Mental Task Classification Using Electroencephalogram Signal
University of California, Los Angeles(加利福尼亚大学洛杉矶分校);Massachusetts Institute of Technology(麻省理工学院)
研究了基于三层CNN、层叠LSTM、层叠GRU的脑电数据分类问题。我们进一步提出了一种新的分类器-具有CNN解码器的混合LSTM模型。在CNN上进行的超参数优化显示,验证准确率为72%,测试准确率为62%。经过FFT预处理和数据下采样的堆叠LSTM和GRU模型分别实现了55%和51%的测试精度。对于带有CNN解码器的混合LSTM模型,验证准确率为75%,测试准确率为70%。我们相信,通过使用CNN层作为后续LSTM层的解码器,混合模型比单独的CNN和LSTM更鲁棒和准确。代码是在Pytorch和Keras的框架中完成的。结果和代码可以在https://github.com/theyou21/BigProject上找到。
2019-10-02 cs.LG eess.SP
Human Activity Recognition using Multi-Head CNN followed by LSTM
COMSATS University Islamabad, Abbottabad Campus(COMSATS大学伊斯兰堡分校阿伯塔巴德校区)
这项研究提出了一种使用CNN和LSTM识别人类身体活动的新方法。通过传统的机器学习算法(如SVM、KNN和随机森林方法)实现高精度是一项具有挑战性的任务,因为从加速度计和陀螺仪等可穿戴传感器获取的数据是时间序列数据。因此,为了实现高精度,我们提出了一个由三个CNN组成的多头CNN模型,用于提取从不同传感器获取的数据的特征,然后将所有三个CNN合并,然后是LSTM层和密集层。所有三个CNN的配置保持相同,以便为CNN的每个输入获得相同数量的特征。通过使用所提出的方法,我们实现了最先进的准确性,这与传统的机器学习算法和其他深度神经网络算法相当。
2020-02-21 cs.CV cs.LG eess.IV
Uplink OFDM Channel Prediction with Hybrid CNN-LSTM for 6G Non-Terrestrial Networks
针对6G低轨非地面网络(NTNs)OFDM通信的高导频开销问题,提出混合CNN-LSTM信道预测器,每隔一个时隙移除导频并预测无导频时隙的CFR矩阵,提升有效吞吐量且泛化能力良好。
2025-02-13 eess.SP
Automatic Diagnosis of Schizophrenia in EEG Signals Using CNN-LSTM Models
K. N. Toosi University of Technology(K. N. 图西理工大学);Islamic Azad University(伊斯兰阿扎德大学);University of La Rioja(拉里奥哈大学);Deakin University(迪肯大学);Macquarie University(麦考瑞大学);Harvard University(哈佛大学);University of Leicester(莱斯特大学);Universidad de Granada(格拉纳达大学);University of Cambridge(剑桥大学)
精神分裂症(SZ)是一种精神障碍,由于大脑中特定化学物质的分泌,某些大脑区域的功能失衡,导致思想,行动和情绪之间缺乏协调。这项研究提供了各种基于智能深度学习(DL)的方法,用于通过脑电图(EEG)信号进行自动SZ诊断。所得结果与传统的智能方法进行了比较。为了实现所提出的方法,在波兰华沙的精神病学和神经病学研究所的数据集,已被使用。首先,将EEG信号划分为25 s的时间帧,然后通过z分数或范数L2进行归一化。在分类步骤中,考虑了两种不同的方法用于通过EEG信号进行SZ诊断。在该步骤中,首先通过传统的机器学习方法进行EEG信号的分类,例如,支持向量机,k-最近邻,决策树,朴素贝叶斯,随机森林,极端随机树和装袋。在下文中使用了各种提出的DL模型,即长短期记忆(LSTM)、一维卷积网络(1D-CNN)和1D-CNN-LSTM。在这一步中,实现了DL模型,并与不同的激活函数进行了比较。在提出的DL模型中,CNN-LSTM架构具有最佳性能。在此架构中,使用了具有z分数和L2组合归一化的ReLU激活函数。提出的CNN-LSTM模型的准确率达到了99.25%,优于该领域以往大多数研究的结果。值得一提的是,为了执行所有模拟,使用了k = 5的k折交叉验证方法。
2021-12-01 cs.LG eess.SP
Automatic Seizure Prediction using CNN and LSTM
Bharati Vidyapeeth’s College of Engineering(巴拉蒂维迪亚佩特工程学院)
