Matlab代码-深度PPG降噪器用卷积滤波器实现

如果您使用此代码，请引用我们的论文。 RaviPrakash，Harish等人。 “深度学习为基于癫痫手术的基于ECoG的功能语言映射提供了卓越的准确性。” Neuroscience的前沿（14）（2020）：409。数据尺寸假定为M×N，其中M为通道数，N为数据点数。示例使用30秒的控制和活动任务。步骤1：执行extractData.m，加载每个主题的数据并调用createSlidingActiveTime.m。createSlidingActiveTime.m从活动数据块中提取AR、PSD、峰峰值、均值、偏斜、峰度和Hjorth特征。步骤2：运行getFeatureLabels.m，为每个块分配块标签，每个块为30秒的数据[控制/活动任务]。

这段MATLAB代码通过水听器信号的互相关计算到达时间差。采用卷积定理，利用快速傅立叶变换（FFT）进行数据处理，以获取传感器到信号源的角度和距离。代码透过Simulink的HDL代码功能实现到FPGA，并使用Vivado进行综合。

尽管许多统计学家在Windows上使用R工作，但在图像识别和深度学习领域，却不太常见。最流行的卷积神经网络实现（如Caffe、Theano、Tensorflow）未提供R绑定，而更偏向于Python和Matlab。Tensorflow等强大的CNN实现也不太兼容Windows，由于其在多线程处理上的困难。MXNet则是一个例外，它不仅能在Windows上运行，还提供了R的绑定。MXNet由于其广泛的语言支持（尤其是Python社区），正日益受到欢迎。展示在R Windows中使用MXNet的实际示例。

本项目使用MATLAB代码实现和测试卡尔曼滤波器，包括动态系统模型和测量模型的定义。GUI文件kf_ui.fig可用于参数调整和测试用例修改。测试用例包括系统状态为常数、CWPA系统动态以及使用IVQ905传感器数据的真实测量。

本项目使用Tensorflow实现和比较多种视频对象分割（VOS）算法。其中包括MaskRNN，这是一个实例级视频对象分段的算法（NIPS 2017）。遮罩发展包括了两个流：外观流（AStream）和净流（FStream）。此外，还实现了对象本地化网络。

近年来，深度神经网络（DNN）的广泛应用显著提升了计算机视觉任务的性能，例如图像分类和对象识别。然而，在实际应用中，由于图像获取或传输过程中的各种失真（如模糊和噪声），原始图像训练的DNN常常表现不佳。DeepCorrect通过训练带有残余连接的小型卷积层，在DNN中的易受失真影响的卷积滤波器输出处进行校正，从而提高了预训练DNN模型的鲁棒性。性能测试显示，将DeepCorrect模型应用于常见的视觉任务（如CIFAR-100、ImageNet、Caltech-101、Caltech-256和SUN-397）可显著增强DNN对失真的抵抗能力，优于网络微调的替代方法。详细信息请参见相关的日记论文或预印本。

这份文件包含了自编的中值滤波器、高斯滤波器和均值滤波器的MATLAB代码实现。

利用Matlab编写Kalman滤波器，仅需运行主文件（main.m）即可实现。

Matlab编程-Kalman滤波器实现。简易的卡尔曼滤波器代码示例。