2015年 第41卷 第9期
2015, 41(9): 1533-1541.
doi: 10.16383/j.aas.2015.c140906
摘要:
随着网络水军策略的不断演变,传统的基于用户内容和用户行为的发现方法 对新型社交网络水军的识别效果不断下降.水军用户可以变更自身的博文内容与转发行为, 但无法改变与网络中正常用户的连结关系,形成的结构图具有一定的稳定性, 因此,相对于用户的内容特征与行为特征,用户关系特征在水军识别中具有更强的鲁棒性与准确度. 由此,本文提出一种基于用户关系图特征的微博水军账号识别方法. 实验中通过爬虫程序抓取新浪微博网络数据; 然后,提取用户的属性特征、时间特征、关系图特征;最后,利用三种机器学习算法对用户进行分类预测. 仿真结果表明,添加新特征后对水军账号的识别准确率、召回率提高5%以上, 从而验证了关系图特征在水军识别中的有效性.
随着网络水军策略的不断演变,传统的基于用户内容和用户行为的发现方法 对新型社交网络水军的识别效果不断下降.水军用户可以变更自身的博文内容与转发行为, 但无法改变与网络中正常用户的连结关系,形成的结构图具有一定的稳定性, 因此,相对于用户的内容特征与行为特征,用户关系特征在水军识别中具有更强的鲁棒性与准确度. 由此,本文提出一种基于用户关系图特征的微博水军账号识别方法. 实验中通过爬虫程序抓取新浪微博网络数据; 然后,提取用户的属性特征、时间特征、关系图特征;最后,利用三种机器学习算法对用户进行分类预测. 仿真结果表明,添加新特征后对水军账号的识别准确率、召回率提高5%以上, 从而验证了关系图特征在水军识别中的有效性.
2015, 41(9): 1542-1552.
doi: 10.16383/j.aas.2015.c140903
摘要:
非局部平均(Non-local means, NLM)算法充分利用图像的自相似性与结构信息的冗余性, 取得了很好的去噪效果.然而, 在强噪声的干扰下, NLM算法中的权函数不能准确度量图像块之间的相似性. 因此, 很多文献利用图像的梯度信息对权函数做了改进.但是, 传统的梯度算子对噪声十分敏感, 不能有效地提高相似性度量的准确性. 本文将图像的稀疏梯度场(Sparse gradients field, SGF)引入权函数的定义中, 提出一种基于稀疏梯度场的非局部图像去噪算法. 首先, 区别于传统基于局部的梯度算子, 提出了基于全局的稀疏梯度场模型, 进一步给出一个自适应的稀疏梯度场模型(Adaptive sparse gradients field, ASGF), 并利用向前--向后分裂算法求解.然后, 利用图像的稀疏梯度场对NLM算法的权函数进行改进, 得到本文提出的算法.实验结果表明, 无论是客观评价还是视觉效果, 本文所提算法的性能优于NLM 算法和其他利用梯度信息改进的NLM算法.
非局部平均(Non-local means, NLM)算法充分利用图像的自相似性与结构信息的冗余性, 取得了很好的去噪效果.然而, 在强噪声的干扰下, NLM算法中的权函数不能准确度量图像块之间的相似性. 因此, 很多文献利用图像的梯度信息对权函数做了改进.但是, 传统的梯度算子对噪声十分敏感, 不能有效地提高相似性度量的准确性. 本文将图像的稀疏梯度场(Sparse gradients field, SGF)引入权函数的定义中, 提出一种基于稀疏梯度场的非局部图像去噪算法. 首先, 区别于传统基于局部的梯度算子, 提出了基于全局的稀疏梯度场模型, 进一步给出一个自适应的稀疏梯度场模型(Adaptive sparse gradients field, ASGF), 并利用向前--向后分裂算法求解.然后, 利用图像的稀疏梯度场对NLM算法的权函数进行改进, 得到本文提出的算法.实验结果表明, 无论是客观评价还是视觉效果, 本文所提算法的性能优于NLM 算法和其他利用梯度信息改进的NLM算法.
