Author Affiliations
Abstract
1 Laboratory of Microelectronic Devices & Integrated Technology, Institute of Microelectronics of the Chinese Academy of Sciences, Beijing 100029, China
2 School of Integrated Circuits, University of Chinese Academy of Sciences, Beijing 101408, China
3 School of Information and Electronics, Beijing Institute of Technology, Beijing 100081, China
Epilepsy is a common neurological disorder that occurs at all ages. Epilepsy not only brings physical pain to patients, but also brings a huge burden to the lives of patients and their families. At present, epilepsy detection is still achieved through the observation of electroencephalography (EEG) by medical staff. However, this process takes a long time and consumes energy, which will create a huge workload to medical staff. Therefore, it is particularly important to realize the automatic detection of epilepsy. This paper introduces, in detail, the overall framework of EEG-based automatic epilepsy identification and the typical methods involved in each step. Aiming at the core modules, that is, signal acquisition analog front end (AFE), feature extraction and classifier selection, method summary and theoretical explanation are carried out. Finally, the future research directions in the field of automatic detection of epilepsy are prospected.
epilepsy electroencephalography automatic detection analog front end feature extraction classifier Journal of Semiconductors
2023, 44(12): 121401
1 新疆大学电气工程学院，新疆乌鲁木齐 830047
2 大连理工大学控制科学与工程学院，辽宁大连 116024
3 大连医科大学基础医学院，辽宁大连 116041
乳腺癌是全球女性发病率位居首位的恶性肿瘤，研究基于神经网络模型的乳腺癌诊断预测方法的目的是将临床与机器学习相结合，有助于医疗工作者更加快速准确地判断出患病与否，同时解决现有模型中存在的过拟合以及漏诊率和误诊率过高的问题，并提高预测模型的准确率。本文采用加州大学欧文分校(UCI)数据集，共 669个样本，其中包含 357个良性样本和 212个恶性肿瘤样本，共计 10个特征训练预测模型。将 10个神经网络模型采用 Adaboost方法相结合，即通过 Adaboost算法组合多个弱分类器从而形成一个强分类器，最终输出一个具有更高准确率、有较强的自学习能力、自适应能力且泛化性能优良的集成预测模型。结论表明，该模型的预测准确率达到 98.5507%，同时准确率(AUC)为 0.9966，说明所建模型区分度较好，可以反映模型的诊断价值，且非常稳定，具有非常好的验证效果，为临床应用提供进一步的技术支持和保障。
乳腺癌 早期诊断 神经网络 分类器 预测模型 breast cancer early diagnosis neural network classifier prediction model 太赫兹科学与电子信息学报
2023, 21(8): 1014
中国农业大学智慧农业系统集成研究教育部重点实验室, 北京 100083
针对中国农田存在种植景观破碎化和复杂的种植结构这一现状, 如何实现目标作物的高精度识别与制图对作物产量估算、 粮食政策调整和国家粮食安全保障具有十分重要意义。 基于Google Earth Engine（GEE）遥感数据处理云平台, 提出一种冬小麦不同生育期的种植结构提取方法, 该方法以2021年覆盖目标作物关键生育期的多时相Sentinel-2影像为数据源, 综合考虑光谱波段特征、 光谱指数特征、 纹理特征和地形特征等多维特征变量, 利用GBDT（gradient boosting decision tree）分类器对不同生育期田块尺度的冬小麦种植面积和空间分布信息进行快速精准提取, 并探讨了冬小麦识别的最佳生育期。 此外, 对比分析了常见的不同分类模型在田块尺度条件下的作物识别性能。 以河南陈固镇为研究区开展实验, 实验结果显示, 冬小麦在起身拔节期的地物识别准确率相对较高, 总体分类准确率为94.61%, Kappa系数为92.68%; 在抽穗扬花期的识别精度最高, 总体分类准确率为97.01%, Kappa系数为95.52%; 但在灌浆乳熟期的分类精度偏低, 总体分类准确率为86.23%, Kappa系数为81.33%。 研究结果表明, 在冬小麦抽穗扬花期, GBDT分类器能对田块尺度条件下的土地覆盖信息进行有效提取, 进而取得较好的地物分类识别效果。 此外, 本研究将GBDT与传统分类器如随机森林（random forest, RF）、 CART(classification and regression tree)和朴素贝叶斯（Naive Bayesian, NB）进行相比。 结果表明, GBDT分类器的地物识别效果最佳, 总体分类准确率比RF分类器和CART分类器分别提高了1.20%和5.99%, Kappa系数比RF分类器和CART分类器分别提高了1.61%和8.04%, 朴素贝叶斯分类器的识别效果最差, 总体分类准确率和Kappa系数分别为84.43%和78.69%。 研究结果可为田块尺度作物精细提取提供有效的技术支持。
