共查询到19条相似文献，搜索用时 749 毫秒
1.
通过使用单次提取脑电信号的分类技术进行情绪词的脑电(EEG)识别研究.以中文情绪双字词为实验材料,通过其诱发的EEG信号,对正性词与中性词、负性词与中性词分别进行分类.使用时域正则化的共空间模式对单次提取脑电信号进行特征提取,并利用线性判别分析方法进行特征分类,分类准确率集中于55%~65%.置换检验验证了实验分类准确率的统计学显著性,表明了情绪词和中性词的成功识别,也有效地证实了基于脑电信号的语言情绪信息的可识别性.此外,在15名被试中,10名被试的负性词与中性词识别率显著,而仅有4名被试的正性词与中性词识别率显著,说明负性情绪更易被识别. 相似文献
2.
针对运动想象脑电特征的提取与识别,提出了一种采用经验模态分解(EMD)提取脑电信号能量特征与幅值特征的分类识别方法。首先用时间窗对脑电信号进行细分;然后利用EMD方法对细分后的数据进行分解,取前三阶的固有模态函数分量(IMF),提取能量和平均幅值差作为特征向量;最后,使用支持向量机对左右手运动想象进行分类识别。多次仿真试验数据表明,分类准确度达到88.57%,证明了该方法有效、适用。 相似文献
3.
为了提高基于表面肌电与三轴加速度信号的运动识别准确率,提出了一套多源信息融合处理的实验流程与方法。该方法利用5层离散小波变换对表面肌电信号进行分解,充分提取不同运动产生的肌电信号中各频域的特征信息;再将分解后的表面肌电信号与三轴加速度信号通过滑动窗口的方法进行特征融合,构造融合肌电与空间运动特征的特征图;最后用融合特征图对深度学习模型进行训练,并结合自动状态机进行最终运动状态的识别。实验结果表明,多源信息融合处理方法可以提高运动识别的准确性,总体识别精度分别达到了95.4%和89.2%。该方法在实时性与准确性上均有良好表现。 相似文献
4.
针对古漆器漆膜数据类间不平衡、样本规模小,以及传统机器学习算法分类效果较差的问题,提出一种改进SMOTE的过采样方法改变漆器漆膜数据样本分布,使其达到平衡。该方法通过比较各类样本间的欧式距离,删除了人工样本中的噪声数据,然后运用集成学习中的随机森林算法进行分类,提高了少数类的分类准确率。UCI数据集上的实验结果表明,改进的过采样方法性能更优,评价指标F1-score与AUC值分别得到2%、5%以上的提升。结合改进的过采样方法与机器学习算法进行对比实验,结果证明,随机森林算法精度更高,在对古漆器年代的判别中,随机森林算法的F1-score与AUC值高达87.76%、89.34%。 相似文献
5.
文章将抑郁症脑电识别作为“云计算与数据挖掘”课程的实验内容,设计了利用机器学习进行抑郁症脑电识别诊断系统,利用信号处理方法进行脑电特征提取。时域采用基于统计特征的近似熵及非线性特征的模糊熵、频域采用基于脑电波段划分的功率谱密度进行特征提取,用以更加精准地提取抑郁症患者的脑电信号特征。最后利用机器学习方法,实现了对抑郁症的快速客观诊断。实验采用Python语言实现,实验结果表明近似熵特征取得了最佳分类结果。 相似文献
6.
运动想象脑电信号的特征提取对脑-机接口研究者是一大难题。针对该问题,介绍了一种相位同步和AR模型系数相结合的特征提取方法。该方法对采集的脑电信号进行Hilbert变换计算脑电信号的相位同步特征,选用Burg算法对滤波后的脑电信号进行AR模型谱估计,比较6阶和8阶功率谱密度,求出AR模型的系数为6。采用支持向量机对两种特征组合的14维特征向量进行分类。分类结果显示在Trail的3s~7s期间,相位同步与AR模型系数相结合的特征提取平均分类正确率为82.58%,最高分类正确率达到了88.96%,优于传统的小波变换和共空域模式特征提取方法。实验结果也表明相位同步特征提取的最佳时间为Trail的3s~7s期间,该方法为BCI研究运动想象脑电信号的分类识别提供了有效手段。 相似文献
7.
