領(lǐng)域自適應(yīng)：
多用于文本分類栏豺，屬于直推式遷移學習，直推式遷移學習定義：給定一個源域和相應(yīng)的學習任務(wù)豆胸，一個目標域和相應(yīng)的學習任務(wù)奥洼，直推式學習旨在利用源域和目標域中相同的知識來提高目標域中的目標預(yù)測函數(shù)。
《基于深度學習的體態(tài)與手勢感知計算關(guān)鍵技術(shù)研究》
基于深度學習的肌電手勢識別：
并不需要任何附加信息或手工設(shè)計的特征提取器晚胡，基于高密度肌電信號（HD-sEMG）灵奖，使用二維陣列電極采集的肌電信號，使得肌肉活動產(chǎn)生的電勢場在時間和空間上的變化可被多個緊密分布在皮膚表面的電極同時記錄下來估盘。HD-sEMG中的肌電信號描繪了位于電極覆蓋區(qū)域內(nèi)的肌肉活動的時空分布瓷患，同時HD-sEMG的瞬時值呈現(xiàn)了在特定時間點肌肉活動所涉及的生理過程的相對全局的測量。瞬時HD-sEMG內(nèi)部可區(qū)分出不同手勢模式忿檩，可以將采集到的HD-Semg描繪出電勢在空間的分布尉尾，其對應(yīng)的熱度圖即為肌電圖像，肌電圖像中的像素數(shù)（分辨率）由其采集設(shè)備中的電極陣列決定燥透，即電極的數(shù)量及其電極間距離（例如，具有16行8列的電極網(wǎng)格可Ｗ采集8*16像素的肌電圖像）辨图。
主要是將原始肌電信號值從（-1班套，1）映射到（0，255）故河，即吱韭，其中x是原始肌電信號，I是肌電圖像。構(gòu)建一個8層CNN結(jié)構(gòu)理盆，網(wǎng)絡(luò)的前兩個卷積層用于提取公共的底層圖片特征痘煤，作者發(fā)現(xiàn)瞬時肌電圖像在不同的空間位置上表現(xiàn)出不同的視覺特征。在不同手勢中猿规，肌電圖像在中部偏下以及頂部的條狀區(qū)域上亮度較強衷快，提出在3，4層加入局部連接結(jié)構(gòu)（受人臉識別前沿工作的啟發(fā)）姨俩，因為局部連接層在不同空間位置上的卷積模板的權(quán)重不共享蘸拔，可以更好的提取圖片上不同位置的特征。并依據(jù)單個窗口內(nèi)每幀識別出的手勢標簽中所占比例最高的標簽环葵，因為上述實驗僅適用于肌電幅值較大的數(shù)據(jù)進行訓練和測試可以獲得較高的手勢識別準確率调窍，因此需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被廣泛采用的肌電信號幅值估計方法），以獲取更好的肌電信號张遭。
基于深度領(lǐng)域自適應(yīng)的肌電手勢識別：
當訓練集和測試集的肌電信號來自不同的采集會話的情況。因為電極位移菊卷，肌肉疲勞缔恳，電極和皮膚之間的阻抗變化等因素的干擾，肌電信號與采集會話高度相關(guān)的烁，已經(jīng)訓練好的手勢分類器直接被應(yīng)用在新的會話時通常準確率較低褐耳。因為肌電信號的分布在不同的會話之間變化很大，所以來自不同會話的基于瞬時肌電信號的手勢識別可以相應(yīng)地表示為多源領(lǐng)域自適應(yīng)問題渴庆。
當標定數(shù)據(jù)未標記時铃芦，該論文采用自適應(yīng)批量歸一化（AdaBN, Adaptive Batch Normalization）對手勢分類器進行適配。假設(shè)用于區(qū)分不同手勢的知識存儲在每個層的權(quán)重中襟雷，AdaBN不需要適配數(shù)據(jù)的手勢標簽刃滓，而是隨著無標簽的適配數(shù)據(jù)的增加，逐步更新少量的網(wǎng)絡(luò)參數(shù)耸弄。給定輸入U咧虎，BN將其轉(zhuǎn)換為V，其中第i個輸入特征的轉(zhuǎn)換公式為：
l在訓練階段计呈，每個BN層對于每個源域的均值統(tǒng)計量和方差統(tǒng)計量是獨立計算的砰诵。因為訓練階段的BN對每個數(shù)據(jù)批次獨立計算統(tǒng)計量，所以只需要確保每個數(shù)據(jù)批次中的樣本來自同一個會話捌显。
l識別階段茁彭，對于給定的未標記數(shù)據(jù)A，AdaBN執(zhí)行正向傳播算法扶歪，更新參數(shù)理肺。
該方法準確率：單幅30.5%，150毫秒窗口-39.2%，而另一種算法特征集（150毫秒窗口）和線性判斷：34.1%妹萨。
