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
2
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
基于改进StackCNN网络和集成学习的脑电信号视觉分类算法
被引量：
1
1
作者
杨青
王亚群
+2 位作者
文斗
王莹
王翔宇
《郑州大学学报（工学版）》
CAS
北大核心
2024年第5期69-76,共8页
针对直接使用图像诱发的脑电信号进行视觉分类的现有研究少,并且视觉分类的平均准确率低等问题,设计了一种卷积神经网络(CNN)和集成学习相结合的方法,用于学习脑电信号相关的视觉特征表示。通过在StackCNN网络中加入K-max池化方法,解决...
针对直接使用图像诱发的脑电信号进行视觉分类的现有研究少,并且视觉分类的平均准确率低等问题,设计了一种卷积神经网络(CNN)和集成学习相结合的方法,用于学习脑电信号相关的视觉特征表示。通过在StackCNN网络中加入K-max池化方法,解决在提取脑电特征时信息丢失的问题,并结合Bagging算法增强网络的泛化能力,该方法称为StackCNN-B。采用基于残差神经网络(ResNet)回归对图像进行分类,验证StackCNN-B方法在图像分类上的性能。消融实验及与现有研究对比实验的结果表明:所提方法识别准确率较高,在学习脑电信号的视觉特征表示上的平均准确率达到99.78%,在图像分类上的平均准确率达到96.45%,与Bi-LSTM-AttGW方法相比,平均提高了0.28百分点和2.97百分点。研究结果验证了脑电信号可以有效地解码与视觉识别相关的人类大脑活动,也表明所提出StackCNN-B模型的优越性。
展开更多
关键词
脑电图
视觉分类
卷积神经网络
BAGGING算法
ResNet网络
在线阅读
下载PDF
职称材料
基于CNN和Bi-LSTM的脑电波情感分析
被引量：
10
2
作者
朱丽
杨青
+2 位作者
吴涛
李晨
李铭
《应用科学学报》
CAS
CSCD
北大核心
2022年第1期1-12,共12页
针对目前大多数脑电波情感识别方法存在的依赖手动特征提取等问题,提出一种基于卷积神经网络(convolutional neural network,CNN)和双向长短时记忆(bidirectional long short-term memory,Bi-LSTM)网络的混合模型。首先将一维数据转换...
针对目前大多数脑电波情感识别方法存在的依赖手动特征提取等问题,提出一种基于卷积神经网络(convolutional neural network,CNN)和双向长短时记忆(bidirectional long short-term memory,Bi-LSTM)网络的混合模型。首先将一维数据转换为二维数据,采用CNN提取空间特征;然后将一维数据输入Bi-LSTM,获取时间特征;最后将融合的空间和时间特征输入Softmax分类器,得到最终分类结果。在DEAP数据集上的实验结果表明:CNN和Bi-LSTM混合模型具有较好的分类性能,在效价度和唤醒度上的准确率分别达到88.55%和89.07%,是一种可行的脑电波情感分类模型。
展开更多
关键词
脑电信号
情感分类
卷积神经网络
双向长短时记忆网络
深度学习
在线阅读
下载PDF
职称材料
题名
基于改进StackCNN网络和集成学习的脑电信号视觉分类算法
被引量：
1
1
作者
杨青
王亚群
文斗
王莹
王翔宇
机构
华中师范大学
人工智能与智慧学习湖北省重点实验室
华中师范大学
计算机学院
华中师范大学国家语言资源监测与研究网络媒体中心
出处
《郑州大学学报（工学版）》
CAS
北大核心
2024年第5期69-76,共8页
基金
湖北省重点研发计划项目(2020BAB017)
武汉市科技计划项目(2019010701011392)
国家语委科研中心项目(ZDI135-135)。
文摘
针对直接使用图像诱发的脑电信号进行视觉分类的现有研究少,并且视觉分类的平均准确率低等问题,设计了一种卷积神经网络(CNN)和集成学习相结合的方法,用于学习脑电信号相关的视觉特征表示。通过在StackCNN网络中加入K-max池化方法,解决在提取脑电特征时信息丢失的问题,并结合Bagging算法增强网络的泛化能力,该方法称为StackCNN-B。采用基于残差神经网络(ResNet)回归对图像进行分类,验证StackCNN-B方法在图像分类上的性能。消融实验及与现有研究对比实验的结果表明:所提方法识别准确率较高,在学习脑电信号的视觉特征表示上的平均准确率达到99.78%,在图像分类上的平均准确率达到96.45%,与Bi-LSTM-AttGW方法相比,平均提高了0.28百分点和2.97百分点。研究结果验证了脑电信号可以有效地解码与视觉识别相关的人类大脑活动,也表明所提出StackCNN-B模型的优越性。
关键词
脑电图
视觉分类
卷积神经网络
BAGGING算法
ResNet网络
Keywords
electroencephagram
vision classification
convolutional neural network
Bagging algorithm
ResNet network
分类号
TP399 [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
基于CNN和Bi-LSTM的脑电波情感分析
被引量：
10
2
作者
朱丽
杨青
吴涛
李晨
李铭
机构
华中师范大学
人工智能与智慧学习湖北省重点实验室
华中师范大学
计算机学院
华中师范大学国家语言资源监测与研究网络媒体中心
出处
《应用科学学报》
CAS
CSCD
北大核心
2022年第1期1-12,共12页
基金
湖北省重点研发计划项目基金(No.2020BAB017)
武汉市科技计划项目基金(No.2019010701011392)
国家语委科研中心项目基金(No.ZDI135-135)资助
文摘
针对目前大多数脑电波情感识别方法存在的依赖手动特征提取等问题,提出一种基于卷积神经网络(convolutional neural network,CNN)和双向长短时记忆(bidirectional long short-term memory,Bi-LSTM)网络的混合模型。首先将一维数据转换为二维数据,采用CNN提取空间特征;然后将一维数据输入Bi-LSTM,获取时间特征;最后将融合的空间和时间特征输入Softmax分类器,得到最终分类结果。在DEAP数据集上的实验结果表明:CNN和Bi-LSTM混合模型具有较好的分类性能,在效价度和唤醒度上的准确率分别达到88.55%和89.07%,是一种可行的脑电波情感分类模型。
关键词
脑电信号
情感分类
卷积神经网络
双向长短时记忆网络
深度学习
Keywords
electroencephalogram
emotion classification
convolutional neural network(CNN)
bidirectional long short-term memory(Bi-LSTM)network
deep learning
分类号
R318 [医药卫生—生物医学工程]
TP183 [自动化与计算机技术—控制理论与控制工程]
TN911.7 [电子电信—通信与信息系统]
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
基于改进StackCNN网络和集成学习的脑电信号视觉分类算法
杨青
王亚群
文斗
王莹
王翔宇
《郑州大学学报（工学版）》
CAS
北大核心
2024
1
在线阅读
下载PDF
职称材料
2
基于CNN和Bi-LSTM的脑电波情感分析
朱丽
杨青
吴涛
李晨
李铭
《应用科学学报》
CAS
CSCD
北大核心
2022
10
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
