关键词： 高密度表面肌电   空间滤波   小波包变换   支持向量机   模式识别  

摘要： 人机接口技术的发展一直是医疗康复领域里值得关注的研究方向,采用二维矩阵式高密度表面肌电(High Density surface EMG,HD-sEMG)信号采集技术,能够测量覆盖在限定皮肤区域肌肉的电活动,捕捉整块肌肉活动区域肌电信号时域和空间域分布信息,有利于对复杂动作肌电信号的解析和优化。由于人体上肢运动肌电信号解析较为困难,本文提出一种针对上肢运动HD-sEMG信号人机接口技术解析优化方法;对实验者上肢前伸和外展共八种不同运动角度时三角肌的HD-sEMG信号进行解析和优化,以模拟对上肢前伸和外展连续动作产生的肌电信号的解析。本文采用64路配置的高密度sEMG电极采集HD-sEMG信号。首先,根据肌电控制人机接口技术的整体结构,在数据预处理方面,详细对比主成分分析、快速独立元分析和多分类共同空间模式三种空间滤波算法,分别对采集的HD-sEMG信号作空间滤波预处理,求得分离矩阵以实现对原信号数据的重构及降低数据维数的目的。基于多类别共同空间模式提出不同类别通道间互信息最大化通道选择方法,将信号通道按照互信息进行降序排列,选择肌源信号最优的原始通道进行分析,以较少的通道数代替原64路通道,实现将肌源信号强的通道从原有的信号通道中分离出来的目的。其次,在特征提取部分,分别对经预处理的HD-sEMG信号时域、频域和时频域特征比较分析,得出经小波包变换分解的时频域特征能够有效反应上肢运动sEMG信号特征。结合HD-sEMG信号采集电极的特点,采用互信息最大化的通道选择算法提取HDsEMG信号的空间特征,将其与时频域特征相结合,更易于反应上肢运动HD-sEMG信号特征。最后,分别采用人工神经网络、线性判别分析、K-最邻近分析和支持向量机四种常用的模式分类器,通过对不同空间滤波数据时频域特征以及空间域与时频域特征相结合的特征数据集模式识别结果分析,得出采用时频域与空间域特征相结合的支持向量机分类器,当仅选择5路原信号通道时,即可达到95%的期望识别率。另外,通过对该肌电信号解析方法在电极偏移情况下的鲁棒性分析,得出该方法能够具有较好的电极偏移鲁棒性,为HD-sEMG信号的人机接口系统解析技术提供一种有效的解决方法。

关键词： 模式识别   FBGS   故障诊断   故障预测  

摘要： 光纤光栅传感器是船体结构健康监测系统中的重要传感设备之一,它可以对船体结构应力进行监测,将屈服数据、疲劳数据传送给上位机,从而确保实时航行的安全。由于船舶长期航行于复杂恶劣的环境中,船体经常会受到海浪抨击、海水腐蚀,这会使传感器的性能下降,一旦结构损伤累积到一定程度就会影响货物运输,甚至威胁工作人员生命安全。因此我们有必要对传感器进行故障诊断研究。本文以船体结构健康监测系统为研究对象,把模式识别技术应用在故障诊断和故障预测中,给出了小波包和主元分析相结合的故障特征提取方法,然后分析了支持向量机、随机森林、极限学习机在解决故障识别问题的上的优劣,最后对故障信号进行预测弥合,实现了监测系统的高精度和高可靠性。首先,本文在阅读相关文献和实践分析的基础上,分析了国内外光纤光栅传感器在船舶监测方面的应用现状,介绍故障诊断技术的发展情况、任务及流程。然后对光纤光栅传感技术的适用性及优势进行了详述,分析船舶航行过程中可能出现的故障类型及成因,进行故障模拟实验,提出传感器的故障诊断及预测方法。其次,对船用光纤光栅应变传感器的故障信号特征提取进行了研究,介绍了小波包变换的基本原理及优势,然后分析了小波包变换后特征提取数据,在数据冗余信息较多的情况下,这种提取方式的效果并不明显,继而又用主成分分析对数据进行特征选择和降维,最后提取出可以有效表征故障特性的数据。最后,对故障特征数据进行诊断及预测研究,分别分析了三种常用模式识别方法对光纤光栅应变传感器的分类和预测结果,提出适用于光纤光栅传感器的故障诊断方案。设计了随机森林与支持向量机相结合的算法对光纤光栅传感器进行故障诊断和预测,最后验证了故障检测方法的有效性。

