- 博客(41)
- 收藏
- 关注
RSS订阅原创 【论文阅读】2023_B_Connectivity Analysis in EEG Data
本文基于2023年发表在《Bioengineering》上的综述论文，系统分析了脑电图(EEG)连接性分析中时域与频域方法的差异与应用。时域方法(如格兰杰因果)关注时间序列预测误差，适合分析瞬态过程但无法区分频率成分；频域方法(如PDC、DTF)能分解到特定频率，更适合EEG生理节律分析。文章强调多变量分析优于成对分析，并提出Geweke分解定理作为时频域联系的数学桥梁。实际应用中，需根据预处理影响和抗干扰需求选择适当指标，频域PDC是构建网络拓扑的首选方法。该综述为EEG连接性分析提供了清晰的框架和实用指
2025-12-10 18:43:12
1120
原创 250721脑电分析课题进展——手工特征总结
【摘要】本周研究主要围绕脑电分析课题展开，重点包括：1）系统综述了一篇关于正念干预对脑电波(EEG)和执行功能(EF)影响的论文，总结了其在神经生理机制与认知功能关联方面的创新发现，同时指出研究异质性、方法学质量等局限；2）完成了EEG手工特征提取方法的阶段性总结。下一步将继续深化该领域研究。
2025-07-31 18:37:09
632
原创 EEG手工特征提取总结
本文系统总结了EEG信号的多维度特征提取方法及其认知意义，涵盖时域、频域、时频域、空间域和复杂动力学特征。时域特征反映信号的时间变化特性，频域特征分析不同频率成分的能量分布，时频域特征同时考虑时间和频率变化，空间域特征研究脑区间的相互作用，复杂动力学特征则评估信号的混沌程度和信息处理能力。这些特征为理解大脑活动机制提供了量化工具，在认知功能研究和疾病诊断中具有重要应用价值。研究为EEG数据分析建立了系统框架，为脑电信号应用奠定了理论基础。
2025-07-31 18:34:23
766
原创 【论文阅读】Mindfulness-Based Intervention Effects on EEG and Executive Functions- A Systematic Review2025
摘要： 本研究系统回顾了正念干预(MBI)对脑电图(EEG)和执行功能(EF)的影响。通过分析多类型研究发现，MBI可能通过改变theta、alpha和gamma等脑电波活动，改善注意力控制、工作记忆等执行功能。尽管存在研究方法异质性等问题，结果支持MBI通过调节大脑网络促进神经可塑性的潜力。未来需更严谨的设计以明确其神经机制和长期效果。该综述首次整合了MBI对神经生理与认知功能的双重影响，为相关研究提供了重要参考。（150字）
2025-07-31 18:04:59
1706
原创 250714脑电分析课题进展——基础知识扩展与论文阅读
本周课题聚焦脑电信号分析与机器学习技术融合研究。主要进展包括：1）研读《基于EEG的冥想状态数据挖掘研究》论文，学习PSO-NGN-Fuzzy-XGBoost混合模型对冥想状态分类方法；2）阅读《脑电信号分析方法及其应用》第一章，掌握脑电信号基础；3）技术学习方面，完成TensorFlow基础应用实践，并开始系统学习PyTorch框架及服务器远程训练。下一步将继续深化论文与代码的结合，推进深度学习在脑电分析中的应用研究。
2025-07-24 17:54:28
866
原创 【论文阅读】基于EEG的冥想状态数据挖掘研究（2025）
毕明川. 基于EEG的冥想状态数据挖掘研究[D]. 集美大学, 2025.脑电图（EEG）广泛应用于医学、心理学和脑机接口领域，冥想作为一种有效的认知训练方式也备受关注。当前研究主要集中于冥想与非冥想的二分类识别，对不同冥想类型间的脑电差异识别及其判别特征的筛选较少。此外，EEG信号的高维、低信噪比和个体差异性导致现有分类算法易出现过拟合和泛化能力差的问题。
2025-07-24 16:14:14
877
1
原创 python学习——PyTorch框架的学习（1）
PyTorch数据加载与可视化教程 本教程基于PyTorch框架，介绍了两个核心功能：数据加载和训练可视化。首先讲解了如何通过自定义Dataset类实现灵活的数据加载，包括初始化数据集、索引访问样本和数据合并操作。其次详细说明了如何使用TensorBoard进行训练过程可视化，涵盖SummaryWriter的初始化、图像数据(HWC格式)的记录和标量曲线的展示。教程提供了完整的代码示例，帮助初学者快速掌握PyTorch的基础数据操作和可视化技巧，为后续深度学习模型开发奠定基础。
2025-07-24 14:47:34
797
原创 【学习笔记】机器学习(Machine Learning) | 第七章|神经网络(3)
