10.23——深度适应
多用于文本分类，属于直推式迁移学习。直推迁移学习的定义是，给定一个源域和相应的学习任务，一个目标域和相应的学习任务，直推学习旨在利用源域和目标域中相同的知识，提高目标域中的目标预测功能。
基于深度学习的姿态和手势感知计算关键技术研究。
基于深度学习的肌电信号手势识别:
在没有任何额外信息或手工设计的特征提取器的情况下，基于高密度肌电信号(HD-sEMG)，利用二维阵列电极采集的肌电信号，通过紧密分布在皮肤表面的多个电极同时记录肌肉活动产生的电位场的时空变化。HD-sEMG中的肌电信号描述了电极覆盖区域内肌肉活动的时空分布，HD-sEMG的瞬时值呈现了特定时间点肌肉活动所涉及的生理过程的相对全局的测量。瞬时HD-Semg可以区分不同的手势模式，采集到的HD-sEMG可以刻画电位在空间的分布，其对应的热图就是肌电图像。肌电图像中的像素数量(分辨率)由其采集设备中的电极阵列决定，即电极的数量和它们之间的距离(例如，16行和8列的电极网格可以采集8*16像素的肌电图像。
主要是将原始肌电信号值从(-1，1)映射到(0，255)，即其中X为原始肌电信号，I为肌电图像。构建了一个8层的CNN结构，利用网络的前两个卷积层提取大众* * *的底层图片特征。作者发现瞬时肌电信号在不同的空间位置表现出不同的视觉特征。在不同的手势中，肌电图像的亮度在中下部和顶部的带状区域更强。建议在第3层和第4层增加局部连接结构(受人脸识别前端工作的启发)，因为局部连接层在不同空间位置的卷积模板的权重是不共享的，可以更好地提取图像上不同位置的特征。根据单个窗口内每帧手势标签识别比例最高的标签，由于上述实验只适用于训练和测试肌电信号幅值较大的数据，可以获得较高的手势识别准确率，因此需要对肌电信号采用全波整流和低通滤波(全波整流和低通滤波是广泛使用的肌电信号幅值估计方法)来获得较好的肌电信号。
基于深度域自适应的肌电信号手势识别:
当训练集和测试集的EMG信号来自不同的采集会话时。由于电极位移、肌肉疲劳、电极与皮肤之间阻抗变化等因素的干扰，肌电信号与采集会话高度相关，训练好的手势分类器直接应用于新会话时，准确率通常较低。由于不同会话间肌电信号的分布差异很大，基于不同会话瞬时肌电信号的手势识别可以相应地表示为多源域自适应问题。
当标定数据未被标记时，本文使用自适应批量归一化(Adabn)来调整手势分类器。假设用于区分不同手势的知识存储在每层的权值中，AdaBN不需要适配数据的手势标签，而是随着无标签适配数据的增加逐步更新少量网络参数。给定输入U，BN将其转换为V，其中第I个输入要素的转换公式为:
l在训练阶段，为每个源域独立计算每个BN层的均值和方差统计量。因为训练阶段的BN独立计算每个数据批次的统计量，所以它只需要确保每个数据批次中的样本来自同一个会话。
在识别阶段，AdaBN执行前向传播算法并为给定的未标记数据a更新参数。
这种方法对单帧的准确率为30.5%，150ms窗口-39.2%，而另一种算法的特征集(150ms窗口)和线性判断为34.1%。
随机选取一个未标记测试集子集(0.1%，0.5%，1%，5%，10%)进行深度域自适应，然后在整个测试集上评估手势识别的准确率。最后，在观察了约5%的适应数据后，准确率达到峰值，有20000帧适应数据，在CSL-HD EMG 2048Hz的采样率下，约为10秒。
而且自适应算法不需要观察各种手势，最终结果从27种手势中分别得到365，438+0.3% (73.2%)和34.6% (865，438+0.4%)。另一种方法是肌电地形图，定义为肌电地形图。
《揭露批判》
深度信念脑电情感识别的通道和频带
网络》
在基于脑电信号的情感识别任务中，多通道脑电信号中存在不相关的脑电信号，不仅会造成噪声，还会降低系统对情感的识别能力。提出了一种新的深度信念网络(DBN)来检测情绪识别的关键脑电通道和频带。
情绪分析主要从行为和生理反应进行，因为相比表情手势，脑电具有更高的准确性和客观评价。本文采用ESI神经扫描系统以1000Hz的采样率记录62通道电极帽的脑电信号。每个实验有15个测试，每个测试包括15s提示、45s测试和反馈、5s休息。封面纸1 * * *评估了30个实验。
首先将原始脑电数据下采样到200Hz，然后用0.3Hz到50Hz的带通滤波器滤除噪声和伪迹，再采用之前提出的差分熵特征[1][2]。对于固定长度的脑电信号，微分熵相当于某一频段的对数能谱。之前已经证明了差分熵具有识别低频和高频能量之间脑电模式的能力，所以在五个频段计算差分熵特征(δ: 1-3Hz，θ: 4-7Hz，α: 8-13Hz，β: 14-30Hz，γ: 31-。
以5个频段62个通道的去噪特征作为输入，DBN的准确率为86.08%，标准差为8.34%。本文通过分析训练DBN的权重分布，对关键信道和频带进行了测试。权重对于识别情绪模型非常重要，因为对学习任务贡献很大的神经元的权重会增加，而不相关的神经元的权重往往是随机分布的。图1显示了第一层神经网络训练后的权重。
从图2中我们可以看到，外侧颞区和额叶脑区在β和γ频段比其他脑区更容易激活。因此可以得出结论，外侧颞叶和前额叶通道是关键通道，β和γ是识别积极、中性和消极情绪时的关键频段。
如图3所示，根据脑区权重分布的特点，设计了4个不同的电极放置剖面，包括4个通道、6个通道、9个通道和12个通道，其中4个通道的最佳平均精度和标准差为82.88%/10.92%，而所有62个通道的最佳平均精度和标准差为83.99%/12。这表明四个相对电极轮廓FT7、T7、FT8和T8是用于区分情绪特征的电极。
[1]段仁宁，朱建宇，陆宝林.基于脑电信号的差分熵特征情感分类[C]//国际神经工程会议。IEEE，2013:81-84。
[2]郑伟林，朱建宇，彭燕，等.基于深度信念网络的脑电情感分类[C]// IEEE多媒体与博览会国际会议.IEEE，2014:1-6。
脑电图论文(大脑解码:行为、情绪)；
ECoG电生理学中神经相关的实时朴素学习
与神经实时朴素学习相关的皮层电生理
地址:/~ blu/papers/2015/9.pdf。
基于主成分协变量移位自适应深度学习网络的脑电情感识别
基于主成分协同移位自适应深度学习网络的脑电情感识别
地址:euro-09.pdf。
基于递归神经网络的颅内外脑电癫痫发作预测
基于递归神经网络的颅内外脑电癫痫发作预测
具有高时间分辨率的基于EEG的推移检测
基于脑电信号的高时间分辨率检测
地址:
/profile/Richard _ Jones 21/publication/3039266 _ EEG-Based _ Lapse _ Detection _ With _ High _ Temporal _ Resolution/links/5457 ab 030 cf 2 bccc 491112ed