关键词： 局部放电   特征提取   傅里叶变换   分形维数   模式识别  

摘要： 针对变压器的四种典型局部放电模型的脉冲波形.本文应用分形理论,同时结合傅里叶变换,计算各个频段信号的分形维数.通过分形特征的提取可以看出每种放电类型具有不同的分形特征,可以用于局部放电的类型识别.结果表明,该方法有效、可行.

关键词： 牛乳品质   模式识别   数据融合   流动注射指纹图谱技术   荧光指纹图谱技术  

摘要： 计算机技术的出现为生物科学的深入研究提供了重要的分析手段。指纹图谱技术的发展为全面和精准研究生物样本的重要组分信息如蛋白质和脂质提供技术支持,也为寻找生物标记物提供了技术保障。因此将两者结合,一方面可保证数据采集的完整性,另一方面可通过相应模式识别算法快速准确寻找指纹图谱差异和内在规律,为生物检测提供研究新思路。针对乳品工业中频繁出现的牛乳掺假问题,已有一系列牛乳质量检测的靶标性方法。但是,现有的检测方法大多集中在针对某一种掺假物质检测,倘若是未知的掺假物,则需要对牛乳中的物质逐一检测,当面对乳品工业化中大量需检测的乳制品时,此种方法不仅耗时耗力,而且在检测还原乳时,此种方法显的力不从心。因此,基于以上问题,我们采用指纹图谱技术结合模式识别算法研究牛乳经济掺假。本研究以牛乳掺假植物性外源蛋白和还原乳为研究对象,从牛乳完整蛋白和多肽指纹图谱出发,利用流动注射指纹技术、凝胶电泳技术、傅里叶变换衰减全反射红外光谱（ATR-FTIR）,超高效液相色谱时间飞行质谱（UPLC-Q-TOF-MS）、三维内源荧光技术及二维外源荧光技术采集样品的指纹图谱,结合多种模式识别方法判断牛乳是否掺假,旨在为牛乳的质量监控提供新型的检测方法和研究思路。主要研究内容和结果如下:（1）提出了一种基于完整蛋白的流动注射指纹和凝胶电泳图谱技术结合模式识别算法检测牛乳掺假的方法。对于流动注射指纹图谱,利用分子量测定算法（MoWeD）对样品完整蛋白信号进行电荷去卷积化处理,在其图谱中检测到两种相对分子量分别为18,277.5和18,362.5 Da的蛋白,暂时鉴定为β-lactoglobulin B和β-lactoglobulin A;并结合偏最小二乘分类（PLS-DA）和支持向量机（SVM）算法对生鲜乳和掺假样品分类,其正确率均高达100%,牛乳中检测外源性蛋白的检测限为0.5%（w/v）且每个样品检测时间需2 min;而对于牛乳中掺假物的判断,则采用多分类算法,结果表明SVM的分类识别结果优于PLS-DA和反向传播人工神经网络（BP-ANN）,并使用SVR预测牛乳中掺假物的含量,掺假大豆蛋白和乳清蛋白测试集的决定系数较高(R2test set>0.8000),预测误差较小。而对于凝胶电泳指纹图谱,结合PCA分析则能清晰的区分不同掺假样品和纯牛乳,其检测限为5%。（2）构建了傅里叶变换衰减全反射红外光谱（ATR-FTIR）结合化学计量学检测生鲜乳和还原乳的方法。为达到无偏估计的目的,因此在集群分析（MPA）条件下,比较五种模式识别算法即支持向量机（SVM）、朴素贝叶斯（NB）、随机森林（RF）、簇类独立软模式法（SIMCA）及偏最小二乘法判别分析（PLS-DA）判定真实和掺假牛乳的性能,并以10种指标为衡量标准,发现SVM的分类性能最佳,其分类正确率高达95%,特异性为98%,Matthews相关系数高达91%,其相应的标准差均为5%。其次,红外光谱经Savitzky-Golay平滑、标准矢量归一化（SNV）、多元散射校正（MSC）、一阶导数及二阶导数预处理,结果表明红外光谱经SNV预处理后,PLS-DA的预测正确率达到100%,偏最小二乘回归（PLSR）模型决定系数达到0.8846,测试集误差较小,回归性能最佳。（3）从蛋白组学的角度出发,提出了一种基于多肽和完整蛋白指纹图谱检测牛乳掺假的方法,将牛乳的完整蛋白和多肽指纹图谱分别与PLS-DA和SVM两种分类算法结合分析,发现其分类正确率分别高达100%;并将样品的完整蛋白和多肽指纹图谱信息通过低维和中维数据融合算法分析,将PLS-DA和PLSR得到特征值通过中维数据融合,能够在低维空间从可视化的角度清晰区分还原乳和生鲜乳,检测限低至0.5%。（4）提出了一种基于三维内源荧光和二维外源荧光结合计量学检测还原乳的方法。采集样品内源荧光图谱后使用MATLAB绘制其相应的三维荧光图和等高线图,通过可视化的角度发现掺假5%奶粉的还原乳与生鲜乳有明显的差异;此外,结合平行因子分析,从投影得分图观察到生鲜乳和还原乳有明显的分布差异,但因其有部分重叠,通过分类模型SVM和PLS-DA进一步判别,发现SVM的分类正确率高达95.83%;其次,对于二维外源荧光图谱,通过向样品中加入荧光染料8-苯胺-1-萘磺酸（1,8-ANS）后采集其图谱,将二维荧光图谱结合PCA能够较为清晰区分掺假和真实的牛乳,而且发现其相应的主成分1和主成分2的载荷最大发射波长均为450～500 nm,最后采用分类模型SVM和PLS-DA对二维外源荧光进行分析,结果表明其对掺假和真实牛乳的分类正确率高达100%,检测限低至0.5%。综上所述,此研究建立了牛乳掺假检测的光谱和质谱指纹图谱技术结合模式识别分析方法,为其检测提供了坚实理论数据支持,为构建牛乳质量控制

