基于脑电信号的癫痫发作预测

为满足临床上癫痫发作预测的准确性和实时性要求,提出一种基于时域和频域特征提取的癫痫发作预测算法.算法采用移动步长为1s,窗口大小为5s的数据段进行特征提取,并代替原始数据送入LightGBM分类器进行训练,样本分类标准为15min后患者癫痫发作与否,发作即为负样本.将该算法应用于南京市某医院癫痫数据集上进行测试,结果表...     

基于CNN-LSTM模型的癫痫脑电信号识别方法

为提高癫痫脑电图(electroencephalography, EEG)信号识别的准确率,提出了一种将一维卷积神经网络(convolutional neural network, CNN)与长短期记忆网络(long short-term memory network, LSTM)相结合的新模型(CNN-LSTM模型)。首先采用3个卷积块来搭建CNN,用于提取EEG序列的局部内在特征;然后利用LSTM学习长期序列依赖关系;最后利用具有Softmax激活函数的全连接神经网络实现癫痫EEG信号的自动识别。采用德国波恩大学癫痫研究室的癫痫数据库中的数据进行实验分析。结果表明,CNN-LSTM模型具有良好的分类性能,平均分类准确率达到99.1%。     

脑电信号的特征提取方法

癫痫是一种常见的发病率极高的慢性脑疾病,全球约有1%的人口患有癫痫.传统的癫痫性发作检测主要依赖于临床医生对脑电图进行视觉上的检查,并结合临床经验给出诊断.但海量的脑电数据使得这一传统方法不仅十分耗时,而且主观性很强.因此,开展癫痫性发作自动检测的研究以辅助医生完成癫痫性发作检测具有重要的临床意义.而如何从脑电图中提取合适的脑电特征以及如何选取恰当的分类器是完成癫痫性发作自动检测的关键环节,其中如何从脑电图中提取出能够区别发作脑电与未发作脑电特征是首先的也是最为重要的一步.总结了三种常见的用于癫痫性发作自动检测的基于非线性相似性的脑电特征提取方法,通过分析其优缺点,给出相应的改进建议.     

基于改进的K-means聚类和深度神经网络的轴承故障诊断算法研究

提出了一种改进K-means聚类算法,使用该方法对轴承振动数据进行聚类和基于深度神经网络的半监督学习的故障诊断研究。对轴承振动数据进行时域和频域处理,得到28维的时域和频域特征数据;利用提出的算法对高维特征数据进行聚类处理,得到伪标签,建立特征数据和伪标签对应的数据集;利用神经网络对具有伪标签的特征数据进行半监督学习,实现对不同轴承振动状态的高精度识别。通过对比聚类指标,提出的算法较好地改善了聚类效果;用伪标签数据训练神经网络,将预测的结果与真实数据比较,精度可达96.2%,可100%区分正常状态和故障状态。     

基于EEMD和LS-SVM的癫痫脑电信号识别

针对癫痫脑电(EEG)信号的非平稳性和非线性,提出一种基于集合经验模式分解(EEMD)提特征并利用最小二乘支持向量机(LS-SVM)的脑电信号分类方法。首先利用EEMD将EEG信号分成多个经验模式分量,得到各阶本征模式分量(IMF),然后提取有效特征,最后用LS-SVM对其进行分类,实验结果表明,该方法对癫痫发作间歇期和发作期EEG的提特征后分类识别正确率达到98%。     

基于深度神经网络与MPI并行计算的人脸识别算法研究

针对实际环境中干扰因素多和计算量大,导致人脸识别准确度下降和系统算力不足的问题,提出了一种基于深度神经网络与MPI并行计算的人脸识别算法.首先,分析深度神经网络模型,设计关键训练步骤,同时收集各类人脸图像,建立训练样本库.然后,结合深度神经网络模型,对样本库数据进行训练,生成识别框架,并借助TensorFlow开源模型与Python来实现算法,进而达到识别人脸的目的.最后,基于MPI并行计算技术,搭建高性能并行计算平台,对所提算法进行分段优化与集成,实现识别系统的高速计算效率.实验测试结果显示:与已有的相关识别技术相比,所提算法具有更高的人脸识别准确度与抗干扰能力,从而可为高端智能监控系统提供技术基础.     

