一种用于鉴别体域网动作模式的近邻快速鲁棒协作表示分类算法

提出一种近邻快速鲁棒协作表示体域网动作模式分类算法,旨在基于体域网多传感动作模式数据结构内在相似性,利用最近邻原则,寻找与测试动作样本密切相关的少量近邻类别和近邻训练样本,重新构造训练样本集,然后基于新训练样本集构建快速鲁棒协作表示动作分类模型,通过扩展拉格朗日乘数算法求解待定测试样本协作表示系数和表示残差,定义判定测试样本所属类别规则,有效提高分类性能。采用公开的美国加州伯克利大学多传感动作模式数据库验证所提算法有效性。结果表明,所提算法能够从体域网多传感数据中获得更多与动作模式密切相关的协调性和相关性,动作模式识别率提高2%,运行时间仅需6.5 s,分类性能明显优于稀疏表示动作模式分类性能,有望为临床鉴别人体动作模式提供一个新的技术解决方案。     

一种基于复合稀疏表示的阿尔茨海默病的诊断方法

利用磁共振影像数据实现对阿尔茨海默病的准确诊断。将常规稀疏表示中的单层字典分解为两层,分别使用各类别的典型样本和类内差异作为两层字典的元素;设计一种两层字典协调工作的复合稀疏表示形式,以期利用训练样本更为精确地表示待识别样本,并构建分类器用于阿尔茨海默病的分类识别。在ADNI数据库的对比实验表明,该方法的识别性能优于支持向量机和同类的稀疏表示分类器。     

基于双线性模型的动作肌电信号用户无关识别研究

动作肌电信号具有个体差异性且不同动作的肌电信号是不同的,通过挖掘双线性模型的因素分解能力,将训练样本的特征矢量分解为用户相关和动作相关两大因素,通过确定因素的维度重构具有共性的训练样本特征。在测试样本特征重构阶段引入适应融合机制,更新模型参数重构测试样本特征。以11名受试者的4类动作为例,分别采用线性判别、K近邻分类算法和支持向量机,对比3种实验方案(多用户单天、单用户多天和基于双线性模型的多用户单天)的识别结果。实验表明,双线性模型的平均识别率最低为85%以上,相比于单纯的多用户单天识别结果(平均识别率不高于75%)有显著提高(P <0.001),且相比于单用户多天的识别结果(平均识别率90%以上)差异性不显著(P >0.24)。双线性模型为基于动作识别技术的非特定人肌电控制系统提供了交互方案,且该模型具备将多用户单天的数据看成单用户多天数据的能力,提供了用户训练负担降低的可行性。     

基于焦点损失函数的嵌套长短时记忆网络心电信号分类研究EI北大核心CSCD

心电图(ECG)可直观地反映人体心脏生理电活动,在心律失常检测与分类领域中具有重要意义。针对ECG数据中类别不平衡对心律失常分类带来的消极作用,本文提出一种用于不平衡ECG信号分类的嵌套长短时记忆网络(NLSTM)模型。搭建NLSTM学习并记忆复杂信号中的时序特征,利用焦点损失函数(focal loss)降低易识别样本的权重;然后采用残差注意力机制(residual attention mechanism),根据各类别特征重要性修改已分配权值,解决样本不平衡问题;再采用合成过采样技术算法(SMOTE)对麻省理工学院与贝斯以色列医院心律失常(MIT-BIH-AR)数据库进行简单的人工过采样处理,进一步增加模型的分类准确率,最终应用MIT-BIHAR数据库对上述算法进行实验验证。实验结果表明,所提方法能有效地解决ECG信号中样本不平衡、特征不突出的问题,模型的总体准确率达到98.34%,较大地提升对少数类样本的识别和分类效果,为心律失常辅助诊断提供可行的新方法。     