2015, 41(9): 1553-1562.
doi: 10.16383/j.aas.2015.c140857
摘要:
深度测量是立体视觉研究的重要问题, 本文提出一种基于全向图与结构光的深度测量方法.首 先,根据测量系统特点,采用了基于多参考面的投影仪标定算法;然后,设计了一组 "四方位沙漏状"编码结构光,实现待测图像与参考图像的对应点计算;最后,在移动条件下,研 究基于先验约束迭代就近点(Iterative closest point, ICP)的深度点云匹配算法. 实验结果表明,本文方法可以准确地对室内场景进行深度测量,且抗干扰能力较强.
深度测量是立体视觉研究的重要问题, 本文提出一种基于全向图与结构光的深度测量方法.首 先,根据测量系统特点,采用了基于多参考面的投影仪标定算法;然后,设计了一组 "四方位沙漏状"编码结构光,实现待测图像与参考图像的对应点计算;最后,在移动条件下,研 究基于先验约束迭代就近点(Iterative closest point, ICP)的深度点云匹配算法. 实验结果表明,本文方法可以准确地对室内场景进行深度测量,且抗干扰能力较强.
2015, 41(9): 1563-1576.
doi: 10.16383/j.aas.2015.c150040
摘要:
基于协同过滤的推荐系统容易受到托攻击的危害, 如何检测托攻击成为推荐系统可靠性的关键. 针对现有托攻击检测手段使用基于评分的分类特征易受混淆技术干扰的局限, 本文从用户选择评分项目方式入手, 分析由此造成的用户概貌中已评分项目的流行度分布情况的不同, 提出用于区分正常用户与虚假用户基于流行度的分类特征, 进而得到基于流行度的托攻击检测算法. 实验表明该算法在托攻击检测中具有更强的检测性能与抗干扰性.
基于协同过滤的推荐系统容易受到托攻击的危害, 如何检测托攻击成为推荐系统可靠性的关键. 针对现有托攻击检测手段使用基于评分的分类特征易受混淆技术干扰的局限, 本文从用户选择评分项目方式入手, 分析由此造成的用户概貌中已评分项目的流行度分布情况的不同, 提出用于区分正常用户与虚假用户基于流行度的分类特征, 进而得到基于流行度的托攻击检测算法. 实验表明该算法在托攻击检测中具有更强的检测性能与抗干扰性.
2015, 41(9): 1577-1588.
doi: 10.16383/j.aas.2015.c140893
摘要:
针对现有多标记学习方法大多属于有监督学习方法, 而不能有效利用相对便宜且容易获得的大量未标记样本的问题, 本文提出了一种新的多标记半监督学习方法, 称为最大规范化依赖性多标记半监督学习方法(Normalized dependence maximization multi-label semi-supervised learning method). 该方法将已有标签作为约束条件,利用所有样本, 包括已标记和未标记样本,对特征集和标签集的规范化依赖性进行估计, 并以该估计值的最大化为目标, 最终通过求解带边界的迹比值问题为未标记样本打上标签. 与其他经典多标记学习方法在多个真实多标记数据集上的对比实验表明, 本文方法可以有效从已标记和未标记样本中学习, 尤其是已标记样本相对稀少时,学习效果得到了显著提高.
针对现有多标记学习方法大多属于有监督学习方法, 而不能有效利用相对便宜且容易获得的大量未标记样本的问题, 本文提出了一种新的多标记半监督学习方法, 称为最大规范化依赖性多标记半监督学习方法(Normalized dependence maximization multi-label semi-supervised learning method). 该方法将已有标签作为约束条件,利用所有样本, 包括已标记和未标记样本,对特征集和标签集的规范化依赖性进行估计, 并以该估计值的最大化为目标, 最终通过求解带边界的迹比值问题为未标记样本打上标签. 与其他经典多标记学习方法在多个真实多标记数据集上的对比实验表明, 本文方法可以有效从已标记和未标记样本中学习, 尤其是已标记样本相对稀少时,学习效果得到了显著提高.
