利用深度学习和信号处理对心跳心电图数据进行分类。

利用时频分析和深度学习对人体心电图信号进行分割。

使用深度学习可以减少标记信号所需的人力。

使用条件生成对抗网络来产生合成信号。

使用深度卷积神经网络和自定义频谱图层分类语音数字。

使用可微时频变换来恢复时域信号，而不需要相位信息或变换反演。

使用深度学习网络从连续波雷达信号重建心电图。

使用信号贴标签机在一组鲸鱼歌曲中标记属性、区域和兴趣点。

使用信号贴标签机定位和标记心电信号的QRS复合体和R峰。

使用信号贴标签机在音频信号中标注口语。

利用连续小波变换和深度卷积神经网络对心电信号进行分类。

生成一个MEX函数和一个独立的可执行文件，在树莓派™上执行波形分割。

使用卷积深度网络学习语音识别的预强调滤波器。

利用深度学习回归从脑电信号中去除EOG噪声。

使用对抗学习去噪器模型去噪信号。

利用MISO卷积神经网络对超宽带脉冲雷达信号数据进行分类。

从智能手机传感器信号中提取特征，并使用它们对人类活动进行分类。

利用小波提取特征和自编码器检测直流系统中的电弧信号。

使用标记的肌电图信号和长短期记忆网络对手臂运动进行分类。

使用深度学习网络分离两个混合信号源。