幫助中心 | 我的帳號 | 關於我們
進階搜尋
car

同類熱銷排行榜

最近瀏覽的商品

基於腦機交互的人體運動意圖智能識別演算法研究與應用

  • 作者：編者:王子男//徐佳璨//李東霖//趙金寶//林姝婷|責編:沈靖//孔會雲
  • 出版社：中國紡織
  • ISBN：9787522912677
  • 出版日期：2024/01/01
  • 裝幀：平裝
  • 頁數：186
人民幣：RMB 88 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    本書針對腦電信號非線性、幅值微弱、信噪比低等特點對解碼性能的影響。介紹了基於傳統機器學習、深度學習與遷移學習的數據優化、特徵融合與特徵遷移演算法，主要內容包括：基於最大平均差異和P閾值優化的腦電信號（EEG）通道選擇演算法；基於多重加權的EEG多模態特徵融合演算法；基於受限玻爾茲曼機的EEG深度多模態特徵學習演算法；基於殘差網路的EEG多模態特徵動態融合演算法；基於多特徵混合融合網路的EEG解碼演算法；基於時空融合域適應的EEG特徵遷移演算法。
    本書可作為電腦、人工智慧、模式識別等相關專業人員的參考用書。
作者介紹
編者:王子男//徐佳璨//李東霖//趙金寶//林姝婷|責編:沈靖//孔會雲
目錄
第1章  緒論
  1.1  研究背景與意義
  1.2  腦機介面系統概述
    1.2.1  腦機介面技術簡介
    1.2.2  腦機介面的類型及特點
    1.2.3  腦機介面的研究現狀
  1.3  運動想象腦電信號識別演算法的研究現狀
    1.3.1  腦電信號通道選擇演算法的研究現狀
    1.3.2  腦電信號特徵提取演算法的研究現狀
    1.3.3  腦電信號特徵分類演算法的研究現狀
    1.3.4  基於深度學習的腦電信號識別演算法研究現狀
    1.3.5  基於遷移學習的腦電信號解碼演算法研究現狀
第2章  運動想象腦電信號識別演算法的相關理論
  2.1  腦電信號的特點
  2.2  腦電信號的預處理
    2.2.1  插值壞導
    2.2.2  剔除壞段
    2.2.3  基於獨立成分分析的偽跡去除
  2.3  基於運動想象的腦電信號識別演算法
    2.3.1  小波變換
    2.3.2  主成分分析
    2.3.3  支持向量機
    2.3.4  卷積神經網路
  2.4  本章小結
第3章  基於：MMD和P閾值優化的EEG通道選擇演算法
  3.1  引言
  3.2  P-MMD腦電信號通道選擇演算法
    3.2.1  最大平均差異
    3.2.2  共空間模式
    3.2.3  屍閾值優化的通道選擇演算法
  3.3  實驗與結果分析
    3.3.1  實驗數據描述
    3.3.2  實驗結果分析
  3.4  本章小結
第4章  基於多重加權的EEG多模態特徵融合演算法
  4.1  引言
  4.2  腦電信號的多模態特徵融合演算法
    4.2.1  腦電信號的時域特性
    4.2.2  基於巴特沃斯帶通濾波器的腦電信號頻率特性
    4.2.3  基於小波包分解的腦電信號時頻特性
    4.2.4  腦電信號的多模態特徵融合
  4.3  多重加權腦電信號的多模態特徵融合
  4.4  實驗結果與可視化分析
    4.4.1  實驗數據描述
    4.4.2  實驗結果分析
    4.4.3  多重加權特徵的腦連接矩陣可視化分析
  4.5  本章小結
第5章  基於受限玻爾茲曼機的：EEG深度多模態特徵學習演算法
  5.1  引言
  5.2  深度多模態特徵學習演算法Pt-RBMs

    5.2.1  基於RBM的網路預訓練
    5.2.2  基於t-SNE演算法的網路調整
    5.2.3  基於腦電信號多模態特徵的Pt-RBMs網路訓練
    5.2.4  Pt-RBMs網路最優參數的選取
  5.3  實驗結果與可視化分析
    5.3.1  實驗數據描述
    5.3.2  實驗結果
    5.3.3  可視化分析
  5.4  本章小結
第6章  基於殘差網路的EEG多模態特徵動態融合演算法
  6.1  引言
  6.2  基於殘差網路的特徵動態融合演算法
    6.2.1  Res-DF網路的數據表示模塊
    6.2.2  Res-DF網路的模型預訓練
    6.2.3  Res-DF網路的動態自適應融合模塊
    6.2.4  Res-DF網路參數的選取及訓練
  6.3  實驗結果與可視化分析
    6.3.1  實驗結果分析
    6.3.2  可視化分析
  6.4  本章小結
第7章  基於多特徵混合融合網路的EEG解碼演算法
  7.1  引言
  7.2  多特徵混合融合TS-EFCNN-DS網路模型
    7.2.1  模型總體結構
    7.2.2  多特徵輸入數據表徵
    7.2.3  混合融合卷積神經網路結構
    7.2.4  混合融合卷積神經網路參數的選取及訓練
  7.3  實驗結果與可視化分析
    7.3.1  實驗數據預處理
    7.3.2  實驗結果分析
    7.3.3  可視化分析
  7.4  本章小結
第8章  基於時空融合域適應的EEG特徵遷移演算法
  8.1  引言
  8.2  時空融合域適應特徵遷移模型
    8.2.1  模型總體結構
    8.2.2  特徵提取網路STENet設計
    8.2.3  SCDAN+E網路的對抗策略
    8.2.4  SCDAN+E網路參數的選取及訓練
  8.3  實驗結果與可視化分析
    8.3.1  實驗數據描述及實驗範式設計
    8.3.2  實驗結果分析
    8.3.3  可視化分析
  8.4  本章小結
參考文獻

  • 商品搜索：
  • | 高級搜索
首頁│ 新手上路│ 客服中心│ 關於我們│ 聯絡我們│ Top↑│
Copyrightc 1999~2008 美商天龍國際圖書股份有限公司 臺灣分公司. All rights reserved.
營業地址:臺北市中正區重慶南路一段103號1F 105號1F-2F
讀者服務部電話：02-2381-2033 02-2381-1863　時間：週一-週五 10:00-17:00
　服務信箱：bookuu@69book.com 客戶、意見信箱:cs@69book.com
ICP證：浙B2-20060032