基于svm的情感识别系统，有gui界面，特征提取是用mfcc,matlab源码
2021-12-15 10:55:22
3.59MB
中文、微博、情感分析、SVM模型实现、DNN模型实现。微博评论数据集7962条，其中包含积极和消极情感倾向。主要做法如下：
实现语言：python、tensorflow==1.12、keras==2.2.4
一是基于传统文本特征表示的稀疏性，结合当前成熟技术，设计并实现了基于Word2vec的词向量训练方法，该方法可以将词表示为具有语义关系的特征向量形式，方便模型的使用。
二是采用自然语言处理常用技术完成对文本的预处理操作，既是完成了数据的预处理过程。
三是研究并实现了SVM和DNN两个最具代表性的模型在中文情感分析领的应用，完成了大数据的数据挖掘过程。并在已有的数据集上进行了实验，由具体实验结果我们发现SVM神经网络模型取得了78.03%的F值，较DNN(88%)方法低了9%，但是其训练速度较快。
2021-12-14 16:09:50
5.29MB
单层感知器神经网络matlab代码基于运动图像的单通道脑电分类
Global
SIP
2018接受的论文中描述了此代码。
<概述>
该存储库中的Matlab脚本确定了通道，特征和分类器的最佳组合，可最大程度地提高基于单通道EEG的运动图像BCI的分类精度。
频道：22
ch
特征：
功率谱（PS）
灰度共生矩阵（GLCM）
单通道公共空间模式（SCCSP）
分类器：
线性判别分析（LDA）
k最近邻居（k-NN）
高斯混合模型（GMM）
随机森林（RF）
多层感知器（MLP）
支持向量机（SVM）
带有PS的SVM和带有SCCSP的MLP在二进制分类中显示一位受试者的分类准确度为86.6％
（平均值：63.5％）。
为了进行评估，我们使用了开放访问数据集。
在使用我们的代码之前，请发送以访问数据。
<代码>
该存储库有一个主要的m.file，该文件由预处理和后处理步骤组成。
在通过预处理步骤保存特征向量之后，可以使用10倍交叉验证来计算分类精度。
另外，您可以通过更改set_config.m文件中的值来更改此框架中的每个参数。
<环境>
马尔巴布R2017a
信号处理工具箱
静力学和机
2021-12-13 20:07:54
26KB
1
Milo：大脑控制的轮椅
Milo帮助人们导航，而无需动手或四肢。 我们认为它对于ALS，锁定综合征或其他形式的瘫痪患者特别有用。
我们的脑机接口利用脑电图（EEG），这是一种经济实惠，可访问且无创的技术，可以检测脑部活动。 具体而言，当用户想象运动时，Milo通过检测对运动感觉皮层（与运动相关的大脑区域）中的mu节律（7-13 Hz）的抑制来使用运动图像信号进行转向。 除运动图像外，还使用眨眼信号和下颌伪影来启动和停止动作，并表示需要转弯。 使用Milo，用户可以通过眨眼或握紧下巴在前进和停止之间切换。 他们可以通过简单地考虑左右手的运动来向左或向右转。 我们还为护理人员设计了一个Web应用程序，他们可以从中实时查看轮椅使用者的位置，以确保他们的安全。 如果用户的心律不正常或发生崩溃，也会将一条短信发送给护理人员。 此外，我们还实施了辅助驾驶功能，可用于跟踪墙和避开物体。
Github
2021-12-13 16:22:35
285.01MB
1