-
公开(公告)号：CN118072767A
公开(公告)日：2024-05-24
申请号：CN202410167660.2
申请日：2024-02-06
Applicant: 复旦大学
Abstract: 本发明属于腺样体和扁桃体肥大筛查技术领域，具体为一种基于语音信号的全自动腺样体和扁桃体肥大识别系统。本发明系统包括：语音信号采集模块、信号预处理模块、特征提取、特征拼接和特征选择模块、数据均衡模块、深度学习网络模块、二分类模块和四分类模块。系统对通过计算机辅助语言调查分析软件采集到的语音信号进行预处理和特征提取，并将不同元音和鼻音信号的特征进行拼接送至深度学习网络进行高精度特征提取，最终进行腺样体和扁桃体肥大识别及其严重程度判别。本发明采用特征选择算法对所提特征进行最优特征筛选，采用数据均衡算法使得样本种类达到均衡，采用深度学习网络挖掘更深层次的特征，得到更精准的结果。
-
公开(公告)号：CN110765974B
公开(公告)日：2023-05-02
申请号：CN201911054117.7
申请日：2019-10-31
Applicant: 复旦大学
IPC: G06V40/20 , G06V10/774 , G06V10/764 , G01S13/88 , G06V10/82 , G06N3/0464
Abstract: 本发明属于人机交互技术领域，具体为基于毫米波雷达和卷积神经网络的微动手势识别方法。本发明的主要步骤包括：根据应用场景设计雷达参数和微动手势；利用毫米波雷达周期性地发射具有确定雷达参数的线性调频信号同时接收人体手部反射的回波信号，与发射信号进行差频后进行ADC采样得到数字中频信号；对数字中频信号进行处理，计算微动手势的特征参数；选取某一特征，建立多种手势的数据集；针对毫米波雷达特征图像设计卷积神经网络，输入手势数据集训练得到分类模型；调用分类模型实现多种手势的分类识别。本发明实用性强，可用于智能家居、隔空输入、手语翻译、机械控制、VR、AR等领域，应用前景广阔。
-
公开(公告)号：CN110988861B
公开(公告)日：2022-09-16
申请号：CN201911056144.8
申请日：2019-10-31
Applicant: 复旦大学
IPC: G01S13/42 , G01S13/58 , G01S13/88 , G06V40/20 , G06V40/10 , G06V10/74 , G06V10/764 , G06V10/82 , G06K9/62 , G06N3/02
Abstract: 本发明属于模式识别技术领域，具体为一种基于毫米波雷达的人体姿态识别系统。本发明系统包括毫米波雷达子系统、数据处理与跟踪定位子系统、人工智能分类子系统；毫米波雷达子系统向检测范围内发射线性调频连续波信号，并采集人体反射的雷达回波数据，经混频、滤波和模数转换采样后输出中频原始数据；数据处理与跟踪定位子系统从原始数据中提取能够表征人体姿态的多种特征，包括距离、速度、加速度、方位特征等，实时跟踪定位人体所在位置；人工智能分类子系统对特征信息进行过滤、分类和判决，综合分类和判决结果确定人体姿态。本发明着眼于现实生活中的人体姿态识别和状态监测，可以适用于家庭、办公室、工厂车间、医院病房、养老院等场景。
-
公开(公告)号：CN1963492A
公开(公告)日：2007-05-16
申请号：CN200610118933.6
申请日：2006-11-29
Applicant: 复旦大学
Abstract: 本发明属分析化学领域，涉及磺酰异氰酸酯柱前衍生化法测定水分含量。本发明以磺酰异氰酸酯类化合物为衍生化试剂，对水进行柱前衍生化之后，加羟基或巯基化合物终止反应。本发明提供的衍生化方法测定快速、准确、简便、易于推广、成本低，还具有反应条件温和、副反应少、过量衍生化试剂不干扰水分的测定等优点，本发明衍生化方法与高效液相色谱、高效液相色谱－质谱、毛细管电泳、毛细管电泳－质谱或者薄层色谱法等方法联合使用可以实现对水分的灵敏测定。
-
公开(公告)号：CN112716474B
公开(公告)日：2024-01-23
申请号：CN202110078118.6
申请日：2021-01-20
Applicant: 复旦大学
IPC: A61B5/0507 , A61B5/00
Abstract: 本发明涉及一种基于生物微波雷达的非接触式睡眠状态监测方法和系统，包括以下步骤：S1：微波雷达传感器向待测个体发送微波信号，接收雷达回波信号并进行预处理后，得到雷达原始数据；S2：对雷达原始数据进行雷达信号处理，得到睡眠体动特征数据集和包括生理体征数据的睡眠状态分类数据集；S3：基于大数据和人工智能算法，结合睡眠体动特征数据集和睡眠状态分类数据集，得到待测个体的睡眠状态结果，完成睡眠状态监测，与现有技术相比，本发明具有便捷、准确等优点。
-
