- 博客(22)
- 收藏
- 关注
RSS订阅原创 9.静息态EEG微状态分析（下）
需注意的是这4个模板map的顺序不见得一定与文献中经典的4类静息态microstate maps的顺序相一致，因此需要绘制这4个模板map，并将它们与经典的class A、class B、class C和class D进行对比，确定ep文件中这4个模板map与 class A B C D的对应关系。每个被试的ep文件名中用数字标示出其最优类别数目，且每个被试的ep文件使用记事本打开后可见其维度是：最优类别数目*电极数目，单位是微伏。
2023-07-25 09:54:35
1233
1
原创 8、静息态EEG微状态分析（上）
提供精神/神经疾病的生理指标：对于不同的疾病而言，一个较为一致的发现是：相对正常健康被试而言，罹患上述疾病的病人某些微状态类别的持续时间变短，而另一些微状态类别的出现频率则增加。例如，通过对近15年来的精神分裂症静息态脑电微状态研究进行元分析，研究者发现精神分裂症患者微状态类别C的出现频率更高、微状态类别D的平均持续时间更短 (Rieger et al. 2016)。3、每个微状态类别的涵盖比例：它指的是每个微状态类别总的持续时间占全部静息态脑电时间长度。、如何确定地形图类别的数目：（1）强制为4个；
2023-07-18 20:50:11
2709
1
原创 7.脑功能连接分析
假设想计算维度为chan*time*epoch（E、T和S分别为电极或脑区数目、每个分段的点数、分段的数目）的静息态EEG数据中，电极X和电极Y的。假设想计算维度为E×T×S（E、T和S分别为电极或脑区数目、每个分段的点数、分段的数目）的任务态脑电数据中电极X和电极Y的PLV/PLI，（3）对S个前述相位差矩阵进行分析。对于每个时频点，计算S个分段在该时频点的相位差（S个相位差）的一致性，得到每个时频点的PLV/PLI。（2）在每个分段，电极X和Y的相位矩阵相减，得到所有分段的相位差矩阵。
2023-06-09 16:48:49
4484
1
原创 6、ERP时频分析
短时傅里叶变换的基本原理就是将分段数据加窗(window)，做快速傅里叶变换(fft)，在分段就会有重叠(noverlap)，因此一个向量的短时傅里叶变换结果是一个矩阵(S)。时频分析中既可能包含锁时锁相（诱发）的信息，也可能包含锁时非锁相（引发）的信息，要计算ITPC才 能判断是哪种信息。，诱发电位它是随着时间会发生变化的，所以不适合单纯使用频域分析（可以进行时域分析）。锁时非锁相（引发）的信息在时域上没法分析，只能做时频分析，但是锁时锁相（诱发）的信息是时域分析和时频分析都可以做。
2023-05-25 11:07:11
1041
2
原创 【深度学习】权重衰减、丢弃法、反向传播
过拟合现象：模型的训练误差远小于它在测试集上的误差。虽然增大训练数据集可能会减轻过拟合，但是获取额外的训练数据往往代价高昂。本节介绍应对过拟合问题的常用方法：权重衰减（weight decay）。
2023-05-25 11:03:35
149
1
原创 【深度学习】多层感知机、模型选择
多层感知机就是含有至少一个隐藏层的由全连接层组成的神经网络，且每个隐藏层的输出通过激活函数进行变换。多层感知机的层数和各隐藏层中隐藏单元个数都是超参数。HOϕXWhbhHWobo其中ϕ表示激活函数。在分类问题中，我们可以对输出O做softmax运算，并使用softmax回归中的交叉熵损失函数。在回归问题中，我们将输出层的输出个数设为1，并将输出O直接提供给线性回归中使用的平方损失函数。
2023-05-25 11:01:28
108
原创 【深度学习】线性回归和softmax回归
线性回归输出是一个连续值，因此适用于回归问题。回归问题在实际中很常见，如预测房屋价格、气温、销售额等连续值的问题。与回归问题不同，分类问题中模型的最终输出是一个离散值。我们所说的图像分类、垃圾邮件识别、疾病检测等输出为离散值的问题都属于分类问题的范畴。softmax回归则适用于分类问题。由于线性回归和softmax回归都是单层神经网络，它们涉及的概念和技术同样适用于大多数的深度学习模型。我们首先以线性回归为例，介绍大多数深度学习模型的基本要素和表示方法。
