王亚群
- 作品数：3 被引量：4H指数：1
- 供职机构：华中师范大学更多>>
- 发文基金：武汉市科技计划项目更多>>
- 相关领域：自动化与计算机技术语言文字更多>>
- 基于生成对抗网络的脑电波去噪处理研究
- 2023年
- 脑电波采集过程往往会包含生理噪声和外部噪声,外部噪声目前可以通过滤波进行消除,去除生理噪声通常采用的方法是自适应滤波器、空间滤波和主成分分析,但这些方法需要一定的信号作为先决条件,并且去噪性能有限。近年来,深度学习技术开始运用于脑电波去噪,而且在去噪性能上得到了一定提升。鉴于在生成对抗网络(GAN)的判别器和生成器博弈过程中,生成样本具有逐渐向真实样本逼近的特点,设计一种基于卷积神经网络(CNN)的生成对抗网络模型,用于消除脑电波生理噪声中的肌源性噪声和眼源性噪声,同时在GAN的生成器网络中引入新的损失函数,使去噪后的数据与原始数据更加接近。设计的GAN-1D-CNN模型在去除肌源性噪声上的相关系数达到0.945,在去除眼源性噪声上的相关系数达到0.894。实验结果表明,GAN-1D-CNN模型对脑电波的去噪能力得到了增强,相关性能指标都优于现有基准数据集上的去噪方法。
- 文斗杨青王亚群李晨王亚群
- 关键词：脑电波卷积神经网络去噪
- 基于改进StackCNN网络和集成学习的脑电信号视觉分类算法
- 2024年
- 针对直接使用图像诱发的脑电信号进行视觉分类的现有研究少,并且视觉分类的平均准确率低等问题,设计了一种卷积神经网络(CNN)和集成学习相结合的方法,用于学习脑电信号相关的视觉特征表示。通过在StackCNN网络中加入K-max池化方法,解决在提取脑电特征时信息丢失的问题,并结合Bagging算法增强网络的泛化能力,该方法称为StackCNN-B。采用基于残差神经网络(ResNet)回归对图像进行分类,验证StackCNN-B方法在图像分类上的性能。消融实验及与现有研究对比实验的结果表明:所提方法识别准确率较高,在学习脑电信号的视觉特征表示上的平均准确率达到99.78%,在图像分类上的平均准确率达到96.45%,与Bi-LSTM-AttGW方法相比,平均提高了0.28百分点和2.97百分点。研究结果验证了脑电信号可以有效地解码与视觉识别相关的人类大脑活动,也表明所提出StackCNN-B模型的优越性。
- 杨青王亚群文斗王莹王莹
- 关键词：脑电图BAGGING算法
- “怕是”“怕不是”的比较研究
- 语气副词是现代汉语中比较特殊的一类副词，它们在意义和用法上表现出比较抽象和复杂的特点。处于语法化过程中的语气副词的意义和用法则更容易引起理解的困难。而从目前的研究状况来看，学界并没有给予足够的重视。此外，语言中存在一种羡...
- 王亚群
- 关键词：语气副词句法表现语用功能现代汉语