2015, 41(9): 1589-1600.
doi: 10.16383/j.aas.2015.c140871
摘要:
医学图像分割与配准是图像引导放疗(Image guided radiation therapy, IGRT)系统中的关键技术. 为提高基于CBCT (Cone beam CT)的IGRT系统实施胸腹部肿瘤放疗的实时性与自适应性, 特别是实现重要危及器官肝脏区域照射剂量的合理控制, 本文提出一种基于感兴趣窄带区域的同步分割与配准方法, 目标是实现放疗计划系统中计划CT和CBCT图像目标区域的分割与配准. 通过构建感兴趣窄带模型, 并且与活动轮廓模型相结合实现初始分割, 然后与基于光流场(Optical flow field, OFF)的形变配准方法进行循环迭代, 从而构造ASOR分割与配准同步模型(Active contour segmentation and optical flow registration synchronously, ASOR). 在方法实施时, 首先利用非线性扩散模型和窄带活动轮廓模型在CT图像中提取肝脏空间初始位置信息, 为同步模型提供合理的肝脏初始轮廓. 然后将该轮廓及相应窄带区域经仿射变换映射到CBCT图像, 进而结合构造的ASOR同步模型, 用光流场确定活动轮廓水平集的运动情况, 使分割与配准在同一个演化过程中完成迭代. 实验结果和临床应用表明, 本文提出的方法应用于基于CBCT的IGRT系统时, 可实现肝脏组织的自动分割与放疗剂量分布的快速计算. 同时, 我们将同步过程中获得的形变域用于实现肝脏与肿瘤靶区等剂量线从计划CT到CBCT的自适应转移, 进行自适应放疗效果的临床测评.
医学图像分割与配准是图像引导放疗(Image guided radiation therapy, IGRT)系统中的关键技术. 为提高基于CBCT (Cone beam CT)的IGRT系统实施胸腹部肿瘤放疗的实时性与自适应性, 特别是实现重要危及器官肝脏区域照射剂量的合理控制, 本文提出一种基于感兴趣窄带区域的同步分割与配准方法, 目标是实现放疗计划系统中计划CT和CBCT图像目标区域的分割与配准. 通过构建感兴趣窄带模型, 并且与活动轮廓模型相结合实现初始分割, 然后与基于光流场(Optical flow field, OFF)的形变配准方法进行循环迭代, 从而构造ASOR分割与配准同步模型(Active contour segmentation and optical flow registration synchronously, ASOR). 在方法实施时, 首先利用非线性扩散模型和窄带活动轮廓模型在CT图像中提取肝脏空间初始位置信息, 为同步模型提供合理的肝脏初始轮廓. 然后将该轮廓及相应窄带区域经仿射变换映射到CBCT图像, 进而结合构造的ASOR同步模型, 用光流场确定活动轮廓水平集的运动情况, 使分割与配准在同一个演化过程中完成迭代. 实验结果和临床应用表明, 本文提出的方法应用于基于CBCT的IGRT系统时, 可实现肝脏组织的自动分割与放疗剂量分布的快速计算. 同时, 我们将同步过程中获得的形变域用于实现肝脏与肿瘤靶区等剂量线从计划CT到CBCT的自适应转移, 进行自适应放疗效果的临床测评.
2015, 41(9): 1601-1615.
doi: 10.16383/j.aas.2015.c140616
摘要:
RGB色彩空间中各色彩分量间存在强相关性, 图像发生失真会改变各分量间的相关性. 基于此, 本文提出了一种新的通用无参考图像质量评价方法. 首先, 根据人类视觉对RGB色彩空间中绿色分量更为敏感的颜色感知特性, 提取了G分量MSCN系数及其4方向邻域系数的统计特征; 其次, 在分析RGB色彩空间中R、G及B分量间相关性的基础上, 分别计算RGB色彩空间各色彩分量及其纹理、相位间的互信息, 利用互信息作为统计特征来描述其各分量间的相关性; 进而, 结合上述统计特征, 分别利用SVR和SVC构建无参考图像质量评价模型和图像失真类型识别模型; 最后, 在LIVE、CSIQ 及TID2008图像质量评价数据库上进行了算法与DMOS (Different mean opinion score)的相关性、失真类型识别及计算复杂性等方面的实验. 实验结果表明, 本文方法的评价结果与人类主观评价具有高度的一致性, 在LIVE 数据库上的斯皮尔曼等级相关系数和皮尔逊线性相关系数均在0.942以上; 而且, 图像失真类型识别模型的识别准确率也高达93.59%, 明显高于当今主流无参考图像质量评价方法.