2023-05-25 11:00:50
435
原创 在MINIST数据集上运行GAN、Conditional GAN
GAN中的Generator是一种神经网络，给定一组随机的值Z（服从多元高斯分布采样），通过一系列非线性计算产生真实的图像。Conditional GAN最主要的不同就是在生成器和判别器的输入会加上样本的标签（或其它）信息。此外，判别器对观察结果的分类能力不仅限于图像，还包括视频、文本和许多其他领域(多模态)。D(G(z))：生成的fake样本Gz被预测为真的概率，（我们希望越大越好）判别器基于判别建模的概念，它试图用特定的标签对数据集中的不同类进行分类。：将判别器返回的对虚假样本的判别结果与1比较。
2023-05-25 10:55:50
216
原创 【机器学习】：脑电数据时域特征提取
时域领域的特征提取主要思想：某个一小段时间段里面的幅值，可能可以明显区别不同的类别，那么我们的目的就要找出这一小个时间段。然后取出这个小的时间段的波幅（求平均），来作为这个数据的特征之一。数据说明：被试01，C类别的数据（01_lxx_task_combine_maker_selectC._2s）：每个被试每个类别的数据的维度是 chan*t*epoch，其中chan是通道数，t是时间点，epoch是分段数。特征提取的步骤一、个体水平的叠加平均。
2023-05-19 16:39:17
1499
原创 4、EEG的功率谱密度（PSD）计算
傅里叶级数的本质是将一个周期的信号分解成无限多分开的（离散的）正弦波，但是宇宙似乎并不是周期的。在频谱中，偶数项的振幅都是0，也就对应了图中的彩色直线。傅里叶变换，则是将一个时域非周期的连续信号，转换为一个在频域非周期的连续信号。预处理之后的静息态的数据EEG是时域数据，需要通过傅里叶变换变成频域数据。静息态数据在时间上是随机的，没有意义的，但在频率上可能有意义。则是时间差在一个周期中所占的比例。任何周期函数，都可以看作是不同振幅，不同相位正弦波的叠加。频域图像，也就是俗称的频谱（横轴-频率，纵轴-振幅）
2023-05-11 08:53:13
3498
原创 3、ERP时域分析
因此，可以对预处理后数据进行叠加平均，以便抵消噪声、凸显信号。dir函数在筛选数据时，会按照升序排列，注意0的影响。Part3：绘制一定时间范围内的地形图。part1：计算组平均 ERP。Part2：绘制组平均ERP。Part4：绘制一系列地形图。具体的数据形状间的变化。导出并保存生成的图片。
2023-05-06 08:41:43
1378
10
原创 2、脑电预处理
最后运行结果如下图：可以看到有200个events，数据被分成了100段，每一段是[-1 1.998]的长度。当你的分段太少了，由于电极造成的很多分段都要去掉，那么可以进行插补坏通道（即使在处理后期也可以做）用的默认的坐标定位文件是10-5的标准电极排布系统，那么非标准电极是无法定位出来的。正常人的头皮脑电都是+- 100 uv 的范围的。所以超出这个范围的脑电都是伪迹。画出来60个，可以看到，排序第一的成分再最上面，因为它是最后画出来的。下面的操作：保留含有你想要的反应的分段，去掉一些不要的分段。
2023-04-27 10:43:13
2390
1
原创 1、脑电基本原理及其经典成分
矢状线由前到后依次为Fpz、Fz、Cz、Pz和Oz，除Fpz与鼻根，Oz与枕外粗隆的距离为矢状线长度的10%外，其余点间距为矢状线长度的 20%；沿着冠状线，从左耳前凹10%处，依次为T3、C3、Cz、C4、T4，各点之间的距离均为冠状线长度的 20%。脑内的一个沟cortex，这里有朝某个方向排列的很多神经元，如果这些神经元都同步放电的话，就把这些神经元放电构成的电流偶极子，看成一个。每个脑区产生的电信号，是向各个方向传播的（可以传到头皮上的所有电极），但不同脑区的信号对电极信号构成的贡献不同。