基于aEEG尖峰和cEEG棘波提取的癫痫发作检测算法北大核心

针对癫痫发作检测方法中数据量庞大导致模型训练时间过长、检测结果与临床医生标记结果存在差异等问题,提出了一种基于振幅整合脑电图(amplitude integrated electroencephalography,aEEG)尖峰和连续脑电图(continuous electroencephalography,cEEG)棘波提取的癫痫发作检测算法。此发作检测算法以MATLAB软件为基础开发平台,利用形态学滤波技术对多通道aEEG脑电信号进行尖峰提取,确定癫痫发作所在通道。然后对该通道cEEG进行形态学滤波,并计算每个5 s长脑电片段的棘波率(spike rate,SR),使用阈值法进行癫痫发作检测,如果某个脑电片段的SR大于预设的发作阈值,则说明该片段为癫痫发作片段。实验结果表明:该算法的癫痫发作检测在客观质量评价指标上取得了良好的效果。     

基于k近邻的多标签分类算法性能比较

为拓展k近邻法在多标签分类中的应用范围,分析不同测试方法在多标签分类中的性能.通过留一法对数据样本(Yeast,Image和Scene 3组数据集)进行预处理,采用欧式距离、余弦距离以及曼哈顿距离分别计算每个样本的k个近邻,分成训练样本1500个,测试样本917个;然后,根据近邻标签信息对每一类标签进行投票,形成新数据...     

基于交叉熵的CNN交通标志识别方法研究

为了弥补经典LeNet-5卷积神经网络模型在交通标志识别中易发生过拟合的不足,克服其识别准确率与训练效率较低的缺点,采用GTSRB德国交通标志数据集,并对数据集进行扩充,使训练集数量达到6 312 649张,同时对经典LeNet-5卷积神经网络模型在激活函数、池化策略、随机丢弃及网络结构等方面进行改进,使用基于交叉熵的梯度下降算法对模型的误差反向传播过程进行优化。实验结果表明,改进后的模型较改进前在识别准确率与训练效率上都有所提高,识别准确率最高可达97.04%。因此,基于交叉熵的卷积神经网络不仅能够提高模型的交通标志识别准确率,有效防止过拟合,还能够提升网络训练效率。     

基于改进RBF神经网络的电机故障诊断方法研究

考虑到RBF神经网络隐层高斯径向基函数的参数较难确定,电机故障的多样性和复杂性,传感器获得信息的不确定性,以及高斯径向基函数与正态云具有相似之处,将云模型和RBF神经网络相结合用于诊断电机故障.通过高维云变换确定RBF隐含层神经元数,优化RBF神经网络结构.最后提取信号的奇异值熵和样本熵作为特征参数,输入改进的RBF神经网络,进行实验仿真.结果表明,新模型能较好地实现对电机轴承的故障诊断.     

基于模糊神经网络的农业设备剩余寿命预测与仿真

该系统具备了神经网络自学习和模糊推理处理不确定信息的能力。通过仿真实验和仿真结果表明,该系统能有效地进行农业设备样本模式的模糊量化处理,极大地改善了神经网络训练的收敛性。通过对模糊神经网络系统的多次测试,当实际数据与学习样本接近时,该系统能够得出与样本相同的预测结果;当输入数据与学习样本偏离时,该系统依然能够得出准确的预测结果,达到了农业设备剩余寿命预测的要求。     

基于 Elman 神经网络的高压直流输电系统换相失败故障诊断

快速准确地诊断出换相失败故障,对后期采取适当控制措施避免保护装置误动有重要意义。首先建立永富弱受端直流输电系统的 PSCAD 仿真模型,对不同故障条件下的直流线路短路故障和换相失败故障进行仿真;利用 FEEMD 对不同故障条件下逆变侧的电流线模信号进行分解,并取 IMF7-IMF10 分量求样本熵值;然后将归一化后的样本熵值作为 Elman 神经网络的训练集和测试集,利用 Elman 神经网络的输出诊断直流系统运行状态,即正常状态（0 0 1）、线路短路故障（1 0 0）、换相失败（0 1 0）。对不同故障条件下的线路故障和换相失败故障进行仿真,实验结果表明,在训练集较少的情况下,线路故障的识别率为 85.71,%、换相失败故障占比92.85%;随着训练集增加,基于 FEEMD 样本熵+Elman 神经网络的方法对换相失败和线路故障的识别率达到100%,能够准确判断出故障类型。     

利用小样本数据预处理技术提高效能指标精度

提出了运用熵值判别法和线性均方估计法来处理小样本数据的方法.熵值判别法是根据熵的上界对应最大的不确定度,利用所得数据的熵信息量判别数据是否含有粗大误差;线性均方估计消除粗大误差是一种采用软化的方法处理粗大误差.经过多次试验,结果表明这两种方法在处理小样本采样数据时能够有效地提高数据精度.     

