运动想象 (MI) 分类学习系列 (16) :LMDA-Net

最新推荐文章于 2025-04-03 11:11:24 发布
最新推荐文章于 2025-04-03 11:11:24 发布
阅读量625 收藏 3
点赞数 6
分类专栏： 脑机接口 运动想象 文章标签： 学习 脑机接口 运动想象 分类 深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/qq_36758270/article/details/139819802
版权

运动想象分类学习系列:基于滑动窗口的通用空间模式

论文地址：https://www.sciencedirect.com/science/article/pii/S1053811923003609
论文题目：LMDA-Net:A lightweight multi-dimensional attention network for general EEG-based brain-computer interfaces and interpretability
论文代码：https://github.com/MiaoZhengQing/LMDA-Code

0. 引言

虽然基于神经网络的方法可以有效地提取特征，但它们经常会遇到数据集泛化性差、预测波动性高、模型可解释性低等问题。为了解决这些局限性，我们提出了一种新型的轻量级多维注意力网络，称为LMDA-Net。通过结合两个专门为脑电信号设计的新型注意力模块，即通道注意力模块和深度注意力模块，LMDA-Net能够有效地集成来自多个维度

了解本专栏 订阅专栏 解锁全文
机器学习3——多类分类和神经网络
Yuancccc的博客
12-20 2599
本篇博客主要讲解，吴恩达机器学习第四周的编程作业，作业内容主要是对手写数字进行识别，是一个十分类问题，要求使用两种不同的方法实现：一是用之前讲过的逻辑回归实现手写数字识别，二是用本周讲的神经网络实现手写数字识别。实验的原始版本是用Matlab实现的，本篇主要用Python来实现。 　　在ex3data1.mat中有5000个训练示例，其中每个训练示例是一个20像素乘20像素的数字灰度图像。每个...
R语言学习笔记——确定指标权重：层次分析法/熵权法/CRITIC方法
qq_23924691的博客
02-21 385
本文介绍使用R语言确定指标权重的方法，包括：层次分析法、熵权法和CRITIC方法，内容包含了逆向指标正向化处理。
Neuroimage | LMDA-Net第一作者亲自讲述其设计思想
脑机接口社区
06-10 1273
近期， 天津大学精仪学院和医工院联合，在神经科学和神经成像顶刊 Neuroimage中发表题为《LMDA-Net: 一种具有通用性和可解释性的轻量级EEG解码网络》的学术论文, 为解决人工神经网络模型在EEG解码时面临的跨数据集泛化性差、预测波动性高和模型可解释性差等问题做出了贡献。本文的论文和代码全部开源，有望在脑机接口系统的应用中发挥重要作用。EEG信号的解码是神经科学和计算机科学领域的研究热...
论文翻译：Pose estimation at night in infrared images using a lightweight multi-stage attention network
zzl18681269883的博客
06-06 3014
摘要 人体关键点检测是计算机视觉中一项比较基本的任务；它是人类行为识别、行为分析和人机交互的前置任务。由于大多数异常行为发生在夜间，如何在弱光或完全黑暗的环境中有效地提取关节序列数据对其识别提出了巨大的挑战。本文提出了利用远红外图像检测人体关键点的方法，解决了在完全黑暗、烟雾、恶劣天气和眩光等恶劣天气条件下的人体姿态估计问题。然而，远红外图像具有分辨率低、噪声大、热特性差等缺点，需要实时提供关节数据以备后续任务的需要。基于以上原因，本文提出了一种轻量级多级注意力网络(LMANet)来...
LMDA-Net：一种基于脑电的通用脑机接口范式和可解释性的轻量级多维注意力网络...
脑机接口社区
04-13 663
基于脑电图（EEG）的脑机接口（BCI）一种强大工具，用于各种应用，如运动康复、大脑功能调节、精神疾病监测和娱乐等。由于其信号获取方便和高时间分辨率，非侵入性EEG已经广泛应用。然而，EEG的低信噪比和低空间分辨率对对解码构成挑战。此外，EEG常常使用不同的范式进行采集，这些范式利用不同的神经科学原理，导致不同信号域中的各种信号特征。通常，基于EEG的活动和状态识别涉及使用先前的神经科学知识生成定...
LMDA-Net学习记录2
weixin_55874451的博客
03-15 390
大致思想是：先让特征F从通道维度进行自适应平均池化，把22个通道池化为1个，池化后形状变为9×1×100，之后有一个小技巧，进行维度转换，transpose(C,D),转换为1×9×100便于卷积，然后再在时间维度上进行卷积，进一步提取时间特征，conv(pooling(F))后形状依旧为1×9×100，现在在开始softmax,对于每一个时间T，在9个维度上，进行softmax,所以在100个T上，每个通道的权重都不同。第一部分是时间卷积，卷积核大小为1×75，卷积核数量为24个，然后BN，然后激活。
