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。

单变量多变量预测小例子，时间序列转换成稳定数据，时间序列转换成监督数据

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

LSTM学习相关内容。学习LSTM需要通过五大问题来全面的理解：为什么会出现LSTM？LSTM是怎么解决CNN梯度消失的问题的？LSTM的主要内容是什么？LSTM如何代码实现？LSTM现在发展到什么地步（即有哪些变体）？通过这五个问题，了解LSTM的前世今生。

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

Convolutional Neural Networks for Small-footprint Keyword Spotting

基于电流模式SC-CNN的蔡氏电路的实现