中科大电子信息工程 实验室介绍 无线网络通信实验室(姚卫东)

第１４卷㊀第３期Ｖｏｌ．１４Ｎｏ．３㊀㊀智㊀能㊀计㊀算㊀机㊀与㊀应㊀用ＩｎｔｅｌｌｉｇｅｎｔＣｏｍｐｕｔｅｒａｎｄＡｐｐｌｉｃａｔｉｏｎｓ㊀㊀２０２４年３月㊀Ｍａｒ．２０２４㊀㊀㊀㊀㊀㊀文章编号：２０９５－２１６３（２０２４）０３－０１２８－０５中图分类号：ＴＰ１８，ＴＰ３９９文献标志码：Ａ基于平滑非线性能量算子划分的尖峰相关特征癫痫发作自动检测算法何雪兰，吴㊀江，蒋路茸（浙江理工大学信息科学与工程学院，杭州３１００１８）摘㊀要：针对癫痫发作自动检测算法多集中于时域㊁频域等传统特征，无法全面表征癫痫脑电信号的信息等问题，本文结合癫痫脑电图中异常波振幅和频率提高的现象，提出一种基于平滑非线性能量算子划分的尖峰相关特征癫痫发作自动检测算法㊂该算法使用传统的时域㊁频域特征，结合尖峰相关性特征对脑电信号进行刻画，使用有监督的机器学习分类器，测试癫痫发作自动检测的有效性和可靠性㊂本文将提出的方法在开源数据集ＣＨＢＭＩＴ上进行了评估，获得了９６．５２％的准确率㊁９５．６５％的敏感性和９７．０９％的特异性㊂实验结果表明，基于平滑非线性能量算子划分的尖峰相关特征，能够作为癫痫脑电信息的补充，提高癫痫发作检测的性能㊂关键词：癫痫发作检测；机器学习；尖峰相关性；平滑非线性能量算子Ａｕｔｏｍａｔｉｃｓｅｉｚｕｒｅｄｅｔｅｃｔｉｏｎａｌｇｏｒｉｔｈｍｂａｓｅｄｏｎｓｐｉｋｅ－ｒｅｌａｔｅｄｆｅａｔｕｒｅｓｏｆｓｍｏｏｔｈｅｄｎｏｎｌｉｎｅａｒｅｎｅｒｇｙｏｐｅｒａｔｏｒｄｉｖｉｓｉｏｎＨＥＸｕｅｌａｎ，ＷＵＪｉａｎｇ，ＪＩＡＮＧＬｕｒｏｎｇ（ＳｃｈｏｏｌｏｆＩｎｆｏｒｍａｔｉｏｎＳｃｉｅｎｃｅａｎｄＥｎｇｉｎｅｅｒｉｎｇ，ＺｈｅｊｉａｎｇＳｃｉ－ＴｅｃｈＵｎｉｖｅｒｓｉｔｙ，Ｈａｎｇｚｈｏｕ３１００１８，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：Ｍｏｓｔｃｕｒｒｅｎｔｓｅｉｚｕｒｅａｕｔｏｍａｔｉｃｄｅｔｅｃｔｉｏｎａｌｇｏｒｉｔｈｍｓｆｏｃｕｓｏｎｔｒａｄｉｔｉｏｎａｌｆｅａｔｕｒｅｓｓｕｃｈａｓｔｉｍｅｄｏｍａｉｎａｎｄｆｒｅｑｕｅｎｃｙｄｏｍａｉｎ，ｗｈｉｃｈｃａｎｎｏｔｆｕｌｌｙｃｈａｒａｃｔｅｒｉｚｅｔｈｅｉｎｆｏｒｍａｔｉｏｎｏｆｅｐｉｌｅｐｔｉｃＥＥＧｓｉｇｎａｌｓ．Ｔｈｉｓｐａｐｅｒｐｒｏｐｏｓｅｓａｎａｕｔｏｍａｔｉｃｓｅｉｚｕｒｅｄｅｔｅｃｔｉｏｎａｌｇｏｒｉｔｈｍｂａｓｅｄｏｎｓｐｉｋｅｃｏｒｒｅｌａｔｉｏｎｆｅａｔｕｒｅｓｄｉｖｉｄｅｄｂｙａｓｍｏｏｔｈｎｏｎｌｉｎｅａｒｅｎｅｒｇｙｏｐｅｒａｔｏｒ，ｔａｋｉｎｇｉｎｔｏａｃｃｏｕｎｔｔｈｅｐｈｅｎｏｍｅｎｏｎｔｈａｔｔｈｅａｍｐｌｉｔｕｄｅａｎｄｆｒｅｑｕｅｎｃｙｏｆａｂｎｏｒｍａｌｗａｖｅｓｉｎｅｐｉｌｅｐｔｉｃＥＥＧｗｉｌｌｉｎｃｒｅａｓｅ．Ｔｈｅａｌｇｏｒｉｔｈｍｕｓｅｓｔｒａｄｉｔｉｏｎａｌｔｉｍｅ－ｄｏｍａｉｎａｎｄｆｒｅｑｕｅｎｃｙ－ｄｏｍａｉｎｆｅａｔｕｒｅｓ，ｃｏｍｂｉｎｅｄｗｉｔｈｓｐｉｋｅｃｏｒｒｅｌａｔｉｏｎｆｅａｔｕｒｅｓｔｏｃｈａｒａｃｔｅｒｉｚｅｔｈｅＥＥＧｓｉｇｎａｌ，ａｎｄｕｓｅｓｓｕｐｅｒｖｉｓｅｄｍａｃｈｉｎｅｌｅａｒｎｉｎｇｃｌａｓｓｉｆｉｅｒｓｔｏｔｅｓｔｉｔｓｅｆｆｅｃｔｉｖｅｎｅｓｓａｎｄｒｅｌｉａｂｉｌｉｔｙｆｏｒａｕｔｏｍａｔｉｃｓｅｉｚｕｒｅｄｅｔｅｃｔｉｏｎ．ＴｈｅｒｅｓｅａｒｃｈｅｖａｌｕａｔｅｓｔｈｅｐｒｏｐｏｓｅｄｍｅｔｈｏｄｏｎｔｈｅｏｐｅｎｓｏｕｒｃｅｄａｔａｓｅｔＣＨＢＭＩＴａｎｄｏｂｔａｉｎｓ９６．５２％ｏｎａｃｃｕｒａｃｙ，９５．６５％ｏｎｓｅｎｓｉｔｉｖｉｔｙａｎｄ９７．０９％ｏｎｓｐｅｃｉｆｉｃｉｔｙ．Ｔｈｅｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅｐｒｏｐｏｓｅｄｓｐｉｋｅ－ｒｅｌａｔｅｄｆｅａｔｕｒｅｓｂａｓｅｄｏｎｔｈｅｓｍｏｏｔｈｅｄｎｏｎｌｉｎｅａｒｅｎｅｒｇｙｏｐｅｒａｔｏｒｓｅｇｍｅｎｔａｔｉｏｎｃａｎｂｅｕｓｅｄａｓａｃｏｍｐｌｅｍｅｎｔｔｏｔｈｅｅｐｉｌｅｐｔｉｃＥＥＧｉｎｆｏｒｍａｔｉｏｎｔｏｉｍｐｒｏｖｅｔｈｅｐｅｒｆｏｒｍａｎｃｅｏｆｓｅｉｚｕｒｅｄｅｔｅｃｔｉｏｎ．Ｋｅｙｗｏｒｄｓ：ｓｅｉｚｕｒｅｄｅｔｅｃｔｉｏｎ；ｍａｃｈｉｎｅｌｅａｒｎｉｎｇ；ｓｐｉｋｅｃｏｒｒｅｌａｔｉｏｎ；ｓｍｏｏｔｈｅｄｎｏｎｌｉｎｅａｒｅｎｅｒｇｙｏｐｅｒａｔｏｒ基金项目：浙江省基础公益项目（ＬＧＦ１９Ｆ０１０００８）；北京邮电大学泛网无线通信教育部重点实验室（ＢＵＰＴ）（ＫＦＫＴ－２０１８１０１）；浙江省重点研发计（２０２２Ｃ０３１３６）；国家自然科学基金（６１６０２４１７）㊂作者简介：何雪兰（１９９９－），女，硕士研究生，主要研究方向：癫痫检测；吴㊀江（１９７８－），男，博士，高级工程师，主要研究方向：无线通信技术，工业物联网㊂通讯作者：蒋路茸（１９８２－），男，博士，教授，主要研究方向：生理电信号处理㊁复杂网络和无线传感器网络㊂Ｅｍａｉｌ：ｊｉａｎｇｌｕｒｏｎｇ＠ｚｓｔｕ．ｅｄｕ．ｃｎ收稿日期：２０２３－０３－１５０㊀引㊀言癫痫是一种神经系统疾病，由大脑神经元异常放电引起［１］，常常表现为突发性㊁反复性和复发性等特点㊂癫痫发作的临床症状复杂多样，如阵发性痉挛㊁意识丧失㊁认知功能障碍等［２］㊂这些发作事件对患者的认知水平及正常生活都产生了明显影响㊂因此，癫痫的诊断和治疗对于预防癫痫发作和改善生活质量至关重要㊂头皮脑电图是一种用于临床记录脑活动的无创信号采集方法［３］，用于记录大脑活动时的电波变化㊂头皮脑电图包含丰富的生理㊁心理和病理信息，是评估癫痫和其他脑部疾病的有效工具［４］㊂在脑电图的记录中，癫痫发作和癫痫样放电（如棘波㊁尖波和棘慢波复合体）是癫痫的重要生物标志物［５］，并被广泛应用于临床评价㊂目前，临床上基于脑电图的识别与分析是医生进行癫痫检测的黄金标准，但对海量的临床脑电数据进行人工筛查，不仅给医生带来沉重的负担，还存在较强的主观性㊁判断标准不统一等问题［６－７］，影响分析的效率和准确性㊂因此，设计一种自动的癫痫发作检测方法是亟待解决的问题㊂为了克服传统诊断方法的局限性㊁提高医疗效率，伴随着机器学习的快速发展，癫痫发作的自动检测已成为行业内关注的重点㊂研究者们根据头皮脑电图的时域㊁频域或非线性特征建立了特征工程方法［８－１０］，并通