SleepEEGNet：具有序列到序列深度学习方法的自动睡眠阶段评分 在这项研究中，我们介绍了一种新颖的深度学习方法，称为SleepEEGNet，用于使用单通道EEG进行自动睡眠阶段评分。 纸 我们的论文可以从下载。 模型架构 CNN架构 人才招聘 Python 2.7 张量流/张量流-gpu 麻木 科学的 matplotlib scikit学习 matplotlib 学习失衡（0.4.3） 大熊猫 ne 数据集和数据准备 我们使用2013年和2018年发布评估了我们的模型。 我们使用了提供的源代码来准备数据集。 要从Sleep_EDF（2013）数据集下载SC主题，请使用以下脚本： cd data_2013 chmod +x download_physionet.sh ./download_physionet.sh 要从Sleep_EDF（2018）数据集下载SC主题，

LeNet网络 Le顾名思义就是指人工智能领域的大牛Lecun。这个网络是深度学习网络的最初原型，因为之前的网络都比较浅，它较深的。LeNet在98年就发明出来了，当时Lecun在AT&T的实验室，他用这一网络进行字母识别，达到了非常好的效果。 怎么构成呢？输入图像是32×32的灰度图，第一层经过了一组卷积和，生成了6个28X28的feature map，然后经过一个池化层，得到得到6个14X14的feature map，然后再经过一个卷积层，生成了16个10X10的卷积层，再经过池化层生成16个5×5的feature map。

利用tensorflow的中文文本分类程序，包括CNN和RNN实现，程序结构清晰，便于学习理解。

神经网络很多时候就像是个黑盒子，里面到底是什么样，是什么样的结构，是怎么训练的，可能很难搞清楚。而本代码就是可以把复杂的神经网络训练过程给可视化，可以更好地理解，调试并优化程序。可以看到每层网络的学习结果.

基于DEAP的四分类脑电情绪识别算法。 使用该模型从价-觉醒平面对四个情绪区域进行分类：高价-高觉醒（HVHA）、高价-低觉醒（HVLA）、低价-高觉醒（LVHA）和低价-低觉醒（LVLA）。 并提出了两种模型来解决这一问题：一维卷积神经网络（CNN-1D）结合LSTM，第二个模型为一维卷积神经网络（CNN-1D）结合GRU。 实验结果表明，该方法在1DCNN-GRU模型和1DCNN-LSTM模型中的训练准确率分别为96.3%和97.8%。因此，这两种模型对执行这种情绪分类任务都非常好。 这是专门为解决消失梯度问题而设计的，消失梯度问题通常成为时间序列数据集中的一个问题。

1维CNN demo, 可在本地运行, 初学代码, 写的不是很规范，

基于深度学习的转矩及MTPA点的预测 数据模型和采集的数据在数据库中，可以自行下载 深度模型由tensorflow+keras 搭建，其中模型的架构参考网上的的这个模型是用tensorflow编写的，代码读起来比较复杂，所以用keras进行改编。 推荐一个深度学习的社区 里面的深度学习的详细教程。 代码包括 基于LSTM预测电机转矩 基于CNN预测电机MTPA点 基于CNN的预测电机转矩 基于LSTM预测电机MTPA点

CNN-VGG16图片性别年龄识别（说白了就是图片分类）-附件资源

wwu-ki_brainage 使用卷积神经网络（CNN）进行大脑年龄预测的教程 培训和评估是使用fastai_scans（ ）完成的，fastai是与3d医学图像配合使用的fastai扩展。 安装 1.）创建一个新的conda环境，安装Python 3.6并激活它 conda create -n wwuki_brainage python=3.6; conda activate wwuki_brainage 2.）在环境中安装pip conda install pip 3.）使用pip在该conda环境中安装软件包（将USER替换为您的用户名，将CONDA_DIR替换为.conda替换为Anaconda，将miniconda替换为miniconda）。 /home/USER/CONDA_DIR/envs/wwuki_brainage/bin/pip install git+git