RGB色彩空间中各色彩分量间存在强相关性, 图像发生失真会改变各分量间的相关性. 基于此, 本文提出了一种新的通用无参考图像质量评价方法. 首先, 根据人类视觉对RGB色彩空间中绿色分量更为敏感的颜色感知特性, 提取了G分量MSCN系数及其4方向邻域系数的统计特征; 其次, 在分析RGB色彩空间中R、G及B分量间相关性的基础上, 分别计算RGB色彩空间各色彩分量及其纹理、相位间的互信息, 利用互信息作为统计特征来描述其各分量间的相关性; 进而, 结合上述统计特征, 分别利用SVR和SVC构建无参考图像质量评价模型和图像失真类型识别模型; 最后, 在LIVE、CSIQ 及TID2008图像质量评价数据库上进行了算法与DMOS (Different mean opinion score)的相关性、失真类型识别及计算复杂性等方面的实验. 实验结果表明, 本文方法的评价结果与人类主观评价具有高度的一致性, 在LIVE 数据库上的斯皮尔曼等级相关系数和皮尔逊线性相关系数均在0.942以上; 而且, 图像失真类型识别模型的识别准确率也高达93.59%, 明显高于当今主流无参考图像质量评价方法.
2015, 41(9): 1616-1626.
doi: 10.16383/j.aas.2015.c150056
摘要:
高效用模式挖掘是数据挖掘领域的一个重要研究内容; 由于其计算过程包含对模式的内、外效用值的处理, 计算复杂度较大, 因此挖掘算法的主要研究热点问题就是提高算法的时间效率.针对此问题, 本文给出一个基于模式增长方式的高效用模式挖掘算法HUPM-FP, 该算法可以从全局树上挖掘高效用模式, 避免产生候选项集.实验中, 采用6个典型数据集进行实验, 并和目前效率较好的算法FHM (Faster high-utility itemset mining)做了对比, 实验结果表明本文给出的算法时空效率都有较大的提高, 特别是时间效率提高较大, 可以达到1个数量级以上.
高效用模式挖掘是数据挖掘领域的一个重要研究内容; 由于其计算过程包含对模式的内、外效用值的处理, 计算复杂度较大, 因此挖掘算法的主要研究热点问题就是提高算法的时间效率.针对此问题, 本文给出一个基于模式增长方式的高效用模式挖掘算法HUPM-FP, 该算法可以从全局树上挖掘高效用模式, 避免产生候选项集.实验中, 采用6个典型数据集进行实验, 并和目前效率较好的算法FHM (Faster high-utility itemset mining)做了对比, 实验结果表明本文给出的算法时空效率都有较大的提高, 特别是时间效率提高较大, 可以达到1个数量级以上.
2015, 41(9): 1627-1637.
doi: 10.16383/j.aas.2015.c150023
摘要:
深层神经网络的中间层是隐含的、未知的,这使得深层网络的学习过程不可追踪,学习结果无法解释,在一 定程度上制约了深度学习的发展.本文通过引入先验知识使深层网络的中间层具有明确的含义与显性的影响 关系,即中间层可见化,从而部分人工干预深层网络的内部结构,约束网络学习的方向.基于深层堆叠网 络 (Deep stacking network, DSN),提出两种中间层部分可见的深层神经网络:输入层部分可见的深层堆叠网络(Input-layer visible DSN, IVDSN)和隐含层部分可见的深层堆叠网络(Hidden-layer visible DSN, HVDSN),部分可见是为了保留对未知信息的提取能力和一定的容错能力.以基于文本的言语情 感计算为例测试所提网络的有效性,结果表明先验知识的引入有助于提升深层神经网络的 性能;所提两种网络均可实现中间层的部分可见化,其中HVDSN结构更精简,性能也更优.
