多用於文本分類，屬於直推式遷移學習。直推遷移學習的定義是給定壹個源域和相應的學習任務、壹個目標域和相應的學習任務，直推學習旨在通過使用源域和目標域中的相同知識來改進目標域中的目標預測功能。
基於深度學習的姿態和手勢感知計算關鍵技術研究。
基於深度學習的肌電信號手勢識別:
在沒有任何額外信息或手工設計的特征提取器的情況下，基於高密度肌電圖（HD-sEMG），使用二維陣列電極采集的肌電信號，可以通過緊密分布在皮膚表面的多個電極同時記錄肌肉活動產生的勢場的時空變化。HD-sEMG中的肌電信號描述了電極覆蓋區域內肌肉活動的時空分布，HD-sEMG的瞬時值呈現了特定時間點肌肉活動所涉及的生理過程的相對全局測量。瞬時HD-Semg可以區分不同的手勢模式，采集到的HD-sEMG可以描繪電位在空間中的分布，其對應的熱圖就是肌電圖像。EMG圖像中的像素數量（分辨率）由其采集設備中的電極陣列決定，即電極數量和它們之間的距離（例如，壹個16行和8列的電極網格可以采集8*16像素的EMG圖像。
它主要將原始肌電信號值從（-1，1）映射到（0，255），即其中X是原始肌電信號，I是肌電圖像。構建了壹個8層CNN結構，網絡的前兩個卷積層用於提取公共* * *的底層圖片特征。作者發現瞬時肌電圖像在不同的空間位置表現出不同的視覺特征。在不同的手勢中，肌電圖像的亮度在中下部和頂部的條狀區域更強。建議在第3層和第4層添加局部連接結構（受人臉識別前沿工作的啟發），因為局部連接層在不同空間位置的卷積模板的權重不共享，可以更好地提取圖像上不同位置的特征。根據單個窗口中每幀識別的手勢標簽比例最高的標簽，由於上述實驗僅適用於訓練和測試肌電信號幅度較大的數據，可以獲得較高的手勢識別精度，因此有必要對肌電信號采用全波整流和低通濾波（全波整流和低通濾波是廣泛使用的肌電信號幅度估計方法）以獲得更好的肌電信號。
基於深度域自適應的肌電信號手勢識別:
當訓練集和測試集的EMG信號來自不同的采集會話時。由於電極位移、肌肉疲勞、電極與皮膚之間阻抗變化等因素的幹擾，肌電信號與采集對話高度相關，訓練好的手勢分類器直接應用於新對話時精度通常較低。由於不同對話之間肌電信號的分布差異很大，因此基於不同對話的瞬時肌電信號的手勢識別可以相應地表示為多源域自適應問題。
當校準數據未被標記時，本文使用自適應批量歸壹化（Adabn）來調整手勢分類器。假設用於區分不同手勢的知識存儲在每層的權重中，AdaBN不需要自適應數據的手勢標簽，而是隨著未標記自適應數據的增加逐步更新少量網絡參數。給定輸入U，BN將其轉換為V，其中第I個輸入要素的轉換公式為:
l在訓練階段，針對每個源域獨立計算每個BN層的均值和方差統計量。由於訓練階段的BN獨立計算每個數據批次的統計數據，因此它只需確保每個數據批次中的樣本來自同壹會話。
在識別階段，AdaBN執行前向傳播算法並為給定的未標記數據a更新參數。
該方法對單幀的準確率為30.5%，150ms窗口-39.2%，而另壹種算法的特征集（150ms窗口）和線性判斷為34.1%。
隨機選擇壹個未標記測試集子集（0.1%，0.5%，1%，5%，10%）進行深度域自適應，然後在整個測試集上評估手勢識別的準確性。最後，在觀察了大約5%的適應數據後，精確度達到了最高值，適應數據為20，000幀，在CSL-高清EMG的采樣率為2048 Hz時，大約為65，438+00秒。
而且，自適應算法不需要觀察所有類型的手勢，從27種手勢中獲得的最終結果為365，438+0.3%（73.2%）和34.6%（865，438+0.4%）。另壹種方法是肌電地形圖，它被定義為肌電地形圖。
《揭露批判》
深度信念腦電情感識別的通道和頻段
網絡》
在基於腦電信號的情感識別任務中，多通道腦電信號中存在不相關的腦電信號，不僅會引起噪聲，還會降低系統識別情感的能力。提出壹種新的深度信念網絡（DBN）來檢查情緒識別的關鍵腦電通道和頻段。
情緒分析主要從行為和生理反應進行，因為與表情手勢相比，腦電具有更高的準確性和客觀評價。本文使用ESI神經掃描系統以1000Hz的采樣率記錄來自62通道電極帽的腦電信號。每個實驗有15個測試，每個測試包括15s提示、45s測試和反饋以及5s休息。封面論文1 * * *評估了30個實驗。
首先，原始EEG數據被下采樣到200Hz，然後通過0.3Hz到50Hz的帶通濾波器過濾噪聲和偽跡，然後采用之前提出的差分熵特征【1】【2】。對於固定長度的腦電信號，微分熵相當於某壹頻段的對數能譜。先前已證明差分熵具有識別低頻和高頻能量之間的EEG模式的能力，因此在五個頻帶（δ: 1-3Hz，θ: 4-7Hz，α: 8-13Hz，β: 14-30Hz，γ: 31-）中計算差分熵特征。
以5個頻段62個通道的去噪特征作為輸入，DBN的準確率為86.08%，標準差為8.34%。本文通過分析訓練好的DBN的權重分布，對關鍵信道和頻段進行了測試。權重對於識別情緒模型非常重要，因為對學習任務貢獻很大的神經元的權重將增加，而無關神經元的權重往往是隨機分布的。圖1顯示了第壹層神經網絡訓練後的權重。
從圖2中，我們可以看到外側顳區和額葉腦區在β和γ頻段比其他腦區更容易激活。因此，可以得出結論，在識別積極、中性和消極情緒時，外側顳和前額葉通道是關鍵通道，β和γ是關鍵頻段。
如圖3所示，根據腦區權重分布的特點，設計了4個不同的電極放置剖面，包括4通道、6通道、9通道和12通道，其中4個通道的最佳平均精度和標準差為82.88%/10.92%，而所有62個通道的最佳平均精度和標準差為83.99%/12。這表明四個相對電極輪廓FT7、T7、FT8和T8是用於區分情緒特征的電極。
【1】段瑞南，朱建宇，陸伯良。基於腦電信號的差分熵特征情感分類【C】//國際Ieee/embs神經工程會議。IEEE，2013:81-84。
【2】鄭偉林，朱建宇，彭燕，等。基於腦電的深度信念網絡情感分類【C】//IEEE多媒體與博覽會國際會議。IEEE，2014:1-6。
腦電圖論文（大腦解碼:行為、情緒）；
ECoG電生理中神經相關的實時樸素學習
與神經實時樸素學習相關的皮層電生理
地址:/~ blu/papers/2015/9.pdf
基於主成分協變量移位自適應深度學習網絡的腦電情感識別
基於主成分協同移位自適應深度學習網絡的腦電情感識別
地址:euro-09.pdf。
基於遞歸神經網絡的顱內外腦電癲癇發作預測
基於遞歸神經網絡的顱內外腦電癲癇發作預測
具有高時間分辨率的基於EEG的流逝檢測
基於腦電信號的高時間分辨率檢測
地址:
/profile/Richard _ Jones 21/publication/3039266 _ EEG-Based _ Lapse _ Detection _ With _ High _ Temporal _ Resolution/links/5457 ab 030 cf 2 bccc 491112ed