- 博客(13)
- 收藏
- 关注
RSS订阅原创 代码理解sfs
CopyInsert这个函数名为data和flag。data是一个三维数组，flag是一个标记值。这个函数的主要功能是处理输入的三维数据data，提取每个位置的特征，并将这些特征以及额外的信息（如列索引和标记值）存储在一个新的数组中。这个过程涉及到数据切片、特征计算和数据存储，最终目的是为了后续的数据分析或模型训练。我的问题1featured_data = np.zeros([40, 40, 101])中的101是怎么来的，为什么是101在中，101这个数字代表了数组的第三个维度的大小，即每个。
2024-06-18 13:50:21
837
1
原创 脑电预处理笔记
先raw.cropped = raw.copy。再raw.cropped.crop。3.裁剪 raw.crop(tmin,tmax)
2024-04-01 14:57:36
90
原创 【无标题】
在这个数据集中，选择了40个音乐视频，以尽可能地唤起人们的情绪。已经记录了来自40个通道的数据，其中包括32个EEG通道和8个生理通道。每个音乐视频的周期为63秒，其中包括观看每个音乐视频3秒的准备周期和观看1分钟的准备周期。在观看了每个音乐视频后，参与者对每个音乐视频的Valence、Arousal、Dominance和Liking评分从0到9。每个人给出的分数被认为是每个人的标准标准。它越高，这个人感觉越积极和快乐，它越低，这个人感到越消极和悲伤。数值越高，感觉越强烈，数值越低，感觉越弱。
2024-03-08 14:50:59
373
1
原创 笔记：基于动态图卷积神经网络的脑电情绪识别
最常用的频域特征提取方法之一是将脑电信号分解成几个频段，例如，δ波段(1-3Hz)、θ波段(4-7Hz)、α波段(8-13Hz)、β波段(14-30Hz)和γ波段(31-50Hz)[20][25][26][27]，然后从每个频段分别提取EEG特征。基本上，情感识别方法可以分为两类。常用的脑电特征包括微分熵(DE)特征[28][29]、功率谱密度(PSD)特征[30]、微分不对称性(DASM)特征[23]、理性不对称(RASM)特征[31]和差分尾度(DCAU)特征[18]。
2024-03-05 15:27:17
538
1
原创 基于动态图卷积神经网络的脑电情绪识别
实验结果表明，所提出的方法比最先进的方法实现了更好的识别性能，其中主题相关实验的平均识别准确率为 90.4%，主题独立交叉验证的平均识别准确率为 79.95%，SEED 数据库上的主题独立交叉验证的平均准确率分别为 86.23%、84.54% 和 85.02%，分别为 DREAMER 数据库上的效价、唤醒和优势分类。图1示出了包含六个顶点节点和连接图的节点的边的图的示例，以及与图相关联的邻接矩阵，其中图左侧的不同颜色箭头表示连接源节点到目标节点的边，而图的右侧是相应邻接矩阵的图示。
2024-03-05 14:34:00
1120
1
原创 笔记EEG-based Emotion Recognition via Channel-wise Attention and Self Attention
在实际的脑电信号采集中，多通道设备中的不同脑电通道通常包含冗余或不太相关的信息。为了提高情感识别的准确性，一些方法采用通道选择来选择更相关的通道[30]。与人工选择相关通道的传统方法[31]不同，我们采用了自适应通道机制，该机制可以考虑所有通道的信息，并根据重要性为不同的通道分配权重。结构图的右侧显示了时间特征提取模块（图 3），它由一个两层 LSTM 和扩展的自注意力机制组成。为了探索多通道脑电信号的不同通道的重要性，我们将注意机制以通道方式应用于脑电信号。左边框框是空间特征提取模块。
2024-03-04 15:03:18
428
1
原创 基于EEG的通过通道注意力和自注意力的情绪识别
在我们的框架中，S = {S1, S2,., Sn} 表示预处理后的 EEG 样本，Si = [s1, s2,., sm] (i = 1, 2,..., m) 是第 i 个 EEG 样本，其中 sj (j = 1, 2,..., m) 表示 EEG 样本 Si 的第 j 个通道，m 是每个样本的通道总数。因此，C = {C1, C2,., Cn} 表示提取的通道注意特征，第 i 个提取的特征 Ci = [c1, c2,..., cm] 可以通过 Si = [s1, s2, 的每个通道之间的通道乘法获得。
2024-01-31 16:44:11
1036
原创 基于通道注意力和自注意力的EEG情感识别
Basic Information:Title: EEG-based Emotion Recognition via Channel-wise Attention and Self Attention (基于通道注意力和自注意力的EEG情感识别) Authors: Wei Tao, Chang Li, Rencheng Song, Juan Cheng, Yu Liu, Feng Wan, Xun Chen Affiliation: Wei Tao is with the Department of
2024-01-24 11:41:08
418
1
原创 脑电阅读文章笔记
为保留脑电（Ｅｌｅｃｔｒｏｅｎｃｅｐｈａｌｏｇｒａｍ，ＥＥＧ）空间信息的同时充分挖掘 ＥＥＧ时序相关信息，提出了一种三维卷积 神经网络（３－ＤｉｍｅｎｓｉｏｎａｌＣｏｎｖｏｌｕｔｉｏｎａｌＮｅｕｒａｌＮｅｔｗｏｒｋｓ，３Ｄ－ＣＮＮ）结合双向长短期记忆神经网络（ＢｉｄｉｒｅｃｔｉｏｎａｌＬｏｎｇ Ｓｈｏｒｔ－ｔｅｒｍ ＭｅｍｏｒｙＮｅｕｒａｌＮｅｔｗｏｒｋｓ，ＢＬＳＴＭ）的混合神经网络 （３ＤＣＮＮ－ＢＬＳＴＭ）
2023-12-25 09:47:06
367
1
原创 脑电综述笔记
（４） ＥＥＧ 信号的差异性。ＥＧＧ 信号不仅具有个体差异性，而且由于脑电设备通道数和采样频率的不同，不同设备采集的 ＥＥＧ 信号在数据格式上有较大差异，不利于模型特别是以手工特征作为输入的模型的推广。虽然当前研究已经取得良好的分类效果，但从实际应用需求的角度出发仍需建立普适性的算法模型。（１） 模型的泛化能力没有得到验证。目前的研究大都针对单个数据集，没有在多个数据集上进行验证。现有模型参数量庞大，运算时间较长，很难做到识别的实时性。综上所述，后续研究应以增强模型的泛化能力和计算效率为主要目标。
2023-12-25 09:29:27
336
1
原创 目标检测综述笔记
在FPN技术出现之前，大多数检测算法的检测头都位于网络的最顶层(最深层)，虽说最深层的特征具备更丰富的语义信息，更有利于物体分类，但更深层的特征图由于空间信息的缺乏不利于物体定位，这大大影响了目标检测的定位精度。它的主要思路是对于一副图像分成若干尺度的图像块(比如一副图像分成1份，4份，8份等)，然后对每一块提取的特征融合在一起，从而兼顾多个尺度的特征。【不足】 和RCNN一样，SPP也需要训练CNN提取特征，然后训练SVM分类这些特征，这需要巨大的存储空间，并且多阶段训练的流程也很繁杂。
2023-11-29 15:03:03
20
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