Seq2Seq中的Attention机制

注意力 ，即重点关注某一局部信息。比如一张大合照，我们肯定是首先关注照片中的人而不是背景的花花草草。再比如在进行句子的情感识别的时候，我们通常需要关注某几个关键词，以及词语间的前后文关系，“快乐”，“悲伤”，“愤怒”，等等。因此：

根据通用近似定理，前馈网络和循环网络都有很强的能力。但为什么还要引入注意力机制呢？

实现Attention的原理其实很简单，只需要对输入加上权重就好，如Fig1所示，这有点像Photoshop中的蒙版，白色的表示模型需要着重关注的对象，黑色的区域可以暂时不需要关注，因为它对我们的目标没有帮助。

以Seq2Seq模型为例，如下图所示。Seq2Seq的Encoder的最后一个状态的输出 是Decoder的初始隐藏状态输入 。我们计算Decoder的初始隐藏状态 与Encoder的每一个状态的输出 的相关性，结果记作 ，命名为权重 ， 越大，相关性也就越大，反之相关性越小，记作：

原论文中 是根据如下计算的，具体请参考Fig3：

除此之外， 还有另一种计算方法，如下所示，计算步骤如Fig4所示：

计算得到每一个隐藏层状态的权重 后，与每一个状态值相乘再相加，得到新的向量Context vector :

若没有attention，Decoder的第一个时刻的计算方式为：将Encoder的最后一个状态输出 和Decoder的第一个输入 拼接。而现在有了attention，将权重与每一个隐藏状态相乘再相加得到了新的向量 ，新的向量中包含整个时间序列的所有信息，所以就解决了遗忘的问题，将 、 和 一起运算就得到了Decoder的第一个状态输出 ，其计算方式如Fig5所示。

计算完 后我们同样得到了Encoder隐藏状态的加权平均 。

依次重复，我们可以得到加入了attention的Decoder的隐藏状态的输出，如Fig7所示。

综上，在熟悉了如何引入attention机制之后我们来回顾一下attention是如何让模型只关注部分区域的。如Fig8所示，这是一个Seq2Seq机器翻译模型，Decoder在翻译第一个单词的时候会回顾Encoder的所有inputs，但并不是所有的inputs都对翻译第一个单词有用，如图中所示，线越粗表明该单词对翻译结果的影响越大，可以看出，翻译 I' 的时候，第一个输入 the 对结果影响很大， agreement 和 signed 次之，所以我们只需attention这几个单词即可。同理，翻译第二个单词 accord 同样要回去再看下整句话，发现只有 agreement 对最终的结果有影响，所以只需attention agreement 即可。

参考：

今天，婚恋问题已经与心理问题、就业问题成为当前大学生最为关注的三大热点问题。大学生恋爱观、婚姻观指大学生对婚前恋爱、婚姻生活以及婚恋过程中性爱取向的基本看法，它是大学生对待恋爱和婚姻的内在标准和主观看法，其不但直接影响个体对配偶的选择，还会影响个体对未来婚姻、家庭的责任和义务的承担。一个人恋爱是否和谐、婚姻是否幸福，与其持何种恋爱观、婚姻观有直接关系。文化学者胡因梦曾说：“爱是人类最艰难的课题。”大学生怎样把握心中爱的冲动，学会爱人，懂得爱情，珍惜爱情，学会做一个幸福的人，其中体现着一种进步和对人生的理解。法律启蒙教育在帮助大学生形成正确的恋爱观、婚姻观方面作用如何为此，笔者对广州大学已修完“思想道德修养与法律基础”课程的本科生进行了问卷调查。此次调查共发出问卷690份，回收有效问卷649份，覆盖2009级、2010级5个学院10个专业的学生。

　　

　　一、大学生婚恋观的现状

　　

