基于深度学习的多波段信号检测技术及应用研究
发布时间：2021-08-03 03:41
目标检测是计算机视觉任务中的一个重要研究领域,现已在安防、医学和军事等诸多场景中得到应用。随着城市智能、工业智能、医学智能等迅速发展,对目标检测的速度和精度提出了迫切且严格的要求。近年来,深度学习凭借其强大的自主特征学习能力在目标检测任务上的检测精度不断提升。但是,传统的可见光单模态图像的目标检测,限制了复杂场景下目标检测的应用。同时,信息技术的迅猛发展使得数据表示形式也呈现出多态性、多源性和多描述性的特点。可见光、红外、激光等多波段数据可以实现数据互补,不同波段的图像或信号提供的信息具有冗余性、互补性和合作性。多波段目标检测大大扩展了深度学习应用场景,具有重要的研究价值。本文从工程应用和算法研究出发,针对短波段一维医学信号、可见光波段二维人脸图像、红外波段城市场景图像,分别提出了三种改进型深度学习算法,建立了多波段目标检测系统,并实现了实际场景应用。本文主要研究工作如下:（1）提出基于改进型卷积神经网络的短波段脑电信号目标检测算法,实现了注意力缺陷障碍（Attention Deficit Hyperactivity Disorder,ADHD）患者脑部量化自动诊断。由于脑部病变的复杂...
【文章来源】：南昌大学江西省 211工程院校
【文章页数】：72 页
【学位级别】：硕士
【部分图文】：
图１．］本课题的研究内容框架结构图??１．２国内外研究现状??
?第２章基于改进卷积神经网络的脑电信号检测及应用???电信号目标检测算法，实现了?ＡＤＨＤ患者脑部量化自动诊断。本章节提出的??ＡＤＨＤ量化自动诊断流程如图２．１所示。首先对临床受试者进行持续操作试验测??试（Ｃｏｎｔｉｎｕｏｕｓ?Ｐｅｒｆｏｒｍａｎｃｅ?Ｔｅｓｔｓ，ＣＰＴ）米集一维脑电信号。然后使用一种数据??增强的方法来克服临床样本数量缺乏的问题。接着使用改进的ＡＤＨＤ－ｌＤＮｅｔ对??脑电信号进行分类。最后系统根据病例获得相应的结果，并将结果返回。??，受试者?预处理网络??＾?｜?馈??－￡｜??ＡＤＨＤ－ｌＤＮｅｔ?样＇翁??；？＊?ｉｒｍ?＾??专家评估?数据扩增??图２．］本章节的ＡＤＨＤ诊断系统流程图??２．２数据介绍??２．２．１实验数据??研宄发现前额区域涉及ＡＤＨＤ的发病机制ｔＷ，因此本课题利用前额区７个??导联（ＦＰ１，ＦＰ２，?Ｆ７，?Ｆ８，?Ｆ３，?Ｆ４，?Ｆｚ）的一维脑电信号来比较ＡＤＨＤ受试者??和对照受试者之间的差异。本文的受试者分为ＡＤＨＤ组和正常对照组。其中，??ＡＤＨＤ组的１０名受试者从本市一家医院招募，并根据ＤＳＭ－ＩＶ诊断标准被诊断??为ＡＤＨＤ。同时，从本市的一所小学招募了?１０名条件匹配的正常儿童。该研究??得到了儿童监护人和医院伦理委员会的批准。??１０??