脑电时间效应对情绪识别模型的影响及解决措施研究

近年来,越来越多的研究者投入到基于脑电的情绪识别研究中。然而在实际应用中,建立高精确度的情绪识别模型仍面临巨大的挑战,其中一个难点就是如何剔除或降低脑电信号的时间效应,进而提高情绪识别模型的时间鲁棒性。拟通过增加情绪模型中训练样本的天数,降低时间效应对识别模型的影响。利用视频诱发被试的正性、中性、负性3种情绪状态,共9名被试参与实验,每名被试需在1个月内进行5次数据采集,每次采集的时间间隔分别是1天、3天、1周和2周。采集被试60导联的脑电信号,并提取6个频段的功率谱特征。在模式识别阶段,分类器的训练样本分别来自N天的样本(N=1,2,3,4),剩余(5-N)天的数据则作为测试样本,得到不同训练天数下的分类正确率。结果表明:脑电时间效应的确会影响情绪识别的正确率,当训练集与测试集中的样本来源于不同的两天时,识别率显著下降(P<0.01);随着训练集样本天数的增加,正确率提高,正确率与训练样本的天数呈正相关;当训练集中样本来源于2~4天时,相比于1天的情况,平均正确率的提高率分别为6.45%(P=0.006)、10.48%(P=0.000)、14.40%(P=0.000),即增加训练集中样本的来源天数,能显著降低时间效应对分类效果的影响。结果证实,脑电时间效应能显著降低情绪识别模型的识别正确率,增加训练样本的天数可降低时间效应对识别模型的影响,并提高情绪识别模型的时间鲁棒性,从而为情绪模型从理论研究走向应用提供技术支持与研究思路。     

基于支撑向量机的中医舌色苔色识别算法研究

本文针对舌色苔色的分类与识别,提出了一种DAG和决策树结合的方法。在训练SVM分类器的过程中,根据舌象样本中部分类别线性可分,而另一部分类别线性不可分的特点,采用了不同的核函数及其参数。实验结果表明,本文提出的算法在识别率和识别速度上都有一定提高。     

用于低功耗的体域网加速度数据压缩感知设计

为有效降低体域网加速度数据远程获取系统功耗,提出一种用于低功耗的体域网加速度数据压缩感知处理框架。首先基于优化的稀疏二进制测量矩阵,线性投影压缩体域网传感节点的加速度数据,降低相应节点压缩算法的复杂性和数据传输量;在此基础上,基于块稀疏贝叶斯学习模型,构建非稀疏加速度数据压缩感知重构算法,实现低功耗远程获取加速度数据。实验采用USC-HAD数据库的加速度数据,评估所提方法的有效性。结果表明,当优化稀疏二进制测量矩阵中每列非零元素个数为6、压缩率为50%时,能够获得与传统优化高斯随机矩阵、伯努利随机矩阵相同的压缩重构误差（约0.004 5）;与一些传统的压缩感知重构算法相比,所提出的重构算法提高信噪比约17 dB,显著改善重构性能,可有效实现低功耗远程获取加速度数据。该方法有助于传感节点硬件简化设计,改善加速度数据重构性能,为构建低功耗体域网人体活动远程监测系统提供新的思路和方法。     

基于惯导信息的人体动作和路况识别

人体动作和路况的快速准确识别是实现智能假肢自主控制的基础与前提。本文提出了一种基于假肢(下肢)惯导信号的高斯混合模型(GMM)和隐马尔可夫模型(HMM)融合的人体动作和路况识别方法。首先,使用惯性传感器采集膝关节处x、y和z轴方向上的加速度、角度和角速度信号,然后用时间窗截取信号段并用小波包变换消除信号的抖动噪声;接着对预处理后的信号进行快速傅里叶变换,提取其系数作为特征值;随后对特征进行主成分分析(PCA),去除冗余信息;最后采用高斯混合模型和隐马尔可夫模型进行假肢动作和路况识别。试验结果表明,本文方法对常规的动作(散步、跑步、骑行、上坡、下坡、上楼梯和下楼梯)的识别率分别达到96.25%、92.5%、96.25%、91.25%、93.75%、88.75%和90%。同等试验条件下,将本文方法与常规的支持向量机(SVM)识别方法进行比较,结果显示本文方法的识别率明显较高。本文研究结果或可为智能假肢的监测和控制提供新的思路和途径。     

针对个体差异的心理压力评估

慢性心理压力会带来一系列的病理、生理风险,直接影响健康。有效地评估心理压力,一直是心理压力研究中的热点问题。在心理压力评估过程中,个体差异是影响评估效果的关键。本研究针对评估心理压力/非压力反应中个体差异问题,以表面肌电信号作为评估参数,以高校即将毕业的学生人群为对象,提出了一种改进的支持向量机心理压力评估算法。算法通过对样本聚类,并将聚类信息赋予支持向量机的损失函数,实现训练样本的筛选,针对筛选后出现两类样本不平衡问题,为损失函数赋予权重来降低分类器的预测倾向性,减少训练模型的误差,补偿不平衡样本数据所造成的影响。心理压力评估分类正确率由改进前的70.34%,提高到79.31%,算法运行时间由改进前的2026.5 s减少到541.3 s。结果表明,该算法可以有效地解决个体差异对于心理压力评估效果的影响,同时降低了分类器的计算复杂度,为心理压力评估中个体差异研究提供一种可行的方案。     