　　1大学生恋爱具有较强的主体意识。大学生把恋爱看做自己的私事。作为一个有独立意识和独立地位的民事主体面对自己的生活，更关注自身的感受。对于“在恋爱过程中，你做好哪些思想准备”(多项选择)，73％的学生选择“有准备，不论对方健康或者生病，不论对方有钱或者没钱都对对方负责”，51％的学生选择“要准备承担做父母的责任”。对于“当父母反对你选择的对象时，你会怎么办”，70％的学生选择“给定一个期限，如果他(她)仍然不能让父母满意的话，就和他(她)分手”，20％的学生选择“与父母争执，誓死捍卫自己的爱情，甚至不惜与父母翻脸”，10％的学生选择“父母阅历丰富，应听从他们的看法，忍痛割爱”。64％的学生愿意选择“你喜欢的人”；36％的学生选择“喜欢你的人”。调查结果显示，当代大学生处理问题并不简单，他们有独立的思考，尊重自身感受，具有较强的主体意识。

　　

　　2大学生对恋爱的看法较为理智。关于“大学谈恋爱的动机”，有725％的学生是“出于对美好事物的追求与欣赏，彼此被对方的某些优点所吸引”，有159％的学生是“想弥补内心空虚，寻找精神寄托”，有4％的学生是“因为看到大家都有男女朋友，觉得自己单身没面子”，有15％的学生则是“对方追求激烈，自己不好意思拒绝”。对于“大学谈恋爱的态度”，42％的学生认为“是一种真挚的感情，是人生中不可或缺的一段宝贵经历，至少应该经历一次”，有50％的学生觉得应“顺其自然，有也好，没有也不强求”，有3％的学生认为“会影响学业，得不偿失”，有2％的学生是“玩玩而已，何必当真”。关于“不求天长地久，但求曾经拥有”的爱情观的看法，54％的学生选择了中立，表示不同意的有41％。可见，大学生较为理性，说明恋爱观内容、原则、理念等教育产生效果，他们选择恋人更注重内涵，人生观、价值观的共通点。

　　

　　3大学生婚姻自主，有较强的权利意识。当代大学生作为现代公民具有独立的人格，尊重自己的意愿，重视自身的权利。对于“从2005年9月1日起，在校大学生可以结婚，你是怎样看待对这一问题的”，7％的学生选择“反对，会影响学业和今后的发展”，75％的学生选择“不反对，但我肯定不会在大学结婚”，12％的学生选择“如果可能，我会在大学结婚”。在回答“只要两人感情好，结不结婚都一样的观点”，53％的学生选择“不同意”，15％的学生选择“同意”，31％的学生选择“中立”。结果显示大学生有一定的权利意识。通过法律基础课学习，就是要让学生懂得现代社会权利意识构成了公民意识和宪法精神的核心。法治社会以保证公民的权利为根本，每个成员都有自己独立的人格和不可侵犯的权利。不珍视自己的权利，或者不尊重别人的权利，都是公民意识缺失的表现。

　　

　　4面对婚姻，大学生有一定的法律意识。对离婚的看法，选择“既然结了婚就不要轻易离婚”的占56％，选“如果不合适，就应当早点离婚”占32％，选“婚姻就应该天长地久，不应该离婚”的占12％。关于父母离婚对子女的影响程度问题，41％的学生选择“负面影响非常大”，40％的学生选择“负面影响比较大”。“面对离婚你主要解决的问题是什么”，45％的学生选择争取更多财产，53％的学生选择抚养小孩，2％的学生选择找机会报复对方。对“你会因为婚外恋离婚吗”，选择“不会，情人只是过眼云烟，一场游戏一场梦，梦醒回”的占43％，18％的学生选择“不会，虽然家庭、情人两不误，但还是不能没有家庭”，1％的学生选择“会，如果遇到的是真爱，本身婚姻就有问题，可能会离”。可见大学生是比较看重婚姻、家庭的，对婚姻中法律关系、父母子女间的权利义务关系认识比较明确，具有一定法律意识。

　　

　　5大学生性爱观呈现较强的责任意识。针对“一夜情”的看法，“坚决反对”的占38％，有37％的学生则选择“要慎重，在不伤害别人的情况下可以”，25％的学生表示“不反对，但自己不会这么做”。关于对“大学生同居现象”的看法是：62％的学生选择“这是恋爱双方自己的事，如果别人发生了，可以接受，但自己会慎重考虑”，29％的学生选择“短暂的快乐过后带来的是无尽的悲伤和更多的无奈，大学生应该更好地克制自己”。性爱关系中体现着道德责任感，对感情的尊重，对性爱的慎重，说明大学生的性观念、性意识已经趋向成熟，具有一定的责任意识。

