- 博客(22)
- 收藏
- 关注
RSS订阅原创 强化学习专题：强化学习知识梳理（一）
2024/6/23：前段时间有幸完成了大学期间的第一篇论文。在面试之前复盘一下关于自己论文中DQN的一些相关点。
2024-06-25 16:26:39
443
原创 数据结构（栈）：中缀表达式转后缀表达式题型的快速图解法（求栈中操作符等）
以表达式 a+b*(c-d)+e 为例，先将其转化为二叉树，转化过程暂且不表，请读者自搜。总之能画成以下这样，若要得出后缀表达式则请后序遍历此树：图1 基本结构图以上为构造的基本结构，跟普通的树不同的是里面增加了带括号的2型特殊节点。而红线即为递归的过程。对于1型节点来说，递归（红线）到1号位时，符号栈中增加该符号，而到2号位时出栈；而对于2型节点来说，递归（红线）到1号位时，符号栈中增加左括号，而到2号位时增加该符号，到3号位时弹出之前入栈的左括号和符号。
2024-05-14 16:34:19
344
2
原创 论文+代码阅读：基于图像的EEG疲劳分类深度递归神经网络
评估疲劳驾驶检测系统一直是研究人员的主要兴趣。随着深度学习算法和多模态技术的发展，越来越多的学者开始从多通道脑电图时间序列数据中寻找新的表示方法。在这里，我们建议将疲劳和正常状态脑电图数据转换为一系列拓扑频谱图像，并伴随眼睑闭合比 (PERCLOS) 标记输入到我们训练的图像分类深度循环卷积神经网络中，以从图像序列中找到新的数据鲁棒表示。我们使用了 2017 年上海交通大学发布的数据集 SEED-VIG 来帮助构建疲劳检测系统。
2023-10-15 16:05:08
1426
14
原创 论文+代码阅读：基于深度强化学习无监督时间采样网络实现EEG情绪聚类
该文章主要记录自己在阅读论文和代码时的一些思路原文：Unsupervised Time-Aware Sampling Network with Deep Reinforcement Learning for EEG-Based Emotion。
2023-10-02 14:46:42
1882
14
原创 EEG代码实践：数据集特征提取方法一览（以SEED为例）
学习内容一览：本文主要针对上海交通大学的SJTU（SEED）数据集，在前文的基础上进行特征提取，旨在之后通过更加标准的流程实现分类。
2023-09-29 11:20:14
3261
10
原创 EEG代码实践：基于图卷积神经网络（GCN）的DEAP数据集分类
图卷积神经网络（Graph Convolutional Network，GCN）是一种用于处理图结构数据的深度学习算法。它扩展了传统的卷积神经网络（CNN）到图领域，可以对节点在图上的特征进行学习和预测。GCN具有广泛的应用，包括社交网络分析、推荐系统、生物信息学等领域。图 1 GCN概念图GCN首先将图表示为邻接矩阵A和节点特征矩阵X。邻接矩阵A描述了图中节点之间的连接关系，其中A(i, j)表示节点i和节点j之间是否存在边。节点特征矩阵X包含了每个节点的特征向量，可以是节点的属性或者其他表示。
2023-05-25 20:15:23
8228
35
原创 方法试用：基于强化学习提高EEG分类准确率的特征选择方法（完整代码）
学习内容一览：这一篇文章主要建立在前文与的基础上，尝试运用强化学习的方法来提高识别睡眠阶段的准确率，对前段时间强化学习的学习成果做一个总结。
2023-04-21 15:21:32
1464
1
原创 代码实践：基于LSTM网络的DEAP情感数据集情感分类
学习内容一览：这一篇文章主要对DEAP数据集转化为python可以处理的格式，并且进一步使用LSTM网络进行分类工作。
2023-04-17 18:10:21
4359
20
原创 EEG前沿探索：强化学习（reinforce learning），终身学习（lifelong learning），脉冲神经网络（SNN）