基于压缩感知的超声衍射层析成像研究

超声衍射层析成像(UDT)具有分辨率高、对致密组织敏感等特点,具有很高的临床应用价值。为了抑制伪影,提高图像重建质量,传统的插值算法需要大量的投影次数和采集通道数量,导致成像耗时,系统复杂。本文提出一种基于压缩感知(CS)的重建算法,在有限次投影条件下,实现图像的高质量重建。首先用平面波从随机选取的角度以有限次数照射目标,依据傅里叶衍射投影定理,获得目标空间频率采样值。然后,通过研究目标在变换域的稀疏性,根据压缩感知原理,构建目标重建的逆问题。最后,通过共轭梯度算法解逆问题,重建目标。实验结果表明,通过压缩感知,在有限次投影情形和较少采集通道情况下,提出的方法能够准确重建目标。这不仅能够节省成像扫描时间,避免组织运动带来影像失真,还能够减少系统复杂度,降低设备成本。与传统的插值算法相比,本文的方法能够有效地降低重建误差,提高结构相似度。     

Chromosome classification system based on banding technique

This paper deals with a classification method for human chromosome samples. A new method is proposed based on the integrated intensity profile obtained by scanning a microphotograph of chromosome sample prepared by the banding technique. Theoretical as well as experimental investigations are made. As a means of representation, Legendre polynomial series is found suitable for describing the characteristics of the chromosome in its classification. The proposed method aims at a simplified realization of a classification system. A preliminary system is constructed which consists of a ligth-pen and a television system. The proposed system is quite simple compared with the traditional ones and still exhibits satisfactory performances in the recognition rate, number of required parameters per sample, and some other important features.     

Wavelet-based sparse functional linear model with applications to EEGs seizure detection and epilepsy diagnosis

In epilepsy diagnosis or epileptic seizure detection, much effort has been focused on finding effective combination of feature extraction and classification methods. In this paper, we develop a wavelet-based sparse functional linear model for representation of EEG signals. The aim of this modeling approach is to capture discriminative random components of EEG signals using wavelet variances. To achieve this goal, a forward search algorithm is proposed for determination of an appropriate wavelet decomposition level. Two EEG databases from University of Bonn and University of Freiburg are used for illustration of applicability of the proposed method to both epilepsy diagnosis and epileptic seizure detection problems. For this data considered, we show that wavelet-based sparse functional linear model with a simple classifier such as 1-NN classification method leads to higher classification results than those obtained using other complicated methods such as support vector machine. This approach produces a 100 % classification accuracy for various classification tasks using the EEG database from University of Bonn, and outperforms many other state-of-the-art techniques. The proposed classification scheme leads to 99 % overall classification accuracy for the EEG data from University of Freiburg.     

搜索空间逐步缩小的遗传算法用于尿沉渣图像特征选择的研究

基于尿沉渣图像特征选择问题,提出一种新的特征优选方法,首先引入类空间分层分类思想,将多类成分特征集优选问题转化为两类成分的特征集优选问题以减少特征数,从而减少了后续分类器的维数复杂度并提高了优选后的特征集对成分的识别率;针对红细胞和白细胞的特征集优选问题,采用改进的遗传算法进行处理,先根据统计实验结果,锁定待选特征集中形态特征和纹理特征相应的两个可分度最大且相互独立的特征,然后使用基因位逐步锁定技术,结合小生境技术和自适应交叉变异算子,提高了遗传算法的搜索性能;最后,为了提高特征集的优选效果和稳定性,引入"多票投选"机制。就多个尿沉渣成分样本进行验证实验,结果表明,该算法优选的特征集与通过其他方式获得的特征集相比,识别率较高,而且明显减少了后续分类器的维数复杂度。     