　　

　　二、法律启蒙是健康婚恋观形成的前提

　　

　　1法律思维引导学生理性面对婚恋问题。法律思维方式是指按照法律的规定、原理和精神，思考、分析、解决法律问题的习惯与取向。法律思维崇尚理性，法律本身以理性呈现。孟德斯鸠在《论法的精神》中指出：“法是由事物的性质产生出来的必然联系。”法律理性首先是认识之真，法律反映社会生活的客观规律；其次是情理之真，即法律合乎民情民理，反映民众生活的真情实理，法律只有道真理，讲情理，才能产生慑服人心的感召力量。康德指出：“所谓的启蒙运动，就是人类摆脱加之于自己的不成熟状态；所谓的不成熟状态就是不经别人引导就对运用自己的理智无能为力。”法律启蒙教育引导学生理性面对婚恋问题，懂得相关法律规定，明白法律道理，才能正确规范婚恋行为。在爱中学会尊重对方，把握爱的权利，爱的行为中坚守法律的底线；在婚姻中清晰夫妻双方权利与义务，正确处理父母子女家庭成员间的财产关系与人身关系，明白结婚与离婚相关法律规定。此次婚恋观情况的调查，说明学生经过学习法律基础知识，形成了一定的法律意识，提升了法律素养，能够理性面对婚恋问题。

　　

　　2法律启蒙呼唤人性回归。儒家最讲究善，孔子和孟子都把善视为人性的精华。《三字经》的第一句话就是“人之初，性本善”。中国佛法的真谛是“善”，故而劝人向善，言必“善哉”。在西方，苏格拉底认为善即美。近代关于善的研究的著名学者是康德和黑格尔，康德以“道德律令”为标准来区分善与恶，主张理性的法必须是善的。黑格尔把善理解为法发展到道德阶段的一个中间环节，评判一种法的善恶关键在于它能否节制人的自然冲动或任性，如果能够有效地节制人的自然冲动或任性，这样的法就是善法。法律启蒙教育的目的在于丰富和完善人性。理想的法律是真、善、美的统一。法律之“善”，即是伦理之善。善法架起了法律与道德的桥梁，使法律可以凭借道德无所不在的精神教化作用而深入人心。法律惩恶扬善，使人知是非，懂善恶，明美丑，对婚恋行为做出选择、矫正的指引。如果由于求爱不成或者婚姻关系中当爱已成往事，因爱生恨，怀恨在心，甚至做出伤害对方身心乃至生命的极端行为，当事人也将为此付出沉重的代价，面对严厉的法律制裁。因此，学习法律本身即是在完善人性，就是孟子所说的“求放心”或是朱熹所说的“为明珠拂去灰尘”。归根结底，学法习法是为了使人更完善，更加符合人的定义，更加体现人的质的规定性，使人成其为人。

　　

　　3法律教育旨在培养学生规则意识。此次调查说明学生的婚恋观彰显法性，具有一定的规则意识。法律使人追求规则、章法、秩序、条理、公道、平恕。学不学法，是意识问题；懂不懂法，是素质问题；守不守法，是责任问题。我们每个人都要对自己负责，对他人负责，对社会负责。通过法律教育，走人法律的世界，培养学生规则意识，让学生领会法律之治的人性之美。亚里士多德指出：“公民们都应遵守一邦所定的生活规则，让各人的行为有所约束，法律不应该看作(和自由相对的)奴役，法律毋宁是拯救。”富勒有言：“法律是使人的行为服从规则治理的事业。”规则是通向美和自由的必经之路，法律教育被学生内化，让学生处处感受到“规则”，依法生活，才会拥有健全的人格、健康的心理、真诚的法信仰。在面对婚恋问题时，才能远离虚伪和欺诈，远离暴力和伤害，远离违法和犯罪，才能品学兼优，身心健康，收获幸福婚姻，走好人生每一步。

　　