儿童癫痫对认知功能的影响

目的：探讨癫痫发作类型,发作年龄、发作频率、持续时间,癫痫病程,不同癫痫病灶,临床下痫样放电及癫痫的病因学对儿童认知功能的影响并复习相关文献.结论：儿童期是神经系统发育趋于成熟的时期,儿童易患癫痫和伴发认知功能障碍,症状较成人更为复杂.认知功能障碍能够严重影响患者以后的学习和生活,因此,对此方面研究显得比癫痫本身更重要,癫痫患儿治疗的目的不能仅限于控制发作,改善认知功能不可忽视,充分认识和科学合理地解决癫痫患儿认知功能障碍,是摆在临床医师面前的很现实课题,对癫痫患儿生活质量产生严重影响.     

基于深度学习的高光谱图像多标签分类算法

提出一种基于深度学习的高光谱图像多标签分类算法。采用深度学习算法中的堆叠降噪自动编码器方法对每个像素的深层特征进行抽取,该方法可以有效表现高维特征空间中的非线性混合像素。使用多标签逻辑回归方法为每个像素预测并分配多个类标签。通过对合成数据和实际高光谱数据的大量对比实验,实验结果表明:该算法能够有效地为高光谱图像的像素精确地分配多类标签。     

基于MNELAB和EMD的癫痫EEG噪声和伪迹去除方法研究

头皮脑电信号在临床上常常被用来诊断癫痫脑疾病,但是其高噪声、强干扰、非线性和非平稳的特点会影响临床诊断和科学研究.为了更好地解决这一问题,采用现有的MNELAB软件和经验模态分解(empirical model decomposition, EMD)去处理癫痫脑电信号(Electroencephalogram, EEG).经过对比实验发现,基于MNELAB和EMD的伪迹和噪声去除方法都获得了较好的效果,但是利用EMD算法编写的程序能够进行多通道大批量的信号处理,这种方法在自主性和透明性等方面都要优于使用现有软件.良好的伪迹和噪声去除方法能够为临床诊断和EEG的科学研究提供重要的手段和前提.     

支持向量机在凝冻日数预测中的应用

分析影响凝冻天气的相关因素：温度、降水量、湿度、气压和风速,对这些数据进行归一化处理,并以这些数据为输入样本,以是否有凝冻为输出样本,选取1969—2000年的数据作为训练样本,以2001—2008年的数据作为测试样本,然后分别用支持向量机和BP神经网络对凝冻天气进行识别预测。通过数据分析和实验比较,采用支持向量机对凝冻的识别率比BP神经网络更精确,这对凝冻天气的预测有很大帮助。     

基于统计分析法的肿瘤特征基因提取和分类研究

在前人研究基础上对传统"信噪比"公式进行修正,然后对带有能够确定出肿瘤类型信息的基因表达谱样本的2000个基因数据进行剔除冗余数据处理,通过模糊聚类分析法进行分类,并对分类效果进行检验,说明修正的"信噪比"在数据冗余处理效果比较好,可以找出一种被命名为"信息基因"的决定样本类别的一组基因"标签",希望修正的"信噪比"对癌症领域中肿瘤样本处理上有一定的帮助.     

基于SAE的深度过程神经网络模式识别与预测

非线性复杂时变信号模式分类是信号处理和人工智能研究领域的重要课题。将稀疏自动编码器(SAE)与过程神经网络(PNN)栈式叠加,构建了一种深度过程神经网络模型(DPNN)。在传统深度神经网络无监督逐层初始化与梯度下降相结合的算法基础上,通过引入一种时变输入信号和连接权函数,基于一组正交函数基,建立DPNN的综合训练算法。DPNN模型可保持样本特征的多样性,有效提高对信号结构特征的提取能力和不同类别样本特征的区分度。将传统深度神经网络在信息处理机制上扩展为时间域,实现对时变信号直接分类处理,应用于心脑血管疾病的预测分析和处理取得了良好结果。     

基于熵的聚类入侵检测算法研究

入侵检测技术是网络安全中重要的组成部分,它弥补了防火墙和数据安全保护的缺陷,能够通过对一些入侵特征进行分析并预警,以达到防患于未然.该文进行了基于聚类技术的入侵检测算法的研究,提出了一种基于信息熵的聚类算法,并应用在入侵检测系统中进行特征提取,通过聚类形式化描述,提出数据记录信息熵和相对熵聚类的聚类算法.