深层神经网络的中间层是隐含的、未知的,这使得深层网络的学习过程不可追踪,学习结果无法解释,在一 定程度上制约了深度学习的发展.本文通过引入先验知识使深层网络的中间层具有明确的含义与显性的影响 关系,即中间层可见化,从而部分人工干预深层网络的内部结构,约束网络学习的方向.基于深层堆叠网 络 (Deep stacking network, DSN),提出两种中间层部分可见的深层神经网络:输入层部分可见的深层堆叠网络(Input-layer visible DSN, IVDSN)和隐含层部分可见的深层堆叠网络(Hidden-layer visible DSN, HVDSN),部分可见是为了保留对未知信息的提取能力和一定的容错能力.以基于文本的言语情 感计算为例测试所提网络的有效性,结果表明先验知识的引入有助于提升深层神经网络的 性能;所提两种网络均可实现中间层的部分可见化,其中HVDSN结构更精简,性能也更优.
2015, 41(9): 1638-1648.
doi: 10.16383/j.aas.2015.c150075
摘要:
研究存在多数据包丢失现象的线性离散时变系统有限时间域内故障检测滤波器(Fault detection filter, FDF)设计问题. 在数据包具有时间戳标记的条件下, 设计基于观测器的FDF作为残差产生器, 构造两类FDF. 其一为H-/H∞-FDF或H∞/H∞-FDF. 定义故障到残差和未知输入到残差的广义传递函数算子, 将此类FDF设计问题转换为随机意义下H-/H∞ 或H∞/H∞性能指标优化问题. 其二为H∞-FDF, 将此类FDF设计问题转化为随机意义下的H∞滤波问题. 采用基于伴随算子的H∞优化方法, 通过求解递推Riccati方程, 得到上述两类FDF设计问题的解析解. 通过算例验证所提方法的有效性.
研究存在多数据包丢失现象的线性离散时变系统有限时间域内故障检测滤波器(Fault detection filter, FDF)设计问题. 在数据包具有时间戳标记的条件下, 设计基于观测器的FDF作为残差产生器, 构造两类FDF. 其一为H-/H∞-FDF或H∞/H∞-FDF. 定义故障到残差和未知输入到残差的广义传递函数算子, 将此类FDF设计问题转换为随机意义下H-/H∞ 或H∞/H∞性能指标优化问题. 其二为H∞-FDF, 将此类FDF设计问题转化为随机意义下的H∞滤波问题. 采用基于伴随算子的H∞优化方法, 通过求解递推Riccati方程, 得到上述两类FDF设计问题的解析解. 通过算例验证所提方法的有效性.
2015, 41(9): 1649-1658.
doi: 10.16383/j.aas.2015.c150025
摘要:
针对无线网络化多传感器融合估计中存在的网络拥堵、传感器能量有限以及通信带宽有限的问题, 本文以多传感器经通信网络组成的线性离散随机系统为研究对象, 提出了一种基于数据驱动传输策略的带宽受限的分布式融合估计器, 能够在降低传感器数据传输率的同时满足有限带宽的限制. 在目标状态满足高斯性的前提下, 给出了融合估计误差均方差一致有界的条件. 最后通过算例仿真验证所提方法的有效性.
针对无线网络化多传感器融合估计中存在的网络拥堵、传感器能量有限以及通信带宽有限的问题, 本文以多传感器经通信网络组成的线性离散随机系统为研究对象, 提出了一种基于数据驱动传输策略的带宽受限的分布式融合估计器, 能够在降低传感器数据传输率的同时满足有限带宽的限制. 在目标状态满足高斯性的前提下, 给出了融合估计误差均方差一致有界的条件. 最后通过算例仿真验证所提方法的有效性.
