器得到最终的分类结果。实验结果表明,在疾病文本分类的性能方面,该模型相比其他分类模型具有较高的精确率、召回率和F1值,分别可达90.61%、90.48%和90.51%。     

基于肌电信号与肌肉形变信号的手语识别

针对手语手势识别问题,提出一种基于肌电信号与肌肉形变信号的手语识别架构。首先,设计信号采集系统;然后,采集肌电信号与肌肉形变信号,利用滤波及小波降噪等方法对原始数据进行降噪处理。采用基于能熵比的双门限端点检测法提取信号有效活动段;分别提取肌电信号以及肌肉形变信号特征,将所提取的信号特征融合组成特征向量;最后,采用基于网格搜索的支持向量机识别模型对所采集手语动作进行识别。信号融合后手语识别正确率达到97.2%,相对于仅采用肌电信号的手语识别方法,融入肌肉形变信号后识别率提高9.3%。结果表明,基于肌电信号和肌肉形变信号的手语识别框架对动态手语手势具有良好的识别效果。     

基于互信息特征提取的运动想象脑机接口

脑机接口是一种实现计算机和人脑及其他设备间通信的系统。本文引入F3、F4、C3、C4、FZ、CZ、FC1、FC2、FC5、FC6等多通道运动想象脑电信号的网络连接结构权值等特征,采用支持向量机对不同的运动想象任务进行分类。对所提出的基于互信息(MI)的脑网络结构特征提取方法同传统方法自回归模型(AR)参数特征提取方法进行对比研究,发现基于MI特征提取的运动想象脑电信号分类正确率显著高于AR参数特征提取方法,将两类特征进行融合后,运动想象脑电信号分类正确率又显著高于单独使用MI或AR特征提取方法。     

基于GA-RBF神经网络和sEMG的下肢动作识别方法研究

为了提高人体肌电信号对于下肢动作识别的准确率,提出一种基于遗传算法(GA)优化的径向基(RBF)神经网络分类模型.通过采集人体日常8种下肢动作的表面肌电信号并选择"sym6"系小波函数对肌电信号进行滤波预处理,使用主成分分析法(PCA)对时频域特征降维,把特征向量输入GA算法优化的RBF神经网络进行训练和识别.实验结果...     

基于EMD-多尺度熵和ELM 的运动想象脑电特征提取和模式识别

运动想象脑电特征是进行动作模式识别进而实现生物反馈技术的重要依据。在对侧躯体运动想象脑电识别方法的基础上,研究单侧躯体不同运动想象模式下的脑电特征提取问题,提出基于EMD-多尺度熵(MSE)的脑电信号瞬态特征提取及定量描述的方法,设计基于极限学习机(ELM)的动作模式识别模型。通过对10名正常受试者在左侧手臂屈、伸动作模式下的运动想象脑电的分析,提取其特征并进行动作识别,结果证实其识别率可以达到90%以上。实验表明：所提出基于EMD-MSE的运动想象EEG特征提取方法,能够定量刻画不同运动模式下脑电信号的多尺度局部瞬态特征;进一步运用基于ELM学习算法的前馈神经网络,可以实现对不同运动模式下脑电EMD-SME特征的有效分类。     

基于多分支融合神经网络的心电图导联重构方法

设计一种新型的多分支信息融合神经网络结构,利用已知的I,Ⅱ,V2 3个导联心电信号来重构其它导联心电信号。基于卷积神经网络结构提取多个导联的特征然后进行线性相加融合,采用一种改进的双向长短期记忆网络结构来获得与时序相关的信息,从而实现心电图导联重构。使用Physikalisch Technische Bundesanstalt(PTB)数据库进行验证,导联重构方法具有0.944 4的相关系数和0.320 3的均方根误差,说明新型神经网络结构可以有效地实现心电图导联重构。     

An integrative neural network for detecting inertial motion and head orientation

The ability to navigate in the world and execute appropriate behavioral responses depends critically on the contribution of the vestibular system to the detection of motion and spatial orientation. A complicating factor is that otolith afferents equivalently encode inertial and gravitational accelerations. Recent studies have demonstrated that the brain can resolve this sensory ambiguity by combining signals from both the otoliths and semicircular canal sensors, although it remains unknown how the brain integrates these sensory contributions to perform the nonlinear vector computations required to accurately detect head movement in space. Here, we illustrate how a physiologically relevant, nonlinear integrative neural network could be used to perform the required computations for inertial motion detection along the interaural head axis. The proposed model not only can simulate recent behavioral observations, including a translational vestibuloocular reflex driven by the semicircular canals, but also accounts for several previously unexplained characteristics of central neural responses such as complex otolith-canal convergence patterns and the prevalence of dynamically processed otolith signals. A key model prediction, implied by the required computations for tilt-translation discrimination, is a coordinate transformation of canal signals from a head-fixed to a spatial reference frame. As a result, cell responses may reflect canal signal contributions that cannot be easily detected or distinguished from otolith signals. New experimental protocols are proposed to characterize these cells and identify their contributions to spatial motion estimation. The proposed theoretical framework makes an essential first link between the computations for inertial acceleration detection derived from the physical laws of motion and the neural response properties predicted in a physiologically realistic network implementation.     