　　三、重视法律教育，构建健康婚恋观

　　

　　婚恋观教育水平的高低不仅反映了一个国家的教育水平，而且反映了一个国家的道德水平、法治程度，反映了一个国家国民的素质。一个人恋爱是否和谐、婚姻是否幸福，与持何种婚恋观有直接关系。然而也有部分大学生，由于心理尚未完全成熟，对爱情与婚姻的理解不透彻，法律意识淡薄，缺乏健康婚恋观的指导，又受到一些错误的择偶标准、价值观念和恋爱方式的影响，对婚恋问题的认识还存在着一定的扭曲和偏差，对学业和身心健带来了某些负面影响，也影响着他们未来的婚姻质量和社会和谐。因此，应加强法律教育，帮助学生形成健康的婚恋观。

　　

　　1恋爱中的法律教育。爱情是人类独有的情感，象征着纯洁、忠贞、美好和神圣，是男女在内心形成的对对方最真挚、最热烈、最稳定、最专一的情感。巴尔扎克指出“爱情是人生最难的学校”。爱情以人的性生理发育为前提，当代大学生的性生理发育虽然基本成熟，但性心理还有许多不足，人生观不够稳定。虽然传统道德对大学生产生了一定的影响，但在文化多元的今天，大学生开放的思想对“性”及婚姻问题产生了影响，在理智与情感方面处于矛盾的旋涡，追求爱情的同时忽视了法律底线，在尝试之后往往面对的是尴尬和无尽的悔恨。学生曾经提出这样的问题：“一对大学生情侣未婚同居，后来女孩怀孕了，但在要生小孩时，他们都害怕被人知道而不敢去医院，所以留在宿舍生孩子，但因为难产而造成女孩和婴儿都死亡，事后男孩因为害怕，就匆匆离开。这种情况，问：男孩要不要负法律责任”虽然法律知识浩如烟海，但其基本的原则清晰可辨，那就是以人为本的人性观、权利观、义务观。这个男孩当然要承担相应的民事赔偿责任。民事法律告诉我们，每个完全的民事行为能力人都有爱与被爱的权利，具有以自己的行为享有权利和承担义务的能力，要为自己的行为负责。须知民事法律行为与幸福爱情的关系，恋爱中涉及诸多法律问题，如与有配偶的人恋爱即第三者问题、婚前财产公证、婚前协议等问题；恋爱中的权益保护问题，包括生命权、健康权、名誉权以及财产权等。在爱中学会识别爱情“真伪”，增强自我保护意识。当自身权利受到侵害时，应勇敢地拿起法律武器保护自己的合法权利。如果说当一个人的权利受到了侵害，而他不知道怎样运用法律的武器来保护自己，这是个人悲哀的话，那么，当一个人的权利被侵害而他根本就不知道自己还有这样一个权利存在，这就是教育的悲哀、社会的悲哀。

　　

　　2婚姻中的法律教育。作为现代公民，大学生应具有相应的法律理念。法律教育使学生懂得人生每一个行为都要在法的秩序下进行，幸福婚姻须有法律保障。大学生作为一个完全的民事行为能力人，应认真学习《民法》《婚姻法》《刑法》等法律，尊重和保护自身合法权利，以法的视角认识婚姻，尊重婚姻关系中双方的人格权中的生命权、健康权、名誉权、婚姻自由权；尊重家庭成员间的权利与义务，养育子女，赡养老人。懂得身份权的相关法律，知道婚姻关系中的财产继承、收养、监护和重婚等与家庭幸福有关的相关法律规定；尊重夫妻双方财产权利，知道婚前财产与婚姻关系存续期间夫妻双方共同财产的界限；知道结婚与离婚相关法律规定，理性对待离婚；知道怎样处理财产与子女抚养问题的法律规定。修改后的婚姻法还规定夫妻应当彼此忠实，因一方过错而导致离婚的，无过错方有权请求损害赔偿。