改进卷积神经网络的脑电信号检测及应用???２．２．２数据采集方案??研宄表明ＣＰＴ对ＡＤＨＤ具有一定的辅助诊断价值Ｍ。ＣＰＴ范式意味着受试??者被视觉或听觉形式反复刺激，然后受试者需要对所给予的刺激作出对应的反??应。ＣＰＴ测试通常会得到６个商数，研究表明ＡＤＨＤ组的所有商数均明显低于??对照组。在ＣＰＴ任务中，ＡＤＨＤ患者与对照组相比，ＡＤＨＤ患者表现出遗漏数??多，命中率低，反应迟缓和持续时间短等特征。因此本课题采用一种改进的视觉??ＣＰＴ范式用来收集受试者的脑电信号，如图２．２所示。??提示刺激?靶剌激?提示刺激??Ｉ第Ｉ个数字）?（第２个数字）?（第１个数字）??．?ｍｉｌ．?？?：ｎ＿?＜?？ＳＳ．?？?，?下；Ｔ??结束▼?３Ｑ（）ｍｓ?，?１２００ｍｓ?？?３００ｍｓ?Ｔ?ｌ２００ｍｓ?▼开始??开始注意?幵始注意??＿幵始响应??—个ｔｒｉａｌ?一?＾??⑷??背景?背景?Ｌｕｒｅ?背景?ＮｏＧｏ?背景?Ｇｏ?背景??—７＼／４￣２?／?４?９Ｘ?ｘ８?０＾－１?３＇，６?７?１?９Ｘ?／?６?３?＇??…人＿人＿人—＿Ｉ?」二??（ｂ）??图２．２本章节所用的改进型视觉ＣＰＴ实验范式。（ａ）实验流程；（ｂ）刺激序列??本文采用的ＣＰＴ范式包含Ｇｏ，?ＮｏＧｏ、Ｌｕｒｅ和背景四种条件。ＣＲＴ显示屏??上显示的是随机的阿拉伯数字０－９，且每次只呈现一个数字，每个数字会在ＣＲＴ??显示屏上停３００ｍｓ，然后黒屏１２００ｍｓ的时间。每个ｔｒａｉｌ由相邻的提示刺激和目??标刺激组成，在测试中，数字１和９相当于线索。当提示刺激为１且目标刺激为??９时为Ｇ
【参考文献】：
期刊论文
[1]基于YOLOv3的红外行人小目标检测技术研究[J]. 李慕锴,张涛,崔文楠. 红外技术. 2020(02)
[2]无人驾驶汽车的安全问题及对策[J]. 范泉涌,金茂菁,黄玲,王薛超,曹耀光. 科技中国. 2019(06)
[3]基于尾灯的夜间前方车辆检测与跟踪方法[J]. 于莉媛,郭云雷,牛萍娟,刘大利,刘雷,罗德智. 天津工业大学学报. 2019(01)
[4]基于卷积神经网络的反向传播算法改进[J]. 杨鹤标,龚文彦. 计算机工程与设计. 2019(01)
[5]基于时空双稀疏表示的成人ADHD脑网络检测与分析[J]. 龚军辉,刘小燕,周建松,孙刚. 自动化学报. 2019(10)
[6]注意缺陷多动障碍的视听注意反应与P300的相关性研究[J]. 陶丹红,吴绪旭,石敏,邹莹,孔微,韩耀静,陶明. 浙江医学. 2017(23)
[7]基于总体经验模态分解的多类特征的运动想象脑电识别方法研究[J]. 杨默涵,陈万忠,李明阳. 自动化学报. 2017(05)
[8]基于视觉的目标检测与跟踪综述[J]. 尹宏鹏,陈波,柴毅,刘兆栋. 自动化学报. 2016(10)
[9]成人注意缺陷多动障碍静息态功能连接分析[J]. 吴静,戴培山,赵亚丽,李玲,盛韩伟,李新春. 中国医学物理学杂志. 2015(04)
硕士论文
[1]基于车载红外图像的目标检测系统[D]. 林旭鹏.北京交通大学 2019
[2]红外图像中基于卷积神经网络的车辆检测[D]. 樊峻畅.西安电子科技大学 2017
[3]基于深度学习的运动想象脑电分类[D]. 戴若梦.北京理工大学 2015
本文编号：3318853
【文章来源】：南昌大学江西省 211工程院校
【文章页数】：72 页
【学位级别】：硕士
【部分图文】：
图１．］本课题的研究内容框架结构图??１．２国内外研究现状??
?第２章基于改进卷积神经网络的脑电信号检测及应用???电信号目标检测算法，实现了?ＡＤＨＤ患者脑部量化自动诊断。本章节提出的??ＡＤＨＤ量化自动诊断流程如图２．１所示。首先对临床受试者进行持续操作试验测??试（Ｃｏｎｔｉｎｕｏｕｓ?Ｐｅｒｆｏｒｍａｎｃｅ?Ｔｅｓｔｓ，ＣＰＴ）米集一维脑电信号。然后使用一种数据??增强的方法来克服临床样本数量缺乏的问题。接着使用改进的ＡＤＨＤ－ｌＤＮｅｔ对??脑电信号进行分类。最后系统根据病例获得相应的结果，并将结果返回。??，受试者?预处理网络??＾?｜?馈??－￡｜??ＡＤＨＤ－ｌＤＮｅｔ?样＇翁??；？＊?ｉｒｍ?＾??专家评估?数据扩增??图２．］本章节的ＡＤＨＤ诊断系统流程图??２．２数据介绍??２．２．１实验数据??研宄发现前额区域涉及ＡＤＨＤ的发病机制ｔＷ，因此本课题利用前额区７个??导联（ＦＰ１，ＦＰ２，?Ｆ７，?Ｆ８，?Ｆ３，?Ｆ４，?Ｆｚ）的一维脑电信号来比较ＡＤＨＤ受试者??和对照受试者之间的差异。本文的受试者分为ＡＤＨＤ组和正常对照组。其中，??ＡＤＨＤ组的１０名受试者从本市一家医院招募，并根据ＤＳＭ－ＩＶ诊断标准被诊断??为ＡＤＨＤ。同时，从本市的一所小学招募了?１０名条件匹配的正常儿童。该研究??得到了儿童监护人和医院伦理委员会的批准。??１０??
