La Red de Conocimientos Pedagógicos - Conocimientos universitarios - 10.23——Adaptación profunda

10.23——Adaptación profunda

Adaptación de dominio:

Se utiliza principalmente para la clasificación de texto y pertenece al aprendizaje por transferencia directa. La definición de aprendizaje por transferencia directa es que, dado un dominio de origen y las tareas de aprendizaje correspondientes, un dominio de destino y las tareas de aprendizaje correspondientes, el aprendizaje por transferencia directa tiene como objetivo utilizar el mismo conocimiento en el dominio de origen y el dominio de destino para mejorar los objetivos en el dominio de destino. Función de predicción.

Investigación sobre tecnologías clave de informática de percepción postural y gestual basada en aprendizaje profundo.

Reconocimiento de gestos de señales electromiográficas basado en aprendizaje profundo:

Basado en señales electromiográficas de alta densidad (HD-sEMG) sin ninguna información adicional ni extractores de características diseñados a mano), utilizando señales electromiográficas recolectados por electrodos de matriz bidimensional, para registrar simultáneamente los cambios espaciotemporales en el campo potencial generado por la actividad muscular a través de múltiples electrodos estrechamente distribuidos en la superficie de la piel. La señal electromiográfica en HD-sEMG describe la distribución espaciotemporal de la actividad muscular dentro del área de cobertura del electrodo, y el valor instantáneo de HD-sEMG presenta una medición relativamente global de los procesos fisiológicos involucrados en la actividad muscular en un momento específico. El HD-Semg instantáneo puede distinguir diferentes patrones de gestos. El HD-sEMG recopilado puede describir la distribución del potencial en el espacio y su mapa de calor correspondiente es una imagen electromiográfica. El número de píxeles (resolución) de una imagen electromiográfica está determinado por la matriz de electrodos de su dispositivo de adquisición, es decir, el número de electrodos y la distancia entre ellos (por ejemplo, una rejilla de electrodos de 16 filas y 8 columnas puede recoger 8 *Imagen EMG de 16 píxeles.

Se construye principalmente asignando el valor de la señal EMG original de (-1, 1) a (0, 255), donde X es la señal EMG original e I es la EMG. Imagen Se desarrolló una estructura CNN de 8 capas, utilizando las dos primeras capas convolucionales de la red para extraer las características de la imagen subyacente del público. El autor descubrió que la señal electromiográfica instantánea mostraba diferentes características visuales en diferentes posiciones espaciales. de la imagen EMG es más fuerte en las áreas de la franja inferior media y superior. Se recomienda agregar estructuras de conexión local en las capas 3 y 4 (inspiradas en el trabajo frontal sobre reconocimiento facial), porque las capas de conexión local están en diferentes espacios. Las ubicaciones de los pesos de la plantilla de convolución no se comparten, lo que puede extraer mejor características en diferentes ubicaciones de la imagen e identificar la etiqueta con la mayor proporción de etiquetas de gestos por cuadro dentro de una sola ventana, ya que el experimento anterior solo se aplica al entrenamiento y. Al probar las amplitudes de la señal EMG, los datos con valores más grandes pueden obtener una mayor precisión en el reconocimiento de gestos, por lo que es necesario utilizar la rectificación de onda completa y el filtrado de paso bajo para la señal EMG (la rectificación de onda completa y el filtrado de paso bajo se utilizan ampliamente). Métodos de estimación de amplitud de señal EMG) Para obtener mejores señales EMG

Reconocimiento de gestos de señal EMG adaptativo en el dominio de profundidad:

Cuando las señales EMG del conjunto de entrenamiento y del conjunto de prueba provienen de diferentes sesiones de adquisición Debido a la interferencia de factores como el desplazamiento del electrodo, la fatiga muscular y los cambios de impedancia entre el electrodo y la piel, la señal EMG está altamente correlacionada con la sesión de adquisición cuando el clasificador de gestos entrenado se aplica directamente a una nueva sesión. La precisión suele ser baja debido a la diferencia. La distribución de las señales EMG varía mucho entre sesiones, y el reconocimiento de gestos basado en las señales EMG instantáneas de diferentes sesiones se puede expresar en consecuencia como un problema de adaptación de dominio de múltiples fuentes. > Cuando los datos de calibración no están etiquetados, este documento utiliza la normalización por lotes adaptativa (AdaBN) para ajustar los clasificadores de gestos. Suponiendo que el conocimiento utilizado para distinguir diferentes gestos se almacena en los pesos de cada capa, AdaBN no necesita adaptar las etiquetas de gestos de los datos, pero se adapta sin etiquetas. El aumento de datos actualiza gradualmente una pequeña cantidad de parámetros de red. Dada una entrada U, BN la convierte en V, donde la fórmula de conversión para la I-ésima característica de entrada es:

lEn la fase de entrenamiento, es independiente para cada dominio de origen Calcule las estadísticas de media y varianza para cada capa de BN. Debido a que el BN en la fase de entrenamiento calcula las estadísticas para cada lote de datos de forma independiente, solo necesita asegurarse de que las muestras de cada lote de datos provienen de la misma sesión.

Durante la fase de reconocimiento, AdaBN realiza el algoritmo de propagación hacia adelante y actualiza los parámetros para los datos sin etiquetar dados.

Este método tiene precisión. del 30,5 % para un solo cuadro y del -39,2 % para una ventana de 150 ms, mientras que el conjunto de funciones (ventana de 150 ms) y el juicio lineal del otro algoritmo son del 34,1 %.

Seleccione aleatoriamente un subconjunto de conjunto de pruebas sin etiqueta. (0,1%, 0,5%, 1%, 5%, 10%) realizan una adaptación del dominio de profundidad y luego evalúan la precisión del reconocimiento de gestos en todo el conjunto de pruebas.