【distillation】shrinkTeaNet:Million-scale Lightweight Face Recognition via Shrinking T-S Networks
猫猫与橙子的博客
06-13 1379
论文完整题目：shrinkTeaNet:Million-scale Lightweight Face Recognition via Shrinking Teacher-StudentNetworks 论文链接：https://arxiv.org/abs/1905.10620v1 作者的动机：性能好的人脸识别网络由于其庞大的参数和复杂的网络结构比较困难，作者想要得到一个小型但是精度又还可以与...
cascade MRI reconstruction: dataset.py--1
xuru_0927的博客
07-11 468
首先配置文件不能少config.yaml # Model Parameters network: num_cascades: 6 num_layers: 5 # Number of layers in the CNN per cascade num_filters: 64 kernel_size: 3 stride: 1 padding: 1 #A padding of 1 is needed to keep t
fetch("https://can.ctrip.com/api/product/hotelfilter", { "headers": { "accept": "application/json, text/javascript, */*; q=0.01", "accept-language": "zh-CN,zh;q=0.9", "authorization": "eyJhbGciOiJIUzUxMiJ9.eyJzdWIiOiI3MDQxMiIsInVzZXJuYW1lIjoiWFJUWDA5MjUiLCJ1dWlkIjoiTG9naW5jMTQ4M2NiNy1lMDA0LTQyMWMtYWM2MS04YjVmOGYyYjZiYTciLCJyb2xlTmFtZXMiOlsiUk9MRV9BRE1JTiJdLCJleHAiOjE2NzQwMzU4MDZ9.4uxlgs29BIVP-KKlyHtOkTV-9Dv7muB65MCnA4nstPaVRwqHhT3Imw-8b8eHUdKZhY-l1Z7OHxsw2jAS2NWShQ", "content-type": "application/json", "sec-ch-ua": "\"Not?A_Brand\";v=\"8\", \"Chromium\";v=\"108\", \"Google Chrome\";v=\"108\"", "sec-ch-ua-mobile": "?0", "sec-ch-ua-platform": "\"Windows\"", "sec-fetch-dest": "empty", "sec-fetch-mode": "cors", "sec-fetch-site": "same-origin", "syslng": "zhCN", "x-requested-with": "XMLHttpRequest" }, "referrer": "https://can.ctrip.com/index", "referrerPolicy": "strict-origin-when-cross-origin", "body": "{\"cityid\":\"2\",\"countryid\":\"1\",\"currency\":\"CNY\"}", "method": "POST", "mode": "cors", "credentials": "include" }); 转成 python 代码
02-07
"authorization": "eyJhbGciOiJIUzUxMiJ9.eyJzdWIiOiI3MDQxMiIsInVzZXJuYW1lIjoiWFJUWDA5MjUiLCJ1dWlkIjoiTG9naW5jMTQ4M2NiNy1lMDA0LTQyMWMtYWM2MS04YjVmOGYyYjZiYTciLCJyb2xlTmFtZXMiOlsiUk9MRV9BRE1...
cascade MRI reconstruction: cartesian_mask--2
xuru_0927的博客
07-12 401
def cartesian_mask(self, shape): N, Nx, Ny = int(np.prod(shape[:-2])), shape[-2], shape[-1] pdf_x = normal_pdf(Nx, 0.5/(Nx/10.)**2) # shape：256 pdf_x.reshape(16,16) lmda = Nx/(2.*self.acc) # 32 n_lines = int(Nx / self.acc) # 64 # ad...
从零开始学习Slam|ICP原理与应用
qq_44691564的博客
04-02 535
ICP全称Iterative Closest Point，翻译过来就是迭代最近点。ICP在点云配准（registration）领域应用的非常广泛.
