期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
3
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
融合频率和通道卷积注意的脑电(EEG)情感识别
被引量：
4
1
作者
柴冰
李冬冬
+1 位作者
王喆
高大启
《计算机科学》
CSCD
北大核心
2021年第12期312-318,共7页
现有的脑电(EEG)情感识别研究普遍采用神经网络和单一注意机制来学习情感特征,具有相对单一的特征表示。而神经科学研究表明,不同频率和电极通道的脑电信号对情感有不同的响应程度,因此文中提出了一种融合频率和电极通道卷积注意的方法...
现有的脑电(EEG)情感识别研究普遍采用神经网络和单一注意机制来学习情感特征,具有相对单一的特征表示。而神经科学研究表明,不同频率和电极通道的脑电信号对情感有不同的响应程度,因此文中提出了一种融合频率和电极通道卷积注意的方法,用于脑电情感识别。具体来说,首先将EEG信号分解到不同的频带上并提取相应的帧级特征,然后用预激活残差网络来学习深层次的脑电情感相关特征,同时在残差网络的每个预激活残差单元中都融入频率和电极通道卷积注意模块,以建模脑电信号的频率和电极通道信息,并生成脑电特征的最终注意表示。在DEAP和DREAMER数据集上的独立于受试者场景下的实验结果表明,所提出的卷积注意方法相比单一注意机制更有助于增强EEG信号中情感显著信息的导入,并且能产生更好的情感识别结果。
展开更多
关键词
脑电情感识别
特征表示
残差网络
预激活残差单元
频率和电极通道卷积注意
在线阅读
下载PDF
职称材料
结合MGCC特征与多尺度通道注意力的环境声深度学习分类方法
2
作者
杨俊杰
丁家辉
+2 位作者
杨柳
冯丽
杨超
《应用声学》
CSCD
北大核心
2024年第3期513-524,共12页
环境声分类技术在家居安全监测、人机语声交互等领域具有关键作用。然而,声源的多样性与混合性给环境声分类方法设计带来了重大挑战。为提高分类准确率与节约计算资源,该文提出一种基于多尺度通道注意力机制的深度学习分类模型。所提模...
环境声分类技术在家居安全监测、人机语声交互等领域具有关键作用。然而,声源的多样性与混合性给环境声分类方法设计带来了重大挑战。为提高分类准确率与节约计算资源,该文提出一种基于多尺度通道注意力机制的深度学习分类模型。所提模型由特征提取模块、多尺度卷积模块、高效通道注意力模块、输出层四部分组成。首先,通过引入加权型梅尔Gammatone频率倒谱系数(MGCC)挖掘环境声频谱幅值与相位结构信息;其次,融合多尺度卷积核与高效通道注意力机制优选出声频关键局部细节和通道特征;最后,在全连接层采用softmax函数映射特征并输出环境声类型的概率值。所提模型在6种环境声的iFLYTEK、10种环境声的Urbansound8k数据集上开展测试验证,分别取得了94%、76.52%、79.24%(iFLYTEK+Urbansound8k)的分类准确率。消融实验结果进一步表明:引入的多尺度卷积模块、通道注意力机制模块对分类准确率的提升贡献率分别接近于3.77%和1.89%。实验还详细对比了7种现有的深度学习分类方法,所提算法在分类准确率上排名第二;另外,在同级别算法中如ResNet18、GoogLeNet,所提算法在模型参数量和计算复杂度方面上实现了进一步的约减。
展开更多
关键词
环境声分类
梅尔Gammatone
频率
倒谱
多尺度核
卷积
高效
通道
注意
力
卷积
神经网络
在线阅读
下载PDF
职称材料
用于胸片分类的自校正特征融合金字塔网络
3
作者
宫霄霖
程琦
李锵
《天津大学学报（自然科学与工程技术版）》
EI
CAS
CSCD
北大核心
2024年第5期511-520,共10页
胸部疾病的病灶区域面积差异较大,易受健康部位的影响,难以定位,并且用于诊断疾病的X射线胸片样本数据分布不平衡,导致胸部疾病分类网络的分类准确度较低.针对胸部疾病分类任务中仍然存在的问题和挑战,本文提出了一种自校正特征融合金...
