摘要：为了更全面地对睡眠脑电进行特征提取,提出一种基于多视图与注意力机制的睡眠脑电分期方法。首先针对原始睡眠脑电信号构造时域和时频域两类视图数据;然后设计融合注意力机制的混合神经网络对多视图数据进行表征学习;接着通过双向长短时记忆(bi-directional long short-term memory,BiLSTM)网络进一步学习睡眠阶段之间的转换规则;最后使用Softmax函数进行睡眠分期,并利用类别加权损失函数解决睡眠数据类别不均衡的问题。实验使用Sleep-EDF数据库中前20名受试者的单通道脑电信号并采用20折交叉验证对模型进行性能评估,睡眠分期准确率达到83.7%,宏平均F_(1)值达到79.0%,Cohen′s Kappa系数达到0.78。与现有方法相比,算法性能提升明显,证明了所提方法的有效性。

摘要：鉴于情感脑电蕴含丰富的空间模式特征,提出一种基于二维空间域表征可视化的情感识别方法。首先,提取多通道脑电Gamma频段的微分熵(Differential Entropy,DE)特征并根据导联位置映射至9×9的二维空间进行拓扑重构,使用三次插值方法进一步提高空间域特征图的分辨率;然后,针对性地设计了一种深度残差网络(Residual Network,ResNet)模型作为情感脑电解码器对情感脑电信号(Electroencephalogram,EEG)进行深层抽象特征的自动提取和端到端分类;最后,通过梯度加权类激活映射(Gradient-weighted Class Activation Mapping,Grad-CAM)方法对输入特征图进行可解释性分析,依据热力图分布定位对特定情感状态识别具有较大贡献的空间脑区。在SEED数据集上进行了相关情感识别实验,三种情感类别分类平均准确率为94.88%,达到了较先进的性能。

摘要：为了保证智能手机敏感信息的安全性,设计实现了一种基于手机内置三轴加速度传感器的三维手势认证方案。在手势端点检测部分,在定性分析手势加速度信号能量分布特性的基础上,提出了一种基于能量熵的新方法实现有效手势截取。进一步设计基于欧式距离的动态时间规整算法对截取后的手势序列信号进行匹配认证,当他人模仿手势错误接受率趋近0%时,本人认证手势错误拒绝率维持在7%左右,从而实现智能手机用户身份识别。

摘要：针对智能手机作为支付工具时所面临的安全问题,提出一种结合传统个人身份认证识别码(personal identification number,PIN)与三维动态手势的序贯手势身份认证算法。首先通过手机加速度传感器获取用户序贯手势数据并采用标准差门限值方法截取出每个手势的有效部分;采用线性插值方法对有效手势序列进行插值,以排除序列长度对结果的影响;最后根据有效手势的x、y、z三轴加速度信号设计了并行隐马尔可夫模型(parallel hidden markov model,PHMM)进行测试样本认证,判断用户身份的真伪性。自行采集大量数据进行实验验证,结果显示该算法具有较好的认证准确率。

摘要：情感脑机接口旨在提供一种人与设备情感沟通的通道,情感脑电识别是其中最为基础和关键的环节。为了自适应地选择个体最优的空间电极和频段组合以实现情感脑电特征优化和分类效果提升,本文提出一种新的自适应优化空频微分熵(AOSFDE)特征,设计了基于相对熵的情感脑电空间电极重要性度量方法,根据导联重要性进行空间电极选择,通过稀疏回归算法对多重局部空间-频域内的微分熵特征进行优化选择。采用上海交通大学情感脑电数据集SEED进行实验分析,结果表明本文提出的AOSFDE方法可以有效提高识别准确率,针对15名被试者的积极/消极、积极/中性、中性/消极这三个情绪二分类场景平均准确率分别达到91.8%、93.3%和85.1%,为情感脑电识别研究提供了新的思路和方法。

摘要：为了保证手机信息安全,设计实现了一种基于内置三轴加速度传感器的手机用户认证方案。通过内置三轴加速度传感器采集认证手势信号,提出差分自底向上线性分段方法进行有效手势动作端点的自动检测,利用小波包分解对有效手势信号进行去噪,进一步设计基于欧氏距离的动态时间规整算法计算测试手势和模板手势的相似度,从而得出认证结果。相比于现有常用手势端点检测方法,差分自底向上线性分段方法能更准确地截取有效手势信号。实验结果表明,当他人模仿手势错误接受率为0%时,本文认证手势错误拒绝率小于5%,有效实现了用户认证。