脑电图(EEG)是了解我们大脑内部活动和进一步了解我们身体活动的最宝贵的技术之一。使用EEG信号自动预测即将发生的癫痫发作有助于医生和临床专家,并减少他们的工作量。本文提出了一种端到端的深度学习算法,可以完全自动化癫痫发作预测的繁重任务,而无需对EEG数据或特征工程进行任何繁重的预处理。所提出的深度学习网络是信号处理和深度学习管道的混合,其使用EEG信号自动化癫痫发作预测框架。该模型在开放的EEG数据集CHB-MIT上进行了评估。该网络的平均灵敏度为97.746 \text{\%},假阳性率(FPR)为0.2373/小时。
2022-10-28 cs.LG eess.SP
Enhancing Generalization in PPG-Based Emotion Measurement with a CNN-TCN-LSTM Model
University of Ottawa(渥太华大学)
本文提出一种融合CNN、LSTM与TCN的混合模型,利用PPG信号进行情绪效价与唤醒度分类,实验证明其在跨个体泛化能力上优于现有CNN及CNN-LSTM架构。
2025-07-10 cs.HC cs.LG eess.SP
MP-SeizNet: A Multi-Path CNN Bi-LSTM Network for Seizure-Type Classification Using EEG
The University of Western Australia(西澳大学);University of Jeddah(吉达大学)
癫痫发作类型识别对于癫痫患者的治疗和管理至关重要。然而,已知这是一个耗时且劳动密集的困难过程。随着机器学习算法的进步,自动诊断系统有可能加速分类过程,提醒患者并支持医生做出快速准确的决策。在本文中,我们提出了一种新型的多路径分类深度学习网络(MP-SeizNet),由卷积神经网络(CNN)和具有注意力机制的双向长短期记忆神经网络(Bi-LSTM)组成。本研究的目的是仅使用脑电图(EEG)数据对特定类型的癫痫发作进行分类,包括复杂部分性癫痫发作、简单部分性癫痫发作、失神性癫痫发作、强直性癫痫发作和强直阵挛性癫痫发作。EEG数据以两种不同的表示形式馈送到我们提出的模型。CNN被输入从EEG信号中提取的基于小波的特征,而Bi-LSTM被输入原始EEG信号,让我们的MP-SeizNet从癫痫发作数据的不同表示中联合学习,以获得更准确的信息学习。使用最大的可用EEG癫痫数据库(Temple University Hospital EEG Seizure Corpus,TUSZ v1.5.2)对拟定的MP-SeizNet进行了评价。我们使用三重交叉验证在不同患者数据中评估了我们提出的模型,使用五重交叉验证在癫痫发作数据中评估了我们提出的模型,分别获得了87.6%和98.1%的F1分数。
2023-03-02 cs.LG eess.SP
Non-intrusive load decomposition based on CNN-LSTM hybrid deep learning model
随着科学技术的飞速发展,电力设备的能量负荷监测与分解问题受到了学术界和工业界的广泛关注。为了提高非侵入式负载分解的性能,提出了一种基于混合深度学习模型的非侵入式负载分解方法。在该方法中,首先,对数据集进行归一化和预处理。其次,构建融合卷积神经网络(CNN)和长短期记忆网络(LSTM)的混合深度学习模型,充分挖掘负荷数据的时空特征。最后,采用不同的评价指标对混合物进行了分析。对该模型进行了全面的评价,并与传统的单一深度学习模型进行了对比。在开放数据集UK-DALE上的实验结果表明,该算法提高了整个网络系统的性能。本文将所提出的分解方法与现有的传统深度学习负载分解方法进行了比较。同时,与已有方法:谱分解、EMS、LSTM-RNN等算法相比,负荷分解的准确性有了显著提高,测试准确率达到98%。
2021-09-02 cs.SY eess.SP eess.SY
Subject-Independent Drowsiness Recognition from Single-Channel EEG with an Interpretable CNN-LSTM model
Fraunhofer Singapore(弗劳恩霍夫新加坡研究院);Nanyang Technological University(南洋理工大学)
对于基于EEG的困倦识别,期望使用与对象无关的识别,因为对每个对象进行校准是耗时的。本文提出了一种新的卷积神经网络(CNN)-长短期记忆(LSTM)模型,用于从单通道EEG信号中识别与受试者无关的困倦。与现有的大多被视为黑盒分类器的深度学习模型不同,该模型可以通过揭示样本的哪些部分包含模型识别的重要特征来解释其对每个输入样本的决策。这是通过利用LSTM层输出的隐藏状态的可视化技术来实现的。结果表明,该模型在公共数据集上对11名受试者进行留一独立于受试者的困倦识别时,平均准确率为72.97%,高于传统基线方法的55.42%-69.27%和最先进的深度学习方法。可视化结果表明,该模型已经发现了有意义的模式,脑电信号与不同的精神状态在不同的主题。
2021-11-21 cs.LG cs.NE eess.SP
A CNN-LSTM Quantifier for Single Access Point CSI Indoor Localization