改进卷积神经网络的脑电信号检测及应用???２．２．２数据采集方案??研宄表明ＣＰＴ对ＡＤＨＤ具有一定的辅助诊断价值Ｍ。ＣＰＴ范式意味着受试??者被视觉或听觉形式反复刺激，然后受试者需要对所给予的刺激作出对应的反??应。ＣＰＴ测试通常会得到６个商数，研究表明ＡＤＨＤ组的所有商数均明显低于??对照组。在ＣＰＴ任务中，ＡＤＨＤ患者与对照组相比，ＡＤＨＤ患者表现出遗漏数??多，命中率低，反应迟缓和持续时间短等特征。因此本课题采用一种改进的视觉??ＣＰＴ范式用来收集受试者的脑电信号，如图２．２所示。??提示刺激?靶剌激?提示刺激??Ｉ第Ｉ个数字）?（第２个数字）?（第１个数字）??．?ｍｉｌ．?？?：ｎ＿?＜?？ＳＳ．?？?，?下；Ｔ??结束▼?３Ｑ（）ｍｓ?，?１２００ｍｓ?？?３００ｍｓ?Ｔ?ｌ２００ｍｓ?▼开始??开始注意?幵始注意??＿幵始响应??—个ｔｒｉａｌ?一?＾??⑷??背景?背景?Ｌｕｒｅ?背景?ＮｏＧｏ?背景?Ｇｏ?背景??—７＼／４￣２?／?４?９Ｘ?ｘ８?０＾－１?３＇，６?７?１?９Ｘ?／?６?３?＇??…人＿人＿人—＿Ｉ?」二??（ｂ）??图２．２本章节所用的改进型视觉ＣＰＴ实验范式。（ａ）实验流程；（ｂ）刺激序列??本文采用的ＣＰＴ范式包含Ｇｏ，?ＮｏＧｏ、Ｌｕｒｅ和背景四种条件。ＣＲＴ显示屏??上显示的是随机的阿拉伯数字０－９，且每次只呈现一个数字，每个数字会在ＣＲＴ??显示屏上停３００ｍｓ，然后黒屏１２００ｍｓ的时间。每个ｔｒａｉｌ由相邻的提示刺激和目??标刺激组成，在测试中，数字１和９相当于线索。当提示刺激为１且目标刺激为??９时为Ｇ
【参考文献】：
期刊论文
[1]基于YOLOv3的红外行人小目标检测技术研究[J]. 李慕锴,张涛,崔文楠. 红外技术. 2020(02)
[2]无人驾驶汽车的安全问题及对策[J]. 范泉涌,金茂菁,黄玲,王薛超,曹耀光. 科技中国. 2019(06)
[3]基于尾灯的夜间前方车辆检测与跟踪方法[J]. 于莉媛,郭云雷,牛萍娟,刘大利,刘雷,罗德智. 天津工业大学学报. 2019(01)
[4]基于卷积神经网络的反向传播算法改进[J]. 杨鹤标,龚文彦. 计算机工程与设计. 2019(01)
[5]基于时空双稀疏表示的成人ADHD脑网络检测与分析[J]. 龚军辉,刘小燕,周建松,孙刚. 自动化学报. 2019(10)
[6]注意缺陷多动障碍的视听注意反应与P300的相关性研究[J]. 陶丹红,吴绪旭,石敏,邹莹,孔微,韩耀静,陶明. 浙江医学. 2017(23)
[7]基于总体经验模态分解的多类特征的运动想象脑电识别方法研究[J]. 杨默涵,陈万忠,李明阳. 自动化学报. 2017(05)
[8]基于视觉的目标检测与跟踪综述[J]. 尹宏鹏,陈波,柴毅,刘兆栋. 自动化学报. 2016(10)
[9]成人注意缺陷多动障碍静息态功能连接分析[J]. 吴静,戴培山,赵亚丽,李玲,盛韩伟,李新春. 中国医学物理学杂志. 2015(04)
硕士论文
[1]基于车载红外图像的目标检测系统[D]. 林旭鹏.北京交通大学 2019
[2]红外图像中基于卷积神经网络的车辆检测[D]. 樊峻畅.西安电子科技大学 2017
[3]基于深度学习的运动想象脑电分类[D]. 戴若梦.北京理工大学 2015
本文编号：3318853
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3318853.html
