- 博客(24)
- 收藏
- 关注
RSS订阅原创 图像的采样定理的含义
在行方向上，如果其DFT的最后一个不为0的值出现在10的位置，则表示，在行的采样上，至少要在256个点里，采样20个点；同理，如果在列方向上，最后一个不为0的值出现在20的位置，则表示在列的方向上，每一列要采样40个值。图像的采样定理，也涉及到了图像的频率的概念，一般表述为：如果该图像是一个带限信号，则采样频率是其最大频率的2倍。因为图像信号没有时间的概念，图像的周期是参加傅里叶变换的尺寸。256的图，其傅里叶变换也是256。那么图像的频率是什么？
2023-05-29 15:49:30
226
原创 如何对三维数据中的一维进行去均值（MATLAB）
如果你有一个三维数组，比如说X是（10，5，3）的矩阵，我需要对其中第二维的数据进行去均值处理，那么，首先计算出第二维的均值，得到一个（10，1，3）的均值矩阵，将它扩展成（10，5，3），然后与原矩阵进行相减即可。%(10,5,3)，其中（1，5，1）表示和（10，1，3）进行相乘就是扩展后的维数；
2023-05-29 15:46:38
709
原创 卷积神经网络——CNN（1）
CNN的目的是进行特征提取。 传统网络和CNN的差别：增加了卷积核的运算，CNN的目标就是得到最好的卷积核（参数），使得分类的结果最好。步长的影响：步长小，细粒度，特征比较丰富；步长大，粗粒度，特征比较省略；卷积核不一定是等长比如3*3;尺寸的影响：是对区域的选择的不同；边缘填充：边缘的点被计算的次数少，中间的点计算的次数更多。为了解决这个问题，在数据的边缘加一圈0，使得原来的边缘点成为非边缘点。此为padding。+0不会对最终的结果产生影响，因此为zero-padding卷积核个数...
2022-03-14 12:44:56
1339
原创 Machine Learning（1-1）
机器学习的目的：可以让数据变成知识。比如医院里的病例，收集这些病例，并对这些数据进行分析，可以得到一些有用的结论，也可以说是医疗知识。采集的脑电信号，对这些数据进行分析，也可以得到一些有意思的结论，这些结论可以帮助我们理解大脑是如何运作的，最重要的是，可以帮助我们知道，大脑和外界是如何互动的，我们能怎样诱发大脑的改变，特别是情绪的改变。人在什么状态下创造性最高？理解力最强？平静祥和，还是兴奋？如何积极的诱发大脑处于理想状态？...
2022-03-14 11:09:59
66
原创 Git和Github的关联
为了备份程序，最近学了git和github的使用。首先下载git，安装，其次，在github里完成注册，获得用户名，用户邮箱，和ssh的密钥并粘贴好，在github的主页里新建一个项目“Test"打开git bush。1，cd C:Test/Test，进入到你需要上传文件的文件夹的路径；2，git init，初始化生成一个git文件夹；3，git add .，将本地文件上传到这个文件夹里；4，git commit -m “first commit”，将git文件夹里的文件上传到本地仓库；5，
2022-02-14 16:53:33
835
原创 基于音乐诱发的脑电信号的样本生成
每个样本的原始长度，按照1000HZ的采样率，每个样本的长度通常在3万点（30秒）的样子，更长时间的数据，会认为情绪会有波动，所以音乐的长度通常在30秒。目前常用的样本的长度为1-2秒，实验证明，这个长度是合适的。目前我用的长度是2s，比1s长度的数据的识别了更高一些。样本的制作，由于脑电信号一直存在数据较少的情况，因此，在进行样本切割的时候，采用滑动交叠窗口的方式，以0.4s为滑动单位，2s为一个样本单位，然后下采样到200Hz，这样得到的是400点长度的样本，每个原始的数据，可以得到60-100个样本
2022-02-07 22:05:11
523
原创 关于relief算法选择特征的问题
情绪EEG信号的特征提取对5种情绪的EEG信号做了特征提取，4个波段，16通道，计算能量的均值。然后对这64个特征进行relief的计算，排序，得到16个较大值的特征值。然后将这16个波段或者通道的数据，构成新的脑电信号，放进CNN网络进行训练，得到的识别率为44%。相比用原始信号进行CNN网络训练的89%来说，低了很多。原因分析：原始信号的数据，虽然似乎有冗余，但是数据的信息量仍然是远大于选取出的数据的信息量。...
