深度学习
文章平均质量分 93
槿花Hibiscus
平时不怎么用博客,不太回私信和评论,请见谅。
但是没回很大可能也是因为我不会
展开
-
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。原创 2023-10-15 16:05:08 · 1457 阅读 · 14 评论 -
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。原创 2023-10-02 14:46:42 · 1915 阅读 · 14 评论 -
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。原创 2023-05-25 20:15:23 · 8362 阅读 · 35 评论 -
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。原创 2023-04-17 18:10:21 · 4427 阅读 · 20 评论 -
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。原创 2023-03-13 21:34:31 · 5652 阅读 · 9 评论 -
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。原创 2023-03-11 12:08:21 · 3990 阅读 · 17 评论