搜索结果:找到“蒋本聪”相关结果5条
排序: 按相关 按相关 按时间降序
  • 【期刊】 基于数字助听器声音场景分类的噪声抑制算法

    刊名:数据采集与处理 作者:蒋本聪 ; 汪家冬 ; 邹采荣 ; 王青云 关键词:声音场景分类 ; 调制滤波 ; 噪声抑制 ; 信噪比 机构:广州大学机械与电气工程学院 ; 广州大学机械与电气工程学院 ; 东南大学信息科学与工程学院 年份:2017
    摘要:提出了一种基于声音场景分类的噪声抑制算法.算法使用调制滤波法对纯语音、纯噪音和含噪语音3种场景进行分类,并根据分类结果调整噪声抑制算法参数集,得到不同的抑制系数.本文方法在助听器测试系统中取得了良好的实验效果,场景分类正确率在95%以上.在不同噪声类型情况下,经过本文算法处理的输出语音信号取得了良好的信噪比和MOS评分的提升.本文算法可以有效地提高数字助听器输出语音质量.
  • 【期刊】 同步化分析在意识任务脑机接口的应用

    刊名:广州大学学报:自然科学版 作者:蒋本聪 ; 王力 ; 董倩妍 ; 胡晓 关键词:意识任务 ; 脑电信号 ; 同步化分析 ; 脑机接口 机构:广州大学机械与电气工程学院 ; 广州大学机械与电气工程学院 年份:2017
    摘要:为了分析大脑皮层之间在附加语言想象的意识任务时的功能整合和协作,并提升该任务的分类准确率,可计算脑电信号的互相关值以进行同步化分析.①计算所有电极两两之间的互相关值;②根据差异最大化的原则来选择2组电极对;③将这2对电极的互相关值与共空间模式的特征值组合后用支持向量机分类.对10位受试者实验结果分析表明,有7位受试者所选的电极处于大脑皮层的额叶区,说明额叶区在想象期与其他脑区进行了具有差异性的信息交换.2类意识任务之间的平均分类准确率在添加了同步化特征后提高了1.8%.同步化分析既能显示大脑皮层间的信息交流,又能改善意识任务脑机接口的性能.
  • 【期刊】 基于AAR模型的听觉诱发中潜伏期反应特征提取

    刊名:电子技术应用 作者:蒋本聪 ; 董倩妍 ; 王力 ; 胡晓 关键词:卡尔曼滤波 ; 最小均方误差自适应 ; 相对误差方差准则 ; 支持向量机 ; 互信息 机构:广州大学机械与电气工程学院 ; 广州大学机械与电气工程学院 年份:2017
    摘要:针对听觉刺激诱发的脑干中潜伏期反应(MLR)信号的非平稳特性,采取计算其自适应自回归(AAR)模型系数的方法进行特征提取,实现不同注意状态的分类。首先对采集的MLR数据进行去噪预处理,然后结合相对误差方差(REV)准则分别进行卡尔曼滤波和最小均方误差自适应算法估计其AAR模型参数。利用支持向量机对两种估计方法的特征参数分别进行分类。最后根据最大互信息和分类结果进行比较,最小均方误差自适应算法估计AAR模型系数的分类正确率达到77.45%,最大互信息值为0.3011,其效果优于卡尔曼滤波算法。
  • 【期刊】 基于中潜伏期听觉诱发电位的听觉注意特征提取与识别

    刊名:电子器件 作者:蒋本聪 ; 王力 ; 邹采荣 ; 胡晓 ; 汪家冬 ; 梁瑞宇 关键词:听觉诱发 ; 听觉注意 ; 中潜伏期反应 ; AR模型系数 ; 模式识别 ; 人工神经网络 机构:广州大学机械与电气工程学院 ; 广州大学机械与电气工程学院 ; 东南大学信息科学与工程学院 年份:2017
    摘要:针对目前研究听觉注意的实验范式采用电极数量较多,且使用P3电位诱发时间比较长等问题,设计了一种基于听觉诱发中潜伏期反应(MLR)的实验范式。首先在注意与非注意两种状态下诱发出相应的MLR,再分别计算MLR的能量、方差、面积、AR模型系数和波形峰值作为特征值。最后,通过模式识别算法进行分类。实验结果表明:8位受试者以人工神经网络(ANN)为分类器的平均正确率可达到77.2%,本范式对于大部分受试者的效果较理想。
  • 【论文】 基于中潜伏期听觉诱发电位的脑—机接口研究

    作者:蒋本聪 关键词:听觉诱发 ; 中潜伏期反应 ; AR模型系数 ; 模式识别 机构:广州大学 ; 广州大学 年份:2018
    摘要:脑-机接口技术在全球被广泛地研究,尤其是它可以帮助瘫痪或残疾病人重建运动控制和对外交流的能力。当前基于视觉诱发脑电的脑-机接口系统技术已应用比较广泛。但是,对于一些视觉系统损伤的患者来说,视觉刺激具有局限性,所以他们使用视觉脑-机接口系统就非常困难。有幸的是,大多数视觉障碍患者的听觉系统往往是完好的,所以研究听觉诱发电位的脑-机接口系统具有潜在价值。然而,目前基于听觉诱发电位的脑-机接口研究还处于初级阶段,现有系统还存在许多缺陷。为此,设计一种新的听觉脑-机接口范式是一件非常有意义的工作。本文针对原来常用的实验范式采用较多的电极且诱发时间较长等问题,设计了一种基于听觉诱发中潜伏期反应的实验范式。首先在两种状态下(注意和非注意)诱发出相应的中潜伏期波形。然后使用db10小波变换对数据进行6层小波分解预处理。由于滤波之后的数据仍然可能存在肌电、眼电等干扰,所以本文还会使用相干平均算法对数据再次滤波。经过最后实验对比,证明了所用滤波是有效的。由于预处理后的听觉诱发电位(Auditory Evoked Potential,AEP)数据仍是高维向量,接下来使用特征提取算法对所采集的数据进行降维处理。本文基于自回归模型(Autoregressive Model,AR),通过Burg算法提取AR模型系数。再分别计算中潜伏期反应的能量、方差、面积、AR模型系数和波形峰值作为特征。这为后面使用模式识别分类算法提供了基础。最后,我们使用支持向量机(Support Vector Machine,SVM)和人工神经网络(Artificial Neural Network,ANN)分类算法分别对离线数据进行分类识别,并统计了8位受试者的分类准确率。实验结果表明:在组合特征_1v,_2v,_3v下,基于ANN的分类准确率比SVM的分类准确率分别高出10.7%、8.7%、11.1%。其中使用组合特征_1v和ANN的分类准确率最优,达到了84.7%。基于上面的结果,可以得出本文设计的实验范式是有效的,且对于大部分受试者的效果较理想。这为今后把此实验范式应用到脑机-接口中打下了坚实的基础。