论文笔记:Hybrid deep neural network using transfer learning for EEG motor imagery decoding

news/2024/5/19 17:35:15 标签: 深度学习, EEG, 迁移学习

在跨被试时对特征提取层的参数进行迁移并固定,通过fine-turn训练分类层。阅读重心,如何cross-subject

全文核心 :提了一个网络

如何做到cross-subject的?

先用其他被试的数据训练模型,然后将得到的提取器共享并固定参数,然后随机初始化分类层参数,通过目标被试的数据进行fine-turn。


http://www.niftyadmin.cn/n/770314.html

相关文章

scipy.signal.filtfilt 的使用方法以及参数解释

from scipy import signalb,asignal.butter(8,[(8*2/128),(32*2/128)],bandpass)buffer_x_testsignal.filtfilt(b,a,data,axis0) butter:过滤8-32Hz的信号,128为采样率,8是阶数,’basspass‘是带通滤波。 filtfilt:数…

sklearn 特征选择

select_Ksklearn.feature_selection.SelectKBest(mutual_info_classif,k10).fit(features_train,label)

巴特沃斯滤波器 python代码

网上找的 def butter_bandpass(lowcut, highcut, fs, order):nyq 0.5*fslow lowcut/nyqhigh highcut/nyqb, a signal.butter(8, [low, high], bandpass)return b, adef butter_bandpass_filter(data, lowcut, highcut, fs, order):b, a butter_bandpass(lowcut, highcut, …

numpy 按0,1数组取元素

import numpy as npa np.array([1,2,3,4,5,6,7,8,9,10]) b np.array([1,0,1,0,1,0,1,0,1,0])a a[ b 1] print(a)# output:[1 3 5 7 9]

到处抄来的写作用语

As illustrated in Fig. 1 如图1所示 exploit 利用 We propose a new model to exploit unlabeled data. facilitate 促进 degraded 退化 it is likely to have degraded performance due to the shift in domain. leverage 利用 Depiction 描述&…

论文笔记:Composite Common Spatial Pattern for Subject-to-Subject Transfer

论文笔记:Composite Common Spatial Pattern for Subject-to-Subject Transfer 概括 ​ 目前大多数CSP算法都是基于单被试数据的协方差矩阵进行特征提取,这忽视了被试间的信息。本文提出了一种新的CSP计算算法,通过线性组合来考虑被试间的关…

论文笔记:Deep Domain Confusion Maximizing for Domain Invariance

论文笔记:Deep Domain Confusion Maximizing for Domain Invariance 概述 提出编码MMD(最大 均值差异, Maximun Mean Discrepancy)来测量在 CNN中学习到的隐藏特征之间的距离。通过这种方法,网络通过最大化标签依赖性…

pytorch Debug笔记:TypeError: __init__() got an unexpected keyword argument ‘data_tensor‘

报错代码 torch_dataset Data.TensorDataset(data_tensordata, target_tensorlabel) 报错 TypeError: __init__() got an unexpected keyword argument data_tensor 原因:时代变了,新版把输入变成了可变参数,直接输入即可 正确写法 to…