Finalmente, después de observar aproximadamente el 5% de los datos de adaptación, la precisión alcanza un máximo con 20.000 fotogramas de datos de adaptación, lo que equivale a unos 10 segundos a una frecuencia de muestreo de CSL-HD EMG 2048 Hz.

Y el algoritmo adaptativo no necesita observar varios gestos. Los resultados finales son 365.438+0,3% (73,2%) y 34,6% (865.438+0,4%) respectivamente de 27 gestos. Otro método es la electromiografía, definida como topografía mioeléctrica.

"Exponiendo críticas"

Canales y bandas de frecuencia para el reconocimiento de emociones EEG de creencias profundas

Red"

En EEG basado en señales En las tareas de reconocimiento de emociones, hay señales de EEG irrelevantes en las señales de EEG multicanal, lo que no solo causará ruido, sino que también reducirá la capacidad del sistema para reconocer emociones. Se propone una nueva red de creencias profundas (DBN) para detectar canales clave de EEG y bandas de frecuencia para el reconocimiento de emociones.

El análisis emocional se basa principalmente en respuestas fisiológicas y de comportamiento, porque en comparación con las expresiones faciales y los gestos, el EEG tiene mayor precisión y evaluación objetiva. Este artículo utiliza el sistema de escaneo neuronal ESI para registrar las señales de EEG de la tapa del electrodo de 62 canales a una frecuencia de muestreo de 1000 Hz. Cada experimento tiene 15 pruebas, y cada prueba incluye 15 segundos de indicaciones, 45 segundos de prueba y retroalimentación y 5 segundos de descanso. Portada 1 * * * 30 experimentos evaluados.

Primero reduzca la resolución de los datos del EEG original a 200 Hz, luego utilice un filtro de paso de banda de 0,3 Hz a 50 Hz para filtrar el ruido y los artefactos, y luego utilice la función de entropía diferencial propuesta anteriormente [1][2] . Para una señal EEG de longitud fija, la entropía diferencial es equivalente al espectro de energía logarítmico de una determinada banda de frecuencia. Se ha demostrado previamente que la entropía diferencial tiene la capacidad de identificar patrones de EEG entre energía de baja y alta frecuencia, por lo que las características de entropía diferencial se calcularon en cinco bandas de frecuencia (δ: 1-3 Hz, θ: 4-7 Hz, α: 8-13 Hz, β: 14-30 Hz, γ: 31-

Utilizando las funciones de eliminación de ruido de 62 canales en 5 bandas de frecuencia como entrada, la precisión de DBN es del 86,08 % y la desviación estándar es de 8,34. %. Este artículo entrena DBN a través del análisis. La distribución de pesos se probó para canales clave y bandas de frecuencia. Los pesos son muy importantes para identificar modelos de emoción porque los pesos de las neuronas que contribuyen significativamente a la tarea de aprendizaje aumentan, mientras que los pesos de las neuronas irrelevantes. tienden a distribuirse aleatoriamente. La Figura 1 muestra los pesos de la primera capa de la red neuronal después del entrenamiento.

En la Figura 2, podemos ver que es más probable que el área temporal lateral y las áreas del lóbulo frontal del cerebro. activado en las bandas de frecuencia β y γ que otras áreas del cerebro. Por lo tanto, se puede concluir que los canales del lóbulo temporal lateral y del lóbulo prefrontal son los canales clave, y β y γ son las bandas de frecuencia clave al identificar positivos, neutrales y. emociones negativas.

Como se muestra en la Figura 3, según el cerebro, según las características de distribución del peso del área, se diseñaron 4 perfiles diferentes de colocación de electrodos, incluidos 4 canales, 6 canales, 9 canales y 12 canales. La mejor precisión promedio y desviación estándar de 4 canales fueron 82,88 %/10,92 %, mientras que la mejor precisión promedio y desviación estándar de los 62 canales es 83,99 %/12, lo que indica que los cuatro perfiles de electrodos opuestos FT7, T7, FT8 y . T8 son los electrodos utilizados para distinguir características emocionales.

[1] Duan Renning, Zhu Jianyu, Lu Baolin. Clasificación de emociones de características de entropía diferencial basada en señales EEG[C]//Conferencia Internacional sobre Ingeniería Neural, 2013. :81-84.

[2] Zheng Weilin, Zhu Jianyu, Peng Yan, et al. Clasificación de emociones EEG basada en una red de creencias profundas [C] // Conferencia internacional IEEE sobre multimedia y exposición. , 2014: 1-6

Artículo sobre electroencefalografía (Cerebro. Decodificación: comportamiento, emoción);

Aprendizaje ingenuo en tiempo real relacionado con los nervios en electrofisiología ECoG

Electrofisiología cortical relacionada con el aprendizaje ingenuo neuronal en tiempo real

Dirección: /~ blu/papers/2015/9.pdf

Reconocimiento de emociones EEG basado en el aprendizaje profundo adaptativo de cambio de covariable del componente principal. network

Basado en el cambio de covariable del componente principal desde el reconocimiento de emociones EEG adaptado a la red de aprendizaje profundo

Dirección: euro-09.pdf.

Predicción de crisis epilépticas intracraneales y extracraneales basada en redes neuronales recurrentes

Predicción de crisis epilépticas intracraneales y extracraneales basada en redes neuronales recurrentes

Con EEG de alta resolución temporal -detección de lapso de tiempo basada en

Detección de alta resolución temporal basada en señales EEG

Dirección:

/profile/Richard _ Jones 21/publication/3039266 _ EEG -Basado en _ Lapso _ Detección _ Con _ Alta _ Temporal _ Resolución/links/5457 ab 030 cf 2 bccc 491112ed