基于幻象模块与深度可分离卷积的运动想象脑电分类方法

基于运动想象的脑机接口系统可以在无外部刺激的情况下产生有效脑电信号,控制外接设备,在医疗健康等方面发挥着越来越重要的作用。运动想象脑电信号具有非线性、非平稳、低信噪比和个体差异大等特点,同时许多运动想象脑电算法应用在计算能力差、实时性要求高的移动设备上,对运动想象脑电的分类准确性和模型复杂度提出了很大挑战。基于此,文章提出一种新的融合幻象模块与深度可分离卷积的轻量化分类模型。首先对原始数据进行截取和滤波,使用EMD算法计算IMFs,将二维脑电信号重构为三维数据,然后通过幻象模块和深度可分离卷积进行数据扩展与特征提取,引入反残差模块缓解网络退化问题,最后用全连接层进行分类。

基于残差结构和幻象模块的垃圾图片分类算法

垃圾图片分类算法对于垃圾分拣的智能化和自动化具有重要的意义,针对我国垃圾分类现状,收集制作了小型生活垃圾数据集,提出基于残差结构和幻象模块的垃圾图片分类算法。使用幻象模块代替ResNet18的普通卷积,在不降低网络性能的同时减少了网络的参数量。采用数据增强方法扩充训练数据,防止过拟合。实验结果表明,改进后网络的参数量减少了46%,识别精度提高了1%。