最近的三篇文章都中了。因此有时间来整理之前的工作；        立体脑电数据包含了大脑癫痫电信号，具有高信噪比，高采样率，可以进行病灶定位等特点。因此对立体脑电进行数据分析和数据挖掘具有很大的医学研究价值。但是目前基于立体脑电信号数据挖掘工作还较少，尤其是基于深度学习等方法的工作。立体脑电采集成本较高，受试者较少，所以需要大量训练数据的传统的神经网络分类模型并不能很好解决立体脑电分类任务。同时

很久没有更新博客了，手头上有一些工作，发论文不是很顺利（论文已经中了，虽然是水刊，但还是很高兴），但是还是想通过博客的方式分享处理。 对抗学习（Adversarial Learning）的思想最早可以追溯到博弈论里面优化问题。GAN(Generative Adversarial Networks)网络是一种典型的基于对抗学习的神经网络。GAN的基本原理其实非常简单，这里以生成图片为例进行说明。假

在之前的文章中，我已经介绍了利用CNN神经网络来进行脑电特征的提取及识别。我的课题是有关癫痫的脑电特征分析，在实际的实验中你会发现，你的神经网络很容易过拟合，可以将实验抽象为分类任务，可以分为两个方向来进行训练： 将所有的数据划按照一定的比例划分为两个部分（eg.7:3），一部分用于训练，一部分用于测试。将数据按照人来进行划分，假设有n个人，n-k个人作为训练街，但是后面的k个人作

自从AlexNet 神经网络问世以来，Convolutional Neural Network(CNN)是深度学习领域璀璨的明星之一。特别是Computer Vision(CV)领域。基本上CV领域的大多数的任务都是基于CNN神经网络。 当然最近又兴起了GCN。 但是从数学上讲GCN是CNN的一种推广。这个暂时不进行详细的讨论。事实上不仅仅在处理图片这种数据需要用到CNN神经网络。更一般的来说涉及

本人一直在做关于脑电信号的处理，中间尝试了很多的方法，因此想把关于脑电信号的处理方法记录下来，分享给大家，也相当于给自己的学习生活做一个记录性的总结。 脑电图（EEG）是一种使用附在头皮上的小金属圆盘（电极）检测大脑电活动的测试。您的脑细胞通过电脉冲进行通信，并且即使在您睡着时也始终保持活动状态。此活动在EEG录音中显示为波浪线。脑电图是癫痫的主要诊断测试之一。脑电图也可以在诊断