关键词： 运动模式识别   小波分析   动态时间规整算法   跌倒检测  

摘要： 人体运动模式识别是人工智能领域的一个重要研究范畴,也是识别领域中的代表性科研课题。由于加速度传感器具有设备简易、成本低和灵敏度高等优势,基于加速度传感器的人体行为识别,已然成为研究的热门方向。微型加速度传感器近年来的快速发展,使得基于加速度传感器的人体运动模式识别技术不断走向成熟,逐步广泛应用于各个生活领域之中。由于人体运动自身具备复杂性和多变性,基于加速度传感器的研究还存在着些许不足,有着很大的研究空间。本文针对基于加速度传感器的人体运动模式识别中,信号预处理、特征选择和提取、识别方法这三大板块进行深入研究,主要工作包括:首先,研究了人体运动模式识别的背景和现状,介绍了基于视觉和基于传感器的两大类行为识别方法,总结了基于加速度传感器的人体行为识别流程,对系统流程中的主要模块进行详细研究。其次,深入分析了基于小波分析的阈值去噪方法,进行科学的仿真实验,证明了小波阈值去噪方法的高效性,去噪效果得到提升;选择均值、标准差、三轴的相关系数、四分位间距和小波能量这五种特征用于人体运动模式的识别,进行仿真实验,识别率均达90%以上。再次,本文采用动态时间规整算法,并且基于传统算法的不足,选择半分动态的算法进行改进,实现了对站立、走路和跑步等五种日常运动模式以及慢走、正常走、快走三种易混步态的识别,效果良好。最后,以关爱老年人健康为出发点,针对目前老年人容易跌倒的现象,研究了基于动态时间规整算法的跌倒检测方法,选择合加速度、倾斜角度和合角速度这三种代表性特征,准确判别跌倒行为。

