步態識別是一種具有遠距離非侵犯性特點的生物特征識別技術,它根據人們走路姿態的不同,從步行運動圖像中提取特征進行身份的識別。一個完整的步態識別過程通常包括:步態序列獲取、步態檢測、步態提取和分類識別。本文簡要介紹了這四個過程的常用方法,針對特征提取方法,從視角數目的不同進行了分類,重點介紹了近幾年多視角步態識別的新算法,并總結了當前步態識別研究中存在的問題,展望了未來的發展趨勢。
特征提取是基于P300的腦機接口(BCI)系統中非常關鍵的步驟。獨立分量分析(ICA)算法是效果較好的P300特征提取方法,但目前常用的ICA迭代方法收斂性能均不理想。提出一種基于量子粒子群優化(QPSO)和ICA算法的P300特征提取方法。該方法利用量子計算在計算速度上的優勢,加快了ICA算法的全局收斂,達到了快速有效提取P300的目的。實驗針對BCI Competition Ⅱ dataset Ⅱb和BCI Competition Ⅲ dataset Ⅱ兩組公共數據集進行測試,提取出的P300特征送入線性分類器,系統識別正確率在15次疊加平均情況下達94.4%。實驗結果表明,本文方法用于P300特征提取,在保證提取效果的同時,計算速度更快,為在線BCI系統的進一步研究提供了實驗基礎。
神經反饋技術是一種可供選擇的行為學治療手段,是將腦電(EEG)信號轉換成容易被人們理解的聲音、動畫等形式,受試者通過訓練,選擇性地增強或抑制某一頻段的EEG信號,可以達到調節腦功能的目的。本文基于腦-機接口技術,從實時EEG信號中提取特征參數并產生反饋信息,針對放松訓練和注意力訓練設計了兩個反饋界面,搭建了一套完整的神經反饋系統。通過系統仿真和初步實驗,驗證了本套神經反饋系統的準確性和可行性。
模式識別問題中特征提取和特征選擇是一個重要問題。基于向量的幾何代數表示方法,提出了一種新的幾何代數片積系數特征提取方法,并對其中存在的維數升高問題進行了研究,提出了改進的微分進化特征選擇方法。本文分類器采用線性判別分析,以公開的乳腺癌生物醫學數據集進行10折交叉驗證(10 CV),得到的分類結果超過了96%,優于原始特征和傳統特征提取方法下的分類性能。
晚正成分(LPP)作為事件相關電位(ERP)的一個重要成分,是研究情緒調節重評進程的理想成分。本研究主要對采集的情緒認知重評腦電信號的LPP進行處理分析。基于EGI64導腦電采集系統采集16名被試的情緒認知重評腦電數據,首先采用獨立成分分析(ICA)算法去除腦電信號中的眼電、肌電等噪聲;然后用一對多-公共空間模式(OVR-CSP)算法對Pz電極的腦電信號進行特征提取;最后對提取的LPP成分進行時域及空域分析。結果表明:①從波幅的角度來比較:認知重評誘發的波幅顯著大于觀看中性誘發的波幅,而小于觀看負性誘發的波幅。②從時間進程的角度來比較:經過OVR-CSP特征提取處理后,認知重評與自由觀看組的差異發生在0.3~1.5 s;而經過疊加平均方法處理后,認知重評與自由觀看組的差異發生在0.3~1.25 s。以上結果說明OVR-CSP算法不僅能以較少的試驗次數準確提取LPP,為后續研究認知重評策略調節LPP提供較好的方法,同時也能為認知重評在情緒調節方面提供神經生理學依據。
腦機接口(BCI)是在人或動物腦與外部設備間建立的直接連接通路,信號分析功能模塊是其核心部分,其中特征提取算法的效果如何是腦電圖(EEG)信號分析算法的關鍵。EEG信號本身信噪比低,傳統的EEG特征提取方法存在著缺少空間信息,需要的特征量個數較多,分類正確率低等不足。針對以上問題,本文提出了一種基于小波和獨立分量分析(ICA)的時間-頻率-空間EEG特征的提取方法,分別用離散小波變換(DWT)和ICA提取時頻域特征和空域特征。并用支持向量機(SVM)和遺傳算法(GA)相結合的方法對提取的特征進行分類。實驗對比結果表明,所提出的方法有效地克服了傳統的時頻特征提取方法空間信息描述不足等問題,對于2003年BCI競賽數據dataset Ⅲ分析,最高分類正確率為90.71%。
腦機接口(BCI)可以直接通過腦電(EEG)信號控制外部設備。本文針對傳統主成分分析(PCA)和二維主成分分析(2DPCA)處理多通道EEG信號的局限性, 提出了多線性主成分分析(MPCA)的張量特征提取和分類框架。首先生成張量EEG數據, 然后進行張量降維并提取特征, 最后用Fisher線性判別分析分類器進行分類。實驗中將新方法應用到BCI competitionⅡ數據集4和BCI competitionⅣ數據集3, 分別使用了EEG數據的時空二階張量表示形式和時空頻三階張量表示形式, 通過對可調參數多次調試, 取得了高于其它同類降維方法的最佳結果。二階輸入最高正確率分別達到81.0%和40.1%, 三階輸入分別達到76.0%和43.5%。
腦機接口(BCI)系統通過從腦信號中提取特征對其進行識別。針對自回歸模型特征提取方法和傳統主成分分析降維方法處理多通道信號的局限性, 本文提出了多變量自回歸(MVAR)模型和多線性主成分分析(MPCA)結合的多通道特征提取方法, 并用于腦磁圖/腦電圖(MEG/EEG)信號識別。首先計算MEG/EEG信號的MVAR模型的系數矩陣, 然后采用MPCA對系數矩陣進行降維, 最后使用線性判別分析分類器對腦信號分類。創新在于將傳統單通道特征提取方法擴展到多通道。選用BCI競賽IV數據集3和1數據進行實驗驗證, 兩組實驗結果表明MVAR和MPCA結合的特征提取方法處理多通道信號是可行的。
圖像特征提取是圖像處理的一個主要環節, 是圖像處理技術研究和應用的一個重要領域。維吾爾醫是我國的傳統醫學, 越來越受到人們的重視, 但大量的維吾爾醫藥材的數據資料沒有得到充分利用。本文針對新疆維吾爾藥材的植物藥和動物藥圖像提取了顏色直方圖特征。先對圖像進行顏色增強、尺寸歸一、空間轉換的預處理, 提取顏色直方圖特征并對顏色直方圖特征進行統計學分析, 最后應用Bayes判別分析法對特征的分類能力進行評價。實驗結果表明顏色直方圖特征對維吾爾藥圖像分類有較高的準確率, 一定程度上有助于基于內容的新疆維吾爾藥材圖像的檢索的研究。
咳嗽識別在臨床上具有重要的診斷指導意義。針對咳嗽頻譜能量的分布特點,本文提出了一種新的梅爾(Mel)頻率倒譜系數(MFCC)提取方法。將咳嗽頻譜劃分為若干個頻段,采用主元分析方法計算各頻段的能量強度系數,根據強度系數的插值曲線分配濾波器個數,設計Mel刻度上非均勻分布的濾波器組進行MFCC特征提取。基于隱馬爾可夫模型(HMM)的咳嗽識別實驗表明,該方法可以有效改善咳嗽識別的效果。