信道编码matlab代码黎曼伪像子空间重建Matlab工具箱 该存储库包含EEGLAB [0]插件的代码，可用于使用Riemannian几何校正EEG工件。 该方法是Mullen等人发表的原始ASR方法的改编。 [1]。 有关其工作的详细信息，请参阅Blum等。 [3]。 rASR工具箱使用Manopt工具箱进行涉及流形和黎曼几何的计算，请注意，在当前实现中，rASR工具箱中使用并包含一个经过自适应的linear_eigenspace函数，而其余的manopt则必须从工具箱中使用。 Matlab路径。 这只是一个临时解决方案，很快将以更可持续的方式进行编码。 用法 要使用rASR清理，只需将其添加到Matlab路径后，像原始ASR插件一样调用此插件： addpath( ' rASRfolder/ ' , ' -begin ' ); % call clean_rawdata EEG = clean_rawdata(EEG, arg_flatline, arg_highpass, arg_channel, arg_noisy, arg_burst, arg_window); 也可以将rAS

脑电图提取 1,2 ， 1 ， 1 ， 3 ， 1 1密歇根州立大学计算机科学系，人类增强与人工智能实验室2密歇根州立大学心理学系感知与注意力实验室的神经影像学3纽约大学计算机人类智能实验室，阿布扎比，电气与计算机工程系 一个用于提取EEG特征的pyhton软件包。 最初是针对论文而开发的，该论文发表在Digital Health的前沿杂志上，有关临床决策中的机器学习专刊。 获取BibTex引用（或滚动至本页底部）。 据我们所知，EEGExtract是当前可用的最全面的EEG特征提取库。 该库正在积极维护中，如果您认为添加特定功能对社区有益，请提出一个问题！ 设置 确保您具有在requirements.txt列出的必需软件包。 如果不确定，请使用pip install -r requirements.txt 。 只需下载EEGExtract.py文件并将其EEGExtrac

上传估计有问题，请勿下载！ 对于研究CT有极大的帮助！国外经典教程，中文版；对CT的最新技术有着深入的讲解！

有条件的GAN去噪器 条件生成对抗网络（CGAN）模型的Tensorflow / Keras实现，可用于图像去噪或伪像去除。 CGAN由一个生成器网络和一个鉴别器网络组成。 生成器将嘈杂/伪像图像作为输入，目的是尽可能接近真实图像。 鉴别器模型将真实图像或生成的图像作为输入，目的是尽可能准确地区分两者。 因此，网络参与了至高无上的激烈竞争... 发电机网络模型基于[1]中的U-Net。 GalaxyGAN模型帮助了结构和模型体系结构的一些选择： ，[2]。 安装 旨在与Python 2.7或3.4或更高版本兼容，但仅在2.7.13和3.6.7上进行了测试。 您将需要 ，为您的机器进行适当设置。 您可以在environment.yml看到所需的Python软件包。 如果使用Anaconda，则可以使用此文件安装作者的环境（请注意，使用tensorflow-gpu ，它需要GPU）：

计算机断层成像技术原理、设计、伪像和进展。一本CT投影重建的教学类书籍，适合初学者或者复习的人。主要领域在图像处理与重建方面。

鉴于压缩退化图像的最佳恢复，本文提出了一种基于深度学习的卷积神经网络，在结构纹理分解的基础上，去除块状伪影的有效方法。 首先，通过总变化优化决策将退化图像分解为结构和纹理两部分。 然后，设计一个卷积神经网络以消除纹理部分中存在的阻塞伪像。 最后，将恢复的纹理部分与结构部分进行合成，以形成最终的最佳恢复图像。 实验结果证明了该方法在主观和客观上都可以消除阻塞伪像的性能优势。 最佳还原图像的客观质量指标。

CellBender CellBender是一个软件包，用于消除高通量单细胞RNA测序（scRNA-seq）数据中的技术伪像。 当前版本包含以下模块。 将来将添加更多模块： remove-background ： 此模块从（原始）基于UMI的scRNA-seq计数矩阵中删除由于周围RNA分子和随机条形码交换引起的计数。 目前，仅支持由CellRanger count管道生成的计数矩阵。 将来会增加对其他工具和协议的支持。 在可以找到快速入门教程。 请参阅以获取有关使用CellBender的快速入门教程。 安装及使用 手动安装 推荐的安装方法如下。 创建一个conda环境并激活它： $ conda create -n cellbender python=3.7 $ source activate cellbender 安装模块： (cellbender) $ conda in

使用独立成分分析和自适应滤波器从EMG记录中移除ECG伪像

经典CT原理教材，由GE医疗首席科学家撰写

作者是GE的CT部门首席科学家，此书为中文第一版