　　婚姻从表象上看是个人行为，而本质上是社会行为，个人行为是自己的私事，法律规定了婚姻自由原则，就是要不要结婚，和谁结婚，什么时间结婚，在什么地方结婚都是个人的自由，个人意愿会受到法律的保护，法律尊重个人的权利，他人和社会都不会干预。但婚姻又是社会行为，个人的婚姻要符合社会规范，主要是受法律即《婚姻法》的调整。当事人必须要到婚姻登记机关履行婚姻登记手续，注册登记后方成为合法婚姻，受到《婚姻法》的保护，婚姻才被社会承认。结婚后当事人在享有《婚姻法》规定的权利的同时必须履行《婚姻法》规定的家庭义务和责任，如果违反法律规定要受到社会的干预，甚至法律制裁。家庭是社会最小的细胞，所以家庭是否幸福和谐不仅关乎个人生活幸福，更关乎社会和谐稳定、种族的繁衍和传递。因此，健康婚姻观须有法律的正确指引。

领域自适应：

多用于文本分类，属于直推式迁移学习，直推式迁移学习定义：给定一个源域和相应的学习任务，一个目标域和相应的学习任务，直推式学习旨在利用源域和目标域中相同的知识来提高目标域中的目标预测函数。

《基于深度学习的体态与手势感知计算关键技术研究》

基于深度学习的肌电手势识别：

并不需要任何附加信息或手工设计的特征提取器，基于高密度肌电信号（HD-sEMG），使用二维阵列电极采集的肌电信号，使得肌肉活动产生的电势场在时间和空间上的变化可被多个紧密分布在皮肤表面的电极同时记录下来。HD-sEMG中的肌电信号描绘了位于电极覆盖区域内的肌肉活动的时空分布，同时HD-sEMG的瞬时值呈现了在特定时间点肌肉活动所涉及的生理过程的相对全局的测量。瞬时HD-sEMG内部可区分出不同手势模式，可以将采集到的HD-Semg描绘出电势在空间的分布，其对应的热度图即为肌电图像，肌电图像中的像素数（分辨率）由其采集设备中的电极阵列决定，即电极的数量及其电极间距离（例如，具有16行8列的电极网格可W采集816像素的肌电图像）。

主要是将原始肌电信号值从（-1，1）映射到（0，255），即，其中x是原始肌电信号，I是肌电图像。构建一个8层CNN结构，网络的前两个卷积层用于提取公共的底层特征，作者发现瞬时肌电图像在不同的空间位置上表现出不同的视觉特征。在不同手势中，肌电图像在中部偏下以及顶部的条状区域上亮度较强，提出在3，4层加入局部连接结构（受人脸识别前沿工作的启发），因为局部连接层在不同空间位置上的卷积模板的权重不共享，可以更好的提取上不同位置的特征。并依据单个窗口内每帧识别出的手势标签中所占比例最高的标签，因为上述实验仅适用于肌电幅值较大的数据进行训练和测试可以获得较高的手势识别准确率，因此需要对肌电信号采用全波整流和低通滤波（全波整流和低通滤波是被广泛采用的肌电信号幅值估计方法），以获取更好的肌电信号。

基于深度领域自适应的肌电手势识别：

当训练集和测试集的肌电信号来自不同的采集会话的情况。因为电极位移，肌肉疲劳，电极和皮肤之间的阻抗变化等因素的干扰，肌电信号与采集会话高度相关，已经训练好的手势分类器直接被应用在新的会话时通常准确率较低。因为肌电信号的分布在不同的会话之间变化很大，所以来自不同会话的基于瞬时肌电信号的手势识别可以相应地表示为多源领域自适应问题。

当标定数据未标记时，该论文采用自适应批量归一化（AdaBN, Adaptive Batch Normalization）对手势分类器进行适配。假设用于区分不同手势的知识存储在每个层的权重中，AdaBN不需要适配数据的手势标签，而是随着无标签的适配数据的增加，逐步更新少量的网络参数。给定输入U，BN将其转换为V，其中第i个输入特征的转换公式为：

l在训练阶段，每个BN层对于每个源域的均值统计量和方差统计量是独立计算的。因为训练阶段的BN对每个数据批次独立计算统计量，所以只需要确保每个数据批次中的样本来自同一个会话。

l识别阶段，对于给定的未标记数据A，AdaBN执行正向传播算法，更新参数。

该方法准确率：单幅305%，150毫秒窗口-392%，而另一种算法特征集（150毫秒窗口）和线性判断：341%。

随机选择未标记的测试集的子集（01%，05%，1%，5%，10%）进行深度领域自适应，之后再评测整个测试集上的手势识别的准确率。最后观测到大约5%的适配数据后准确率达到巅峰，适配数据20000帧，在CSL-HDEMG的2048赫兹的采样率下大约10秒。