过具有一个或多个特征的分类器检测癫痫发作㊂Ｍｕｒｓａｌｉｎ等学者［１１］从时域㊁频域和基于熵的特征中选择突出特征，使用随机森林分类器学习选定特征集合的特性，获得了更好的分类结果㊂杨舒涵等学者［１２］使用时域和非线性特征对脑电信号进行表征，结合ＸＧＢｏｏｓｔ分类器，实现了癫痫的自动检测㊂Ｚａｒｅｉ等学者［１３］使用离散小波变换ＤＷＴ和正交匹配追踪（ＯｒｔｈｏｇｏｎａｌＭａｔｃｈｉｎｇＰｕｒｓｕｉｔ，ＯＭＰ）提取ＥＥＧ中不同的系数，计算非线性特征和统计特征，使用ＳＶＭ进行分类，获得了较好的检测性能㊂吴端波等学者［１４］使用ａＥＥＧ尖峰和ｃＥＥＧ棘波提取的方法计算棘波率，使用阈值法对癫痫进行发作检测㊂上述模型虽然都能取得较好的分类结果，但是也存在以下问题：（１）多数研究在特征提取阶段仅从时域㊁频域或时频域中表征脑电信号信息，这些特征所涵盖的信息量并不足以全面描述一段ＥＥＧ信号㊂（２）在癫痫发作的自动检测中，强调周期性的信号转换对于有效㊁可靠地区分癫痫发作的重复特征至关重要，而互相关是时域上广泛用于表示信号周期性的方法㊂针对上述问题，本文提出一种基于平滑非线性能量算子划分的尖峰相关（ＳｐｉｋｅＣｏｒｒｅｌａｔｉｏｎ，ＳＣ）特征的癫痫发作自动检测算法㊂ＳＣ是关于自适应提取的脑电图尖峰信号段之间时间延迟的最大互相关㊂使用平滑非线性能量算子衡量癫痫脑电信号中出现的异常波，将脑电信号在癫痫发作期和非发作期的尖峰相关特征作为度量患者大脑活动的一个重要补充㊂本文提出的算法主要使用巴特沃斯滤波器对脑电信号进行滤波，去除外部伪迹的干扰，然后从传统特征角度出发，提取时域㊁频域特征，再结合提出的尖峰相关特征，进一步表征癫痫发作时的异常信息㊂最后结合有监督的机器学习分类模型，实现癫痫发作的自动检测㊂１㊀方法癫痫发作自动检测整体流程设计如图１所示，其中包含预处理㊁特征提取和分类等３个模块㊂脑电信号通道筛选滤波数据分割归一化预处理特征提取传统特征:时域、频域尖峰相关特征分类癫痫发作/非发作图１㊀癫痫发作自动检测流程图Ｆｉｇ．１㊀Ｆｌｏｗｃｈａｒｔｏｆｓｅｉｚｕｒｅｄｅｔｅｃｔｉｏｎ１．１㊀脑电信号预处理头皮脑电数据通过放置在头皮固定位置的电极采集得到㊂由于外置电极，这种采集方式很容易受到外部干扰，导致采集到的数据被噪声污染㊂此外，由于受试者在采集过程中生理活动产生的内部伪迹（如：眨眼㊁心脏跳动等）［１５］，也会对数据产生干扰，影响分类结果㊂因此，针对内部伪迹，本文首先对采集到的脑电信号进行通道筛选，剔除受眼部运动干扰严重的２个电极ＦＴ１和ＦＴ２；同时，由于左侧耳电磁极易受到心电伪迹的干扰，因此也剔除了靠近耳部的２个电极ＦＴ９和ＦＴ１０㊂所以，在通道筛选阶段，共选择了脑电图中２０个通道信号㊂㊀㊀滤波是一种常见的去除脑电信号外部伪迹的方法，本文采用１ ４８Ｈｚ的带通巴特沃斯滤波器进行滤波，抑制其他频率范围的信号［１６］㊂根据数据集中标注的癫痫发作开始和结束时间，为了保证波形的完整性，设置重叠率为５０％的滑动窗口，将脑电信号分割成４ｓ的数据片段，最后对所有片段进行归一化处理㊂由于通道筛选和滤波后的脑电信号幅值的浮动一般是在可接受范围内，最大最小标准化能够较大程度地还原真实ＥＥＧ信号波形㊂因此，本文采用最大最小标准化对原始ＥＥＧ信号进行归一化操作，推得的公式为：Ｘｍｉｎ－ｍａｘ＝Ｘ－Ｘ－ｍａｘＸ()－ｍｉｎＸ()（１）１．２㊀特征提取原始脑电信号数据量庞大，且不具有代表性，而特征提取方法可以提炼出能够表征癫痫发作特征的数据，用于模型的建立㊂因此，本文主要使用传统时域㊁频域特征和基于平滑非线性能量算子的尖峰相关性特征，对脑电数据进行特征提取㊂１．２．１㊀传统特征提取研究主要从时域和频域两个角度对脑电信号进行传统特征提取㊂本文主要提取时域上每个通道的最大值㊁最小值㊁平均值㊁峰度（Ｋｕｒｔｏｓｉｓ）㊁偏斜度９２１第３期何雪兰，等：基于平滑非线性能量算子划分的尖峰相关特征癫痫发作自动检测算法（Ｓｋｎｅｗｎｅｓｓ）和线长（ＬｉｎｅＬｅｎｇｔｈ）；频域上主要提取每个信号频域分量的振幅㊂其中，峰度㊁偏斜度和线长的数学定义分别见式（２） （４）：Ｋｕｒｔｏｓｉｓ＝Ｅ［（ｘ－ｍｅａｎ（ｘ））４］｛Ｅ［（ｘ－ｍｅａｎ（ｘ））２］｝２（２）Ｓｋｎｅｗｎｅｓｓ＝Ｅ［（ｘ－ｍｅａｎ（ｘ）ｓｔｄ（ｘ））３］（３）ＬｉｎｅＬｅｎｇｔｈ＝１ｎðｎｉ＝１ａｂｓｘｉ＋１－ｘｉ()（４）㊀㊀其中，ｘ表示脑电信号片段；Ｅ表示对括号中数值求期望；ｘｉ表示采样点ｉ的值；ｎ表示片段ｘ中采样点数㊂１．２．２㊀尖峰相关特征提取根据癫痫发作时脑电信号异常波的振幅和频率发生改变的特异性现象，本文提出将尖峰相关特征作为表征癫痫发作时异常特征的补充㊂非线性能量算子（ＮＬＥＯ）是一种对信号进行能量度量的方法［１７］，能够跟踪信号的瞬时能量㊂对于离散信号ｘｎ，其非线性能量算子表达如式（５）所示：φ［ｘ（ｎ）］＝ｘ（ｎ－ｌ）ｘ（ｎ－ｐ）－ｘ（ｎ－ｑ）ｘ（ｎ－ｓ）（５）㊀㊀通常，当癫痫脑电信号中出现异常放电时，脑电波的振幅和频率会有所提高，可以更好地突出异常波在平稳状态下的放电波形，但非线性能量对脑电信号中可能存在的噪音信号也具有很高的敏感度㊂为了进一步提高ＮＬＥＯ对非平稳信号的表征能力和抗干扰能力，文献［１８］提出了一种ＮＬＥＯ的改进方法，即平滑非线性能量算子（ＳＮＬＥＯ），将计算所得的能量与一个窗函数进行卷积运算，在一定程度上减小低波幅噪音信号对输出结果的影响㊂ＳＮＬＥＯ计算见式（６）：φ［ｘ（ｎ）］＝ｗ（ｎ）∗φ［ｘ（ｎ）］（６）㊀㊀其中，ｗ是一个矩形的窗函数， ∗ 表示卷积操作㊂在非线性能量算子的计算中，本文使用的参数值为ｌ＝１，ｐ＝２，ｑ＝０和ｓ＝３，并采用７个点的窗函数进行卷积计算㊂获得ＳＮＬＥＯ后，需要设定一个合适的阈值，尽可能多地筛选出可能是尖峰的样本，同时最小化漏检率㊂本文使用自适应阈值，对ＳＮＬＥＯ进行尖峰筛选识别㊂本文采用影响检测尖峰数量没有大范围变化的阈值作为最优阈值㊂最优阈值的搜索范围为ＳＮＬＥＯ的１０％ ９０％［１９］，相邻２个峰值的中间被确定为一个尖峰的起始点或结束点㊂由于数据在划分过程中导致波形的不连续问题，本文将检测到的第一个和最后一个尖峰丢弃，以确保每个片段具有完整的尖峰形态㊂如果检测出尖峰，则将每个划分好的尖峰与后续５个尖峰片段相关联㊂本文使用尖峰相关性（ＳｐｉｋｅＣｏｒｒｅｌａｔｉｏｎ，ＳＣ）来定义该矩阵，并将ＳＣ的平均值和标准差作为癫痫发作检测的特征㊂ＳＣ计算见式（７ ８）：ＳＣｉ，ｊ＝ｍａｘｍＲｘｉｘｊ（ｍ）（７）Ｒｘｉｘｊ（ｍ；ｉ，ｊ）＝Ｅ［ｘｉ（ｎ）ｘｊ（ｎ＋ｍ）］σｘｉσｘｊ（８）㊀㊀其中，ｘｉ㊁ｘｊ是脑电ＥＥＧ信号的片段，这里ｉ＝［２， ，Ｓ－６］，ｊ＝［ｉ＋１， ，ｉ＋５］；Ｓ表示在一个片段中检测到的峰值数；σ表示脑电图片段的标准差㊂估计ＳＣ特征的处理过程如图２所示㊂将一个片段的第一个和最后一个丢弃，而后根据得到的尖峰计算其与后面５个尖峰的相关性㊂根据图２（ａ）中样例计算出的尖峰相关矩阵如图３所示㊂10050-501234时间/s(a)癫痫发作片段样例EEG/μV400200SNLEO/μV23224168尖峰数/个1234时间/s(b)片段(a)对应的S N L E Ot h(c)基于（b)确定的自适应阈值t h阈值104.87710050-50EEG/μV1234时间/s(d)划分好的尖峰片段(“*”表示丢弃的片段)12345678910t h图２㊀使用自适应阈值的ＳＮＬＥＯ计算尖峰相关性示意图Ｆｉｇ．