EN|中文
16

2019-08

Analyzer脑电数据处理步骤

一、设置数据路径的workspace 二、转换参考(NewReference):现在的电极帽大都以FCz作为参考电极,而实际分析ERP波形时,会根据实验要求进行更换参考电极。 三、滤波(Filters):根据所要分析的信号频率,适当设定波形带宽,滤除不必要的信号。 四、ICA去眼电(OcularCorrection):将眨眼或眼动带来的肌电影响进行纠正。 五、伪迹去除(RawDataInspection):去除由于设备或被试动作带来的伪差信号。 六、分段(Segmentation):根据mark将要进行叠加平均的脑电信号提取出来。 七、叠加平均(Average) 八、基线校正(BaselineCorrection) 九、峰值检测(PeakDetection) 十、数据输出(Export) 详细步骤及软件应用教程见:https://mp.weixin.qq.com/s?__biz=MzI0MTQxNDE5NA==&mid=2247485777&idx=1&sn=298b8a9d94649fdbd2c08c3dadd53491&chksm=e90ab00cde7d391a31134c68351bead25243078ff9dbfe43250e2ab10939cc2e81f94d986b7e&mpshare=1&scene=24&srcid=&key=3664940d76d21017edbbe7f0b185dc5f47ee6c69369e7ec0ee3027a209bea0990e168c48ae5f591696c997e5ae517ec53ae490eae3a1d61f93f8287b6a48a0c3a020e91200fd87e7fc2362ef1bfe9631&ascene=1&uin=MTk1NzI0NTU2MQ%3D%3D&devicetype=Windows+10&version=62060833&lang=zh_CN&pass_ticket=%2FOMRwUi2dYR23Sz1cSVcMLZvMXalawx3rXbepIm4BG6wUaoqGorC8uktPTm8Phsx …

16

2019-08

周志华等提出RNN可解释性方法

探索深度学习模型的可解释性通常都比较困难,然而对于RNN等特定类型的深度学习模型,还是有方法解决的。循环神经网络(RNN)作为深度神经网络中的主要组成部分,它们在各种序列数据任务中有非常广泛的应用,特别是那些带有门控机制的变体。 FSA的这些特性令周志华团队探索从RNN中学习一个FSA模型,并利用FSA的天然可解释性能力来理解RNN的内部机制。之前的方法主要关注结构化的预测或分类结果,这一篇文章主要关注中间隐藏层的输出结构。 论文链接:https://arxiv.org/pdf/1810.10708.pdf …

22

2019-09

MNE-python:基于python语音的MEG/EEG分析及可视化软件包

mne-python是一款开源的用于EEG/EMG分析、处理和显示的软件。遵循BSD-license协议,由Harvard大学牵头,社区共同开发。主要功能包括:EEG/MEG信号的预处理和去噪,源估计,时频分析,统计测试,功能性连接,机器学习,传感器和源的可视化等等。 mne支持了大部分常见的原始数据格式,默认的(以及自带的sampledata)采用的是一种.fif格式,但同时它也支持如.vhdr,.edf,.bdf,.cnt,.egi,.set等格式。如图所示为MNE中包含的部分示例程序。 工具包地址:https://mne-tools.github.io/stable/index.html …

16

2019-08

基于深度迁移学习进行时间序列分类

16

2019-08

解码大脑信号直接合成语音,Nature新研究拯救失语者

许多失去说话能力的人需要利用某种技术进行交流,这项技术要求他们做出微小的动作来控制屏幕上的光标,进而选择单词或字母。最著名的例子就是霍金,他使用的是一种利用脸颊肌肉激活的发声装置。但是由于使用者必须逐个字母打出自己要说的话,这种装置通常速度很慢,每分钟最多生成十个单词,而正常说话者每分钟平均要说150个词,而这主要归功于人类的声道。 论文:Speechsynthesisfromneuraldecodingofspokensentences …