2022-01-06 14:07:53
684
原创 EEG信号的统计分析（1）
EEG信号的原始数据，比如说是[16，1000]，经过小波变换后得到[4，16，1000]这样的节律信号。对信号的能量分布进行统计分析：将[4，16，1000]的信号，分割成一比如200点为一个单位的信号，计算这200点的能量和，如果不进行窗口的交叠，得到[4，16，5]的能量特征。对于不同次的实验，以及不同受试的采集结果看，能量值的差异比较明显，即使是相同的任务。因此，不直接用能量值作为特征进行统计分析。采用不同波段的能量的比值。四个波段两两相比，得到6个特征[16，5，6]。对5个样本数据的结果计
2021-12-22 11:27:45
794
原创 EEG信号的节律信号的生成
EEG信号中常用的节律信号包括，delta, theta, alpha, beta。由于这些节律信号在某个固定的频率段上，因此可以用滤波的方法得到。滤波器的设计，可以是IIR，和FIR。如果是对相位没有要求，滤波后需要计算其波段能量，IIR滤波器可选；如果对信号的相位有要求，线性相位的FIR滤波器可选。选用经典滤波器的问题是，要选择合适的通带和阻带的频率，还要选择合适的衰减的指标，这些指标的不同，滤波的结果会不一样。基于小波包的节律信号获取，是一个常用的滤波方式，因为小波变换实现也更简单。...
2021-12-22 11:09:18
622
原创 eeg信号的预处理（1）
EEG信号的采集过程中，会混入眼动等噪声。眼动噪声相对于EEG信号来说，表现为幅度异常大。如果直接用这样的信号去实现CNN的分类，似乎没有特别影响分类的效果（未进行测试，但是目前分类结果可以达到90%以上，因此默认似乎是影响不明显），但是，如果需要用波段能量去做一些统计分析的时候，超大幅度的噪声，会有明显的影响，这个时候，眼动这样的大噪声需要去除。自适应滤波的方法亲测比较有效。自适应滤波的原理是将信号中相关的部分提取出来。由于眼动信号与EEG信号是非相关的，因此，眼动作为噪声被去除了。在执行算法的过程中
2021-12-22 10:59:12
1517
原创 强化学习和有监督学习的差别
有监督学习，以输出和标签的差值，做为反馈，去修正系统的参数，从而收敛到到误差最小，为训练好的模型；强化学习，只告诉系统输出的对和错，根据对错得到的奖励和惩罚来训练系统，得到收敛的模型。有监督学习的结果是找到了对现有的知识最好的模型；而强化学习专注于在未知和现有数据之间找到一个最佳的平衡。...
2021-05-12 11:12:33
775
原创 傅里叶变换的优缺点
傅里叶变换优点：可以解释时域很难解释的滤波问题；可以将LTI系统的系统分析问题中的卷积积分运算，简化为乘积运算。缺点：傅里叶变换存在的条件比较苛刻，很多有用信号不存在傅里叶变换；——拉普拉斯变换克服了这个缺点时间积分区间无穷远，时间-频率分辨率无法同时满足。——小波变换克服了这个缺点...
2021-05-10 14:07:59
8906
原创 生成对抗网络可以做什么？
生成对抗网络，可以生成以假乱真的图片，比如人脸之类的。那么在EEG信号中可以用对抗网络做什么呢？生成脑电信号吗？本人以为可以：1，生成脑电信号，当样本数量不够的时候，我们是不是可以这么做？2，做预测，一个人听了一段音乐，同时采集了一段脑电信号。根据脑电信号，生成音乐？这个好像有点难；换一个，一个人看了一张图片，同时采集了一段脑电信号。根据这个脑电信号，生成图片？这个好像比较有意思。3，还可以做什么呢？...
2021-04-29 11:24:33
1473
原创 MATLAB里conv(x1,x2)函数使用注意事项
MATLAB提供卷积运算的函数，一维信号卷积函数是conv(x1,x2)，其中x1和x2分别是参与卷积的两个信号。如果x1和x2是连续函数，那么在表达这两个信号的时候，需要一个采样的过程，举例：t1=0:0.01:1，x1=function_1(t1)；t2=0:0.01:2，x2=function_2(t2)；计算x1和x2的卷积：t3=0:0.01:3，x=conv(x1,x2)0.01；重点在0.01。原因：因为conv在计算卷积的时候，把时间当做1来处理，因此所谓的卷积里进行的积分，其时
2021-04-19 09:22:58
3395
1
原创 傅里叶变换的性质
性质很多，但是对偶性是大部分性质的一个特点，把所有的性质，一条一条的写下来，然后把相似的性质放在一起观察，然后把时域和频域的性质放在一起比较，就会发现几乎所有的性质都是对偶出现的。然后去理解，对偶性为什么会出现呢？如果学习了DSP里的离散傅里叶变换，就会发现，求傅里叶变换和逆变换的公式形式是几乎完全一样的，但是指数是呈现共轭，那么变换后再变换，就会回到原地。就想手心后面是手背，手背的后面又回到手心一样，你把其中一个称为手心，另外一个就是手背。所以，它们的关系就是一对固定的对应关系，这时，对偶性就出现了。
2021-04-18 21:31:29
1493
原创 王阳明
阳明先生是小儿的偶像，了解之后，我也对先生的心学很是着迷，但一直也没有透彻明白其真正的内涵。这几天在优酷上看了《王阳明》的纪录片，大概有4集多，才明白，道理不是学明白的，是学习加实践才能明白，这个和先生的知行合一也是不违背的。先生37岁参透人生至道，可见，人生是急不来的。读博士就想一鸣惊人，或者以为读了博士就能安身立命，实在是愚蠢至极。人生唯一的值得做的就是内心的成长，直至成熟，明理，参透人生真理，其余都是在这个过程中的参与者，并不是目的地。这个记录片拍得很好，看似没有明确的线索，实则是丝丝入扣，娓娓道
2021-04-18 21:22:24
153
原创 余弦变换和傅里叶变换的关系
傅里叶变换是对信号进行正交分解，其正交函数集选为{1,cos(wt),cos(2wt)…,sin(wt),sin(2wt),…}，如果该信号为偶对称的函数，则正弦项的分量为0，只含有余弦项的分量。如果将信号拓展为偶信号，则可以只用余弦分量去分解，此为余弦变换。因为信号的收敛性，可以实现用有限项去合成信号，用于工程上；另外，收敛性使得压缩成为可能。余弦变换作为图像压缩的技术，被广泛用于jpeg等图像的生成上。...