２㊀ＳｃｈｅｍａｔｉｃｄｉａｇｒａｍｏｆＳＮＬＥＯｃａｌｃｕｌａｔｉｏｎｏｆｓｐｉｋｅｃｏｒｒｅｌａｔｉｏｎｓｕｓｉｎｇａｄａｐｔｉｖｅｔｈｒｅｓｈｏｌｄ1234567892345678910图３㊀尖峰片段得到的最大相关矩阵Ｆｉｇ．３㊀Ｍａｘｉｍｕｍｃｏｒｒｅｌａｔｉｏｎｍａｔｒｉｘｏｂｔａｉｎｅｄｆｒｏｍｓｐｉｋｅｆｒａｇｍｅｎｔｓ０３１智㊀能㊀计㊀算㊀机㊀与㊀应㊀用㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第１４卷㊀㊀㊀此外，计算了ＳＮＬＥＯ的平均值㊁标准差和平均最大ＳＮＬＥＯ值ｓｐｉｋｉｎｅｓｓ㊂其中，ｓｐｉｋｉｎｅｓｓ被定义为ＳＮＬＥＯ中峰值的最大值除以ＳＮＬＥＯ的平均值［２０］，以及检测到的峰值数量（ｓｎｕｍ）㊁平均持续时间（ｓｗｉｄｔｈ）和平均峰值间间隔（ｓｇａｐ）㊂基于ＳＮＬＥＯ划分的尖峰相关特征的具体描述见表１㊂表１㊀尖峰相关特征的描述Ｔａｂｌｅ１㊀Ｄｅｓｃｒｉｐｔｉｏｎｏｆｓｐｉｋｅ－ｒｅｌａｔｅｄｃｈａｒａｃｔｅｒｉｓｔｉｃｓ特征描述ｍｅａｎ（ＳＣ）尖峰相关性矩阵的平均值ｓｔｄ（ＳＣ）尖峰相关性矩阵的标准差ｍｅａｎ（ＳＮＬＥＯ）ＳＮＬＥＯ的平均值ｓｔｄ（ＳＮＬＥＯ）ＳＮＬＥＯ的标准差ｓｐｉｋｉｎｅｓｓ平均最大ＳＮＬＥＯ值ｓｎｕｍ峰值数量ｓｗｉｄｔｈ平均持续时间ｓｇａｐ平均峰值间间距１．３㊀分类模型使用传统机器学习分类器ＲＦ和ＳＶＭ来评估本文提出的方法，这些分类器经常被用于癫痫发作的自动检测㊂２㊀实验２．１㊀数据集本研究采用公开的头皮脑电数据集ＣＨＢ－ＭＩＴ㊂该数据集共记录了美国波士顿儿童医院的２３名癫痫患者的头皮脑电数据，每个患者的数据都是由多个．ｅｄｆ文件组成，采样频率２５６Ｈｚ，共含有１５７次癫痫发作㊂大多数文件包含有２３个ＥＥＧ通道信号，并采用国际标准１０－２０系统使用的ＥＥＧ电极位置命名这些通道记录㊂由于癫痫发作时间远小于发作间期的时间，为了保证数据集正负样本的均衡性，本文采用欠采样的方式在发作间期随机采样和癫痫发作样本数量相当的负样本㊂２．２㊀评价指标为了验证本文方法的有效性，采用准确率（Ａｃｃ）㊁敏感性（Ｓｅｎ）㊁特异性（Ｓｐｅ）㊁Ｆ１值和ＡＵＣ等指标进行实验评估㊂计算方法见式（９） 式（１１）：Ａｃｃ＝ＴＰ＋ＴＮＴＰ＋ＴＮ＋ＦＰ＋ＦＮ（９）Ｓｅｎ＝ＴＰＴＰ＋ＦＮ（１０）Ｓｐｅ＝ＴＮＴＮ＋ＦＰ（１１）㊀㊀其中，ＴＰ㊁ＦＰ㊁ＦＮ和ＴＮ分别为真阳性㊁假阳性㊁假阴性和真阴性㊂本文产生的所有实验结果都是在配置为Ｉｎｔｅｌ（Ｒ）Ｃｏｒｅ（ＴＭ）ｉ７－９７００ＣＰＵ＠３．００ＧＨｚ，１６ＧＢＲＡＭ的计算机上实现的㊂实验模型使用Ｐｙｔｈｏｎ３．７和Ｓｃｉｋｉｔ－ｌｅａｒｎ构建㊂２．３㊀结果分析本文先对提取的传统时域㊁频域特征分别使用ＲＦ和ＳＶＭ分类模型进行测试，所得实验结果见表２㊂由表２可知，ＳＶＭ分类模型表现最佳㊂表２㊀基于传统特征的实验结果Ｔａｂｌｅ２㊀Ｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｂａｓｅｄｏｎｔｒａｄｉｔｉｏｎａｌｃｈａｒａｃｔｅｒｉｓｔｉｃｓ特征分类器ＡｃｃＳｅｎＳｐｅ传统特征ＲＦ０．８６２１０．７５３３０．９３３９ＳＶＭ０．９５９００．９３８５０．９７３６㊀㊀在确定分类模型ＳＶＭ的基础上，将传统特征和尖峰相关特征结合，探讨尖峰相关特征对癫痫脑电信号的表征能力㊂添加前后对比结果见表３㊂表３㊀尖峰相关特征对比的分类结果Ｔａｂｌｅ３㊀Ｃｌａｓｓｉｆｉｃａｔｉｏｎｒｅｓｕｌｔｓｏｆｓｐｉｋｅ－ｒｅｌａｔｅｄｆｅａｔｕｒｅｃｏｍｐａｒｉｓｏｎ分类器特征ＡｃｃＳｅｎＳｐｅＳＶＭ传统特征０．９５９００．９３８５０．９７３６传统特征＋尖峰相关特征０．９６５２０．９５６５０．９７０９㊀㊀由表３可知，尖峰相关特征能够对癫痫脑电信号信息进行表征㊂加入尖峰相关特征后，检测结果在Ａｃｃ上提升了０．６２％，在Ｓｅｎ上提升了１．８％，在Ｓｐｅ上有所降低㊂在实际的临床应用中，正确识别发作样本比正确识别非发作样本更重要，因此Ｓｅｎ指标更能准确衡量方法的优劣㊂本文提出的方法虽然在Ｓｐｅ上略有降低，但Ｓｅｎ指标上有一定程度的提升㊂３㊀结束语本文提出了一种基于平滑非线性能量算子划分的尖峰相关特征的癫痫发作自动检测算法㊂该算法使用传统的时域㊁频域特征，结合尖峰相关性特征对脑电信号进行刻画，使用ＲＦ和ＳＶＭ分类器来测试癫痫发作自动检测的有效性和可靠性㊂将所提方法在开源数据集ＣＨＢ－ＭＩＴ上进行了评估，ＳＶＭ分类器获得了更好的结果，其准确率㊁敏感性和特异性分别为９６．５２％，９５．６５％和９７．０９％㊂此外，研究开展的特征消融实验结果表明，提出的基于平滑非线性能１３１第３期何雪兰，等：基于平滑非线性能量算子划分的尖峰相关特征癫痫发作自动检测算法量算子划分的尖峰相关特征，能够作为癫痫脑电信息的补充，进一步提高癫痫发作检测的性能㊂参考文献［１］ＰＡＴＥＬＤＣ，ＴＥＷＡＲＩＢＰ，ＣＨＡＵＮＳＡＬＩＬ，ｅｔａｌ．Ｎｅｕｒｏｎ–ｇｌｉａｉｎｔｅｒａｃｔｉｏｎｓｉｎｔｈｅｐａｔｈｏｐｈｙｓｉｏｌｏｇｙｏｆｅｐｉｌｅｐｓｙ［Ｊ］．ＮａｔｕｒｅＲｅｖｉｅｗｓＮｅｕｒｏｓｃｉｅｎｃｅ，２０１９，２０（５）：２８２－２９７．［２］ＳＰＥＣＣＨＩＯＮ，ＷＩＲＲＥＬＬＥＣ，ＳＣＨＥＦＦＥＲＩＥ，ｅｔａｌ．ＩｎｔｅｒｎａｔｉｏｎａｌＬｅａｇｕｅＡｇａｉｎｓｔＥｐｉｌｅｐｓｙｃｌａｓｓｉｆｉｃａｔｉｏｎａｎｄｄｅｆｉｎｉｔｉｏｎｏｆｅｐｉｌｅｐｓｙｓｙｎｄｒｏｍｅｓｗｉｔｈｏｎｓｅｔｉｎｃｈｉｌｄｈｏｏｄ：ＰｏｓｉｔｉｏｎｐａｐｅｒｂｙｔｈｅＩＬＡＥＴａｓｋＦｏｒｃｅｏｎＮｏｓｏｌｏｇｙａｎｄＤｅｆｉｎｉｔｉｏｎｓ［Ｊ］．