Dubbo分布式框架学习(2)
pscool的博客
03-31 716
⾃研：rediszookeeper（dubbo的推荐）：zk是⼀个分布式服务组件中的⼀个⾮常重要的组件，⾥⾯ 涉及到很多优秀的分布式设计思想，堪称⿐祖地位。nacos：nacos既可以作为注册中⼼使⽤，也可以作为分布式配置中⼼使⽤eureka：eureka是spring cloud netflix框架中著名的注册中⼼，⾥⾯的服务的续约、⼼ 跳等等的设计⾮常的经典。dubbo是⼀款⾼性能的rpc框架。什么是rpc呢？
3. 费曼学习法？
啄缘之间的博客
04-01 912
Q1：什么是费曼学习法？费曼学习法（Feynman Technique）是以诺贝尔物理学奖得主理查德·费曼命名的高效学习方法，其核心是“通过教别人来彻底掌握知识”。简单来说，就是“如果你不能向一个5岁孩子解释清楚某个概念，说明你并没有真正理解它”。Q2：费曼学习法的定义是什么？它是一种以输出倒逼输入的学习策略，通过“模拟教学”的方式，强制学习者将复杂概念拆解为通俗易懂的语言，从而暴露知识盲区、加深理解。学完“光合作用”后，尝试用“植物如何用阳光做饭”的比喻向他人解释。
The Rust Programming Language 学习 (九)
生命不息、战斗不止！
04-02 645
当使用泛型定义函数时，本来在函数签名中指定参数和返回值的类型的地方，会改用泛型来表示。采用这种技术，使得代码适应性更强，从而为函数的调用者提供更多的功能，同时也避免了代码的重复。assert_eq!println!assert_eq!为了参数化新函数中的这些类型，我们也需要为类型参数取个名字，道理和给函数的形参起名一样。任何标识符都可以作为类型参数的名字。
EMC知识学习五
Zhangdfhvxdul的博客
03-31 410
六、网口TVS芯片（SLVU2.8-4BTG）改为共模芯片（SP4045-04ATG）(目前是差模线间的TVS)，这个可能是解决网口问题的关键；一、三极管有三种工作状态：截止状态、放大状态、饱和状态，在数字电路中常用到开关状态即截止状态和饱和状态；放大状态：VC>VB>VE，饱和状态：VB>VE,VB>VC;截止状态：VB<VE,VB<VC;五、EMC（电磁兼容）=EMI（电磁对外干扰）+EMS（电磁耐干扰）;七、Y电容越大，通过Y电容的漏电流就越大，一般小于1mA；
LLaMA-Factory学习（1）简介及安装步骤
jndingxin的专栏
04-02 359
LLaMA-Factory 是一个开源的 全栈大模型微调框架，支持从预训练到指令微调（SFT）、强化学习（RLHF）等全流程训练。支持多种模型：Llama、LLaMA-3、Mistral、Qwen、Baichuan、ChatGLM 等。灵活的微调方法：全参数微调（Full）、冻结微调（Freeze）、LoRA、QLoRA 等。低资源训练：通过量化（INT4/INT8）和高效算法（如 GaLore、Unsloth）降低显存占用。
Java 线程池与 Kotlin 协程 高阶学习
白高林的专栏
04-01 1061
在Java中正确关闭线程池，在Kotlin中使用合适的作用域防止内存泄漏。比如，如何用Java的线程池执行多个异步任务并处理结果，而Kotlin如何使用协程实现相同的逻辑，同时避免回调地狱，使代码更简洁。同时，实际应用场景的例子，比如网络请求或数据库操作的异步处理，会帮助我们更好地理解差异。最后，总结两者的优缺点，强调Kotlin协程在简化异步代码、减少回调嵌套、提升可读性方面的优势，同时指出在复杂线程管理或底层控制时Java线程池仍有其适用场景。
Scala学习总结③
最新发布
2401_87981666的博客
04-03 183
特质叠加 由于一个类可以混入（mixin）多个 trait，且 trait 中可以有具体的属性和方法，若混入的特质中具有相同的方法（方法名，参数列表，返回值均相同），必然会出现继承冲突问题。2、一个类（Sub）混入的两个 trait（TraitA，TraitB）中具有相同的具体方法，且两个 trait 继承自相同的 trait（TraitC），及所谓的“钻石问题”，解决这类冲突问题，Scala 采用了特质叠加的策略。2. 单例对象对应的类称之为伴生类，伴生对象的名称应该和伴生类名一致。
《认知觉醒》下篇·第四章第二节“学习专注：深度沉浸是进化双刃剑的安全剑柄” 总结
huyangg的专栏
04-01 242
深度沉浸是人类高效学习与创新的核心能力，但其双刃剑属性要求我们以元认知为“剑柄”，通过目标管理、环境设计及反馈优化，将进化本能转化为可控的认知工具。深度沉浸是高效学习的“利器”，但需通过元认知调控（如适时暂停、目标校准）避免自我损耗，确保“刀刃”指向正确目标。：过度沉浸可能导致认知过载（如疲劳、焦虑）或忽视整体目标（如“埋头苦干却偏离方向”）。实时记录沉浸效果（如“理解率80%”），通过复盘优化策略（如调整学习材料难度）。：沉浸时屏蔽无关刺激（如饥饿感），但长期压抑可能触发反抗（如突然暴食）；
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

sjx_alo

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值