隨機選擇未標記的測試集的子集（0.1%年枕，0.5%，1%乎完，5%熏兄，10%）進行深度領(lǐng)域自適應(yīng)，之后再評測整個測試集上的手勢識別的準確率囱怕。最后觀測到大約5%的適配數(shù)據(jù)后準確率達到巔峰霍弹，適配數(shù)據(jù)20000幀，在CSL-HDEMG的2048赫茲的采樣率下大約10秒娃弓。
并且適配算法并不需要觀測到所有種類的手勢典格，從27種選擇5個和13個進行適配，最終結(jié)果分別是31.3%（73.2%）台丛，34.6%（81.4%）另一種方法是肌電地勢（sEMG topography）耍缴，定義為肌電信號在時間上的二維平均強度圖，其中每個像素是某個通道的肌電信號在特定時間窗口內(nèi)的均方根挽霉，用于手勢識別防嗡。
《Revealing Critical
Channels and Frequency Bands for Emotion Recognition from EEG with Deep Belief
Network》
在基于腦電信號的情感識別任務(wù)中，多通道腦電信號存在不相關(guān)的腦電信號侠坎，這不僅會引起噪聲蚁趁，還會降低系統(tǒng)對情感識別能力。該論文提出一種新的深度信念網(wǎng)（DBN）來檢查用于情感識別的關(guān)鍵EEG信道和頻段实胸。
主要從行為和生理反應(yīng)進行情感分析他嫡，因為EEG與表情手勢相比，具有較高的準確性和客觀評價性庐完。該論文采用ESI神經(jīng)掃描系統(tǒng)钢属，從62通道電極帽以采樣率為1000Hz記錄腦電信號。每個實驗有15個測試门躯，每個測試包括15s提示淆党，45s測試及反饋，5s休息讶凉。蓋論文一共評價了30個實驗染乌。
先下采樣原始腦電數(shù)據(jù)到200Hz，之后使用0.3Hz到50Hz的帶通濾波器濾除噪聲和偽影懂讯，之后采用之前提出的微分熵（differential entropy）特征[1][2]慕匠，對于固定長度的腦電信號，微分熵相當于一定頻段內(nèi)的對數(shù)能量譜域醇。此前已經(jīng)證明微分熵在低頻和高頻能量之間具有識別EEG模式的能力，因此在五個頻段計算微分熵特征（δ：1-3Hz，θ：4 – 7Hz譬挚，α：8-13Hz锅铅，β：14-30Hz，γ：31-50Hz）减宣，使用256點的短時傅里葉變換盐须，并將特征歸一化到0-1。
利用五個頻段的去噪后的62通道的特征作為輸入漆腌，DBN達到86.08%的準確率和8.34%標準差贼邓，本論文通過分析經(jīng)過訓練的DBN的權(quán)重分布來檢驗關(guān)鍵通道和頻帶，權(quán)重對于識別情感模型是很重要的闷尿，因為對于學習任務(wù)貢獻較大的神經(jīng)元權(quán)值將增加塑径，不相關(guān)的神經(jīng)元權(quán)值趨于隨機分布，圖1為權(quán)重在第一層神經(jīng)網(wǎng)絡(luò)訓練后的分布填具，可以看出主要在beta和gamma波的權(quán)重最大统舀，這說明此頻帶包含更重要的鑒別信息。
? 從圖2中我們可以看出側(cè)顳區(qū)和前額腦區(qū)相比其他腦區(qū)在beta和gamma頻帶更容易激活劳景。因此可以得出結(jié)論誉简，在識別積極，中性和負面情緒時側(cè)顳葉和前額葉通道是關(guān)鍵通道盟广，beta和gamma是關(guān)鍵頻帶闷串。
如圖3所示，依據(jù)腦區(qū)中權(quán)重分布的特點筋量，設(shè)計了四種不同的電極放置剖面烹吵，包括4通道，6通道毛甲，9通道和12通道年叮，其中4通道的最佳平均精度和標準差為82.88%/10.92%，而所有62通道的最佳平均精度和標準差為83.99%/10.92%玻募，這說明四個相對電極阻輪廓（four profiles of relative electrode sets）FT7,T7,FT8,T8是辨別情感特征的電極只损。
[1]Duan R N, Zhu J Y, Lu B L. Differential entropyfeature for EEG-based emotion classification[C]// International Ieee/embsConference on Neural Engineering. IEEE, 2013:81-84.