Ｅｐｉｌｅｐｓｉａ，２０２２，６３（６）：１３９８－１４４２．［３］ＳＣＨＡＤＡ，ＳＣＨＩＮＤＬＥＲＫ，ＳＣＨＥＬＴＥＲＢ，ｅｔａｌ．Ａｐｐｌｉｃａｔｉｏｎｏｆａｍｕｌｔｉｖａｒｉａｔｅｓｅｉｚｕｒｅｄｅｔｅｃｔｉｏｎａｎｄｐｒｅｄｉｃｔｉｏｎｍｅｔｈｏｄｔｏｎｏｎ－ｉｎｖａｓｉｖｅａｎｄｉｎｔｒａｃｒａｎｉａｌｌｏｎｇ－ｔｅｒｍＥＥＧｒｅｃｏｒｄｉｎｇｓ［Ｊ］．ＣｌｉｎｉｃａｌＮｅｕｒｏｐｈｙｓｉｏｌｏｇｙ，２００８，１１９（１）：１９７－２１１．［４］ＢＥＮＢＡＤＩＳＳＲ，ＢＥＮＩＣＺＫＹＳ，ＢＥＲＴＲＡＭＥ，ｅｔａｌ．ＴｈｅｒｏｌｅｏｆＥＥＧｉｎｐａｔｉｅｎｔｓｗｉｔｈｓｕｓｐｅｃｔｅｄｅｐｉｌｅｐｓｙ［Ｊ］．ＥｐｉｌｅｐｔｉｃＤｉｓｏｒｄｅｒｓ，２０２０，２２（２）：１４３－１５５．［５］王学峰．癫癎的脑电图：传统观点㊁新认识和新领域［Ｊ］．中华神经科杂志，２００４，３７（３）：７－９．［６］刘晓燕，黄珍妮，秦炯．不同类型小儿癫痫持续状态的临床及脑电图分析［Ｊ］．中华神经科杂志，２０００，３３（２）：７３－７３．［７］ＭＡＴＵＲＡＮＡＭＩ，ＭＥＩＳＥＬＣ，ＤＥＬＬＫ，ｅｔａｌ．Ｃｒｉｔｉｃａｌｓｌｏｗｉｎｇｄｏｗｎａｓａｂｉｏｍａｒｋｅｒｆｏｒｓｅｉｚｕｒｅｓｕｓｃｅｐｔｉｂｉｌｉｔｙ［Ｊ］．ＮａｔｕｒｅＣｏｍｍｕｎｉｃａｔｉｏｎｓ，２０２０，１１（１）：２１７２．［８］彭睿旻，江军，匡光涛，等．基于ＥＥＧ的癫痫自动检测：综述与展望［Ｊ］．自动化学报，２０２２，４８（２）：３３５－３５０．［９］ＨＯＳＳＥＩＮＩＭＰ，ＨＯＳＳＥＩＮＩＡ，ＡＨＩＫ．ＡｒｅｖｉｅｗｏｎｍａｃｈｉｎｅｌｅａｒｎｉｎｇｆｏｒＥＥＧｓｉｇｎａｌｐｒｏｃｅｓｓｉｎｇｉｎｂｉｏｅｎｇｉｎｅｅｒｉｎｇ［Ｊ］．ＩＥＥＥＲｅｖｉｅｗｓｉｎＢｉｏｍｅｄｉｃａｌＥｎｇｉｎｅｅｒｉｎｇ，２０２０，１４：２０４－２１８．［１０］ＡＣＨＡＲＹＡＵＲ，ＨＡＧＩＷＡＲＡＹ，ＤＥＳＨＰＡＮＤＥＳＮ，ｅｔａｌ．ＣｈａｒａｃｔｅｒｉｚａｔｉｏｎｏｆｆｏｃａｌＥＥＧｓｉｇｎａｌｓ：Ａｒｅｖｉｅｗ［Ｊ］．ＦｕｔｕｒｅＧｅｎｅｒａｔｉｏｎＣｏｍｐｕｔｅｒＳｙｓｔｅｍｓ，２０１９，９１：２９０－２９９．［１１］ＭＵＲＳＡＬＩＮＭ，ＺＨＡＮＧＹ，ＣＨＥＮＹ，ｅｔａｌ．Ａｕｔｏｍａｔｅｄｅｐｉｌｅｐｔｉｃｓｅｉｚｕｒｅｄｅｔｅｃｔｉｏｎｕｓｉｎｇｉｍｐｒｏｖｅｄｃｏｒｒｅｌａｔｉｏｎ－ｂａｓｅｄｆｅａｔｕｒｅｓｅｌｅｃｔｉｏｎｗｉｔｈｒａｎｄｏｍｆｏｒｅｓｔｃｌａｓｓｉｆｉｅｒ［Ｊ］．Ｎｅｕｒｏｃｏｍｐｕｔｉｎｇ，２０１７，２４１：２０４－２１４．［１２］杨舒涵，李博，周丰丰．基于机器学习的跨患者癫痫自动检测算法［Ｊ］．吉林大学学报（理学版），２０２１，５９（１）：１０１－１０６．［１３］ＺＡＲＥＩＡ，ＡＳＬＢＭ．Ａｕｔｏｍａｔｉｃｓｅｉｚｕｒｅｄｅｔｅｃｔｉｏｎｕｓｉｎｇｏｒｔｈｏｇｏｎａｌｍａｔｃｈｉｎｇｐｕｒｓｕｉｔ，ｄｉｓｃｒｅｔｅｗａｖｅｌｅｔｔｒａｎｓｆｏｒｍ，ａｎｄｅｎｔｒｏｐｙｂａｓｅｄｆｅａｔｕｒｅｓｏｆＥＥＧｓｉｇｎａｌｓ［Ｊ］．ＣｏｍｐｕｔｅｒｓｉｎＢｉｏｌｏｇｙａｎｄＭｅｄｉｃｉｎｅ，２０２１，１３１：１０４２５０．［１４］吴端坡，王紫萌，董芳，等．基于ａＥＥＧ尖峰和ｃＥＥＧ棘波提取的癫痫发作检测算法［Ｊ］．实验技术与管理，２０２０，３７（１２）：５７－６２．［１５］骆睿鹏，冯铭科，黄鑫，等．脑电信号预处理方法研究综述［Ｊ］．电子科技，２０２３，３６（４）：３６－４３．［１６］ＯＣＢＡＧＡＢＩＲＨＴ，ＡＢＯＡＬＡＹＯＮＫＡＩ，ＦＡＥＺＩＰＯＵＲＭ．ＥｆｆｉｃｉｅｎｔＥＥＧａｎａｌｙｓｉｓｆｏｒｓｅｉｚｕｒｅｍｏｎｉｔｏｒｉｎｇｉｎｅｐｉｌｅｐｔｉｃｐａｔｉｅｎｔｓ［Ｃ］／／２０１３ＩＥＥＥＬｏｎｇＩｓｌａｎｄＳｙｓｔｅｍｓ，ＡｐｐｌｉｃａｔｉｏｎｓａｎｄＴｅｃｈｎｏｌｏｇｙＣｏｎｆｅｒｅｎｃｅ（ＬＩＳＡＴ）．Ｆａｒｍｉｎｇｄａｔｅ，ＵＳＡ：ＩＥＥＥ，２０１３：１－６．［１７］ＢＯＯＮＹＡＫＩＴＡＮＯＮＴＰ，ＬＥＫ－ＵＴＨＡＩＡ，ＣＨＯＭＴＨＯＫ，ｅｔａｌ．ＡｒｅｖｉｅｗｏｆｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎａｎｄｐｅｒｆｏｒｍａｎｃｅｅｖａｌｕａｔｉｏｎｉｎｅｐｉｌｅｐｔｉｃｓｅｉｚｕｒｅｄｅｔｅｃｔｉｏｎｕｓｉｎｇＥＥＧ［Ｊ］．ＢｉｏｍｅｄｉｃａｌＳｉｇｎａｌＰｒｏｃｅｓｓｉｎｇａｎｄＣｏｎｔｒｏｌ，２０２０，５７：１０１７０２．［１８］ＭＵＫＨＯＰＡＤＨＹＡＹＳ，ＲＡＹＧＣ．Ａｎｅｗｉｎｔｅｒｐｒｅｔａｔｉｏｎｏｆｎｏｎｌｉｎｅａｒｅｎｅｒｇｙｏｐｅｒａｔｏｒａｎｄｉｔｓｅｆｆｉｃａｃｙｉｎｓｐｉｋｅｄｅｔｅｃｔｉｏｎ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＢｉｏｍｅｄｉｃａｌＥｎｇｉｎｅｅｒｉｎｇ，１９９８，４５（２）：１８０－１８７．［１９］ＴＡＰＡＮＩＫＴ，ＶＡＮＨＡＴＡＬＯＳ，ＳＴＥＶＥＮＳＯＮＮＪ．ＩｎｃｏｒｐｏｒａｔｉｎｇｓｐｉｋｅｃｏｒｒｅｌａｔｉｏｎｓｉｎｔｏａｎＳＶＭ－ｂａｓｅｄｎｅｏｎａｔａｌｓｅｉｚｕｒｅｄｅｔｅｃｔｏｒ［Ｃ］／／ＥＭＢＥＣ＆ＮＢＣ２０１７：ＪｏｉｎｔＣｏｎｆｅｒｅｎｃｅｏｆｔｈｅＥｕｒｏｐｅａｎＭｅｄｉｃａｌａｎｄＢｉｏｌｏｇｉｃａｌＥｎｇｉｎｅｅｒｉｎｇＣｏｎｆｅｒｅｎｃｅ（ＥＭＢＥＣ）ａｎｄｔｈｅＮｏｒｄｉｃ－ＢａｌｔｉｃＣｏｎｆｅｒｅｎｃｅｏｎＢｉｏｍｅｄｉｃａｌＥｎｇｉｎｅｅｒｉｎｇａｎｄＭｅｄｉｃａｌＰｈｙｓｉｃｓ（ＮＢＣ）．Ｓｉｎｇａｐｏｒｅ：Ｓｐｒｉｎｇｅｒ，２０１８：３２２－３２５．［２０］ＴＡＰＡＮＩＫＴ，ＶＡＮＨＡＴＡＬＯＳ，ＳＴＥＶＥＮＳＯＮＮＪ．Ｔｉｍｅ－ｖａｒｙｉｎｇＥＥＧｃｏｒｒｅｌａｔｉｏｎｓｉｍｐｒｏｖｅａｕｔｏｍａｔｅｄｎｅｏｎａｔａｌｓｅｉｚｕｒｅｄｅｔｅｃｔｉｏｎ［Ｊ］．ＩｎｔｅｒｎａｔｉｏｎａｌＪｏｕｒｎａｌｏｆＮｅｕｒａｌＳｙｓｔｅｍｓ，２０１９，２９（４）：１８５００３０．２３１智㊀能㊀计㊀算㊀机㊀与㊀应㊀用㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第１４卷㊀。

