意念控制智能车项目进展2014.10.25-26

2014.10.25

从项目购置实验物品起,真正启动项目。

本日共完成从使用串口调试软件,通过蓝牙传输,读取Mindwave耳机读取到的五组脑电波原始数据(前进,后退,左转,右转,停下)。由于未能了解传输信号原理,每组信号经过处理,只记录了8个数据包(每个包中存在512个小包和1个大包)。每个小包中有8个16进制数据,每个大包中有36个。每个数据包的记录时间大约为1秒。

同时编写C程序对处理过的数据进行丢包检测和High与Low信号的处理(下面展示部分代码)。


for(j=0;j<8;j++)
	{
		for(i=0;i<513;i++)
		{
			fscanf(MWData,"%x %x %x",&Data[j][i].High,&Data[j][i].Low,&Data[j][i].CheckSum);
			Data_z[j][i].checksum=Data[j][i].CheckSum;
			if(Data[j][i].High==170&&Data[j][i].Low==170)
			{
				fseek(MWData,100L,1);
				break;
			}
			//printf("第%d组第%d个 %x %x %x\n",j,i,Data[j][i].High,Data[j][i].Low,Data[j][i].CheckSum);
			Data_z[j][i].rawdata = (Data[j][i].High << 8) | Data[j][i].Low;
			Data_z[j][i].sum=((0x80 + 0x02 + Data[j][i].High + Data[j][i].Low)^ 0xFFFFFFFF) & 0xFF;
			//printf("%d %d\n",Data_z[j][i].sum,Data_z[j][i].rawdata);
		}
	}



2014.10.26

本日通过阅读EEG信号说明,发现大包中存在POOR_SIGNAL Quality(噪音值)、ATTENTION eSense(专注度)、MEDITATION eSense(放松度)与Blink Strength(眨眼干扰)。8组数据对于分析显然不够,今早对于实验原始数据进行了重新采集(至少23个数据包)。由于数据过多,编写了C程序来处理数据,并将有用数据(大包以及每个小包中的后3个16进制数)保存到另一个文件中。


#include<stdio.h>
#include<stdlib.h>
#include<string.h>

int main()
{
    FILE *fp_1,*fp_2;
    char str_big_check[12],str_big[108],str_small[9];
    int i,data_num=0;
    
if((fp_1=fopen("Mind.txt","r"))==NULL)
    {
        printf("Error_1\n");
        exit(0);
    }
if((fp_2=fopen("Mindnew.txt","w"))==NULL)
    {
        printf("Error_2\n");
        exit(0);
    }
    
    while(!feof(fp_1))
    {
        fgets(str_big_check,12,fp_1);
        if(strcmp(str_big_check, "AA AA 20 02"))
            fseek(fp_1,-10L,1);
        else
        {
            data_num++;
            fseek(fp_1,-11L, 1);
            fgets(str_big, 108, fp_1);
            fputs(str_big,fp_2);
            fputc(' ',fp_2);
            for(i=0;i<512;i++)
            {
                fseek(fp_1, 16L, 1);
                fgets(str_small, 9, fp_1);
                fputs(str_small, fp_2);
                fputc(' ', fp_2);
            }
        }
    }
    fclose(fp_1);
    fclose(fp_2);
    printf("%d",data_num);
    return 0;
}

将上面采集到的有用数据稍作处理,即可得到所需数据集。

在上一日的基础上,改进了数据处理程序,添加了专注度等的数据采集。


struct SMA
{
	int singal;
	int attention;
	int meditation;
	long int delta;
	long int theta;
	long int lalpha;
	long int halpha;
	long int lbeta;
	long int hbeta;
	long int lgamma;
	long int hgamma;
	int check;
}sma[row];

得到的数据通过导入MATLAB,得到峰值曲线。

目前遇到瓶颈为:

  1. 得到的信号曲线起伏不定,未能发现任何有规律之处。
  2. 脑电波信号精确度无法确定,将来在数据采集上会有一个值域。
  3. 峰值可能并不是有效信号的载体,信号变化率将在MATLAB中重做。
  4. 两人MATLAB水平目前菜得抠脚,继续学习。



1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值