2015, 41(9): 1659-1668.
doi: 10.16383/j.aas.2015.c140781
摘要:
针对不确定非线性系统, 提出准最优学习控制方法, 解决参数与非参数不确定特性同时存在情形下的轨迹跟踪问题. 给出迭代学习与重复学习两种控制策略, 根据Sontag公式解决标称系统的优化控制, 并以鲁棒学习手段处理参数与非参数不确定特性. 提出断续函数连续化方案, 以避免传统Sontag公式在实现时可能存在的颤振问题. 分析证明经过足够多次迭代或足够多个周期的重复运行后, 闭环系统可实现系统状态以预设精度跟踪参考信号. 仿真结果表明所设计学习系统在收敛速度 方面快于非优化设计.
针对不确定非线性系统, 提出准最优学习控制方法, 解决参数与非参数不确定特性同时存在情形下的轨迹跟踪问题. 给出迭代学习与重复学习两种控制策略, 根据Sontag公式解决标称系统的优化控制, 并以鲁棒学习手段处理参数与非参数不确定特性. 提出断续函数连续化方案, 以避免传统Sontag公式在实现时可能存在的颤振问题. 分析证明经过足够多次迭代或足够多个周期的重复运行后, 闭环系统可实现系统状态以预设精度跟踪参考信号. 仿真结果表明所设计学习系统在收敛速度 方面快于非优化设计.
2015, 41(9): 1669-1679.
doi: 10.16383/j.aas.2015.c150049
摘要:
为了提高时间序列的预测精度, 提出了利用改进的小世界网络优化泄露积分型回声状态网(Leaky-integrator echo state network, Leaky ESN)的时间序列预测方法. 首先提出一个改进型小世界网络, 其加边概率是节点间距离的负指数函数. 然后, 利用加边概率直接表示Leaky ESN储备池两个神经节点的连接权值, 取值范围为[0,1], 表征了节点间的连接程度. 利用这个新型小世界网络改进Leaky ESN的储备池神经节点的连接方式, 有目的地实现了稀疏连接, 减小了Leaky ESN储备池随机稀疏连接的盲目性, 提高了储备池的适应性.最后, 利用改进的Leaky ESN预测典型的非线性时间序列, 并利用Matlab仿真软件验证了本文提出方法的有效性. 与Leaky ESN相比, 本文提出的方法具有更高的预测精度和更短的训练时间.
为了提高时间序列的预测精度, 提出了利用改进的小世界网络优化泄露积分型回声状态网(Leaky-integrator echo state network, Leaky ESN)的时间序列预测方法. 首先提出一个改进型小世界网络, 其加边概率是节点间距离的负指数函数. 然后, 利用加边概率直接表示Leaky ESN储备池两个神经节点的连接权值, 取值范围为[0,1], 表征了节点间的连接程度. 利用这个新型小世界网络改进Leaky ESN的储备池神经节点的连接方式, 有目的地实现了稀疏连接, 减小了Leaky ESN储备池随机稀疏连接的盲目性, 提高了储备池的适应性.最后, 利用改进的Leaky ESN预测典型的非线性时间序列, 并利用Matlab仿真软件验证了本文提出方法的有效性. 与Leaky ESN相比, 本文提出的方法具有更高的预测精度和更短的训练时间.
2015, 41(9): 1680-1685.
doi: 10.16383/j.aas.2015.c140916
摘要:
支持向量机 (Support vector machine, SVM) 在语种识别中已经起到了重要的作用.近些年来,极限学习机 (Extreme learning machine, ELM) 在很多领域取得了成功的应用.相比于 SVM, ELM 最大的优点在于极易实现、训练速度快,而且通常可以取得与 SVM 相近甚至优于 SVM 的识别性能. 鉴于 ELM 这些优异的特点,本文将 ELM 引入到语种识别中,并针对 ELM 由于随机初始化模型参 数所带来的潜在问题,提出了流形正则化极限学习机 (Manifold regularized extreme learning machine, MRELM) 算法.实验结果表明,在高斯超矢量(Gaussian supervector, GSV)特征空间上,相对于 SVM 基线系统,该算法对30秒语音的识别性能有明显的提升. 同时该算法也可以成功地应用到 i-vector 特征空间中,取得与当前主流的打分算法相近的识别性能.
