<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[qq_35658174的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/qq_35658174</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; qq_35658174]]></copyright><item><title><![CDATA[EEGLAB扩展插件汇总及安装方法]]></title><link>https://blog.youkuaiyun.com/qq_35658174/article/details/135741797</link><guid>https://blog.youkuaiyun.com/qq_35658174/article/details/135741797</guid><author>qq_35658174</author><pubDate>Mon, 22 Jan 2024 10:25:55 +0800</pubDate><description><![CDATA[硬件要求因您要处理的数据集的大小而异。另请参阅(https://github.com/sccn/fmrib)。**ADJUST(http://www.unicog.org/pm/pmwiki.php/MEG/RemovingArtifactsWithADJUST)：**一种完全自动的算法，通过结合刻板的工件特定的空间和时间特征来识别工件相关的独立组件。**MARA(http://in.de/irene.winkler/artifacts//www.user.tu-berl/)：**自动识别人工独立组件。]]></description><category></category></item><item><title><![CDATA[matlab常用工具箱汇总（附toolbox下载地址）]]></title><link>https://blog.youkuaiyun.com/qq_35658174/article/details/135664646</link><guid>https://blog.youkuaiyun.com/qq_35658174/article/details/135664646</guid><author>qq_35658174</author><pubDate>Thu, 18 Jan 2024 08:29:11 +0800</pubDate><description><![CDATA[2.SimMechanics 工具箱 (这个好像不是免费的)这个原po地址改了，新地址如下。3.gaot工具箱(]]></description><category></category></item><item><title><![CDATA[科研人常用的网站和方法总结]]></title><link>https://blog.youkuaiyun.com/qq_35658174/article/details/134873109</link><guid>https://blog.youkuaiyun.com/qq_35658174/article/details/134873109</guid><author>qq_35658174</author><pubDate>Fri, 08 Dec 2023 11:34:14 +0800</pubDate><description><![CDATA[（1）文献爬取神器 connected papers  输入标题或者关键词  生成文献关系网 颜色越深 时间越新 圈越大 关联性越强。去 维普网 （论文选题），输入关键词收索，可以得到参考选题，确定之后区知网进行知识元检索（指数）后看热度，上升比较好。（2）research rabbit 可以多添加几篇文献，相识的文献都包含在内。（2）文献阅读神器（1小时阅读30篇文献），上传文献后自动归纳总结和重点提示。4.脱离汉语，直接读自己的英文文章，看看有没有读不懂的，对读不懂的进行修改。5.有问题随时联系我。]]></description><category></category></item><item><title><![CDATA[如何寻找论文代码]]></title><link>https://blog.youkuaiyun.com/qq_35658174/article/details/134178796</link><guid>https://blog.youkuaiyun.com/qq_35658174/article/details/134178796</guid><author>qq_35658174</author><pubDate>Thu, 02 Nov 2023 11:39:44 +0800</pubDate><description><![CDATA[一个很好用的查找论文代码的网站，当您在http://arxiv.org或Google Scholar中搜索浏览论文时，还可以用http://researchcode.com提供的google chrome扩展程序”ResearchCode code finder“查找代码。原文链接：https://blog.youkuaiyun.com/weixin_42802447/article/details/107731624。google代码：https://code.google.com/archive/]]></description><category></category></item><item><title><![CDATA[文献阅读神器 ReadPaper]]></title><link>https://blog.youkuaiyun.com/qq_35658174/article/details/134177961</link><guid>https://blog.youkuaiyun.com/qq_35658174/article/details/134177961</guid><author>qq_35658174</author><pubDate>Thu, 02 Nov 2023 11:10:46 +0800</pubDate><description><![CDATA[在ReadPaper上，强大的笔记功能支持MarkDown格式，这样你的笔记就随你变。下面是我用Markdown做的笔记，可以改变字体大小、字体颜色等等，让我们的笔记更加清晰明了。就像下面这样，我点到参考文献8，直接给出了这个文献的信息（作者、年份、期刊等等），然后可以点击"有pdf"直接查看论文全文。在一篇论文中参考文献，ReadPaper可以直接跳转阅读，不需要再去复制论文名字-搜索了。在以前我阅读文献的都是用的WPS，很多小伙伴用知云，但是今天我开始用ReadPaper了😄。2. 强大的笔记功能。]]></description><category></category></item><item><title><![CDATA[推荐期刊十个实用网站]]></title><link>https://blog.youkuaiyun.com/qq_35658174/article/details/133839955</link><guid>https://blog.youkuaiyun.com/qq_35658174/article/details/133839955</guid><author>qq_35658174</author><pubDate>Sun, 15 Oct 2023 11:08:57 +0800</pubDate><description><![CDATA[爱思唯尔Journal Finder网站，该网站是爱思唯尔推出的查找期刊的网站，输入论文的题目和摘要，就可以匹配所有爱思唯尔旗下与你论文相符合的期刊。施普林格Journal Suggester网站，该网站是施普林格推出的期刊建议网站，同样输入你的论文题目，将你的摘要也输入，就可以匹配施普林格旗下与你论文相符合的期刊。