2021-04-10 09:46:03
5123
原创 EEG情感数据的跨被试迁移
EEG信号受个体影响，直接对所有的被试数据进行训练，往往也很难得到很好的识别效果。我们可以对受试数据进行选择，选取较好的源数据训练模型，然后进行模型迁移，从而获得对每个被试，都有很好的识别率。这个方法的缺陷在于，每个被试都需要重新训练，虽然只训练很少的层速度很快。但是，对于个性化的应用，也不失为一种高效的方法。这里写自定义目录标题欢迎使用Markdown编辑器新的改变功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内
2021-04-10 09:39:49
1174
原创 读书笔记 AI超入门-关于深度学习
关于深度学习深度学习源于感知机，增加偏差项，使得模型更一般化；多层感知机+ 改变“激活函数“实现微调得到神经网络，多层神经网络得到深度学习网络。深度学习的学习精度很高，但原因不明，增加隐层可以提高分类精度，但原因不明。深度学习的另外一个难点是对数据数量要求很高。虽然并不是数据越多越好，但有一个最低限度。深度学习的对象是模型（函数）的参数，和带参数的函数（模型）。...
2021-03-31 15:30:40
135
原创 读书笔记－AI 超入门-大西可奈子
上篇 认识AI根据经常与未知事物（无相关信息）一同出现的已知事物（有相关信息）去推测未知事物的性质——人工智能经常使用的方法。AI可以做预测（根据已知信息，加上自己的预测技术），重点在于主动判断，即不是单纯的IF语句实现的功能，而是可以根据已有的信息，来给出判断。比如，温度达到２５°就关机的空调不是AI的，但是如果根据人离开就关机的空调可以算做AI空调，就是需要一些更复杂的判断。但AI技术也不是越复杂越好，而是可以辅助做一些预测行为。分类是AI的强项，根据输入的已知信息，建立规则，进行分类。对于没有已
2021-03-31 10:53:37
169
原创 迁移是如何发生的
关于模型迁移，用A数据集训练好模型，用于B数据集的分类。直接使用分类效果常常不好，通常的做法是保留前几层，对后面层的网络进行重新训练。那么，迁移是发生在前面几层吗？就是说前面几层训练的结果和数据是A还是B无关的？和图像CNN训练的结果相似，前几层是点线等基本纹理，后面几层训练出更复杂的信号模型，也更接近图像本身。那么，对于EEG信号，应该有类似的解释，前面几层是EEG信号的基本的pattern？...
2021-03-30 18:21:26
117
原创 Chapter2_EX1
已知LTI系统的输入f(t)和输出y(t)的关系为：y(t)=∫0∞e−2τf(t−τ) dτy(t) = \int_{0}^\infty e^{-2 \tau }f(t-\tau) \,d\tauy(t)=∫0∞e−2τf(t−τ)dτ求该系统的冲激响应h(t)，并判断该系统的因果稳定性。解之方法一：可以用卷积的公式，为了使积分下限为−∞-\infty−∞，可以将e−2τe^{-2 \tau }e−2τ写成e−2τu(τ)e^{-2 \tau }u(\tau)e−2τu(τ)。这时，
2021-03-30 11:27:37
131
原创 迁移学习用于情绪数据的标签标注
迁移学习也可以用于标签不易标注的情况，比如我们在用音乐诱发情绪的时候，识别率不高，特别是平静和抑郁的两种情况，容易产生误判。这个错误率引起的原因，也许和信号本身有关，就是说标签的准确性也值得研究。另外，在音乐诱发的过程中，情绪是波动的，不是恒定的，因此，标签的标注也是有误差的。那么，在这种情况下，如果想更准确的标注标签，迁移学习是一个很好的解决方案。...
2021-03-30 10:36:37
344
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