公开(公告)号：CN110648000A

公开(公告)日：2020-01-03

申请号：CN201910790872.5

申请日：2019-08-26

Applicant: 广东工业大学

Inventor： 曾艳 ,  郝志峰 ,  蔡瑞初 ,  谢峰 ,  黄礼泊 ,  陈炳丰

IPC: G06N20/00

Abstract: 本发明提出一种基于线性变量组的因果发现方法，包括以下步骤：获取包含n个变量组的数据集，初始化设置因果次序集合；采用线性核函数，依次计算每个变量组的核矩阵，然后对核矩阵进行中心化处理；建立误差最小化的目标函数，通过交叉验证方法为变量组与数据集中其他的变量组学习参数；计算变量组与数据集中其他的变量组的残差核矩阵；估计每个变量组与数据集中其他的变量组的似然比；计算每个变量组的总似然比，然后选择最高总似然比所对应的变量组作为外生变量组；根据外生变量组更新数据集；将外生变量组对应的下标加入因果次序集合中，重复执行上述步骤，至所有的变量组下标都加入因果次序集合中；构建因果网络推断图进行输出。

公开(公告)号：CN109492546A

公开(公告)日：2019-03-19

申请号：CN201811241761.0

申请日：2018-10-24

Applicant: 广东工业大学

Inventor： 黄礼泊 ,  郝志峰 ,  蔡瑞初 ,  陈瑶 ,  温雯

IPC: G06K9/00

Abstract: 本发明提供一种融合小波包与互信息的生物信号特征提取方法，包括以下步骤：S1)、获取生物信号，并去除低频场电位和高频噪声；S2)、进行生物信号的分割；S3)、对生物信号进行小波包分解；S4)、随机选取少数用小波包分解系数表示的生物信号作为训练数据；S5)、运用最大互信息准则对训练生物信号数据进行特征选择；S6)、对测试生物信号进行特征提取，得到测试生物信号的低维时-频特征；S7)、应用分类器对所述生物信号的低维时-频特征进行分类，进而得到目标生物信号和多种非目标生物信号的多分类结果，本发明所提取的脑电信号特征经过聚类处理结果显示大大提高了正常与癫痫信号的分类精度。

公开(公告)号：CN108197077A

公开(公告)日：2018-06-22

申请号：CN201810058793.0

申请日：2018-01-22

Applicant: 广东工业大学

Inventor： 郝志峰 ,  黄礼泊 ,  陈瑶 ,  蔡瑞初 ,  陈炳丰 ,  赵坤圭

IPC: G06F17/16

CPC classification number: G06F17/16

Abstract: 本发明涉及一种基于小波包分解的MEAs生物信号的数据降维方法，包括数据降维模型的建立、依次对MEAs采集的每一信道的信号进行小波包分解、并选取时频空间的最优基、再提取最优基中的小波包分解系数特征索引，从而得到小波包分解系数的最优索引位置对生物脑电信号进行降维处理，本发明设计合理、使用方便，通过生物脑电信号数据降维模型建立，得到小波包最优基，再在最优基内选择小波包分解系数的特征索引，通过选取特定索引位置的系数达到对数据的降维作用；本发明相对傅立叶分析克服了其时域特征表现差的缺点，相对短时傅立叶变换克服了其时频分辨率固定的缺点，同时弥补了小波分析在高频处特征提取的不足。

公开(公告)号：CN109492546B

公开(公告)日：2022-08-12

申请号：CN201811241761.0

申请日：2018-10-24

Applicant: 广东工业大学

Inventor： 黄礼泊 ,  郝志峰 ,  蔡瑞初 ,  陈瑶 ,  温雯

IPC: G06K9/00

Abstract: 本发明提供一种融合小波包与互信息的生物信号特征提取方法，包括以下步骤：S1)、获取生物信号，并去除低频场电位和高频噪声；S2)、进行生物信号的分割；S3)、对生物信号进行小波包分解；S4)、随机选取少数用小波包分解系数表示的生物信号作为训练数据；S5)、运用最大互信息准则对训练生物信号数据进行特征选择；S6)、对测试生物信号进行特征提取，得到测试生物信号的低维时‑频特征；S7)、应用分类器对所述生物信号的低维时‑频特征进行分类，进而得到目标生物信号和多种非目标生物信号的多分类结果，本发明所提取的脑电信号特征经过聚类处理结果显示大大提高了正常与癫痫信号的分类精度。

公开(公告)号：CN110598865A

公开(公告)日：2019-12-20

申请号：CN201910790875.9

申请日：2019-08-26

Applicant: 广东工业大学

Inventor： 曾艳 ,  郝志峰 ,  蔡瑞初 ,  谢峰 ,  黄礼泊 ,  陈炳丰

IPC: G06N5/04

Abstract: 本发明涉及数据挖掘技术领域，提出一种基于噪音独立性的因果网络推断方法，包括以下步骤：获取n个变量并构建数据集X，初始化设置因果次序集合K；采用独立成分分析法分解数据集X；计算每个变量xi与每个噪音变量ej的独立性，并存储在矩阵Ind中；设置参数λ，计算叶子节点的判定矩阵M；计算变量xi与所有噪音变量ej的非独立性总和mi，并选择最大非独立性总和mi*所对应的节点xi*作为叶子节点；将叶子节点xi*对应的下标i*加入因果次序集合K中，并去除矩阵Ind和判定矩阵M中的第i*行元素及第i*列元素，至所有的变量xi的下标加入到因果次序集合K中；根据所述因果次序集合K构建因果网络推断图并利用最小二乘法对其进行剪枝，输出所述因果网络推断图。