本文提出CNN-LSTM量化网络用于单接入点WiFi CSI指纹室内定位,同时提取时空特征并以量化模型替代传统分类模型,实验表明平均定位误差2.5米,80%误差低于4米,性能优于其他算法约50%。
2025-11-07 cs.LG eess.SP stat.ML
Brain2Vec: A Deep Learning Framework for EEG-Based Stress Detection Using CNN-LSTM-Attention
Department of Computer Science and Engineering(计算机科学与工程系)
针对EEG信号建模难题,提出融合卷积、LSTM与注意力机制的Brain2Vec框架用于压力检测,在DEAP数据集上取得81.25%验证准确率,可应用于可穿戴监测与个性化医疗。
2025-06-12 cs.AI cs.HC cs.NE
Applying Dimensionality Reduction as Precursor to LSTM-CNN Models for Classifying Imagery and Motor Signals in ECoG-Based BCIs
本研究提出利用无监督降维技术 UMAP 结合 KNN 作为预处理步骤,评估并减少对 LSTM 和 CNN 等监督深度学习方法的依赖,以优化基于 ECoG 的 BCI 运动意象分类,提升康复效率并解决监管与安全问题。
2023-11-22 cs.HC cs.LG eess.SP
Atrial Fibrillation Detection and ECG Classification based on CNN-BiLSTM
NYU(纽约大学)
从心电图(ECG)信号中视觉检测心脏病是一项具有挑战性的工作。实现心电信号的自动检测可以帮助心律失常的诊断,从而提高诊断的准确性。在本文中,我们提出,实现,并比较了一个自动化系统,使用两种不同的框架相结合的卷积神经网络(CNN)和长短期记忆(LSTM)的分类正常窦信号,心房颤动,和其他噪声信号。我们使用的数据集来自MIT-BIT Arrhythmia Physionet。我们的方法表明,两个深度学习网络的级联比它们的级联具有更高的性能,实现了0.82的加权f1得分。实验结果成功地验证了CNN和LSTM的级联可以在识别ECG信号方面取得令人满意的性能。
2020-11-12 cs.LG eess.SP
A Joint Convolutional and Spatial Quad-Directional LSTM Network for Phase Unwrapping
Univeristy of Moratuwa(莫拉图瓦大学)
相位展开是一个经典的不适定问题,其目的是从相位展开中恢复真实相位。在本文中,我们介绍了一种新的卷积神经网络(CNN),它结合了空间四向长短期记忆(SQD-LSTM)进行相位展开,将其公式化为回归问题。简化SQD-LSTM可以规避典型CNN在学习全局空间依赖性方面的固有困难,这在恢复真实相位时至关重要。此外,我们采用一个特定问题的复合损失函数训练这个网络。在严重的噪声条件下(SNR = 0 dB时的归一化均方根误差为1.3%),该网络的性能优于现有方法,同时计算时间显著减少(0.054 s)。该网络在训练过程中也不需要大规模数据集,因此非常适合需要快速准确相位展开的数据有限的应用。
2020-10-26 cs.LG eess.SP
3D-CLMI: A Motor Imagery EEG Classification Model via Fusion of 3D-CNN and LSTM with Attention
Zhejiang University of Technology(浙江工业大学);Shanghai Jiao Tong University(上海交通大学)
针对运动想象脑电解码准确率不足的问题,提出融合3D-CNN与带注意力LSTM的3D-CLMI模型,在公开数据集上取得92.7%准确率,优于现有方法。
2023-12-20 cs.HC cs.LG eess.SP
Convolutional Neural Network Array for Sign Language Recognition using Wearable IMUs
Amity University Uttar Pradesh(阿密提北方邦大学)
手势识别算法的进步导致了手语翻译的显著增长。通过使用高效的智能模型,可以精确地识别标志。所提出的工作提出了一种新的一维卷积神经网络(CNN)阵列架构,用于使用自定义设计的可穿戴IMU设备记录的信号从印度手语中识别标志。IMU装置利用三轴加速度计和陀螺仪。使用IMU设备记录的信号基于它们的上下文被分离,例如它们是否对应于一般句子或疑问句的签名。该数组由两个单独的CNN组成,一个分类一般句子,另一个分类疑问句。将阵列架构中的各个CNN的性能与对未分离数据集进行分类的传统CNN的性能进行比较。与传统CNN的93.50%相比,所提出的CNN阵列实现的一般句子的94.20%和疑问句的95.00%的峰值分类准确率断言所提出的方法的适用性。
2020-04-21 cs.LG eess.SP stat.ML