关键词： 组学大数据   矩阵分解   数据整合   模式识别   最优化方法   组学数据分析   稀疏性  

摘要： 高通量测序技术的发展带来了大规模多类型的组学数据，如基因表达、DNA甲基化和microRNA表达等。这些不同类型的数据提供了多层次视图和角度，有助于对生物过程或复杂疾病如癌症进行有效而全面的研究。在广度上，如何整合和比较这些组学数据，从中挖掘出更多的生物模式或机制是计算生物学研究者面临的挑战。在精度上，单细胞测序数据为细胞异质性的研究提供了强有力的工具，但是其噪声大、稀疏性高的特点又为数据分析带来了巨大的挑战。本论文针对以上两个方面的问题，基于矩阵分解技术，采用数学建模与优化的方法提出全新的矩阵分解模型，挖掘组学数据中潜在的模式，特别是揭示不同层次的分子组合元件或机制，并研究单细胞转录组数据的填补问题，提出基于细胞亚群的有界低秩矩阵填补方法，为生物数据分析及复杂生物过程的分子机制研究提供有效的工具。本论文的主要工作有以下几个方面:　　多状态数据中共有和特异生物模式识别的模型与算法研究。高通量测序技术产生了大量相互关联（如不同癌症、不同细胞系、不同时刻等）的组学数据。差异分析和模式识别是两个常用的数据分析的范式。它们通常以独立或依次的方式使用。差异分析方法通常不能识别差异部分的组合模式，一些识别组合模式的方法要求数据的维数是匹配的。本论文第一次提出了一个基于非负矩阵分解技术思想，同时识别共有和特异组合模式的灵活模型CSMF。通过将CSMF应用到模拟数据和四种生物情景数据（包括不同细胞系的ChIp-seq数据、不同癌症的RNA-seq数据、三种不同的乳腺癌亚型的RNA-seq数据和不同时间点的胚胎干细胞分化的single-cell RNA-seq数据）中，进行大规模测试和验证，表明CSMF是一种可以从相关生物情景的数据中提取具有显著生物学意义的共同和特异模式的强大工具。　　数据整合的一般性模型框架及其高效求解算法的研究。非负矩阵分解(NMF)是识别高维数据隐含模式的有效工具。NMF及其变体已成功应用于多个领域比如模式识别、信号处理、数据挖掘、生物信息学等。最近，NMF已经被扩展到同时整合多个矩阵，这为整合不同层次的组学数据提供了强有力的工具。但是这些变体通常采用乘子更新算法，目前仍然缺乏统一的框架及高效的求解算法。本论文首先提出一个稀疏的多重关系正则化的联合矩阵分解框架JMF，并系统性地探讨了四种求解算法。其次，本文还提出了两个基于JMF的预测模型。最后，通过大量模拟数据和不同类型的实际数据上的测试，说明了JMF在数据整合、多维模块识别以及模型预测（如文本的类型、RNA与蛋白的绑定）等方面的有效性，并比较分析了不同算法的精度和效率。　　单细胞RNA测序数据填补方法的系统比较与评估研究。单细胞RNA测序为在单细胞水平下研究更加精确的生物学功能奠定了基础。单细胞数据分析的主要挑战之一是该数据存在大量的零或接近零的数（即dropout事件），这可能会影响下游的生物分析（如细胞聚类、差异表达分析、伪轨迹推断等）。针对此问题，自2016年一种基于贝叶斯的填补方法被提出以后，到目前已经有多个填补的方法。这些方法在模型假设方面表现出非常多样的特征，为认识单细胞缺失数据提供了多样的视角，但也带来了困惑。目前，针对这些方法的性能，缺少系统性、综合性地评估和比较。为此，本文通过大量的模拟数据和实际数据比较了八种填补方法对缺失值的恢复能力，以及对细胞聚类、差异表达基因识别和细胞分化轨迹重构等下游分析的影响。通过比较，我们详细分析了每种方法的优缺点，结果表明目前还没有一个方法在每种情形下都表现良好。同时这些方法还存在一些缺陷，如不适用于大规模数据与缺乏鲁棒性等。　　针对单细胞转录组数据的填补方法仍然存在的问题，我们提出了一个基于细胞亚群的有界低秩矩阵填补模型(pBLR)。该模型整合了非负矩阵分解在聚类和低秩填补方面的优势，以及单细胞转录组测序数据中dropout比例与表达水平的关系。首先，对异质性的细胞进行聚类，其次利用低秩的思想对每个细胞类型中的缺失数据进行填补。pBLR不仅可以有效的填补缺失数据，还可以同时实现细胞亚群的识别。另外，对输入数据没有限制，无论是计数数据还是FPKM，都能灵活适用。在模拟和真实单细胞数据上与已有方法相比，该方法能够显著提升细胞聚类与细胞分化伪轨迹推断的精确性以及恢复基因之间的相关性，是恢复单细胞转录数据缺失的有效工具。