胸部疾病的病灶区域面积差异较大,易受健康部位的影响,难以定位,并且用于诊断疾病的X射线胸片样本数据分布不平衡,导致胸部疾病分类网络的分类准确度较低.针对胸部疾病分类任务中仍然存在的问题和挑战,本文提出了一种自校正特征融合金字塔网络.该网络使用自校正卷积增强疾病部位在特征图上以及通道之间的位置联系,在不引入额外参数量的条件下增大了卷积的感受野,避免无病区域的信息干扰;然后通过特征融合金字塔网络整合多尺度图像特征信息,在获取高分辨率特征图的同时,能够准确地定位病变区域,可以更好地识别不同尺度疾病的特征,在多标签分类任务上具有独特的优势;同时引入频率通道注意力机制强化网络对疾病特征的提取能力,在上采样和特征融合变换之前,减少全局平均池化过程中造成的特征丢失;最后提出一种轮次焦点损失函数区分不同种类胸部疾病的训练程度,根据分类难易程度区分样本,并在不同的训练轮次调整权重,以解决胸部疾病样本分布不平衡问题.在ChestX-ray14数据集上的平均AUC值可达0.853,在CheXpert数据集上的平均AUC值可达0.903,超过了近年来较为先进的网络模型.实验结果表明,该网络与传统的胸部疾病分类网络相比能有效地提高胸部疾病的分类精度,并且具有较强的泛化能力.
展开更多
关键词
胸部疾病
自校正
卷积
特征融合金字塔网络
频率
通道
注意
力
轮次焦点损失函数
在线阅读
下载PDF
职称材料
题名
融合频率和通道卷积注意的脑电(EEG)情感识别
被引量：
4
1
作者
柴冰
李冬冬
王喆
高大启
机构
华东理工大学信息科学与工程学院
苏州大学计算机信息处理技术重点实验室
出处
《计算机科学》
CSCD
北大核心
2021年第12期312-318,共7页
基金
国家自然科学基金(61806078,62076094,61976091)
上海市教育发展基金会和上海市教育委员会“曙光计划”(61725301)
+1 种基金
国家重大新药开发科技专项(2019ZX09201004)
上海市科技计划项目(20511100600)。
文摘
现有的脑电(EEG)情感识别研究普遍采用神经网络和单一注意机制来学习情感特征,具有相对单一的特征表示。而神经科学研究表明,不同频率和电极通道的脑电信号对情感有不同的响应程度,因此文中提出了一种融合频率和电极通道卷积注意的方法,用于脑电情感识别。具体来说,首先将EEG信号分解到不同的频带上并提取相应的帧级特征,然后用预激活残差网络来学习深层次的脑电情感相关特征,同时在残差网络的每个预激活残差单元中都融入频率和电极通道卷积注意模块,以建模脑电信号的频率和电极通道信息,并生成脑电特征的最终注意表示。在DEAP和DREAMER数据集上的独立于受试者场景下的实验结果表明,所提出的卷积注意方法相比单一注意机制更有助于增强EEG信号中情感显著信息的导入,并且能产生更好的情感识别结果。
关键词
脑电情感识别
特征表示
残差网络
预激活残差单元
频率和电极通道卷积注意
Keywords
EEG emotion recognition
Feature representation
Residual network
Pre-activated residual unit
Frequency and electrode channel convolutional attention
分类号
TP301 [自动化与计算机技术—计算机系统结构]
在线阅读
下载PDF
职称材料
题名
结合MGCC特征与多尺度通道注意力的环境声深度学习分类方法
2
作者
杨俊杰
丁家辉
杨柳
冯丽
杨超
机构
广东工业大学自动化学院
物联网智能信息处理与系统集成教育部重点实验室
广州大学计算机科学与网络工程学院
澳门科技大学资讯科技学院
出处
《应用声学》
CSCD
北大核心
2024年第3期513-524,共12页
基金
国家自然科学青年基金项目(62003101)
广东省自然科学基金面上基金项目(2022A1515010181,2023A1515011290)。
文摘