ｄｏｉ：１０．３９６９／ｊ．ｉｓｓｎ．１００３－３１０６．２０２３．１０．０１０引用格式：章曙光，唐锐，邵政瑞，等．一种基于小波变换的ＹＯＬＯｖ５火灾检测改进算法［Ｊ］．无线电工程，２０２３，５３（１０）：２３０３－２３１０．［ＺＨＡＮＧＳｈｕｇｕａｎｇ，ＴＡＮＧＲｕｉ，ＳＨＡＯＺｈｅｎｇｒｕｉ，ｅｔａｌ．ＡｎＩｍｐｒｏｖｅｄＹＯＬＯｖ５ＦｉｒｅＤｅｔｅｃｔｉｏｎＡｌｇｏｒｉｔｈｍＢａｓｅｄｏｎＷａｖｅｌｅｔＴｒａｎｓｆｏｒｍ［Ｊ］．ＲａｄｉｏＥｎｇｉｎｅｅｒｉｎｇ，２０２３，５３（１０）：２３０３－２３１０．］一种基于小波变换的ＹＯＬＯｖ５火灾检测改进算法章曙光１，２，唐　锐１，邵政瑞１，鲍　锐１（１．安徽建筑大学电子与信息工程学院，安徽合肥２３０６０１；２．安徽建筑大学信息网络中心，安徽合肥２３０６０１）摘　要：由于复杂环境下类烟火物体的干扰，常导致火灾检测误判。