本文基于吴恩达教授的课程，介绍了使用TensorFlow实现深度学习神经网络的基础知识。文章通过两个实例——咖啡烘焙程度预测模型和数字分类模型，详细讲解了如何构建和训练神经网络。咖啡烘焙模型通过温度和时长预测咖啡质量，而数字分类模型则通过多层全连接网络进行数字识别。文章还强调了numpy数组在数据处理中的重要性，并解释了激活向量的计算过程。通过这些案例，读者可以初步掌握TensorFlow的基本操作和神经网络模型的构建方法。
2025-07-24 14:04:45
6140
原创 250707脑电分析课题进展——EEGLAB的使用
本周稳步进行课题研究，进一步了解脑电分析的内容，同时对基础能力的打磨更加扎实。下一周将继续聚焦于论文阅读与深度学习，了解更多的知识，同时尝试完成周梓涵学姐论文的代码复现。
2025-07-13 16:10:36
1784
原创 【论文阅读】基于注意力机制的冥想脑电分类识别研究（2025）
本研究探讨了基于注意力机制的冥想脑电分类方法。针对冥想脑电信号个体差异大、频域特征判别力不足的问题，研究引入Global Adaptive Transformer (GAT)模型，结合跨被试域适应技术和ICA-ADJUST联合去噪方法。实验表明，GAT模型在标准运动想象数据集上达到73.72%的准确率，迁移到冥想数据集后准确率提升至91.72%。研究验证了GAT模型在冥想脑电分类中的有效性，通过对抗学习和动态特征对齐提高了跨被试泛化能力。未来可进一步优化模型对冥想特有节律特性的处理，并考虑多模态生理信号融合
2025-07-13 16:07:41
1012
原创 python学习——Pandas库的基础
简要说明：由jupyter notebook导入，运行结果紧随代码。列表、数组与张量都可以创建。values最终都为数组。
2025-07-13 09:15:00
341
原创 【学习笔记】机器学习(Machine Learning) | 第七章|神经网络(2)
本文基于吴恩达教授的课程，探讨了神经网络在图像识别和手写数字识别中的应用。首先，介绍了人脸识别和汽车分类任务中的图像预处理、网络架构设计及特征提取过程，重点分析了卷积神经网络（CNN）和残差网络（ResNet）的应用。其次，详细阐述了神经网络层的计算过程，包括线性变换、非线性激活及符号表示，并通过全连接层的计算示例说明了前向传播的核心机制。最后，以MNIST数据集为例，构建了一个三层全连接神经网络，详细描述了其网络结构、参数设置及前向传播过程，并介绍了如何通过softmax函数输出概率分布实现手写数字分类。
2025-07-11 16:34:01
1820
原创 250630课题进展
（一般在5个以上），且不采用主成分分析进行降维，这不利于对EEG结果进行直观解读和分析，也可能导致NFB系统反馈参数过多，影响用户体验。尽管采用了10折交叉验证，但由于被试数量少，每个学员的样本参与训练的概率较高，导致实验条件接近测试集即训练集的情况，可能。脑电信号微弱且容易受到来自肌肉活动（肌电）、眼球运动（眼电）、心跳（心电）以及电源线等各种生理和环境噪声的干扰。进行了python的系统学习，目标达成，能完成基础语句的编写，能够看懂代码的操作与作用。通过交叉验证、性能指标（如准确率、AUC）评估；
2025-07-11 16:12:24
1156
原创 【学习笔记】机器学习(Machine Learning) | 第六章(3)| 过拟合问题
本文介绍了机器学习中正则化的应用，重点讨论了带正则化的代价函数、正则化线性回归和逻辑回归的实现方法。正则化通过在代价函数中添加惩罚项，限制模型参数的大小，从而防止过拟合。文章详细推导了正则化线性回归和逻辑回归的梯度下降更新规则，并对比了正则化与普通模型的差异。此外，还探讨了正则化参数的选择方法，以及L1和L2正则化的优缺点。通过合理应用正则化技术，可以有效提高模型的泛化能力和实际应用效果。
2025-05-14 16:49:01
895
原创 【学习笔记】机器学习(Machine Learning) | 第六章(2)| 过拟合问题
方法适用场景优点缺点收集更多数据训练数据量不足时提高模型泛化能力数据收集成本高特征选择特征数量多且存在冗余特征时减少模型复杂度，提高训练速度可能丢失有用信息正则化模型参数量大，容易过拟合时有效控制模型复杂度，提高泛化能力需要调整正则化参数交叉验证数据集有限，需要充分利用数据进行模型评估时减少数据浪费，提高模型评估准确性计算成本高早停模型训练时间长，容易过拟合时防止模型在训练集上过优化，保存较好的泛化能力需要确定合适的停止点continue…
2025-05-12 16:11:07
1269
原创 【学习笔记】机器学习(Machine Learning) | 第六周|过拟合问题
本文介绍了机器学习中的过拟合和欠拟合问题，通过回归和分类问题展示了不同拟合程度的表现。针对过拟合问题，提出了增加训练数据、特征选择、正则化等解决方法，并讨论了正则化在线性回归和逻辑回归中的应用，包括带正则化的代价函数和梯度下降更新规则。最后，对比了正则化方法的优缺点，强调合理应用正则化技术对提高模型泛化能力的重要性。方法适用场景优点缺点收集更多数据训练数据量不足时提高模型泛化能力数据收集成本高特征选择特征数量多且存在冗余特征时减少模型复杂度，提高训练速度可能丢失有用信息正则化。