Patent Agency Ranking
公开(公告)号：CN116108398A
公开(公告)日：2023-05-12
申请号：CN202310030005.8
申请日：2023-01-10
Applicant: 复旦大学
IPC: G06F18/25 , G06F18/2113 , G06F18/2431 , G06N3/0464 , G06N3/048 , G06N3/047 , G06N3/08 , A61B5/00
Abstract: 本发明公开了一种全自动阻塞性睡眠呼吸暂停征识别模型的构建方法；本发明对人体形态特征（含基本信息，如年龄、性别等）、语音、三维面部三种不同信号进行特征提取，并将三类特征融合至深度学习网络进行OSA患者识别及OSA严重程度判别。本发明采用特征选择算法对所提特征进行最优特征筛选，并将筛选后的特征进行特征融合，采用数据均衡算法使得样本种类达到均衡，采用深度学习网络挖掘更深层次的特征得到更加精确的结果。
-
公开(公告)号：CN116110429A
公开(公告)日：2023-05-12
申请号：CN202310031801.3
申请日：2023-01-10
Applicant: 复旦大学
Abstract: 本发明公开了一种基于日间语音OSA严重程度判别识别模型的构建方法。该方法包括以下步骤：采集受试者的语音信号；对语音信号依次进行预处理、特征提取、特征选择和特征拼接；构建均衡数据集；构建机器学习模型作为基分类器，对模型进行评价，从其中选择若干准确率较高的模型；采用Voting融合算法集成模型，取多个基分类器预测样本为某一类别的概率的均值，最高概率所对应的类别即为预测结果，强化模型的分类能力与泛化能力。本发明的模型用于识别判别阻塞性睡眠呼吸暂停综合征，无创、更快、成本更低、准确度高。
-
公开(公告)号：CN110988861A
公开(公告)日：2020-04-10
申请号：CN201911056144.8
申请日：2019-10-31
Applicant: 复旦大学
Abstract: 本发明属于模式识别技术领域，具体为一种基于毫米波雷达的人体姿态识别系统。本发明系统包括毫米波雷达子系统、数据处理与跟踪定位子系统、人工智能分类子系统；毫米波雷达子系统向检测范围内发射线性调频连续波信号，并采集人体反射的雷达回波数据，经混频、滤波和模数转换采样后输出中频原始数据；数据处理与跟踪定位子系统从原始数据中提取能够表征人体姿态的多种特征，包括距离、速度、加速度、方位特征等，实时跟踪定位人体所在位置；人工智能分类子系统对特征信息进行过滤、分类和判决，综合分类和判决结果确定人体姿态。本发明着眼于现实生活中的人体姿态识别和状态监测，可以适用于家庭、办公室、工厂车间、医院病房、养老院等场景。
-
公开(公告)号：CN110765974A
公开(公告)日：2020-02-07
申请号：CN201911054117.7
申请日：2019-10-31
Applicant: 复旦大学
Abstract: 本发明属于人机交互技术领域，具体为基于毫米波雷达和卷积神经网络的微动手势识别方法。本发明的主要步骤包括：根据应用场景设计雷达参数和微动手势；利用毫米波雷达周期性地发射具有确定雷达参数的线性调频信号同时接收人体手部反射的回波信号，与发射信号进行差频后进行ADC采样得到数字中频信号；对数字中频信号进行处理，计算微动手势的特征参数；选取某一特征，建立多种手势的数据集；针对毫米波雷达特征图像设计卷积神经网络，输入手势数据集训练得到分类模型；调用分类模型实现多种手势的分类识别。本发明实用性强，可用于智能家居、隔空输入、手语翻译、机械控制、VR、AR等领域，应用前景广阔。
-
公开(公告)号：CN110687816A
公开(公告)日：2020-01-14
申请号：CN201911052118.8
申请日：2019-10-31
Applicant: 复旦大学
IPC: G05B15/02 , G05B19/418
Abstract: 本发明属于智能识别与控制技术领域，具体为一种基于毫米波雷达的智能家居控制系统和方法。本发明系统包括毫米波雷达系统、信号处理系统、人工智能分类系统、中央控制系统；毫米波雷达系统向雷达照射场景发射线性调频连续波信号，并接收场景反射的回波信号，经处理得到中频原始数据；信号处理系统对原始数据进行处理得到特征数据，并将特征数据传输至人工智能分类系统；人工智能分类系统对毫米波雷达特征数据进行离线训练和在线分类，并传输至中央控制系统；中央控制系统对系统实时控制、监测与通信。本发明利用毫米波雷达实现智能家居领域的非接触式远程控制，提高日常生活的便捷性、舒适性和智能性，适用于普通家庭、办公室、会议室等场所。
-
-
-
-
-
-
-
-
-
Search Results
12
records
(took 0.017 seconds)
