沃·夏澈德的博客

论文笔记：Composite Common Spatial Pattern for Subject-to-Subject Transfer概括​ 目前大多数CSP算法都是基于单被试数据的协方差矩阵进行特征提取，这忽视了被试间的信息。本文提出了一种新的CSP计算算法，通过线性组合来考虑被试间的关系，实现被试间信息迁移。方法CSP方法与部分符号参考原文，此处给出线性组合协方差矩阵的方法，也是文章的核心部分。首先定义被试k的不同类别c的协方差矩阵Cck=1∣Ik∩Ic∣∑i∈(Ik∩Ic)X~iX~

论文笔记：Deep Domain Confusion Maximizing for Domain Invariance概述提出编码MMD（最大 均值差异， Maximun Mean Discrepancy）来测量在 CNN中学习到的隐藏特征之间的距离。通过这种方法，网络通过最大化标签依赖性同时最小化域不变性来自动学习跨域表示。方法提出了如下损失函数来表示上述问题，L=LC(XL,y)+λMMD⁡2(XS,XT)\mathcal{L}=\mathcal{L}_{C}\left(X_{L}, y

在跨被试时对特征提取层的参数进行迁移并固定，通过fine-turn训练分类层。阅读重心，如何cross-subject全文核心 ：提了一个网络如何做到cross-subject的？先用其他被试的数据训练模型，然后将得到的提取器共享并固定参数，然后随机初始化分类层参数，通过目标被试的数据进行fine-turn。...

对session进行评估，判断其是否适合使用迁移学习来提升性能。阅读重点，如何cross-subject。全文核心：文中提出了一种新的可被迁移性的度量指标LSG，可以衡量一组数据是否适合接受来自其他被试的数据。全文理论基于一个假设，就是当一个session的数据可以很好地训练模型的时候，其他被试的数据将不能提供任何有用的帮助（原文：In this study, we hypothesized that if the pilot session of an individual provides discr

所读论文：Multi-subject data augmentation for target subject semantic decoding with deep multi-view adversarial learning基于GAN的特征迁移。阅读重点，如何cross-subject。全文核心：在使用不同被试的数据的时候，主要面临两个困难：１.特征不匹配。２.分布不匹配。文中提出了一种多被试特征增强方法来解决这两个问题。通过多个特定被试的编码器，解码器以及分类器，一个被试的信息可以转移到另一个被

EEGNet：A Compact Convolutional Network for EEG-based Brain-Computer Interfaces与DEEPCNN、shallow CNN相似（笔记），只是结构上略有不同。整个网络由三个部分组成，分别对应FBCSP中的带通滤波、CSP、特征选择。

Deep Learning With Convolutional Neural Networks for EEG Decoding and Visualization概述此笔记主要对模型部分进行描述。因为CNN可以端到端地解决问题，因此考虑将其用到EEG的处理中，因为EEG信号与图片信号有所不同，因此直接使用原始的CNN是不合适的。文章对此展开了研究，并提出了三种面向EEG的CNN模型，其中第三种为前两种的混合，不作记录。Deep CNN在普通的CNN前加入了一个block，包括两个卷积层和一个平

概述提出了一种基于最小化全局冗余的特征提取算法(global redundancy minimization in orthogonal regression)。研究动机基于EEG的情绪识别研究大多使用低密度(小于128个通道)的EEG数据，如SEED [71]和DEAP[72]数据库。低密度脑电图的缺点是其空间分辨率差。随着脑电设备的发展，高密度脑电(超过 128个通道)因其高空间分辨率在情绪识别领域受到越来越多的关注 。与低密度脑电信号相比，高密度脑电信号可以为情绪识别任务提供更丰富的空间信息。

文章主要通过稀疏多模机对特征进行融合。此处主要记录2.1节联合结构稀疏正则化，并作python实现。符号说明：********************************分割线****************************************************题外话：铰链损失函数（hinge loss）详情转https://blog.youkuaiyun.com/hustqb/article/details/78347713**********************

论文原文论文中心思想：提出了一种只使用注意力机制的模型，模型中没有结合任何RNN或CNN，通过encoder--decoder的模型实现出了一种强力有效的模型。引言与背景在注意力机制诞生后，诞生了多种改进的模型，但是这些模型一般都是把注意力机制与循环神经网络结合（包括一些改良的，如LSTM），但是这些模型有个弊端，就是并行计算能力不强，为解决这一些问题，论文提出了一种仅基于注意力...

论文原文镇四方，大神护我科研顺利，顶会约稿~~这是注意力机制落地到自然语言处理的一篇论文，好像是第一篇，没有考究。论文中心思想：在传统的机器翻译模型（encoder-decoder）中的decoder中加入注意力机制，使得在解码时不再使用同一段中间向量，而是有针对地对译文中每一个词使用与原文相对的内容来生成的中间向量。以下先解读论文内容（注重点为注意力机制），再从中抽象出注意力机...