关键词： 脑卒中   表面肌电信号   模式识别   肌肉协同   肌电控制策略   康复工程  

摘要： 肌电信号(Electromyography,EMG)是伴随肌肉活动产生的一种重要电生理信号,可实时反映肢体的运动意图和运动状态。依据这一生理学基础,通过放置在皮肤表面的电极采集到肌肉活动的表面肌电信号(Surface EMG,sEMG)实现的肌电控制(Myoelectric Control),成为一种重要的人机接口技术。按照所采取的控制策略,肌电控制技术经历了最初的“开关”控制、比例控制到目前主流的模式识别控制的发展过程。前两种控制策略通过在主动肌-拮抗肌对和一个控制自由度间建立映射,实现的肌电控制系统功能单一,可控自由度数量受限。近年来,基于模式识别技术的肌电控制策略,由于其具有多功能和多自由度的优势成为研究热点。然而,实际应用中的各种因素严重制约着基于模式识别策略的肌电控制发展,使其在临床和工业界一直没有得到广泛应用。其中,传统肌电模式识别方法仅从数据呈现运动模式,缺乏对形成运动的神经肌肉调控机制的理解,导致所实现的肌电控制系统缺乏鲁棒性和泛化能力。相比之下,肌肉协同作为中枢神经系统(Central Nervous System,CNS)募集骨骼肌完成各种肢体动作的最小单位,可以解释CNS对肌肉的控制机制,提供了一种从肢体运动产生的sEMG中准确解码神经控制信息的新思路。本文以神经科学研究中揭示的运动调控的重要规律为基础,将肌肉协同概念融入到传统肌电模式识别框架中,提出一系列基于肌肉协同的肌电模式识别新方法。具体地,重点探索了肌肉收缩强度变化条件下的鲁棒肌电模式识别,以及对新用户能快速定制和校准的多用户通用肌电模式识别控制。此外,本文还研究了基于肌电模式识别技术在神经损伤患者康复训练中的应用及其在工程化中需要解决的科学问题。本文的主要工作及创新点概括如下:(1)对肌力变化信息鲁棒的肌电模式识别方法。针对肌肉收缩强度变化引起的传统肌电模式识别性能降低的现象,利用肌肉协同所呈现的力度不变性,提出一种将肌肉协同模型融合于肌电模式识别的新方法,以提高肌电模式识别在肌力变化信息下的鲁棒性。具体地,分别提出了基于特定任务肌肉协同(task-specific muscle synergy-based classification,TMSC)和基于任务间共有肌肉协同(shared muscle synergy-based classification,SMSC)的肌电模式识别方法。TMSC 利用非负矩阵分解算法(non-negative matric factorization,NMF)对每个动作提取任务特定协同,并依据特定任务协同重构样本特征的相似度来决策最终的动作类别。相比之下,SMSC对所有动作样本特征组成的特征矩阵利用NMF提取任务间共有协同,可理解为一种特征转换算法,再通过常规肌电模式识别模型对转换后的样本特征完成类别决策。为了验证所提算法框架的有效性,对健康受试者多种不同等级肌力条件下的多自由度手势动作分别采用TMSC和SMSC方法进行识别,并与常规肌电模式识别算法做比较分析。