GBDT分类器 Sentinel-2卫星传感器 冬小麦 种植结构提取 Google Earth Engine Google Earth Engine GBDT classifier Sentinel-2 satellite Winter wheat Planting structure extraction
国网四川省电力公司信息通信公司, 四川 成都 610061
配电网故障识别、分类与定位对快速隔离故障和保证电网安全运行具有重要意义。以大数据驱动法为基础, 提出了最少测量单元选择和区域最佳节点选择两种算法, 两种算法基于分类特征评估法, 在节点的选择策略上有所不同。分别使用决策树分类器和随机森林分类器验证算法性能, 在仅使用7%的节点数据时算法1的最高准确率达91%, 算法2使用16%节点数据的最高精度达到85%。实验结果表明, 提出的算法无需使用全部节点的数据, 可以在系统观测性较低的情况下, 实现配电网馈线故障线路智能识别定位, 具有测量节点数量少、准确率高等优势。
智能电网 故障定位 故障分类 大数据 数值特征 分类器 smart grids fault location fault classification big data numerical feature classifier
1 南京信息工程大学电子与信息工程学院，江苏 南京 210044
2 南京信息工程大学江苏省大气环境与装备技术协同创新中心，江苏 南京 210044
根据AERONET SGP站的气溶胶光学反演数据，提出了一种基于朴素贝叶斯分类器的气溶胶分类模型，以气溶胶单次散射反照率、复折射率指数等作为输入变量识别了该地区5种类型的气溶胶，分析了不同类型气溶胶的光学特性。所提模型基于学习训练集样本的类别概率分布生成分类器模型，进而预测出测试集样本的类别。在此基础上，将所提模型应用于SGP站气溶胶类型的季节分布差异特性分析，实验结果符合该地区的气候环境特征。为研究所提模型分类结果的准确性，利用AERONET站点数据与高光谱分辨率激光雷达廓线数据匹配法建立了气溶胶分类阈值标准。结果表明，相比传统的气溶胶分类算法，所提模型获得的气溶胶分类结果与基于阈值标准确定的结果具有较高的一致性，可为卫星等遥感设备的气溶胶反演提供地面数据支撑。
大气光学 气溶胶分类 机器学习 朴素贝叶斯分类器 气溶胶特性 光学学报
2022, 42(18): 1801006
针对核相关滤波(KCF)目标跟踪算法在目标发生尺度变化和受到遮挡时无法保证对目标长时间跟踪的问题，提出了一种尺度自适应抗遮挡的长时间目标跟踪算法。首先，将方向梯度直方图(HOG)特征和颜色(CN)特征进行融合并增加一个尺度滤波器用于估计目标的尺度;然后，引入平均峰值相关能量指标(APCE)进行遮挡判断，采用SVM分类器重新检测目标被遮挡后的位置; 最后，根据平均峰值相关能量和位置滤波器最大相关响应值选择模型更新策略。选取OTB100和UAV123两个数据集进行实验，结果表明，改进算法能有效地解决目标尺度变化和遮挡等问题，实现对目标的长时间稳定跟踪。
目标跟踪 尺度自适应 抗遮挡 SVM分类器 重新检测 target tracking scale adaptation anti-occlusion SVM classifier recheck
1 北方民族大学 计算机科学与工程学院，银川宁夏75002
2 北方民族大学 图像图形智能处理国家民委重点实验室，银川宁夏75001
3 宁夏智能信息与大数据处理重点实验室，银川宁夏750021
4 宁夏医科大学 理学院，银川宁夏75000
5 宁夏医科大学总医院骨科，银川宁夏7004
针对CT模态医学图像采用卷积神经网络训练时的特征提取不充分、特征维度较高等问题，本文提出了基于融合多尺度图像的非负稀疏协同表示分类的密集神经网络肺部肿瘤（Multi Scale DenseNet-NSCR）的识别方法。第一，使用迁移学习将预训练密集神经网络模型初始化参数；第二，将肺部图像预处理，提取多尺度病灶ROI区域；第三，采用多尺度CT图像训练密集神经网络，提取全连接层的特征向量；第四，针对融合特征维度较高问题，采用非负稀疏协同表示分类器（NSCR）对特征向量进行表示，求解系数矩阵；第五，利用残差相似度进行分类。最后，采用AlexNet，DenseNetNet-201模型及三种分类算法（SVM、SRC、NSCR）两两组合模型进行对比试验，实验结果表明，Multiscale-DenseNet-NSCR分类效果优于其它模型，且特异性和灵敏度等各项评价指标也较高，该方法具有较好的鲁棒性和泛化能力。
密集神经网络 多尺度医学图像 迁移学习 NSCR算法 DenseNet multi-scale medical image transfer learning non-negative， sparse， collaborative representation classifier
1 上海电机学院电子信息学院, 上海 201306
2 上海电力大学能源与机械工程学院, 上海 201303
为阻止设备克隆、重放攻击和用户身份假冒等问题的发生, 准确识别和认证物联对象, 提出一种基于功率谱密度指纹特征与智能分类器的通信辐射源个体识别方法。利用接收机采集 I路射频基带信号; 通过方差轨迹检测截取稳态信号片段, 并对稳态信号片段进行数据标准化处理; 计算数据标准化处理后的稳态信号片段的功率谱密度得到特征向量, 将所述特征向量作为发射机的射频指纹; 最后利用智能分类器识别所述射频指纹, 完成通信辐射源个体识别。通过对同厂家、同型号、同批次的 8个无线数传电台 E90-DTU设备和 100个 WiFi网卡设备的实验测试表明, 本文所提方法在视距(LOS)场景、视距场景与非视距(NOS)场景的混合场景、低信噪比场景、大数量物联设备场景都具有良好的识别准确率。
物联网 射频指纹 功率谱密度 灰关联分类器 支持向量机 Internet of Things RF fingerprint Power Spectral Density gray relation classifier Support Vector Machine 太赫兹科学与电子信息学报
2021, 19(4): 596