支持向量机 (Support vector machine, SVM) 在语种识别中已经起到了重要的作用.近些年来,极限学习机 (Extreme learning machine, ELM) 在很多领域取得了成功的应用.相比于 SVM, ELM 最大的优点在于极易实现、训练速度快,而且通常可以取得与 SVM 相近甚至优于 SVM 的识别性能. 鉴于 ELM 这些优异的特点,本文将 ELM 引入到语种识别中,并针对 ELM 由于随机初始化模型参 数所带来的潜在问题,提出了流形正则化极限学习机 (Manifold regularized extreme learning machine, MRELM) 算法.实验结果表明,在高斯超矢量(Gaussian supervector, GSV)特征空间上,相对于 SVM 基线系统,该算法对30秒语音的识别性能有明显的提升. 同时该算法也可以成功地应用到 i-vector 特征空间中,取得与当前主流的打分算法相近的识别性能.
2015, 41(9): 1686-1692.
doi: 10.16383/j.aas.2015.c150007
摘要:
脑机接口是一种变革性的人机交互, 其中基于运动想象(Motor imagery, MI)脑电的脑机接口是一类非常重要的脑机交互. 本文旨在探索有效的运动想象脑电特征模式提取方法. 采用在时域、频域同时具有很高分辨率的希尔伯特--黄变换(Hilbert-Huang transform, HHT),进而提取自回归(Auto regressive, AR)模型参数并计算运动想象脑电平均瞬时能量,从而构造特征向量, 最后利用能较好地适应运动想象脑电单次试验分类的支持向量机(Support vector machine, SVM)进行分类. 结果表明在Trial的5.5～7.5s期间, HHT特征提取方法平均分类正确率为81.08%, 具有良好的适应性;最高分类正确率为87.86%, 优于传统的小波变换特征提取方法和未经HHT的特征提取方法;在Trial的8～9s期间, HHT特征提取方法显著优于后两种特征提取方法. 本研究证实了HHT对运动想象脑电这一非平稳非线性信号具有很好的特征提取能力, 也再次验证了运动想象事件相关去同步(Event-related desynchronization, ERD)现象, 同时也表明运动想象脑电的脑--机交互系统性能与被试想象心理活动的质量密切相关. 本文可望为基于运动想象脑电的在线实时脑机交互控制系统的研究打下坚实的基础.
脑机接口是一种变革性的人机交互, 其中基于运动想象(Motor imagery, MI)脑电的脑机接口是一类非常重要的脑机交互. 本文旨在探索有效的运动想象脑电特征模式提取方法. 采用在时域、频域同时具有很高分辨率的希尔伯特--黄变换(Hilbert-Huang transform, HHT),进而提取自回归(Auto regressive, AR)模型参数并计算运动想象脑电平均瞬时能量,从而构造特征向量, 最后利用能较好地适应运动想象脑电单次试验分类的支持向量机(Support vector machine, SVM)进行分类. 结果表明在Trial的5.5～7.5s期间, HHT特征提取方法平均分类正确率为81.08%, 具有良好的适应性;最高分类正确率为87.86%, 优于传统的小波变换特征提取方法和未经HHT的特征提取方法;在Trial的8～9s期间, HHT特征提取方法显著优于后两种特征提取方法. 本研究证实了HHT对运动想象脑电这一非平稳非线性信号具有很好的特征提取能力, 也再次验证了运动想象事件相关去同步(Event-related desynchronization, ERD)现象, 同时也表明运动想象脑电的脑--机交互系统性能与被试想象心理活动的质量密切相关. 本文可望为基于运动想象脑电的在线实时脑机交互控制系统的研究打下坚实的基础.
