使用在实验室环境之外记录的 EEG 构建机器学习模型需要对噪声数据和随机缺失通道具有鲁棒性的方法。在处理稀疏 EEG 蒙太奇(1-6 个通道)时,这种需求尤其大,这种蒙太奇经常出现在消费级或移动 EEG 设备中。经典机器学习模型和在 EEG 上端到端训练的深度神经网络通常都没有设计或测试过对损坏的鲁棒性,尤其是对随机缺失通道的鲁棒性。虽然一些研究提出了使用缺失通道数据的策略,但当使用稀疏蒙太奇且计算能力有限(例如可穿戴设备、手机)时,这些方法并不实用。为了解决这个问题,我们提出了动态空间滤波(DSF),这是一个多头注意力模块,可以插入神经网络的第一层之前,通过学习关注好通道并忽略坏通道来处理缺失的 EEG 通道。我们在包含约 4000 条模拟通道损坏记录的公共 EEG 数据和包含约 100 条自然损坏移动 EEG 家庭记录的私人数据集上测试了 DSF。当不施加噪声时,我们提出的方法可实现与基线模型相同的性能,但当存在严重通道损坏时,其准确度比基线高出 29.4%。此外,DSF 输出是可解释的,因此可以实时监控有效通道重要性。这种方法有可能在通道损坏妨碍读取脑信号的具有挑战性的环境中实现 EEG 分析。
使用离散小波变换、对比度、局部二值模式和支持向量机对面部皮肤类型进行分类 INDRIYANI 1、I MADE SUDARMA 2 1 巴厘岛计算机信息和技术管理中学 (STMIK STIKOM Bali) 电子邮件:indry.joice@gmail.com 2 乌达亚纳大学 电子邮件:imasudarma@gmail.com 摘要 化妆品对皮肤有两种影响,即积极影响和消极影响。根据皮肤类型使用化妆品会对皮肤产生积极影响,而使用不适合皮肤类型的化妆品会对皮肤产生负面影响。每个人的皮肤类型都不一样,因此在决定购买合适的化妆品之前了解皮肤类型非常重要。本研究将利用数据挖掘的概念构建一个可以对面部皮肤类型进行分类的智能系统。本研究使用离散小波变换 (DWT)、对比度和局部二值模式 (LBP) 来提取面部图像中包含的特征,并使用支持向量机 (SVM) 作为分类器来确定面部皮肤类型。根据实验结果,证明了所提出的方法能够正确对面部皮肤类型进行分类。所提出的方法的平均分类准确率为 91.66%,平均运行时间为 31.571 秒。