[2]Zheng W L, Zhu J Y, Peng Y, et al. EEG-based emotionclassification using deep belief networks[C]// IEEE International Conference onMultimedia and Expo. IEEE, 2014:1-6.
腦電論文（大腦解碼：行為，情緒）：
Real-time naive learning of neural correlates in ECoG Electrophysiology
神經(jīng)實時樸素學習相關(guān)的皮層電生理
地址：http://www.ijmlc.org/papers/40-L0174.pdf
A Deep Learning Method for Classification of EEG Data Based on MotorImagery
基于運動表象的腦電數(shù)據(jù)分類的深度學習方法
地址：http://www.bio.spbu.ru/faculty/departments/vnd/pdf/journal%202015/moskvich.pdf
Affective state recognition from EEG with deep belief networks
基于深層信念網(wǎng)絡(luò)的腦電情感狀態(tài)識別
地址：https://www.cse.buffalo.edu//DBGROUP/bioinformatics/papers/Kang_BIBM_2013.pdf
A Novel Semi-Supervised Deep Learning Framework for Affective StateRecognition on EEG Signals
一種用于腦電信號情感狀態(tài)識別的半監(jiān)督深度學習框架
地址：https://www.cse.buffalo.edu//DBGROUP/bioinformatics/papers/cameraready_xwjiabibe.pdf
Revealing critical channels and frequency bands for emotion recognitionfrom EEG with deep belief network
用深層信念網(wǎng)絡(luò)揭示腦電情感識別的關(guān)鍵通道和頻帶
地址：http://bcmi.sjtu.edu.cn/~blu/papers/2015/9.PDF
EEG-based emotion recognition using deep learning network withprincipal component based covariate shift adaptation
基于深度學習網(wǎng)絡(luò)的主成分協(xié)移自適應(yīng)的腦電情感識別
地址：http://europepmc.org/backend/ptpmcrender.fcgi?accid=PMC4165739&blobtype=pdf
Classifying EEG recordings of rhythm perception
節(jié)律性腦電記錄分類
地址：http://www.terasoft.com.tw/conf/ismir2014/proceedings/T117_317_Paper.pdf
Using Convolutional Neural Networks to
Recognize Rhythm Stimuli from Electroencephalography Recordings利用卷積神經(jīng)網(wǎng)絡(luò)識別腦電記錄中的節(jié)律刺激
地址：http://wwwiti.cs.uni-magdeburg.de/~stober/publ/nips2014.pdf
Convolutional neural network with embedded Fourier transform for EEGclassification
基于嵌入傅立葉變換的卷積神經(jīng)網(wǎng)絡(luò)在腦電信號分類中的應(yīng)用
地址：http://pdfs.semanticscholar.org/9a19/a59f5e8f3494e97c70eecd06003e5d1f4eb7.pdf
Continuous emotion detection using EEG signals and facial expressions
基于腦電信號和表情的連續(xù)情緒檢測
地址：https://ibug.doc.ic.ac.uk/media/uploads/documents/soleymani-fu-icme14_camera_ready.pdf
‘Deep Feature Learning for EEG Recordings
腦電記錄的深部特征學習
地址：https://www.researchgate.net/publication/283986303_Deep_Feature_Learning_for_EEG_Recor
異常分類論文（阿茲海默癥七咧，癲癇跃惫，睡眠階段檢測）：
Classification of Electrocardiogram Signals with Deep Belief Networks
基于深層信念網(wǎng)絡(luò)的心電信號分類
Modeling electroencephalography waveforms with semi-supervised deepbelief nets: fast classification and anomaly measurement
半監(jiān)督深信網(wǎng)模擬腦電波形：快速分類和異常測量
Deep belief networks used on high resolution multichannelelectroencephalography data for seizure detection
用于癲癇檢測的基于高分辨率多道腦電圖數(shù)據(jù)的深度信念網(wǎng)
地址：https://www.knexusresearch.com/wp-content/uploads/2015/07/AAAI_JT_Turner.pdf
Deep Learning in the EEG Diagnosis of Alzheimer’s Disease
深層學習在阿爾茨海默病腦電診斷中的應(yīng)用
Sleep stage classification using unsupervised feature learning
基于無監(jiān)督特征學習的睡眠階段分類
Classification of patterns of EEG synchronization for seizureprediction
癲癇發(fā)作的腦電同步模式分類
地址：http://yann.lecun.com/exdb/publis/orig/mirowski-cneuro-09.pdf
Recurrent neural network based prediction of epileptic seizures inintra-and extracranial EEG
基于遞歸神經(jīng)網(wǎng)絡(luò)的顱內(nèi)外腦電癲癇發(fā)作預(yù)測
EEG-based lapse detection with high temporal resolution
基于腦電信號的高時間分辨率檢測
地址：