2025-04-29 00:10:20
2683
原创 【学习笔记】机器学习(Machine Learning) | 第三章(3)| 多特征与向量化计算
w⃗w⃗−α1mXTf⃗−y⃗bb−α1m∑i1mfi−yiw:=w−αm1XTf−yb:=b−αm1∑i1mfi−yiX∈Rm×nX∈Rm×n为特征矩阵f⃗Xw⃗bfXwb为预测值向量公式解析XTX^TXT表示特征矩阵的转置f⃗−y⃗f−y是预测值与真实值的差值向量。
2025-04-21 16:29:09
767
原创 【学习笔记】机器学习(Machine Learning) | 第三章(2)| 多特征与向量化计算
权重向量w⃗w1w2wnww1w2...wn表示每个输入特征的相对重要性，维度n对应特征空间维度偏置项bbb提供模型的平移自由度，使决策边界可以不经过原点# NumPy数组表示w = np.array([1.0, 2.5, -3.3]) # 示例权重b = 4 # 示例偏置x = np.array([10, 20, 30]) # 输入特征wjwj−α1m∑i1mhw⃗bx⃗i−yixjib。
2025-04-19 16:22:22
979
原创 【学习笔记】机器学习(Machine Learning) | 第三章(1)| 多特征与向量化计算
在机器学习中，当数据包含多个特征时，我们需要使用特征向量来表示每个训练样本。特征符号特征描述示例1 (i=1)示例2 (i=2)x1x_1x1房屋面积 (ft²)21041416x2x_2x2卧室数量53x3x_3x3楼层数12x4x_4x4房屋年龄 (年)4540yyy价格 ($1000’s)460232符号定义n4n = 4n4：特征数量（输入维度）mmm：训练样本数量（例如上表中m2m = 2m2x⃗ixi。
2025-04-17 14:19:30
1169
原创 【学习笔记】机器学习(Machine Learning) | 第二周| 单变量线性回归
核心概念监督学习属性：通过带标签数据训练模型，预测连续型数值（如房价、温度）。典型应用场景包括半导体工艺参数预测（如芯片尺寸与性能关系）、新能源电池容量估算等工业领域。数学表示fwbxw⋅xbfwbxw⋅xb其中：www（权重/斜率）：反映特征对预测结果的单位影响强度示例：房价模型中，面积特征w0.8w=0.8w0.8表示每增加1㎡，房价上涨0.8万元bbb（截距项）：调整模型在yyy轴的基准位置。
2025-04-15 20:04:03
1002
原创 【学习笔记】机器学习(Machine Learning) | 第一周| 机器学习绪论
使计算机无需显式编程即能学习的学科领域核心思想：数据驱动（Data-Driven）的规律发现与决策优化终极目标：人工通用智能（Artificial General Intelligence, AGI）
2025-04-15 19:31:53
703
原创 【学习笔记】机器学习(Machine Learning) | 第二章(3) | 单变量线性回归
术语定义训练集 (Training Set)用于模型训练的数据集合，包含输入特征𝑥和目标值𝑦（如波士顿房价数据集含13个特征）特征 (Feature)x′x−μσx′x−μσ），加速梯度下降收敛。
2025-04-14 20:36:57
848
原创 【学习笔记】机器学习(Machine Learning) | 第二章(1) | 单变量线性回归
核心概念监督学习属性：通过带标签数据训练模型，预测连续型数值（如房价、温度）。典型应用场景包括半导体工艺参数预测（如芯片尺寸与性能关系）、新能源电池容量估算等工业领域。数学表示fwbxw⋅xbfwbxw⋅xb其中：www（权重/斜率）：反映特征对预测结果的单位影响强度示例：房价模型中，面积特征w0.8w=0.8w0.8表示每增加1㎡，房价上涨0.8万元bbb（截距项）：调整模型在yyy轴的基准位置。
2025-04-10 08:39:24
608
原创 【学习笔记】机器学习(Machine Learning) | 第三周| 多特征与向量化计算
在机器学习中，当数据包含多个特征时，我们需要使用特征向量来表示每个训练样本。特征符号特征描述示例1 (i=1)示例2 (i=2)x1x_1x1房屋面积 (ft²)21041416x2x_2x2卧室数量53x3x_3x3楼层数12x4x_4x4房屋年龄 (年)4540yyy价格 ($1000’s)460232符号定义n4n = 4n4：特征数量x⃗ixi：第i个训练样本的特征向量（例如x⃗214163240。
2025-04-06 22:21:20
497
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人