为了精确评估个体心理负荷状态,需要获取目标脑电信号数据,脑电信号是评估脑力负荷变化的重要指标。机器学习和神经网络越来越多地用于脑力负荷分类。利用脑电信号特征可在时域和频域中提取突出信息。因此提出一个结合支持向量机（SVM）与超限学习机（ELM）的混合型脑力负荷分类框架。其中支持向量机作为成员分类器,可在高维EEG特征中查找隐藏信息|超限学习机用于融合成员分类器的输出。将ELM-SVM模型与经典脑力负荷分类器进行比较,得出该模型训练精度准确率为1,且测试精度提升0.1个百分点。 相似文献
8.
基于成果导向教学的人工智能课程改革,注重培养本科生在学术研究中独立思考、交流协作的能力以及勇于创新与挑战的精神,教师通过设计完整的科研实验案例,以学生为中心、以课程项目为驱动,使每个学生都能参与其中并体验到学术研究的乐趣。教师选择国际皮肤成像合作组织（ISIC）国际竞赛的图像数据集,要求学生分工协作搭建“微分神经网络”,以解决皮肤图像和皮损图像的二分类问题,作为人工智能课程成果导向教学改革案例。教学结果表明,微分神经网络能够很好地完成皮肤图像和皮损图像的二分类任务,皮损图像的查全率为90.23%,查准率为84.24%, F1指标为87.13%。基于成果导向的人工智能课程教学改革能够拓展学生思维,提高学生的动手编程能力,提升学生对人工智能课程的学习兴趣和自信心。 相似文献
9.
利用LabVIEW软件的功能,采用硬件实验和虚拟实验相结合的形式,将LabVIEW应用于生物医学实验教学中。设计了虚拟脑电实验仪,首先通过微弱信号处理实验箱对脑电信号放大滤波,然后利用虚拟仪器技术实现脑电信号的采集、存储、显示和频域分析。 相似文献
10.
《绵阳师范学院学报》2017,(8)
为了识别人类疲劳程度,文中提出一种基于Morlet小波变换的EEG脑电信号测量方法来分析受测者的眼动信号,通过时域信号的特征值筛选来识别疲劳状态,进而了解受测者的疲劳程度.本研究使用非侵入式脑电信号测量仪,进行脑电信号原始数据的采集,使用Matlab程序对于脑电信号进行Morlet小波变换(Morlet Wavelet transform,MWT)将信号分解,再将数据转化为特征值之后,使用支持向量机(Support vector machine,SVM)与反向传播类神经网络(Back propagation neural network,BPNN)进行疲劳的状态分析.该方法对400名测试者在不同疲劳程度状态下进行测试,结果显示脑电信号识别的正确率平均达到96.15%. 相似文献
11.
梅蓉 《河南职业技术师范学院学报》2014,(4):70-74
为了提高人脸识别率,研究了一种基于边缘二值图像特征向量提取的方法。通过局部二值模式提取特征向量,考虑到边缘二值图像特征向量与局部二值模式提取的特征向量的区别,提出了将这两类特征向量通过PCA方法融合实现人脸识别的方法。实验结果表明基于两类特征向量融合的人脸识别方法可以有效地提高识别率。 相似文献
12.
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%。 相似文献
13.
A motion information analysis system based on the acceleration data is proposed in this paper,consisting of filtering,feature extraction and classification.The Kalman filter is adopted to eliminate the noise.With the time-domain and frequency-domain analysis,acceleration features like the amplitude,the period and the acceleration region values are obtained.Furthermore,the accuracy of the motion classification is improved by using the k-nearest neighbor （KNN） algorithm. 相似文献
14.