为了提高图像中火灾信号的检测精度，减少火灾误报，利用传统光谱分析在火灾图像检测技术中的优势，提出了一种基于小波变换的ＹＯＬＯｖ５火灾检测改进算法。

该算法利用二维Ｈａａｒ小波变换提取图像的光谱特征，将其输入到ＹＯＬＯｖ５ｓ的主干网络ＣＳＰＤａｒｋｎｅｔ中，与卷积层进行通道上的特征融合，增强烟火的纹理细节特征；通过嵌入ＣＡ注意力机制的ＣＡＣ３模块，对融合小波特征后的网络层的位置信息进行增强，提高网络的信息提取和定位能力；为明确衡量边界框宽高的真实差，平衡烟火难易样本，采用α ＥＩＯＵ损失函数替换原本的ＣＩＯＵ，提高框定位准确性。

在公开的火灾数据基础上结合自制火灾数据构建火灾数据集，并进行模型训练和推理。

实验结果表明，改进后算法的ｍＡＰ比原ＹＯＬＯｖ５ｓ提升了２．３％，实现了对火灾场景烟火目标较好的检测效果。

关键词：火灾检测；小波变换；ＹＯＬＯｖ５；注意力机制；特征融合中图分类号：ＴＰ３９１．４文献标志码：Ａ开放科学（资源服务）标识码（ＯＳＩＤ）：文章编号：１００３－３１０６（２０２３）１０－２３０３－０８ＡｎＩｍｐｒｏｖｅｄＹＯＬＯｖ５ＦｉｒｅＤｅｔｅｃｔｉｏｎＡｌｇｏｒｉｔｈｍＢａｓｅｄｏｎＷａｖｅｌｅｔＴｒａｎｓｆｏｒｍＺＨＡＮＧＳｈｕｇｕａｎｇ１，２，ＴＡＮＧＲｕｉ１，ＳＨＡＯＺｈｅｎｇｒｕｉ１，ＢＡＯＲｕｉ１（１．ＳｃｈｏｏｌｏｆＥｌｅｃｔｒｏｎｉｃｓａｎｄＩｎｆｏｒｍａｔｉｏｎＥｎｇｉｎｅｅｒｉｎｇ，ＡｎｈｕｉＪｉａｎｚｈｕＵｎｉｖｅｒｓｉｔｙ，Ｈｅｆｅｉ２３０６０１，Ｃｈｉｎａ；２．ＩｎｆｏｒｍａｔｉｏｎＮｅｔｗｏｒｋＣｅｎｔｅｒ，ＡｎｈｕｉＪｉａｎｚｈｕＵｎｉｖｅｒｓｉｔｙ，Ｈｅｆｅｉ２３０６０１，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：Ｄｕｅｔｏｔｈｅｉｎｔｅｒｆｅｒｅｎｃｅｏｆｐｙｒｏｔｅｃｈｎｉｃｏｂｊｅｃｔｓｉｎｃｏｍｐｌｅｘｅｎｖｉｒｏｎｍｅｎｔ，ｍｉｓｊｕｄｇｍｅｎｔｏｆｆｉｒｅｄｅｔｅｃｔｉｏｎｉｓｏｆｔｅｎｃａｕｓｅｄ．Ｉｎｏｒｄｅｒｔｏｉｍｐｒｏｖｅｔｈｅｄｅｔｅｃｔｉｏｎａｃｃｕｒａｃｙｏｆｆｉｒｅｓｉｇｎａｌｓｉｎｉｍａｇｅｓａｎｄｒｅｄｕｃｅｆａｌｓｅａｌａｒｍｓ，ａｎｉｍｐｒｏｖｅｄＹＯＬＯｖ５ｆｉｒｅｄｅｔｅｃｔｉｏｎａｌｇｏｒｉｔｈｍｂａｓｅｄｏｎｗａｖｅｌｅｔｔｒａｎｓｆｏｒｍｉｓｐｒｏｐｏｓｅｄｂｙｔａｋｉｎｇａｄｖａｎｔａｇｅｏｆｔｒａｄｉｔｉｏｎａｌｓｐｅｃｔｒａｌａｎａｌｙｓｉｓｉｎｆｉｒｅｄｅｔｅｃｔｉｏｎｔｅｃｈｎｏｌｏｇｙ．Ｔｈｅａｌｇｏｒｉｔｈｍｕｓｅｓｔｗｏ ｄｉｍｅｎｓｉｏｎａｌＨａａｒｗａｖｅｌｅｔｔｒａｎｓｆｏｒｍｔｏｅｘｔｒａｃｔｔｈｅｓｐｅｃｔｒａｌｆｅａｔｕｒｅｓｏｆｔｈｅｉｍａｇｅａｎｄｉｎｐｕｔｔｈｅｍｉｎｔｏＣＳＰＤａｒｋｎｅｔ，ｔｈｅｂａｃｋｂｏｎｅｎｅｔｗｏｒｋｏｆＹＯＬＯｖ５ｓ，ａｎｄｃａｒｒｙｏｕｔｆｅａｔｕｒｅｆｕｓｉｏｎｏｎｔｈｅｃｈａｎｎｅｌｗｉｔｈｔｈｅｃｏｎｖｏｌｕｔｉｏｎｌａｙｅｒｔｏｅｎｈａｎｃｅｔｈｅｔｅｘｔｕｒｅｄｅｔａｉｌｆｅａｔｕｒｅｓｏｆｔｈｅｆｉｒｅｗｏｒｋｓ．ＴｈｅｌｏｃａｔｉｏｎｉｎｆｏｒｍａｔｉｏｎｏｆｔｈｅｎｅｔｗｏｒｋｌａｙｅｒｉｓｅｎｈａｎｃｅｄｂｙｔｈｅＣＡＣ３ｍｏｄｕｌｅｅｍｂｅｄｄｅｄｗｉｔｈＣＡａｔｔｅｎｔｉｏｎｍｅｃｈａｎｉｓｍ，ａｎｄｔｈｅｉｎｆｏｒｍａｔｉｏｎｅｘｔｒａｃｔｉｏｎａｎｄｐｏｓｉｔｉｏｎｉｎｇａｂｉｌｉｔｙｏｆｔｈｅｎｅｔｗｏｒｋｉｓｉｍｐｒｏｖｅｄ．Ｉｎｏｒｄｅｒｔｏｍｅａｓｕｒｅｔｈｅｄｉｆｆｅｒｅｎｃｅｏｆｔｈｅｗｉｄｔｈａｎｄｈｅｉｇｈｔｏｆｔｈｅｂｏｕｎｄｉｎｇｂｏｘａｎｄｂａｌａｎｃｅｄｉｆｆｉｃｕｌｔｙｓａｍｐｌｅｓｏｆｆｉｒｅｗｏｒｋｓ，ｔｈｅｏｒｉｇｉｎａｌＣＩＯＵｉｓｒｅｐｌａｃｅｄｂｙｔｈｅα ＥＩＯＵｌｏｓｓｆｕｎｃｔｉｏｎ，ｗｈｉｃｈｉｍｐｒｏｖｅｓｔｈｅｆｒａｍｅｏｒｉｅｎｔａｔｉｏｎａｃｃｕｒａｃｙ．Ｂａｓｅｄｏｎｔｈｅｏｐｅｎｆｉｒｅｄａｔａａｎｄｈｏｍｅｍａｄｅｆｉｒｅｄａｔａ，ｔｈｅｆｉｒｅｄａｔａｓｅｔｉｓｃｏｎｓｔｒｕｃｔｅｄ，ａｎｄｔｈｅｍｏｄｅｌｔｒａｉｎｉｎｇａｎｄｒｅａｓｏｎｉｎｇａｒｅｃａｒｒｉｅｄｏｕｔ．ＴｈｅｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅｍＡＰｏｆｔｈｅｉｍｐｒｏｖｅｄａｌｇｏｒｉｔｈｍｉｓ２．３％ｈｉｇｈｅｒｔｈａｎｔｈａｔｏｆｔｈｅｏｒｉｇｉｎａｌＹＯＬＯｖ５ｓ，ａｃｈｉｅｖｉｎｇａｂｅｔｔｅｒｄｅｔｅｃｔｉｏｎｅｆｆｅｃｔｏｎｔｈｅｆｉｒｅｗｏｒｋｔａｒｇｅｔｉｎｔｈｅｆｉｒｅｓｃｅｎｅ．Ｋｅｙｗｏｒｄｓ：ｆｉｒｅｄｅｔｅｃｔｉｏｎ；ｗａｖｅｌｅｔｔｒａｎｓｆｏｒｍ；ＹＯＬＯｖ５；ａｔｔｅｎｔｉｏｎｍｅｃｈａｎｉｓｍ；ｆｅａｔｕｒｅｆｕｓｉｏｎ收稿日期：２０２３－０６－１１基金项目：安徽省高校协同创新项目（ＧＸＸＴ－２０２１－０９３）；安徽省重点研究与开发计划项目（２０２００４ａ０７０２００５０）；基于国产智能芯片的宿舍安全管理平台应用开发服务（ＨＹＢ２０２００１９０）ＦｏｕｎｄａｔｉｏｎＩｔｅｍ：ＡｎｈｕｉＵｎｉｖｅｒｓｉｔｙＣｏｌｌａｂｏｒａｔｉｖｅＩｎｎｏｖａｔｉｏｎＰｒｏｊｅｃｔ（ＧＸＸＴ－２０２１－０９３）；ＫｅｙＲｅｓｅａｒｃｈａｎｄＤｅｖｅｌｏｐｍｅｎｔＰｒｏｇｒａｍｏｆＡｎｈｕｉＰｒｏｖｉｎｃｅ（２０２００４ａ０７０２００５０）；ＡｐｐｌｉｃａｔｉｏｎＤｅｖｅｌｏｐｍｅｎｔＳｅｒｖｉｃｅｏｆＤｏｒｍｉｔｏｒｙＳｅｃｕｒｉｔｙＭａｎａｇｅｍｅｎｔＰｌａｔｆｏｒｍＢａｓｅｄｏｎＤｏｍｅｓｔｉｃＩｎｔｅｌｌｉｇｅｎｔＣｈｉｐ（ＨＹＢ２０２００１９０）信号与信息处理０　引言火灾是一种最常见的多发性灾害之一，严重威胁自然环境和人类生命财产安全。

五、泛网无线教研中心张平导师组：张平，无线通信领域专家，北京邮电大学教授，博士生导师，现任北京邮电大学无线新技术研究所(WTI)所长、泛网无线通信教育部重点实验室主任。

张平教授是“新一代宽带无线移动通信网”国家科技重大专项总体专家组成员，国家重点基础研究发展计划（973项目）“认知无线网络基础理论与关键技术研究”项目首席科学家，无线移动通信国家重点实验室（电信科学技术研究院）学术委员会委员，中国《科学通报》编辑委员会副主编，北京市第十一届政协委员，并且享受政府特殊津贴。

张平教授主持参与的项目曾获国家科学技术进步奖、中国通信学会科学技术奖、北京市科学技术奖、和北京市经济技术创新奖等奖项。

研究方向为：宽带移动通信系统新理论及技术。

Professor Ping ZhangFamous expert in the area of Wireless communication,doctoral supervisor of BUPT,Director of Key Lab. of Universal Wireless Communications (BUPT) of Ministry of Education,Director of WTI Institute,Director of Sino-Germany Joint Software Institute.He is also a Member of National Natural Fund Advisory Committee,draftsman of National Key Program,vice president of World Wide Research Forum,Team member of National 863 key Program about Future Mobile Communication , Chief scientist of 973 National Key program of basic research plan,the associate managing editor of < Chinese Science Bulletin >,Editor of WC IEEE.Obtain special government allowance,Member of the 11th Beijing Committee of CPPCCGot National Award for Science and Technology Progress many timesGot Beijing Science and Technology Awards many times田辉，女，教授，博士生导师，主要从事B3G、4G移动通信系统关键技术及无线网络研究。