2023-04-20 20:30:07
4471
1
原创 tensorflow1.3+python2.7+cuNN+CUDA
当我们选定相对应的版本之后，下载的时候发现这个地方的文件大小大概在2G左右，Linux系统下面我们选择runfile(local) 完整安装包从本地安装，或者是选择windows的本地安装。CUDA11.6是之前安装的，CUDA8.0是之后安装的，所以默认CUDA11.6的环境变量在CUA8.0之前，但是CUDA_PATH环境变量被CUDA8.0覆盖。切换CUDA版本时，只需要切换系统变量->PATH环境变量中CUDA的顺序即可，比如让CUDA8.0生效，则CUDA8.0环境变量在CUDA11.6之前。
2022-11-15 16:34:29
603
原创 spaCy离线安装en_core_web_sm、de_core_news_sm
离线安装en_core_web_sm、de_core_news_sm
2022-11-01 20:49:43
2427
4
原创 根据开源代码创建新的conda虚拟环境pytorch1.8、torchtext0.9
之前已经成功装过一次pytorch的最新版本，但在学习新的东西的时候，开源代码的要求和我现在的pytorch、torchtext版本是不适配的，因此需要用Anaconda重新创建一个虚拟环境，在里面安装我需要的一些版本的库。
2022-11-01 20:30:10
586
原创 机器学习：强化学习
（Reinforcement Learning）是机器学习的重要分支。强化学习是指：从环境状态从动作映射的学习，以使动作从环境中获得的累计奖赏值最大。与监督学习不同，监督学习通过正例、反例来训练模型采用何种行为，而强化学习通过探索试错的策略发现最优行为策略。
2022-09-11 10:19:50
3122
原创 聚类--DBSCAN
1、什么是DBSCNDBSCAN也是一个非常有用的聚类算法。它的主要优点:它不需要用户先验地设置簇的个数，可以划分具有复杂形状的簇，还可以找出不属于任何簇的点。DBSCAN比凝聚聚类和k均值稍慢，但仍可以扩展到相对较大的数据集。1.1算法原理DBSCAN的原理是识别特征空间的“拥挤”区域中的点，在这些区域中许多数据点靠近在一起。这些区域被称为特征空间中的密集区域。DBSCAN背后的思想：簇形成数据的密集区域，并由相对较空的区域分隔开。在密集区域内的点被称为核心样本（或核心点），它们的定
2022-05-07 11:22:57
6401
原创 聚类--凝聚聚类
1、什么是凝聚聚类凝聚聚类（agglomerative clustering）指的是许多基于相同原则构建的聚类算法，这一原则是：算法首先声明每个点是自己的簇，然后合并两个最相似的簇，直到满足某种停止准则为止。scikit-learn 中实现的停止准则是簇的个数，因此相似的簇被合并，直到仅剩下指定个数的簇。还有一些链接（linkage）准则，规定如何度量“最相似的簇”。这种度量总是定义在两个现有的簇之间。scikit-learn 提供了下面三种链接准则：ward，war
2022-05-07 11:22:09
2488
原创 聚类--KMeans
1、什么是K均值聚类k均值聚类是最简单也是最常用的聚类算法之一。它试图找到代表数据特定区域的簇中心（Cluster Center）K-means算法过程1.随机布置K个特征空间内的点作为初始的聚类中心2.对于根据每个数据的特征向量，从K个聚类中心中寻找距离最近的一个，并且把该数据标记为从属这个聚类中心3.在所有的数据都被标记过聚类中心之后，根据这些数据新分配的类簇，重新对K个聚类中心做计算4.如果一轮下来，所有的数据点从属的聚类中心与上一次的分配的类簇没有变化，那么可以迭代停止，否者回到
2022-05-07 11:21:14
927
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