此外,还考察了上述分类方法与传统的肌电时域特征,以及国际上最新报道的对肌力变化信息鲁棒的特征进行组合时,在多种不同的测试或训练方案下的分类表现。实验结果表明,当采用某种力度下的数据训练但使用其他力度的数据测试时,两种新方法的识别率相比于常规的肌电模式识别方法会明显提高(7.53%～14.97%)。更进一步地,TMSC的识别性能要优于或无差异于其他两种分类方法。研究成果可视为在新的分类器层面作出的努力,提供了一种对肌力变化信息鲁棒的分类器方法。(2)基于自适应非负矩阵分解的多用户肌电模式识别。针对新用户使用肌电控制系统重复训练的问题,借助肌肉协同相比肌电数据模式有更好的用户通用性优势,进一步扩展前述基于特定任务协同的方法,提出了自适应的非负矩阵分解算法,以实现在不同用户间具有普适性和通用性的肌电模式识别方法。该方法首先预训练多用户的模型参数作为新用户模型参数更新的初始值,通过校准样本实现了对新用户模型参数的自适应更新。具体包括两种方法:一种是预训练多用户共享的特定任务协同,将其作为预训练用户与新用户共享的协同,并通过自适应方式获取新用户个性化的特定任务协同,将两者相加作为新用户的特定任务协同;另一种是首先对每位用户预训练特定任务协同,通过自适应方式学习这些预训练模型的加权系数,最终以线性组合的特定任务协同作为新用户的分类器。为了验证所提方法的有效性,对12名健康受试者的21个手指手势动作的高密度肌电信号进行分析,并采用留一法进行算法性能评估,实验结果表明在校准样本数量较少的情况下便可获取满意的识别效果。(3)肌电模式识别方法在运动康复中的应用。以脑卒中患者作为研究对象,探索了基于模式识别的肌电控制策略扩展应用于神经损伤患者康复训练中的问题与解决方案。一方面

关键词： 网络信息资源  

ISBN: (纸本)9787030591333

摘要： 本书从用户生成内容的新型网络环境入手，侧重介绍网络信息的模式识别及可信测度的新技术、新方法。与传统网络环境相比，基于用户生成内容的网络信息具有多源异构、异质关联及层次嵌套等特点。本书从以下方面展开介绍：网络信息的主题挖掘及关联挖掘；网络信息的概率性可信测度及语义性可信测度。

关键词： 机载火控雷达   工作模式   识别  

摘要： 文章以机载火控雷达工作模式识别为研究对象，首先对机载火控雷达机及其重要性进行了简单的介绍与分析，随后分析了机载火控雷达的工作原理，最后提出了机载火控雷达工作模式识别处理思路与方法以供参考。

关键词： 身份认证   神经网络   OpenCV   基于视频的人脸识别   模式识别  

摘要： 目前基于视频的人脸识别已经成为最火热的方向之一,如何对视频中的人脸进行身份认证是该文研究的重点。通过OpenCV,利用Keras构建神经网络对已知身份分析建模并保存,最后通过摄像头,利用构建好的模型,对视频中出现的人脸进行身份认证。以此方法进行身份认证的准确率能达到90%。基于Open CV的视频身份认证成本低廉,便于量产,具有很大的实用性。