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。
2022-03-29 09:33:31
1005KB
采用一维CNN神经网络算法，对西储大学轴承数据集分为10中故障类型进行故障识别，最终准确率很高；同时算法结构灵活，可以自定制网络及优化器，满足多张故障数据集。
2021-11-12 14:05:21
606.09MB
1
keras-conv1d
描述
用Keras训练和评估一维卷积神经网络的代码。 使用多个通道和过滤器来探索conv1d选项。
该示例适用于的原始惯性信号。
设置
使用miniconda安装所有依赖项（来自 ）：
通过在您的主目录中获取install_miniconda.sh来安装miniconda2 。 注销并在此之后重新登录。
cp install_miniconda.sh ~ /
cd ~
source install_miniconda.sh
安装其余依赖项：
cd ~ /keras-conv1d
source install.sh
每次登录时，请进行以下设置：
source setup.sh
跑步
cd train
python keras_conv1d.py
2021-09-15 16:56:12
8KB
1
用卷积滤波器matlab代码深眼运动（EM）分类器：一维CNN-BLSTM模型
这是“
1D
CNN和BLSTM对注视，扫视和平滑追踪的自动分类”一文中对眼睛运动分类的深度学习方法的实现。
如果您使用此代码，请引用为
@Article{startsev2018cnn,
author="Startsev,
Mikhail
and
Agtzidis,
Ioannis
and
Dorr,
Michael",
title="1D
CNN
with
BLSTM
for
automated
classification
of
fixations,
saccades,
and
smooth
pursuits",
journal="Behavior
Research
Methods",
year="2018",
month="Nov",
day="08",
issn="1554-3528",
doi="10.3758/s13428-018-1144-2",
url="https://doi.org/10.3758/s13428-018-1144-2"
}
全文可通过随意访问。
作者：
Mikhail
2021-08-28 21:10:33
1.2MB
1
autoEncoder01
有两个一维CNN自动编码器示例，可以根据您的压缩需求在输入和输出中对其进行重新配置
2021-05-29 21:13:08
2KB
1