首页
学习
活动
专区
工具
TVP
发布
精选内容/技术社群/优惠产品,尽在小程序
立即前往
  • 您找到你想要的搜索结果了吗?
    是的
    没有找到

    EEG-fNIRS跨模态迁移学习优化BCI系统分类精度

    基于功能近红外光谱(fNIRS)的脑机接口(BCI)在情感识别方面的巨大应用潜力,该模式受到越来越多的关注。然而,由于特征提取算法的相对不足,限制了其在实践中的应用。最近,科学家提出一种基于正则化空间模式(RSCP)的R-CSP-E方法,即在计算基于转移学习和集合学习理论的fNIRS信号特征时引入EEG信号,使用独立分量分析(ICA)来实现两个信号源之间的对应,然后在改进共同空间模式(CSP)算法的空间滤波器时引入了EEG。实验证明,该方法相对没有迁移算法的传统方法,平均分类精度可提高5%。实现了EEG和fNIRS之间应用迁移学习。证明了迁移学习算法在跨模BCI中的潜力,还为研究混合型脑机接口提供了一个创新视角。

    03

    优化实践 | 大改ShuffleNetV2网络,注意力机制,csp,卷积裁剪...(附全部开源代码)

    在移动端场景中,目前有很多不错的轻量级网络可以选择,例如google的mobilenet系列,efficient lite系列,旷世的shufflenet系列,华为的ghostnet等。在这些模型中,我尤其喜欢shufflenetV2,因为它结构清晰,简洁(如下图所示为shufflenetv2 1.0x的结构图:红色标注为各个模块的flops),并且在设计之初就考虑了MAC(访存代价),使得在移动端部署的时候具有很低的延时。在多个数据集上的测试也验证了其较好的泛化性能。不过有时候为了实现在更低计算资源的嵌入式场景中使用shufflenet,或者在轻量级检测框架中使用shufflenet作为bakbone,那么仍然需要对shufflenet做一些优化。

    02
    领券