The comparison of different feed forward neural network architectures for ECG signal diagnosis

The electrocardiograms (ECGs) record the electrical activity of the heart and are used to diagnose many heart disorders. This paper proposes a two-stage feed forward neural network for ECG signal classification. The research is aimed at the design of an intelligent ECG diagnosis tool that can recognise heart abnormalities while reducing the complexity, cost, and response time of the system. A number of neural network architectures are designed and compared for their ability to classify six different heart conditions. Two network architectures based on one stage and two stage feed forward neural networks are chosen for this investigation. The training and testing ECG signals are obtained from MIT-BIH database. The network inputs are comprised of 12 ECG features and 13 compressed components of each heart beat signal. The performance of the different modules as well as the efficiency of the whole system is presented. Among different architectures, a proposed multi-stage network named NET_BST possesses the highest recognition rate of around 93%. Therefore, this network proves to be a suitable candidate in ECG signal diagnosis systems.     

融合CNN和BiLSTM的心律失常心拍分类模型

为更加准确地从动态心电中提取异常心拍,设计一种融合卷积神经网络(CNN)和多层双边长短时记忆网络(BiLSTM)的心律失常心拍分类模型。心电信号首先被分割成0.75 s和4 s两种不同尺度大小的心拍信号,然后利用11层CNN网络和3层BiLSTM网络分别对小/大尺度心拍信号进行特征提取与合并,并使用3层全连接网络对合并特征进行降维,最后利用softmax函数实现分类。针对MIT心律失常数据库异常心拍类型分布不均衡的问题,采用添加随机运动噪声和基线漂移噪声的样本扩展方法,降低模型的过拟合。采用基于患者的5折交叉检验进行模型验证。MIT心律失常数据库116 000个心拍的分类结果表明:所建立的模型针对4类心拍(正常、房性早搏、室性早搏、未分类)的识别准确率为90.42%,比单独使用CNN(76.45%)和BiLSTM(83.28%)的模型分别提高13.97%和7.14%。所提出的融合CNN和BiLSTM的心律失常心拍分类模型,相比单一基于CNN模型或者BiLSTM模型的机器学习算法,有更好的异常心拍分类准确率。     

基于深度学习的指-桡端脉搏波信号转换方法

针对目前市面上大多数脉搏波检测仪器检测的是指端脉搏波信号,提出一种基于卷积神经网络的指-桡端脉搏波信号转换方法,在仅获取指端脉搏波信号的情况下得到对应的桡动脉脉搏波信号。该方法主要由一维卷积神经网络通过端到端的训练实现,模型包含编码器、解码器和跳跃连接3个部分,通过编码器网络提取指端脉搏波信号的特征,再通过解码器网络将特征图进行扩展,并且利用跳跃连接的方式实现特征图的融合。采集60份指端和桡端的脉搏波信号进行实验,并与传递函数模型和弹性腔模型进行对比。实验结果表明,该模型转换所得的桡端脉搏波信号在MAE和PRD的指标上分别达到1.4%±0.3%和3.6%±1.2%,优于其他模型。研究表明,该模型能够较精确地实现指端脉搏波信号到桡端脉搏波信号的转化。     

基于迁移学习的深层卷积神经网络心电信号疲劳分类

传统的心电疲劳分类方法虽然能有效地识别疲劳状态,但需要采集较长时间的信号,不能达到疲劳状态的实时监测。本文设计一种深层卷积神经网络模型用于评估操作员疲劳状态,对操作员的短时心电信号进行疲劳状态的自动分类。首先,提出一种将心电信号转化为图像的方法,将采集到的心电信号转化成二维图像,即将心电信号直接映射到二维空间转换成时域图片信息。然后,将图片送入深层卷积神经网络模型中去训练,实现对操作员疲劳状态的分类。本文方法降低了模型的复杂性,减少了模型的参数,同时训练的数据不需要经过类似噪声滤波、特征提取等任何预处理步骤。结果表明该模型能自动从心电信号中提取有效特征,实现对操作员非疲劳和疲劳两种状态的正确分类,分类准确率达到97.36%。