这篇博客主要展示在导师的指导下，我在脑机接口前沿领域做的一些探索、调研以及记录对于这些方法的一些自己的思考。
2023-03-26 22:22:43
1315
3
原创 EEG深度学习实战：脑电信号通过CNN神经网络进行二分类
这一篇文章主要建立在前文的基础上对数据集进行操作，通过CNN神经网络做到二分类，尝试使用深度学习的模式来预测分类脑电信号。
2023-03-13 21:34:31
5544
9
原创 EEG&CNN深度学习神经网络前置：处理EEG脑电信号生成时频图dataset
在这这一篇博客中，将尝试使用EEG信号，主要使用plt.specgram()函数来生成脑电信号的时频图dataset，为接下来使用神经网络进行深度学习做准备。
2023-03-11 12:08:21
3951
17
原创 mne脑机接口：对P300数据集的研究与模式识别（代码复用）
2023/3/1-2023/3/4 脑机接口学习内容一览：这一篇博客里，将对来自于kaggle的P300数据集开展研究，并且简化了任务流程，从识别P300电位对应字符到识别是否出现P300电位，因此准确率较高，处理难度主要出现在陌生数据集的处理方面。
2023-03-04 16:18:07
1167
原创 脑机接口：尝试通过脑电预处理提高特征识别准确率
在本次的代码实践中，虽然识别的准确率并没有明显的上升，但是对预处理流程更加熟悉，相比之前也更加了解了在mne中ica的识别坏成分并处理的手段。寒假的学习可能就告一段落了，希望下次进行代码实践时能有更大的提高。
2023-02-04 11:11:50
824
原创 代码实践：对脑电信号进行特征提取并分类（二分类）
本文将基于mne，通过之前做过的一些脑电预处理，特征提取和机器学习操作基础，进行一次对新数据集的操作复现。
2023-01-29 10:32:03
6664
10
原创 MNE实例分析：基于AR模型的时域白化处理
在这一篇博客里，我们通过AR模型对信号进行拟合与时域白化。这里有两个需要注意的点。1.什么是AR模型？2.对信号时域的白化操作有什么意义？
2023-01-22 18:50:57
756
原创 EEG信号分析：关于时频分析方面的个人理解
在这一模块的学习中，对傅里叶变换等时频分析方式具有了更深层次的原理理解，但是仍然需要在代码方面有所加强，接下来应该聚焦于机器学习结合脑电分析方面的学习，使自己的水平有更大的提升。
2023-01-18 13:50:39
1706
原创 mne库脑电时频信号分析函数解读：小波变换及方法比较
2023/1/8-2023/1/9 脑机接口学习内容一览：这一篇博客里，主要研究mne库中的函数mne.time_frequency.tfr_morlet如何完成时频信号分析，提供基本的函数功能、参数翻译以及部分参考用实践代码。本文内容较为基础，主要提供给脑机接口的初学者阅读。
2023-01-11 12:38:34
2904
原创 脑机接口随机森林判断睡眠类型：特征提取与机器学习
2023/1/4 -1/脑机接口学习内容一览：这一篇博客里，主要研究脑电信号是如何与机器学习算法结合来完成特征提取并且进行分类的。如果你是脑机接口的初学者，这一篇文章可能对你有一些作用。这项工作主要基于脑机接口社区的文章，在上个星期的学习中，对这一篇文章有了一定程度的理解，但是对其机器学习的部分还未能深入。
2023-01-05 11:22:07
458
原创 脑机接口信号基本操作回顾
这项工作主要考验自己对脑电信号基本处理流程的熟悉程度，在写代码的同时也发现了自己较多的不足，有些bug也未能完美处理。但是相对于一个星期前一知半解的状态明显有着很大的进步。这一篇博客主要是对自己这几个星期学习脑机接口基本操作情况的总结，对刚进入这个领域、感觉有些迷茫的同学来说可能会有一定的参考价值。
2023-01-03 19:47:57
790
1
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人