并且适配算法并不需要观测到所有种类的手势，从27种选择5个和13个进行适配，最终结果分别是313%（732%），346%（814%）另一种方法是肌电地势（sEMG topography），定义为肌电信号在时间上的二维平均强度图，其中每个像素是某个通道的肌电信号在特定时间窗口内的均方根，用于手势识别。

《Revealing Critical

Channels and Frequency Bands for Emotion Recognition from EEG with Deep Belief

Network》

在基于脑电信号的情感识别任务中，多通道脑电信号存在不相关的脑电信号，这不仅会引起噪声，还会降低系统对情感识别能力。该论文提出一种新的深度信念网（DBN）来检查用于情感识别的关键EEG信道和频段。

主要从行为和生理反应进行情感分析，因为EEG与表情手势相比，具有较高的准确性和客观评价性。该论文采用ESI神经扫描系统，从62通道电极帽以采样率为1000Hz记录脑电信号。每个实验有15个测试，每个测试包括15s提示，45s测试及反馈，5s休息。盖论文一共评价了30个实验。

先下采样原始脑电数据到200Hz，之后使用03Hz到50Hz的带通滤波器滤除噪声和伪影，之后采用之前提出的微分熵（differential entropy）特征[1][2]，对于固定长度的脑电信号，微分熵相当于一定频段内的对数能量谱。此前已经证明微分熵在低频和高频能量之间具有识别EEG模式的能力，因此在五个频段计算微分熵特征（δ：1-3Hz，θ：4 – 7Hz，α：8-13Hz，β：14-30Hz，γ：31-50Hz），使用256点的短时傅里叶变换，并将特征归一化到0-1。

利用五个频段的去噪后的62通道的特征作为输入，DBN达到8608%的准确率和834%标准差，本论文通过分析经过训练的DBN的权重分布来检验关键通道和频带，权重对于识别情感模型是很重要的，因为对于学习任务贡献较大的神经元权值将增加，不相关的神经元权值趋于随机分布，图1为权重在第一层神经网络训练后的分布，可以看出主要在beta和gamma波的权重最大，这说明此频带包含更重要的鉴别信息。

  从图2中我们可以看出侧颞区和前额脑区相比其他脑区在beta和gamma频带更容易激活。因此可以得出结论，在识别积极，中性和负面情绪时侧颞叶和前额叶通道是关键通道，beta和gamma是关键频带。

如图3所示，依据脑区中权重分布的特点，设计了四种不同的电极放置剖面，包括4通道，6通道，9通道和12通道，其中4通道的最佳平均精度和标准差为8288%/1092%，而所有62通道的最佳平均精度和标准差为8399%/1092%，这说明四个相对电极阻轮廓（four profiles of relative electrode sets）FT7,T7,FT8,T8是辨别情感特征的电极。

[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

脑电论文（大脑解码：行为，情绪）：

Real-time naive learning of neural correlates in ECoG Electrophysiology

神经实时朴素学习相关的皮层电生理

地址： http://wwwijmlcorg/papers/40-L0174pdf

A Deep Learning Method for Classification of EEG Data Based on MotorImagery

基于运动表象的脑电数据分类的深度学习方法

地址： http://wwwbiospburu/faculty/departments/vnd/pdf/journal%202015/moskvichpdf

Affective state recognition from EEG with deep belief networks

基于深层信念网络的脑电情感状态识别

地址： https://wwwcsebuffaloedu//DBGROUP/bioinformatics/papers/Kang_BIBM_2013pdf

A Novel Semi-Supervised Deep Learning Framework for Affective StateRecognition on EEG Signals