鲍炜电信科学技术研究院2012年7月30日2012-7-30无线移动创新中心无线移动创新中心•了解EPS系统的网络架构•了解LTE协议模型•了解LTE L2/L3关键过程•了解LTE增强技术特性无线移动创新中心概述L2协议介绍L3协议介绍增强技术特性•E-UTRAN：Evolved UTRAN，演进的接入网•EPC：Evolved Packet Core，演进的核心网•LTE：Long Term Evolution，是3GPP的一个项目的名称，以接入网演进为主要研究对象•SAE：System Architecture Evolution，与LTE并行的项目，以网络架构演进为主要研究对象•EPS：Evolved Packet System，整个网络体系的全称无线移动创新中心无线移动创新中心P-GWS-GWPeer EntityUEeNBEPS BearerRadio BearerS1 BearerEnd-to-end ServiceExternal BearerRadio S5/S8InternetS1E-UTRANEPCGiE-RABS5/S8 Bearer无线移动创新中心•RLC (Radio Link Control)Ø三种传输模式Ø数据重传Ø根据TB 大小进行数据分段Ø对需要重传的RLC PDU 进行重分段Ø对同一个承载的数据进行级联Ø按序递交Ø重复检测•MAC (Media Access Control)Ø复用/解复用RLC PDU Ø数据重传Ø调度Ø填充•PDCP (Packet Data Convergence Protocol)Ø头压缩Ø加密Ø按序递交Ø重复检测Ø数据重传无线移动创新中心•RLC 和MAC 的功能与用户面相同•PDCP 不执行头压缩，但需要执行完整性保护•RRC(Radio Resource Control)Ø广播系统信息Ø建立，维护和释放RRC 连接Ø建立，配置，维护和释放无线承载Ø安全管理Ø移动性管理Ø测量管理用户面重操作；控制面重管理无线移动创新中心控制面协议栈用户面协议栈概述L2协议介绍L3协议介绍增强技术特性•高效传输•可靠传输•安全传输•调度•其他无线移动创新中心无线移动创新中心•PDCP 对用户数据包进行头压缩效率：25% -> 90.9%Data IP UDP Data RTP60byte 20byte 2byte•灵活适配资源承载能力无线移动创新中心•降低UE的电力消耗•可配置的UE接收机休眠模式•网络只在Active time调度用户•仅在Active time UE才进行数据接收•网络为不同的UE配置不同的Active time起始时刻无线移动创新中心•错误发现：L1在为每一个MAC PDU计算CRC Ø不能通过CRC校验的包将被丢弃•错误纠正：双层重传机制ØPHY/MAC层HARQ高效ü简单，没有序号开销(开销低)ü基于子帧进行调度(速度快)ü使用软合并(不浪费)ØRLC层ARQ可靠ü反馈受到CRC和HARQ重传的保护无线移动创新中心无线移动创新中心•切换过程中，RLC 层复位•源eNB 未正确传输给UE 的RLC_AM 承载用户面数据由PDCP 层负责进行前转Ø在源eNB 已经开始传输但未获得确认的数据，由目标eNB 的PDCP 重传Ø在源eNB 尚未开始传输的数据，在目标eNB 进行初始传输S1-u Source eNB 切换前S1-u Source eNB 切换中X2-u S1-u Source eNB切换后•乱序原因：ØHARQ多进程并行传输，导致后发先至Ø切换时，RLC将乱序数据包递交到PDCP层•按序递交：基于RLC和PDCP层的SNØ非切换时，RLC负责按序递交ü按照序列号的顺序将数据包递交给高层ü对于RLC_AM和RLC_UM的处理模式有不同Ø切换时，RLC复位,由PDCP负责按序递交üPDCP按照序列号的顺序将数据包递交给高层ü只用于RLC_AM模式的DRB无线移动创新中心•原因：ØHARQ ACK解码为DTX/NACK，概率1%ØARQ ACK未被发送端正确接收，如发生切换•重复检测：基于RLC和PDCP层的SNØ非切换时，RLC负责重复检测ü丢弃序列号重复的包Ø切换时，PDCP负责重复检测ü丢弃序列号重复的包无线移动创新中心•AS层的安全功能由PDCP层提供Ø总是尽早被激活，一旦激活，就不会去激活Ø在切换时，更换密钥•完整性保护Ø仅用于控制面的保护，防止信令被篡改Ø基于32bit的MAC-I，MAC-I被放在PDCP PDU的最后•加密Ø用于控制面和用户面无线移动创新中心•由MAC完成•调度的原则Ø满足承载的QoS;Ø最大化小区吞吐量Ø兼顾公平性•调度的依据Ø调度信息：如信道质量（CQI）; 缓存状态ØQoS参数：优先级，QCI，误块率，时延等•基于承载粒度进行QoS的管理Ø控制面为每条承载配置QoS参数Ø能支持各种QoS的业务：VoIP（低时延高丢包容忍），FTP(高时延低丢包容忍)等无线移动创新中心•动态调度：Ø一次调度对应一次初始传输资源üDL：自适应HARQ，初始传输和重传都需要调度üUL：自适应/非自适应HARQ，非自适应HARQ允许重传不用发送HARQ调度信令•半持续调度：Ø一次调度对应多次初始传输资源（周期性发生）ü多次传输使用相同的资源ü适用于VoIP等周期性发送大小相同数据包的业务无线移动创新中心•L2协议结构•信道映射•随机接入过程无线移动创新中心无线移动创新中心•传输信道ØPCH: Paging Ch.ØBCH: Broadcast Ch.ØMCH: Multicast Ch.ØDL-SCH: Downlink Shared Ch.ØUL-SCH: Uplink Shared Ch.•逻辑信道ØPCCH: Paging Control Ch.ØBCCH: Broadcast Control Ch.ØCCCH: Common Control Ch.ØDCCH: Dedicated Control Ch.ØDTCH: Dedicated Traffic Ch.ØMCCH: Multicast Control Ch.ØMTCH: Multicast Traffic Ch.无线移动创新中心•目的Ø获取定时提前量Ø获取调度ID:C-RNTIØ获取上行调度机会• 5 种场景ØUE初始接入Ø无线链路失败后发起的初始接入Ø切换时进行随机接入Ø上行失步的UE下行数据到达Ø上行失步的UE上行数据到达无线移动创新中心•竞争随机接入•无竞争随机接入UE eNBRandom Access Preamble1Random Access Response2Scheduled Transmission 3Contention Resolution4无线移动创新中心无线移动创新中心•RLC (Radio Link Control)Ø三种传输模式Ø数据重传Ø根据TB 大小进行数据分段Ø对需要重传的RLC PDU 进行重分段Ø对同一个承载的数据进行级联Ø按序递交Ø重复检测•MAC (Media Access Control)Ø复用/解复用RLC PDU Ø数据重传Ø调度Ø填充•PDCP (Packet Data Convergence Protocol)Ø头压缩Ø加密和完整性保护Ø按序递交Ø重复检测Ø数据重传•具有相同QoS属性的数据被映射到相同的承载上传输•基于RB的QoS属性，为高层数据提供匹配的传输服务Ø高效性：头压缩，级联，DRXØ可靠性：重传，无损，按序，重复避免Ø安全性：加密，完整性保护Ø调度：QoS，用户公平性，网络容量•上述服务特性是可以配置的，相关配置由L3控制L2基于承载为高层提供可以满足各种QoS需求的传输服务无线移动创新中心概述L2协议介绍L3协议介绍增强技术特性•系统信息•连接控制•RRC状态•空闲状态下移动性管理•连接状态下移动性管理•RAT间互操作•测量无线移动创新中心•两种传输方式：ØMIB（Master Information Block）由BCH传输ü在固定的时频资源位置以固定的调制编码方式发送ü包含可以找到SIB1的辅助信息（如下行带宽和系统帧号SFN）ØSIB（System Information Block）由DL-SCH传输ü基于调度发送无线移动创新中心•SIB1 ：独立的消息Ø在固定的时间发送，频域位置基于PDCCH调度指示Ø包含驻留判断，其他SIB的调度信息•其他SIB：同周期可级联成SI发送ØSI的发送周期和窗口参数在SIB1中给出ØSI发送的频域位置基于PDCCH调度指示ØSIB2：ü包含接入限制信息，公共信道参数等接入小区前所需的信息Ø其他SIB：ü包含小区重选信息，ETWS信息等无线移动创新中心无线移动创新中心•系统信息更新Ø修改周期( Modification Period)Ø在修改周期之内，系统信息不会变化；系统信息更新的生效时间只能在Modification Period 的边界；Ø先发送通知（Paging ），然后修改，目的是保证新的系统信息的生效时间点对所有UE 是一致的；•检验机制：ØPaging ：所有UE 都接收ØValueTag ：位于SIB1，有效期3小时BCCH modification period (n) Change notification Updated informationBCCH modification period (n+1)•RRC连接Ø网络和UE之间建立的一个逻辑信令连接Ø体现方式是二者之间建立了DCCH逻辑信道，可以在此之上传输专用控制RRC消息•传输RRC消息的无线承载——SRB无线移动创新中心•RRC连接管理ØRRC连接的建立，修改，释放过程•无线承载管理ØRB建立、修改、释放•安全Ø配置安全算法，启动加密完整性保护功能无线移动创新中心无线移动创新中心RRC 连接S1连接NAS 消息UEeNBMMEP-GWRadio Bearer S1 Bearer控制面用户面S-GW S5/S8 Bearer SRB0SRB1SRB2DRB DRB•SRB0Ø参数在协议中规定Ø用于建立RRC连接•SRB1ØSRB1的建立标志着RRC连接建立Ø用于初始安全性激活和SRB2建立Ø用于传输RRC消息和SRB2建立前的NAS消息•SRB2Ø必须在安全性激活后建立Ø用于传输SRB2建立后的NAS直传消息Ø优先级比SRB1低无线移动创新中心•RRC连接建立过程UE EUTRANRRCConnectionRequestRRCConnectionSetupRRCConnectionSetupComplete•作用：UE建立RRC连接•前提条件Ø正常驻留Ø已经获取驻留小区中所需的全部系统信息无线移动创新中心•如何触发•如何发送MAC:随机接入过程RRC:RRC连接建立过程无线移动创新中心无线移动创新中心•网络在Tracking Area级别上知道UE的位置•eNB通过RRC层寻呼寻找UE无线移动创新中心无线移动创新中心•源eNB 为UE 配置测量•UE 上报测量无线移动创新中心•源eNB 为发送切换请求，切换请求中携带UE 的RRC context•目标eNB 进行接纳判决•目标eNB 返回切换请求响应•切换请求响应中携带切换命令无线移动创新中心•UE 从源eNB 收到切换命令•UE 执行切换•启动Dataforwarding无线移动创新中心无线移动创新中心•目标基站要求EPC 转换数据路径•SGW 转换数据路径•切换完成目标eNB源eNB•发送切换完成无线移动创新中心•连接状态Ø切换：连接状态->连接状态ØCCO：连接状态->空闲状态->连接状态（仅用于到GERAN）Ø重定向：连接状态->空闲状态•空闲状态Ø小区重选：基于频点优先级Ø重选到高优先级频点：高优先级频点信号质量在评估时间内高于门限Ø重选到低优先级频点：üE-UTRAN信号质量低于门限ü重选到高/同优先级频点条件不满足ü有低优先级频点信号质量在评估时间内高于门限无线移动创新中心•目的Ø移动性测量，使网络及时了解UE的信号状况，用于辅助移动性管理(切换等)无线移动创新中心。