环境声分类技术在家居安全监测、人机语声交互等领域具有关键作用。然而,声源的多样性与混合性给环境声分类方法设计带来了重大挑战。为提高分类准确率与节约计算资源,该文提出一种基于多尺度通道注意力机制的深度学习分类模型。所提模型由特征提取模块、多尺度卷积模块、高效通道注意力模块、输出层四部分组成。首先,通过引入加权型梅尔Gammatone频率倒谱系数(MGCC)挖掘环境声频谱幅值与相位结构信息;其次,融合多尺度卷积核与高效通道注意力机制优选出声频关键局部细节和通道特征;最后,在全连接层采用softmax函数映射特征并输出环境声类型的概率值。所提模型在6种环境声的iFLYTEK、10种环境声的Urbansound8k数据集上开展测试验证,分别取得了94%、76.52%、79.24%(iFLYTEK+Urbansound8k)的分类准确率。消融实验结果进一步表明:引入的多尺度卷积模块、通道注意力机制模块对分类准确率的提升贡献率分别接近于3.77%和1.89%。实验还详细对比了7种现有的深度学习分类方法,所提算法在分类准确率上排名第二;另外,在同级别算法中如ResNet18、GoogLeNet,所提算法在模型参数量和计算复杂度方面上实现了进一步的约减。
关键词
环境声分类
梅尔Gammatone
频率
倒谱
多尺度核
卷积
高效
通道
注意
力
卷积
神经网络
Keywords
Environmental sound classification
Mel-generalized cepstral coefficients
Multi-scale kernel convolution
Efficient channel attention
Convolutional neural network
分类号
TM595 [电气工程—电器]
在线阅读
下载PDF
职称材料
题名
用于胸片分类的自校正特征融合金字塔网络
3
作者
宫霄霖
程琦
李锵
机构
天津大学微电子学院
出处
《天津大学学报（自然科学与工程技术版）》
EI
CAS
CSCD
北大核心
2024年第5期511-520,共10页
基金
国家自然科学基金资助项目(62272337)
天津大学自主创新基金资助项目(2021XZC-0024)
超声医学工程国家重点实验室开放课题资助项目(2022KFKT004).
文摘
胸部疾病的病灶区域面积差异较大,易受健康部位的影响,难以定位,并且用于诊断疾病的X射线胸片样本数据分布不平衡,导致胸部疾病分类网络的分类准确度较低.针对胸部疾病分类任务中仍然存在的问题和挑战,本文提出了一种自校正特征融合金字塔网络.该网络使用自校正卷积增强疾病部位在特征图上以及通道之间的位置联系,在不引入额外参数量的条件下增大了卷积的感受野,避免无病区域的信息干扰;然后通过特征融合金字塔网络整合多尺度图像特征信息,在获取高分辨率特征图的同时,能够准确地定位病变区域,可以更好地识别不同尺度疾病的特征,在多标签分类任务上具有独特的优势;同时引入频率通道注意力机制强化网络对疾病特征的提取能力,在上采样和特征融合变换之前,减少全局平均池化过程中造成的特征丢失;最后提出一种轮次焦点损失函数区分不同种类胸部疾病的训练程度,根据分类难易程度区分样本,并在不同的训练轮次调整权重,以解决胸部疾病样本分布不平衡问题.在ChestX-ray14数据集上的平均AUC值可达0.853,在CheXpert数据集上的平均AUC值可达0.903,超过了近年来较为先进的网络模型.实验结果表明,该网络与传统的胸部疾病分类网络相比能有效地提高胸部疾病的分类精度,并且具有较强的泛化能力.
关键词
胸部疾病
自校正
卷积
特征融合金字塔网络
频率
通道
注意
力
轮次焦点损失函数
Keywords
thoracic disease
self-calibrated convolution
feature fusion pyramid network
frequency channel attention
epoch focal loss function
分类号
TP391.4 [自动化与计算机技术—计算机应用技术]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
融合频率和通道卷积注意的脑电(EEG)情感识别
柴冰
李冬冬
王喆
高大启
《计算机科学》
CSCD
北大核心
2021
4
在线阅读
下载PDF
职称材料
2
结合MGCC特征与多尺度通道注意力的环境声深度学习分类方法
杨俊杰
丁家辉
杨柳
冯丽
杨超
《应用声学》
CSCD
北大核心
2024
0
在线阅读
下载PDF
职称材料
3
用于胸片分类的自校正特征融合金字塔网络
宫霄霖
程琦
李锵
《天津大学学报（自然科学与工程技术版）》
EI
CAS
CSCD
北大核心
2024
0
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
