Author Affiliations
Abstract
1 College of Medical Instruments, Shanghai University of Medicine & Health Sciences, Shanghai 201318, P. R. China
2 School of Mechanical and Electrical Engineering and Automation, Shanghai University, Shanghai 200444, P. R. China
The electroencephalogram (EEG) rhythm and functional near-infrared spectroscopy (fNIRS) activation levels have not been compared between a healthy control group (HCG) and methamphetamine user group (MUG) with different addiction histories. This study used 64-electrode EEG and fNIRS to conduct an experiment that analyzed the resting and craving states. The EEG and fNIRS data of 56 participants were collected, including 14 healthy participants, 14 methamphetamine users with an addiction history of 0.5–5 years, 14 users with an addiction history of 5–10 years, and 14 users with an addiction history of 10–15 years. Isolated effective coherence (iCoh) within the brain network was used to process the EEG data. Statistical analysis was performed to compare differences in iCoh among the delta, theta, alpha, beta, and gamma bands and explore oxyhemoglobin activation levels in the ventrolateral prefrontal cortex, dorsolateral prefrontal cortex, orbitofrontal cortex, and frontopolar prefrontal cortex (FPC) of the control group. Finally, the Kmeans, Gaussian mixed model (GMM), linear discriminant analysis (LDA), support vector machine (SVM), Bayes, and convolutional neural networks (CNN) algorithms were used to classify methamphetamine users based on drug and neutral images. A 3-class accuracy was achieved. Changes in EEG and fNIRS activation levels of HCG and MUG with varied addiction histories were demonstrated.
Drug addiction history electroencephalogram functional near-infrared spectroscopy isolated effective coherence addiction history classification Journal of Innovative Optical Health Sciences
2024, 17(3): 2350029
强激光与粒子束
2024, 36(4): 043018
1 丽水市国土空间规划测绘研究院,浙江 丽水 323000
2 浙南综合工程勘察测绘院有限公司,浙江 杭州 310030
3 浙江省测绘科学技术研究院,浙江 杭州 311121
4 南京航空航天大学航天学院,江苏 南京 210016
针对全波形激光雷达和多光谱数据下土地覆盖误分类问题,提出了融合陆地卫星(Landsat)多光谱遥感影像数据和星载全波形激光雷达全球生态系统动态调查(GEDI)数据进行土地覆盖分类的方法。首先,根据实地调查数据建立数据集;然后,采用支持向量机(SVM)方法来实现激光雷达足迹的土地覆盖分类;最后,对土地覆盖的分类结果进行评价。结果表明,在SVM方法下联合使用光谱特征和波形特征的总体准确率可以达到90.68%,相比仅使用光谱特征或波形特征时总体准确率可以提升8个百分点以上。融合光谱特征和波形特征的方法可以提高土地覆盖分类的准确性。
测量 全球生态系统动力学调查 支持向量机 土地覆盖分类 Landsat
江苏大学电气信息工程学院,江苏 镇江 212013
激光点云技术可用于苗圃树木生长状态监测与管理,为农业植保机器人提供有效的靶标信息。为了进一步提高树种分类和树冠、树干内部分割的精准性,提出一种基于改进PointNet++的激光点云苗圃树木分类与分割方法。首先,调整PointNet++深度网络邻居点云的相对特征值,同时融合三维点云的低维和高维特征,充分利用各层级点云的特征。然后,将坐标注意力模块与注意力池化融合,进一步增强局部特征提取的能力,提高分类和分割的准确性。最后,针对苗圃常见树木自制了包含7类苗圃景观树木点云的数据集并用于实验。实验结果表明,提出的树种识别方法总体精度可达92.50%,平均类别精度为94.22%;提出的树冠、树干分割方法的平均交并比为89.09%。所提方法在分类和分割性能方面均明显优于经典的PointNet和PointNet++,能够为苗圃树木检测识别和农业机器人作业提供更精确的信息。
遥感 激光雷达 深度学习 树种分类 苗圃树木树冠和树干分割 PointNet++
1 厦门理工学院 电气工程与自动化学院,福建 厦门 361024
2 中国科学院 福建物质结构研究所,福建 福州 350108
3 中国科学院 海西研究院 泉州装备制造研究中心,福建 泉州 362000
4 厦门市高端电力装备及智能控制重点实验室,福建 厦门 361024
激光雷达数据由于其几何特性,被广泛应用于三维目标检测任务中。由于点云数据的稀疏性和不规则性,难以实现特征提取的质量和推理速度间的平衡。本文提出一种基于体柱特征编码的三维目标检测算法,以Pointpillars网络为基础,设计Teacher-Student模型框架对回归框尺度进行蒸馏,增加蒸馏损失,优化训练网络模型,提升特征提取的质量。为进一步提高模型检测效果,设计定位引导分类项,增加分类预测和回归预测之间的相关性,提高物体识别准确率。本网络所做改进没有引入额外的网络嵌入。算法在KITTI数据集上的实验结果表明,相比于基准网络,在三维模式下的平均精度值从60.65%提升到了64.69%,鸟瞰图模式下的平均精度值从67.74%提升到70.24%。模型推理速度为45 FPS,在提升检测精度的同时满足了实时性要求。
激光点云 三维目标检测 知识蒸馏 分类置信度 laser point cloud 3D object detection knowledge distillation classification confidence
1 长安大学地质工程与测绘学院,陕西 西安 710054
2 中国自然资源航空物探遥感中心,北京 100083
3 武汉大学测绘遥感信息工程国家重点实验室,湖北 武汉 430079
目前主流的神经网络在面对复杂多样的地物目标时难以精确区分,同时样本数量少、弱监督条件也容易为神经网络带来大量噪声与错误。为此,在分析遥感影像的地物特点后,提出一种基于权重动态变形的双重网络遥感影像分类方法,通过构架灵活、简易却有效的权重动态变形结构,构建经过改进的分类网络与目标识别网络,形成双网络对照的自我验证,从而提高学习性能、修复误差、增补遗漏、提高分类精度。实验结果表明,所提方法在容易实施的基础上,表现出更强的地物认知能力和更强的噪声抵抗能力,即其能够适应各种遥感影像的分类任务,具有较为广阔的应用潜力。
遥感影像分类 神经网络 权重动态变形 双重神经网络 自我验证 激光与光电子学进展
2024, 61(8): 0828001