基于自适应模板半径的形状上下文描述子在手势识别上的应用

提出了一种基于自适应模板半径的形状上下文描述子描述图像轮廓特征的手势动作模式识别方法,并探讨了这种方法在基于视觉的汉语字母手势识别中的应用。首先,在计算手势轮廓各点的形状上下文时,提出了一种距离直方图法求取自适应的模板半径的方法,并以Ⅳ。统计量计算各轮廓点之间的匹配距离,再以改进Hausdorff距离计算各手势轮廓间的匹配距离,最后用最近邻法进行分类识别。对来自50个实验对象的手势图像分类识别的实验结果表明,该方法对30个汉语字母手势图像的正确识别率达到了74．3％,明显高于基于不变矩及傅里叶描述子特征提取方法的识别结果。     

A quadratic linear-parabolic model-based EEG classification to detect epileptic seizures

The two-point central difference is a common algorithm in biological signal processing and is particularly useful in analyzing physiological signals. In this paper, we develop a model-based classification method to detect epileptic seizures that relies on this algorithm to filter electroencephalogram (EEG) signals. The underlying idea was to design an EEG filter that enhances the waveform of epileptic signals. The filtered signal was fitted to a quadratic linear-parabolic model using the curve fitting technique. The model fitting was assessed using four statistical parameters, which were used as classification features with a random forest algorithm to discriminate seizure and non-seizure events. The proposed method was applied to 66 epochs from the Children Hospital Boston database. Results showed that the method achieved fast and accurate detection of epileptic seizures, with a 92% sensitivity, 96% specificity, and 94.1% accuracy.     

基于自适应模板半径的形状上下文描述子在手势识别上的应用

提出了一种基于自适应模板半径的形状上下文描述子描述图像轮廓特征的手势动作模式识别方法,并探讨了这种方法在基于视觉的汉语字母手势识别中的应用。其中,在计算手势轮廓各点的形状上下文时,提出了一种距离直方图方法求取自适应的模板半径的方法,并以χ2统计量计算各轮廓点之间的匹配距离,再以改进Hausdorff距离计算各手势轮廓间的匹配距离,最后用最近邻法进行分类识别。对来自50个实验对象的手势图像分类识别的实验结果表明,该方法对30个汉语字母手势图像的正确识别率达到了74.3%,明显高于基于不变矩及傅立叶描述子特征提取方法的识别结果。     

一种基于多层感知器的房颤心电图检测方法

目的:提出一种基于多层感知器（MLP）的新型房颤识别算法。方法:首先设计一种新型自适应的R波阈值检测算法,然后以R波位置和幅度为特征,MLP为分类器进行正常/房颤心电图识别。MLP的网络参数采用深层置信网络预训练算法进行初始化,最后用误差反向传播算法对MLP网络权重进行调整。结果:在单通道心电图数据集上对正常、房颤心电信号进行分类,本研究方法的灵敏度达96.00%,特异性为84.18%,平均识别率为90.09%。结论:这种基于MLP的心电识别算法准确率高、计算复杂度较低,可为房颤的智能诊断提供一种新方法。     

基于正交匹配追踪及加速近端梯度的人体三维重建

为提高人体三维结构的重建精度,针对重建过程中字典中原子的最佳选择和结构矩阵的优化问题,结合稀疏表示和低秩约束,提出一种正交匹配追踪追踪及加速近端梯度(OMP-APG)算法,以此为医学领域提供丰富的信息,以辅助医生快速精确地制定出治疗方案。首先,对特征点观测矩阵进行奇异值分解(SVD)分解,利用列文伯格-马夸尔特(LM)算法得到唯一确定的相机旋转矩阵;其次,利用稀疏表示中“最大化逼近”思想,通过正交匹配追踪算法对轨迹基系数进行求解,结合预定义的轨迹基求解出人体三维结构矩阵;最后,根据结构矩阵是一个低秩矩阵,将其秩优化问题转化为核范数最小化问题,利用加速近端梯度算法对人体结构矩阵进一步优化处理。将该算法与稀疏逼近算法进行比较,对伸懒腰、瑜伽、拾物、喝水和跳舞等5组不同的人体运动模型进行三维重建,通过其三维重建效果图和三维重建误差的结果显示,其重建精度更高且稳定性更好。在该算法下喝水运动的重建效果最佳,其1 102帧图像序列41个特征点的重建误差为0.030 3,而在稀疏算法下的重建误差为0.017 8。因此,该算法可以有效地提高人体三维结构的重建精度,为医学领域辅助治疗提供相应的技术支持。