北京邮电大学原继续教育学院导师介绍(2008)专业：通信与信息系统丁炜教授，博士研究生导师宽带通信网研究中心领衔教授自1986年以来培养研究生（含博士、硕士）近百人，发表论文150余篇，完成重大科研项目10项，申请专利3项，荣获省部级以上奖项共5项。

目前正在研究的项目：“广义MPLS实现和安全路由器研究”，并与美国INTER 公司合作建立联合实验室，对下一代网络关键技术进行跟踪和预测。

丁炜教授所负责的北京邮电大学培训中心通信网科研室（现更名为宽带通信网研究中心）成立于1985年。

该科研室的宗旨是跟踪世界通信网络新技术的发展，开展对其前沿课题的研究，掌握相关理论和先进技术，力求创新，为我国通信事业的发展和培养优秀的高级通信科学技术人才做出自己的贡献。

目前，为了紧跟国际宽带通信网络新技术的发展，实验室正在进行MPLS协议软件和路由软件的开发、“具有MPLS功能的多业务边缘路由器的研制”、“INTEL网络处理器应用的研究与开发”等项目，其中边缘路由器的研制项目中采用了具有自主知识产权的芯片设计来实现各种网络协议的处理和不同速率接口数据流的转发。

温向明教授，博士研究生导师研究方向：博士研究生：宽带通信网络理论与技术、无线宽带网络理论与技术硕士研究生：IP宽带通信网络技术、移动通信网络技术毕业于北京邮电大学，获通信与信息系统工学博士学位；现任北京邮电大学校长助理兼研究生院常务副院长；校学术委员会委员和校学位委员会委员；教育部归国留学评审专家；北京市信息化专业人才合作培养项目负责人；中国电信网络资源管理专家组副组长；中国通信学会高级会员；北京市大学生电子竞赛组委会副主任等。

长期从事通信与信息系统专业方面的科研与教学工作，主持和参与完成了国家级项目6项，前邮电部项目3项，校级项目1项，横向项目8项。

其中：国家863项目“宽带光纤用户网总体技术研究”，得到国家科委专家的好评，总评结果为Ab;另外，“我国接入网发展战略的研究”获邮电部科技进步二等奖；国家重大项目“移动增值业务网络安全协议方案研究与实现”和“具有V5接口的DLC网元管理设备”已进行成果转化，取得了很好的经济效益和社会效益；“V5接口用户接入系统的监控技术研究”已在通信网中应用。

863-高技术研究发展计划——中国版的“星球大战”计划工程总投资：2000亿元以上工程期限：1986年——2020年1991年，邓小平为“863”计划实施5周年挥毫题词：“发展高科技，实现产业化”。

——863计划即中国国家高技术研究发展计划。

1980年代以来，科学技术迅速发展，对人类产生了巨大的影响，引起了经济、社会、文化、政治、军事等各方面深刻的变革。

1983年3月美国提出“星球大战”计划，欧洲的尤里卡计划、日本的“今后10年科学技术振兴政策”等着眼于21世纪的战略计划也先后应运而生。

什么是“863”计划？1986年3月，王大珩、王淦昌、杨嘉墀、陈芳允四位老科学家联合向**写了一封信，题为《关于跟踪世界战略性高科技发展的建议》，信中恳切地指出，面对着世界新技术革命的挑战，中国应该不甘落后，要从现在就抓起，用力所能及的资金和人力跟踪新技术的发展进程，而不能等到十年、十五年经济实力相当好时再说，否则就会贻误时机，以后永远翻不了身。

这封信得到了邓小平同志的高度重视，小平同志亲自批示：“这个建议十分重要”，“找些专家和有关负责同志讨论，提出意见，以凭决策，此事宜速作决断，不可拖延。

”在随后的半年中，经过广泛、全面和极为严格的科学和技术论证后，**、国务院批准了《高技术研究发展计划（863计划）纲要》。

从此，中国的高技术研究发展进入了一个新阶段。

15年来，在党中央和国务院的领导下，在有关部门的大力支持下，经过广大科技人员的奋力攻关，863计划取得了重大进展，为我国高技术发展、经济建设和国家安全做出了重要贡献。

由于计划的提出与邓小平同志的批示都是在1986年3月进行的，因此此计划被称为“863计划”。

863计划是在世界高技术蓬勃发展、国际竞争日趋激烈的关键时期，我国政府组织实施的一项对国家的长远发展具有重要战略意义的国家高技术研究发展计划，根据**《高技术研究发展计划（863计划）纲要》精神，863计划从世界高技术发展的趋势和中国的需要与实际可能出发，坚持“有限目标，突出中点”的方针，选择了生物技术、航天技术、信息技术、激光技术、自动化技术、能源技术和新材料7个高技术领域作为我国高技术研究发展的重点（1996年增加了海洋技术领域）。

一种嵌入射频指纹的半监督辐射源识别方法姚君宇; 许小东【期刊名称】《《无线电工程》》【年(卷),期】2019(049)011【总页数】6页(P939-944)【关键词】辐射源识别; 贝叶斯CNN; 半监督学习; 射频指纹【作者】姚君宇; 许小东【作者单位】中国科学技术大学电子工程与信息科学系安徽合肥 230031【正文语种】中文【中图分类】TN9750 引言SEI能通过接收信号中的细微特征识别不同的无线电发射机[1]，在不同领域拥有广泛应用，例如军事情报侦察、电子对抗以及设备故障诊断等。

传统的SEI方法将SEI问题看作一种模式识别问题[2]，首先从信号中人工提取RFF特征，然后将其通过分类器来完成识别任务。

在RFF特征中，双谱特征[3-4]由于其良好的抗噪性能和较稳定的分离性而被广泛使用。

然而由于其主要通过信号的相频特性来对辐射源进行识别，难以提取辐射源的其他内在细微特征[3]。

在非协作通信情况下，无法取得完整的辐射源先验信息，仅使用双谱特征难以对辐射源进行准确识别[4]。

近年来，深度学习方法在SEI的应用中取得了进展。

通过神经网络来直接学习信号中的深层隐性特征[5-6]使得深度学习方法相较于特征提取方法获得了更高的识别率，并且降低了对信号先验信息的需求[7]。

在非协作通信中，通常只能得到大量无标签数据和少量有标签数据。

为了应对这种标签数据集缺失的情况，迁移学习[8]、数据增强[9-10]都是可行方法，然而这些方法需要数据的先验信息或是庞大的初始样本数据库。

相比之下，贝叶斯神经网络[11]不需要任何先验信息和初始样本，具有较好的通用性。

贝叶斯神经网络通过提升网络的泛化能力，来克服训练集稀少时遇到的过拟合问题。

在图像[12]以及文本识别[13]等领域，贝叶斯神经网络已经被证明可以在标签训练集更少的情况下达到和传统深度学习方法相同的识别率，并且通过半监督学习[14]可以更好地利用大量的无标签数据。

为了克服非协作通信中的问题，在神经网络框架下，使用双谱灰度直方图特征和贝叶斯CNN相结合，通过回归拟合射频指纹特征来指导CNN训练，并且结合了基于模糊度的半监督学习方式，在有限的标签数据下，进一步提高辐射源的识别率。