检索结果-内蒙古大学图书馆

您好，读者！请登录

内蒙古大学图书馆

首页
概况
党建
资源
服务
科研支持
- 论文收录引用证明
- 科技查新
知识产权
档案馆
帮助

咨询与建议

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

您的常用邮箱：*

您的手机号码：*

问题描述：

当前已输入0个字，您还可以输入200个字

全部搜索
期刊论文
图书
学位论文
标准
纸本馆藏
外文资源发现
数据库导航
超星发现

高级检索

时间限定

出版年份：

文献类型

图书期刊文献学位论文多媒体

馆藏选择

电子馆藏纸本馆藏

核心期刊

全部期刊 SCI 收录期刊 SSCI 收录期刊 EI 收录期刊 CSCD 收录期刊 CSSCI 收录期刊

语言

中文英文

文献类型

期刊文献图书学位论文标准纸本馆藏

帮助

文字说明：

T=题名（书名、题名），A=作者（责任者），K=主题词，P=出版物名称，PU=出版社名称，O=机构（作者单位、学位授予单位、专利申请人），L=中图分类号，C=学科分类号，U=全部字段，Y=年（出版发行年、学位年度、标准发布年）

检索规则说明：

AND代表“并且”；OR代表“或者”；NOT代表“不包含”；(注意必须大写,运算符两边需空一格)

检索范例：

范例一：(K=图书馆学 OR K=情报学) AND A=范并思 AND Y=1982-2016
范例二：P=计算机应用与软件 AND (U=C++ OR U=Basic) NOT K=Visual AND Y=2011-2016

分类表

所选分类

>> <<

限定检索结果

文献类型

2 篇 会议

馆藏范围

2 篇 电子文献
0 种 纸本馆藏

日期分布

学科分类号

1 篇 理学
- 1 篇 数学
- 1 篇 物理学
- 1 篇 生物学
1 篇 工学
- 1 篇 光学工程
- 1 篇 计算机科学与技术...
- 1 篇 软件工程
1 篇 管理学
- 1 篇 管理科学与工程(可...
- 1 篇 工商管理

主题

1 篇 support vector m...
1 篇 pattern classifi...
1 篇 electroencephalo...
1 篇 gesture recognit...
1 篇 network architec...
1 篇 long short term ...
1 篇 feature extracti...
1 篇 electromyography
1 篇 accuracy
1 篇 sensors
1 篇 convolutional ne...

机构

2 篇 department of co...
1 篇 department of ma...
1 篇 department of ma...

作者

1 篇 xu luo
1 篇 jinghong tian
1 篇 tian jinghong
1 篇 luo xu

语言

2 篇 英文

检索条件"机构=Department of Computer and Mathematics Fundamentals Teaching"

共 2 条记录，以下是1-10 订阅

全选清除本页清除全部题录导出标记到"检索档案"

详细简洁

排序：

Emotion classification based on EEG wavelet features and LSTM network 5

Emotion classification based on EEG wavelet features and LST...

引用

5th International Conference on Signal Processing and computer Science, SPCS 2024

作者： Tian, Jinghong Luo, Xu Department of Mathematics and Applied Mathematics Jinan University Panyu Campus Guangdong Province Guangzhou China Department of Computer and Mathematics Fundamentals Teaching Shenyang Normal University Shenyang China

ISBN: (数字)9781510686731

ISBN: (纸本)9781510686724

This study explores an advanced method for emotion classification using electroencephalogram (EEG) data, leveraging the DEAP dataset. The proposed approach combines wavelet transform for feature extraction with long short-term memory (LSTM) neural networks for classification. Initially, the EEG signals were decomposed using fast discrete wavelet transform (DWT) to extract wavelet coefficients from both low-frequency and high-frequency sub-bands. Key statistical features, including the maximum, minimum, mean, standard deviation, energy value, and relative energy value of these coefficients, were computed to form comprehensive feature vectors. These feature vectors were then input into a sophisticated 7-layer LSTM neural network for training and testing. The LSTM network's ability to handle long-term dependencies in sequential data proved highly effective in this context. This study conducted experimental comparisons between single-channel and multi-channel classification performance and explored the impact of different feature component combinations on classification outcomes. The experimental results showed that multi-channel combinations significantly improved classification accuracy, with the best accuracy 95.15% observed in the 8-channel combination scheme. Further analysis revealed that when the feature data contains wavelet components with frequencies between 0 and 8 Hz, the classification performance of the network can be significantly improved. © 2025 SPIE.

关键词： Electroencephalography

来源：评论

学校读者我要写书评

暂无评论

EMG-Based Gesture Classification Using Convolutional Neural Networks

EMG-Based Gesture Classification Using Convolutional Neural ...

引用

Sensors and Information Technology (ICSI), International Conference on

作者： Jinghong Tian Xu Luo Department of Mathematics and Applied Mathematics Jinan University Guangzhou China Department of Computer and Mathematics Fundamentals Teaching Shenyang Normal University Shenyang China

ISBN: (数字)9798331542887

ISBN: (纸本)9798331542894

This study proposes a surface electromyography (sEMG) gesture classification method based on convolutional neural network (CNN). The gesture data of 30 subjects were collected experimentally. After preprocessing such as filtering and effective signal segment extraction, a one-dimensional CNN model was designed for automatic feature extraction and classification. The experimental results show that when the sliding window length is 300 and the amplitude multiple is 1.5, the classification accuracy of the model on the test set is 92.58%-98.63%. Compared with LSTM and SVM models, CNN performs better in 4-category, 6-category and 10-category gesture classification tasks, especially in complex gesture classification. The study verifies the effectiveness of CNN in sEMG signal classification and provides a direction for future optimization, such as further exploring the impact of network architecture and parameter configuration on performance to improve the ability of complex gesture recognition.

关键词： Support vector machines Accuracy Pattern classification Gesture recognition Network architecture Feature extraction Electromyography Sensors Convolutional neural networks Long short term memory

来源：评论

学校读者我要写书评

暂无评论

没有更多数据了...

全选清除本页清除全部题录导出标记到“检索档案”

共1页 << < 1 > >>

检索报告对象比较合并检索0

隐藏清空

合并搜索

回到顶部

执行限定条件

内容：

评分：

请选择保存的检索档案：

请选择收藏分类：

订阅名称：

通借通还

温馨提示：

图书名称：

借书校区：

取书校区：

手机号码：

邮箱地址：

一卡通帐号：

电话和邮箱必须正确填写，我们会与您联系确认。

联系人：

所在院系：

联系邮箱：

联系电话：

内蒙古自治区呼和浩特市赛罕区大学西街235号邮编: 010021

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：