认知功能障碍的早期检测和及时干预对减缓病情发展至关重要。脑电(EEG)信号具有时间分辨率高、易采集等优点,目前已成为研究认知疾病生物标志物的重要工具。相较于传统的生物标志物识别方法,机器学习方法对于基于EEG信号的认知功能障碍的识别分类的准确率更高,稳定性更好。对于近三年基于EEG信号的认知功能障碍识别分类的相关研究,首先,从认知功能障碍识别分类中常用的时域、频域、时频域结合、非线性动力学、功能连接和脑网络这五类EEG特征出发,寻找更具代表性的EEG特征;其次,总结目前使用较多的支持向量机(SVM)、线性判别分析(LDA)、K-近邻(KNN)和人工神经网络(ANN)等机器学习和深度学习分类方法和这些方法的性能;最后,分析各类研究中目前存在的问题,并展望此领域未来的研究方向,从而为后续基于EEG信号的认知功能障碍识别分类的研究提供参考。
传统的多标签分类算法是以二值标签预测为基础的,而二值标签由于仅能指示数据是否具有相关类别,所含语义信息较少,无法充分表示标签语义信息。为充分挖掘标签空间的语义信息,提出了一种基于非负矩阵分解和稀疏表示的多标签分类算法(MLNS)。该算法结合非负矩阵分解与稀疏表示技术,将数据的二值标签转化为实值标签,从而丰富标签语义信息并提升分类效果。首先,对标签空间进行非负矩阵分解以获得标签潜在语义空间,并将标签潜在语义空间与原始特征空间结合以形成新的特征空间;然后,对此特征空间进行稀疏编码来获得样本间的全局相似关系;最后,利用该相似关系重构二值标签向量,从而实现二值标签与实值标签的转化。在5个标准多标签数据集和5个评价指标上将所提算法与MLBGM、ML2、LIFT和MLRWKNN等算法进行对比。实验结果表明,所提MLNS在多标签分类中优于对比的多标签分类算法,在50%的案例中排名第一,在76%的案例中排名前二,在全部的案例中排名前三。
为了降低水波模拟过程中的计算成本并提高其扩散现象的逼真度,提出一种基于波环粒子包的实时二维平面水波仿真方法。该方法采用波环粒子为基本计算单元,粒子内部继承“波包”的概念,使用多个频段水波叠加的方式再现水波视觉效果。在计算水波反射过程时,通过添加镜像波源的形式减少碰撞计算,避免复杂几何判定。为适应不同硬件的计算性能差异,该方法提供额外的计算精度参数,可针对不同硬件计算能力调节水波反射计算复杂度。实验结果表明,该方法可使用较少的粒子模拟出较为真实的水波运动,且避免了碰撞反射后水波断裂的问题。在相同硬件平台上的性能测试显示,所提波环仿真方法的渲染帧率比传统波包算法高出至少60%,在一些水波状态特别复杂的情况下可达到400%以上的加速效果。
针对有效圆域提取不准确以及传统柱面投影校正法在垂直方向上校正视场角不能达到180°的问题,分别提出了变角度线扫描法和纵向压缩柱面投影校正法.前者通过不断改变扫描线的倾斜角来寻找切点坐标,并对无效切点进行滤除,然后使用Kasa圆拟合法求取有效圆域的参数.后者则对传统柱面投影的光路进行了人为的弯折,从而把投影到无穷远点的光线压缩回柱面上,保留了图像有效信息.通过与经纬映射校正法以及墨卡托投影法的实验处理结果对比,纵向压缩柱面投影法能弱化校正图像边缘的拉伸模糊效应,使处理结果更加自然.