In order to classify the alertness status, 19 channels of electroencephalogram（EEG） signals from 5 subjects were acquired during daytime nap. Ten different types of features（including time domain features, frequency domain features and nonlinear features） were extracted from EEG signals, and an improved self-organizing map（ISOM） neuron network was proposed, which successfully identify three different brain status of the subjects： awareness, drowsiness and sleep. Compared with traditional SOM, the experiment results show that the ISOM generates much better classification accuracy, reaching as high as 89.59%. 相似文献
15.
Fault diagnosis of valve clearance in diesel engine based on BP neural network and support vector machine 总被引：1，自引：0，他引：1
Based on wavelet packet transformation(WPT), genetic algorithm(GA), back propagation neural network(BPNN)and support vector machine(SVM), a fault diagnosis method of diesel engine valve clearance is presented. With power spectral density analysis, the characteristic frequency related to the engine running conditions can be extracted from vibration signals. The biggest singular values(BSV)of wavelet coefficients and root mean square (RMS)values of vibration in characteristic frequency sub-bands are extracted at the end of third level decomposition of vibration signals, and they are used as input vectors of BPNN or SVM. To avoid being trapped in local minima, GA is adopted. The normal and fault vibration signals measured in different valve clearance conditions are analyzed. BPNN, GA back propagation neural network (GA-BPNN), SVM and GA-SVM are applied to the training and testing for the extraction of different features, and the classification accuracies and training time are compared to determine the optimum fault classifier and feature selection. Experimental results demonstrate that the proposed features and classification algorithms give classification accuracy of 100%. 相似文献
16.
针对文本分类领域的有监督学习往往需要大量精准标注样本但大量人工标注困难的问题,提出一种新型的半监督学习方式,通过协同训练合理使用大量未标记训练样本,通过添加不同分类的文本特征噪声解决传统协同半监督学习方法中模型参数趋于统一的问题,同时提高分类模型的分类能力。针对传统深度学习方法中文本特征权重一致导致的分类特异性特征不突出问题,在训练模型中加入 self-attention 机制对文本句子特征权重进行提取,并通过句子加权方式突出特异性分类特征。实验结果表明,通过半监督学习方式同时使用少量已标注数据进行训练,模型能够达到 91.4%的准确率,召回率达到 84.3%,与有监督训练方式的分类准确能力相近,从而解决大量人工标注问题,具有一定的使用价值。 相似文献
17.
柯程扬刘丽桑 《福建工程学院学报》2021,(6):568-573
为了能对金线莲品系进行方便准确地识别,提出基于PCA￣KNN 的金线莲叶片识别方法。通过图像预处理,获得特征较为明显的叶片区域,再提取纹理和颜色特征,进行特征融合,然后采用PCA降低特征维度,提高识别精度,最后通过训练KNN 分类器完成分类。以3 个品系的金线莲为例进行鉴别试验,结果表明,提出的识别方法与其它方法相比,正确识别率更高,达到98.4%,能准确识别不同种类的金线莲。 相似文献
18.
基于迁移学习的家猪图像识别研究 总被引：1，自引：0，他引：1
为实现家猪图像识别并提高识别准确率,提出一种基于迁移学习的家猪图像识别方法。首先对现有数据集进行数据增强,然后迁移 VGG16 模型并对其进行微调,从而更好地提取图像特征并缩短网络训练时间。采用自归一化神经网络解决了梯度消失和梯度爆炸问题,在网络构造时使用全局平均池化代替全连接层,以达到降低模型过拟合的效果。实验对比结果表明,该方法分类效果较好,准确率达到了 84%,召回率和 F1 值分别提升至 0.8、0.82,各项指标相比基础模型均有所提升。 相似文献
19.
汉语语音识别中连续大词汇量的语音识别率较差。若能把连续大词汇量的语音进行实时自动切分为单个音节，便可提高系统的识别率。如何做到对语音识别中音节的自动切分，首先需找出汉语语音音节的特征。本文综合了当前对汉语音节特征的研究成果，通过深入地比较分析，系统地给出了汉语语音音节的功率谱特征和时域特征，为汉语语音音节的自动切分提供算法依据，对提高连续大词汇量语音的识别率有重要意义。 相似文献