[1]邹丽媛１,２,王 宏１,等.基于脑功能网络深度学习的车内噪声评价模型[J].机械与电子,2020,(05):76-80.
　,,et al.Research on Vehicle Interior Noise Evaluation Model Based on Stacked Antoencoder and Functional Brain Network[J].Machinery & Electronics,2020,(05):76-80.

点击复制

基于脑功能网络深度学习的车内噪声评价模型()

分享到：

机械与电子[ISSN:1001-2257/CN:52-1052/TH]

卷:

期数:

2020年05期

页码:

76-80

栏目:

智能工程

出版日期:

2020-05-22

文章信息/Info

Title:

Research on Vehicle Interior Noise Evaluation Model Based on Stacked Antoencoder and Functional Brain Network

文章编号:

１００１- ２２５７（２０２０）０５- ００７６- ０５

作者:

邹丽媛^１; ２; 王 宏^１; 宋桂秋^１

１．东北大学机械工程与自动化学院，辽宁 沈阳 １１０８１９；
２．辽宁水利职业学院，辽宁 沈阳 １１０１２２

Author(s):

ＺＯＵＬｉｙｕａｎ^１; ２; ＷＡＮＧＨｏｎｇ^１; ＳＯＮＧＧｕｉｑｉｕ^１

１．ＳｃｈｏｏｌｏｆＭｅｃｈａｎｉｃａｌＥｎｇｉｎｅｅｒｉｎｇａｎｄＡｕｔｏｍａｔｉｏｎ，ＮｏｒｔｈｅａｓｔｅｒｎＵｎｉｖｅｒｓｉｔｙ，Ｓｈｅｎｙａｎｇ１１０８１９，Ｃｈｉｎａ；

２．ＬｉａｏｎｉｎｇＷａｔｅｒＣｏｎｓｅｒｖａｎｃｙＶｏｃａｔｉｏｎａｌＣｏｌｌｅｇｅ，Ｓｈｅｎｙａｎｇ１１０１２２，Ｃｈｉｎａ

关键词:

车内噪声评价; 堆栈自编码器; 脑功能网络分析; 同步似然

Keywords:

ｖｅｈｉｃｌｅ ｉｎｔｅｒｉｏｒ ｎｏｉｓｅ ｅｖａｌｕａｔｉｏｎ; ｓｔａｃｋ ＡｕｔｏＥｎｃｏｄｅｒ; ｂｒａｉｎ ｎｅｔｗｏｒｋ ａｎａｌｙｓｉｓ;  ｓｙｎｃｈｒｏｎｏｕｓｌｉｋｅｌｉｈｏｏｄ

分类号:

Ｒ３１８

文献标志码:

A

摘要:

研究并构建了一个结合脑电信号处理与深度学习的车内噪声评价模型，该算法通过自我学习实现脑电信号特征提取，使用同步似然方法构建ｄｅｌｔａ、ａｌｐｈａ和ｂｅｔａ频段的脑功能网络。将３个频带的

脑功能网络扁平化处理后作为输入，通过无监督的堆栈自编码器（ＲＳＡＥ）自主提取脑功能网络的特征。通过几个高阶 特 征 训 练 前 后 对 比，证 实 了 ＲＳＡＥ 自 主 学 习 到 与 噪 声 评 价 有 关 的 脑 神 经 特 征。最 终 将 ＲＳＡＥ与普遍使用的 ＳＶＭ 回归模型进行比较，同时将脑功能网络与传统的基于心理声学声音品质的车内噪声评价进行对比。结果表现，所提出的脑功能网络 ＲＳＡＥ 模型的平均决定系数高达９８．６９％，明显优于其他方法。

Abstract:

Ｉｎｔｈｉｓｐａｐｅｒ，ａｎｉｎ ｖｅｈｉｃｌｅｎｏｉｓｅｅｖａｌｕａｔｉｏｎ ｍｏｄｅｌｃｏｍｂｉｎｉｎｇＥＥＧｓｉｇｎａｌｐｒｏｃｅｓｓｉｎｇａｎｄｄｅｅｐ ｌｅａｒｎｉｎｇｗａｓｓｔｕｄｉｅｄａｎｄｃｏｎｓｔｒｕｃｔｅｄ．ＴｈｉｓａｌｇｏｒｉｔｈｍｃａｎｒｅａｌｉｚｅＥＥＧｓｉｇｎａｌｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎｔｈｒｏｕｇｈｓｅｌｆ ｌｅａｒｎｉｎｇ．Ｔｈｅｓｙｎｃｈｒｏｎｏｕｓｌｉｋｅｌｉｈｏｏｄｍｅｔｈｏｄｗａｓｕｓｅｄｔｏｃｏｎｓｔｒｕｃｔｔｈｅｂｒａｉｎｆｕｎｃｔｉｏｎｎｅｔｗｏｒｋｏｆｄｅｌｔａ，ａｌｐｈａａｎｄｂｅｔａ ｂａｎｄｓ．ＦｏｒｔｈｅｕｎｓｔｅａｄｙｃｈａｒａｃｔｅｒｉｓｔｉｃｓｏｆＥＥＧｓｉｇｎａｌｓ，ｔｈｅｓｙｎｃｈｒｏｎｏｕｓｌｉｋｅｌｉｈｏｏｄｍｅｔｈｏｄｄｏｅｓｂｅｔｔｅｒｉｎｆｉｎｄｉｎｇｔｈｅ ｌｉｎｅａｒａｎｄｎｏｎｌｉｎｅａｒｃｏｕｐｌｉｎｇｒｅｌａｔｉｏｎｓｈｉｐｂｅｔｗｅｅｎｄｉｆｆｅｒｅｎｔｃｈａｎｎｅｌｓ．Ｔｈｅｔｈｒｅｅｆｒｅｑｕｅｎｃｙｂａｎｄｓｏｆｆｕｎｃｔｉｏｎａｌｂｒａｉｎ ｎｅｔｗｏｒｋｓｗｅｒｅｆｌａｔｔｅｎｅｄａｓａｎｉｎｐｕｔ．Ｆｉｒｓｔｌｙ，ｔｈｅｆｅａｔｕｒｅｓｏｆｔｈｅｆｕｎｃｔｉｏｎａｌｂｒａｉｎｎｅｔｗｏｒｋｗｅｒｅｅｘｔｒａｃｔｅｄｔｈｒｏｕｇｈ ｕｎｓｕｐｅｒｖｉｓｅｄｐｒｅ ｔｒａｉｎｉｎｇ，ａｎｄｔｈｅｎｔｈｅｉｎｉｔｉａｌｉｚａｔｉｏｎｗｅｉｇｈｔｓｗｅｒｅｕｓｅｄｔｏｔｒａｉｎｔｈｅｆｏｕｒ ｌａｙｅｒｎｅｔｗｏｒｋｕｓｉｎｇｔｈｅ ｉｎ ｖｅｈｉｃｌｅｎｏｉｓｅｓｃｏｒｅｓｅｖａｌｕａｔｅｄｂｙｔｈｅｅｘｐｅｒｔｇｒｏｕｐａｓｔｈｅａｎｎｏｔａｔｉｏｎｉｎｆｏｒｍａｔｉｏｎ．Ｔｈｒｏｕｇｈｔｈｅｃｏｍｐａｒｉｓｏｎｏｆ ｓｅｖｅｒａｌｈｉｇｈ ｏｒｄｅｒｆｅａｔｕｒｅｓｂｅｆｏｒｅａｎｄａｆｔｅｒｔｒａｉｎｉｎｇ，ｔｈｅｖａｌｉｄｉｔｙｏｆＲＳＡＥ’ｓｓｅｌｆ ｌｅａｒｎｅｄｆｅａｔｕｒｅｓｗｅｒｅｃｏｎｆｉｒｍｅｄ ｔｏｂｅｕｓｅｆｕｌ．Ｉｎｔｈｅｅｎｄ，ｔｈｉｓｐａｐｅｒｃｏｍｐａｒｅｄｔｈｅＲＳＡＥｗｉｔｈＳＶＭｒｅｇｒｅｓｓｉｏｎｍｏｄｅｌ，ａｎｄｃｏｍｐａｒｅｄｔｈｅｆｕｎｃｔｉｏｎａｌ ｂｒａｉｎｎｅｔｗｏｒｋｗｉｔｈｔｈｅｔｒａｄｉｔｉｏｎａｌｐｓｙｃｈｏａｃｏｕｓｔｉｃｓｏｕｎｄｑｕａｌｉｔｙ ｂａｓｅｄｉｎｔｅｒｉｏｒｎｏｉｓｅｅｖａｌｕａｔｉｏｎ．Ｔｈｅｒｅｓｕｌｔｓｓｈｏｗ ｔｈａｔｔｈｅｐｒｏｐｏｓｅｄｖｅｈｉｃｌｅｉｎｔｅｒｉｏｒｎｏｉｓｅｂａｓｅｄｏｎＲＳＡＥａｎｄｆｕｎｃｔｉｏｎａｌｂｒａｉｎｎｅｔｗｏｒｋｗａｓｂｅｔｔｅｒ．ＴｈｅａｖｅｒａｇｅｄｅｃｉｓｉｏｎｃｏｅｆｆｉｃｉｅｎｔｏｆｔｈｅｆｕｎｃｔｉｏｎａｌｂｒａｉｎｎｅｔｗｏｒｋＲＳＡＥｍｏｄｅｌｐｒｏｐｏｓｅｄｉｓａｓｈｉｇｈａｓ９８．６９％，ｗｈｉｃｈｉｓｏｂｖｉｏｕｓｌｙｓｕｐｅｒｉｏｒｔｏｏｔｈｅｒｍｅｔｈｏｄｓ．Ｔｈｅｒｅｓｕｌｔｓａｌｓｏｃｏｎｆｉｒｍｅｄｔｈｅｆｅａｓｉｂｉｌｉｔｙａｎｄｅｆｆｅｃｔｉｖｅｎｅｓｓｏｆｔｈｅｐｒｏｐｏｓｅｄｍｏｄｅｌ.

备注/Memo

备注/Memo:

收稿日期：２０１９- １２- ２３

基金项目：辽宁省高等学校创新团队项目（ＬＴ２０１４００６）；国家重点研发计划（２０１７ＹＦＢ１３００３００）

作者简介：邹丽媛 （１９８２－），女，内蒙古赤峰人，博士研究生，研究方向为信号处理。

常用功能