IEEE的Publication Recommender网站，该网站是IEEE推出的出版建议网站，输入你的关键词、关键段落或者标题，就可以推荐IEEE旗下与你论文匹配的期刊或者相关会议。]]></description><category></category></item><item><title><![CDATA[机器学习十大算法优缺点]]></title><link>https://blog.youkuaiyun.com/qq_35658174/article/details/133700147</link><guid>https://blog.youkuaiyun.com/qq_35658174/article/details/133700147</guid><author>qq_35658174</author><pubDate>Mon, 09 Oct 2023 13:41:07 +0800</pubDate><description><![CDATA[提升方法是从弱学习算法出发，反复学习，得到一系列的弱分类器（即基本分类器），然后组合这些弱分类器，构成一个强分类器，大多数的提升方法都是改变训练数据集的概率分布（训练数据的权值分布），针对不同的训练数据分布调用弱学习算法学习一系列的弱分类器。XGBoosting采用预排序，在迭代之前，对结点的特征做预排序，遍历选择最优分割点，数据量大时，贪心法耗时，LightGBM方法采用histogram算法，占用的内存低，数据分割的复杂度更低。3）在选择核函数时，如果线性拟合不好，一般推荐使用默认的高斯核'rbf'。]]></description><category></category></item><item><title><![CDATA[脑电信号基础]]></title><link>https://blog.youkuaiyun.com/qq_35658174/article/details/132534458</link><guid>https://blog.youkuaiyun.com/qq_35658174/article/details/132534458</guid><author>qq_35658174</author><pubDate>Mon, 28 Aug 2023 10:56:15 +0800</pubDate><description><![CDATA[包括等综合外在表现，深入地研究脑电波的特性将推进人们自身大脑的探索研究进程，增强其对疾病的诊断能力。脑电记录装置由最初的只能记录1或2个通道到后来逐渐出现了6导，8导脑电图机。现在临床常用的脑电图机有16导、32导和64导。在研究领域，目前脑电采集记录装置可以做到512个电极，。]]></description><category></category></item><item><title><![CDATA[Matlab 画图]]></title><link>https://blog.youkuaiyun.com/qq_35658174/article/details/132531248</link><guid>https://blog.youkuaiyun.com/qq_35658174/article/details/132531248</guid><author>qq_35658174</author><pubDate>Mon, 28 Aug 2023 08:09:08 +0800</pubDate><description><![CDATA[set(gca,'XTickLabel',{'IMF1','IMF2','IMF3','IMF4','IMF5','IMF6'}) %设置x轴所代表大时间。hLegend = legend(box_cor([10,1]), {'癫痫','非癫痫'});ylabel('Average Value of PSI') %设置x轴和y轴的名称。ylabel('相位同步指数');]]></description><category></category></item><item><title><![CDATA[用EMD、EEMD、SVD、VMD、 小波分解、 MRSVD实现信号降噪]]></title><link>https://blog.youkuaiyun.com/qq_35658174/article/details/132480157</link><guid>https://blog.youkuaiyun.com/qq_35658174/article/details/132480157</guid><author>qq_35658174</author><pubDate>Thu, 24 Aug 2023 18:15:08 +0800</pubDate><description><![CDATA[选取EMD、EEMD、VMD、SVD、小波分解与MRSVD进行对比分析，其中EMD、EEMD、VMD是在选取最优参数的情况下，将信号分解成多阶模态函数，将模态混叠严重的分量舍弃掉重构而成的；SVD是选取有效秩的阶数为信号中心频率个数的二倍来重构信号。可以看到EMD、EEMD、VMD、SVD和小波分解的波形在不同信号下与原始信号的偏差度有所差异，这几种降噪模型各有优劣势，但只有MRSVD的两个信号降噪波形原始信号的吻合度最高且对噪声信号的模态混叠现象有较好的抑制，基本上能反映出原始信号的中心频率的个数。]]></description><category></category></item><item><title><![CDATA[EEG信号处理基础 | 近似熵、样本熵与传递熵]]></title><link>https://blog.youkuaiyun.com/qq_35658174/article/details/132421772</link><guid>https://blog.youkuaiyun.com/qq_35658174/article/details/132421772</guid><author>qq_35658174</author><pubDate>Tue, 22 Aug 2023 09:59:39 +0800</pubDate><description><![CDATA[已有研究所得到的的结论是：在癫痫发作时，EEG信号的相关维数或Lyapunov指数都是呈下降的趋势，但是计算这两个指数的一个很大的缺陷就是需要很长的数据才能得出可靠的结果，但是对于脑电来说，这么长的时间就意味着大脑的非线性动力学参数可能发生“质”的变化。近似熵（ApEn）是一种用于量化时间序列波动的规律性和不可预测性的非线性动力学参数，它用一个非负数来表示一个时间序列的复杂性，反映了时间序列中新信息发生的可能性，越复杂的时间序列对应的近似熵越大。样本熵是对近似熵的一种改进，是一种新的复杂度测试方法。]]></description><category></category></item><item><title><![CDATA[一文通俗理解奇异值分解（转自机器学习与AI生成创作）]]></title><link>https://blog.youkuaiyun.com/qq_35658174/article/details/132339591</link><guid>https://blog.youkuaiyun.com/qq_35658174/article/details/132339591</guid><author>qq_35658174</author><pubDate>Thu, 17 Aug 2023 14:04:44 +0800</pubDate><description><![CDATA[（Singular Value Decomposition）是线性代数中一种重要的矩阵分解，是在机器学习领域广泛应用的算法,本文对奇异值分解的概念进行了介绍，以图像举例解释了奇异值分解的应用。特征值和奇异值在大部分人的印象中，往往是停留在纯粹的数学计算中。而且或者矩阵论里面，也很少讲任何跟特征值与奇异值有关的应用背景。奇异值分解是一个有着很明显的物理意义的一种方法，它可以将一个比较复杂的矩阵用更小更简单的几个子矩阵的相乘来表示，这些小矩阵描述的是矩阵的重要的特性。]]></description><category></category></item></channel></rss>