一种用于脑电信号情感状态识别的半监督深度学习框架

地址： https://wwwcsebuffaloedu//DBGROUP/bioinformatics/papers/cameraready_xwjiabibepdf

Revealing critical channels and frequency bands for emotion recognitionfrom EEG with deep belief network

用深层信念网络揭示脑电情感识别的关键通道和频带

地址： http://bcmisjtueducn/~blu/papers/2015/9PDF

EEG-based emotion recognition using deep learning network withprincipal component based covariate shift adaptation

基于深度学习网络的主成分协移自适应的脑电情感识别

地址： http://europepmcorg/backend/ptpmcrenderfcgiaccid=PMC4165739&blobtype=pdf

Classifying EEG recordings of rhythm perception

节律性脑电记录分类

地址： http://wwwterasoftcomtw/conf/ismir2014/proceedings/T117_317_Paperpdf

Using Convolutional Neural Networks to

Recognize Rhythm Stimuli from Electroencephalography Recordings利用卷积神经网络识别脑电记录中的节律刺激

地址： http://wwwiticsuni-magdeburgde/~stober/publ/nips2014pdf

Convolutional neural network with embedded Fourier transform for EEGclassification

基于嵌入傅立叶变换的卷积神经网络在脑电信号分类中的应用

地址： http://pdfssemanticscholarorg/9a19/a59f5e8f3494e97c70eecd06003e5d1f4eb7pdf

Continuous emotion detection using EEG signals and facial expressions

基于脑电信号和表情的连续情绪检测

地址： https://ibugdocicacuk/media/uploads/documents/soleymani-fu-icme14_camera_readypdf

‘Deep Feature Learning for EEG Recordings

脑电记录的深部特征学习

地址： https://wwwresearchgatenet/publication/283986303_Deep_Feature_Learning_for_EEG_Recor

异常分类论文（阿兹海默症，癫痫，睡眠阶段检测）：

Classification of Electrocardiogram Signals with Deep Belief Networks

基于深层信念网络的心电信号分类

http://wwwresearchgatenet/publication/293781533_Classification_of_Electrocardiogram_Signals_with_Deep_Belief_Networks

Modeling electroencephalography waveforms with semi-supervised deepbelief nets: fast classification and anomaly measurement

半监督深信网模拟脑电波形：快速分类和异常测量

http://xueshubaiducom/swd=paperuri%3A%28cae246865d395d67f463268e8079cab4%29&filter=sc_long_sign&tn=SE_xueshusource_2kduw22v&sc_vurl=http%3A%2F%2Fwwwncbinlmnihgov%2Fpmc%2Farticles%2FPMC3193936%2Fpdf%2Fnihms322259pdf&ie=utf-8&sc_us=14353019482626292792

Deep belief networks used on high resolution multichannelelectroencephalography data for seizure detection

用于癫痫检测的基于高分辨率多道脑电图数据的深度信念网

地址： https://wwwknexusresearchcom/wp-content/uploads/2015/07/AAAI_JT_Turnerpdf

Deep Learning in the EEG Diagnosis of Alzheimer’s Disease

深层学习在阿尔茨海默病脑电诊断中的应用

http://vigirmissouriedu/~gdesouza/Research/Conference_CDs/ACCV_2014/pages/workshop3/pdffiles/w3-p7pdf

Sleep stage classification using unsupervised feature learning

基于无监督特征学习的睡眠阶段分类

https://wwwresearchgatenet/publication/235943204_Sleep_Stage_Classification_Using_Unsupervised_Feature_Learning

Classification of patterns of EEG synchronization for seizureprediction

癫痫发作的脑电同步模式分类

地址： http://yannlecuncom/exdb/publis/orig/mirowski-cneuro-09pdf

Recurrent neural network based prediction of epileptic seizures inintra-and extracranial EEG

基于递归神经网络的颅内外脑电癫痫发作预测

EEG-based lapse detection with high temporal resolution

基于脑电信号的高时间分辨率检测

地址：

http://wwwresearchgatenet/profile/Richard_Jones21/publication/3039266_EEG-Based_Lapse_Detection_With_High_Temporal_Resolution/links/5457ab030cf2bccc491112ed