-
公开(公告)号：CN107168524A
公开(公告)日：2017-09-15
申请号：CN201710255191.X
申请日：2017-04-19
Applicant: 华南理工大学
CPC classification number: G06F3/015 , G06K9/6267
Abstract: 本发明公开了一种基于深度学习混合模型的稳态视觉诱发电位分类方法，包括步骤：1、采用LCD显示器作为刺激源，确定好闪烁频率，选择采集脑电的电极通道，针对多个不同的被试对象进行实验，采集得到稳态视觉脑电信号数据库；2、基于数据库中的短时间序列脑电信号，训练并确定卷积神经网络模型的参数，完成脑电信号特征的自动提取；3、采用卷积深度学习网络的输出作为玻尔兹曼机网络的输入，针对不同被试者对分类网络模型的参数进行微调，确定玻尔兹曼机网络模型的参数。本发明可以很好地实现脑电信号泛化特征的提取，减少脑电信号畸变对信号分类的影响，能够利用短时间长度的脑电信号来很好地完成信号分类。
-
公开(公告)号：CN106326559A
公开(公告)日：2017-01-11
申请号：CN201610720714.9
申请日：2016-08-25
Applicant: 华南理工大学
Abstract: 本发明公开的一种基于低秩表示的船舶能耗预测与状态估计方法，包含以下步骤：对已有的船舶运行的状态及能耗的数据集进行处理，建立船舶运行状态的特征表示，通过各个特征表示构建待恢复的低秩矩阵，将船舶能耗预测与状态估计问题转化为低秩矩阵恢复问题，并使用凸优化技术解决低秩矩阵恢复问题，最终实现船舶能耗预测与状态估计。本发明的估计方法，与传统方法相比，具有更高的鲁棒性与准确性。
-
公开(公告)号：CN117239738A
公开(公告)日：2023-12-15
申请号：CN202311494258.7
申请日：2023-11-10
Applicant: 华南理工大学
Abstract: 本发明公开了一种基于组合预测模型的风电功率预测方法及系统，属于风电功率预测技术领域，包括：构建由EEMD算法、PCA算法和LSTM算法组成的组合预测模型；获取风电电站的历史功率数据以及历史功率数据对应的历史环境数据，通过LASSO算法对环境因素进行筛选，生成用于组合预测模型训练的第一数据集；通过第一数据集对组合预测模型进行训练，生成预测模型；采集风电电站在当前时间戳的第一功率数据和第一环境数据，通过获取在当前时间戳的下一时间戳的第二环境数据，与第一环境数据的变化趋势，根据预测模型，预测获取风电电站在下一时间戳的第二功率数据；本发明提出的预测模型较传统风电功率预测方法有更高的精确度。
-
公开(公告)号：CN116584908A
公开(公告)日：2023-08-15
申请号：CN202310408554.4
申请日：2023-04-17
Applicant: 华南理工大学
IPC: A61B5/021 , A61B5/346 , G06F18/214
Abstract: 本发明公开了一种基于领域自适应的无创连续血压测量方法，包括以下步骤：获取数据集并对数据进行预处理，所述数据集包括PPG数据集、ECG数据集；建立血压预测模型，并使用预处理后的数据集对血压预测模型进行训练；使用测试集进行收缩压和舒张压的预测，本发明对PPG、ECG信号的特征提取，并以此进行血压预测，可防止人工特征提取的不准确问题，实现对血压的准确预测，同时，还可以解决特定设备采集到的数据集数据量不足无法进行准确预测的问题，本发明利用深度学习的领域自适应方法，实现对PPG、ECG信号的特征提取与血压预测，同时解决了普通神经网络因数据集不足的而导致模型泛化性差的问题。
-
公开(公告)号：CN116570259A
公开(公告)日：2023-08-11
申请号：CN202310428941.4
申请日：2023-04-20
Applicant: 华南理工大学
IPC: A61B5/021 , A61B5/00 , G06F18/27 , G06F18/214 , G06N20/00
Abstract: 本发明公开了一种基于脉搏波特征的无创血压测量方法，通过使用薛定谔算子的离散谱对单周期脉搏波进行分解重构，提取重建信号的离散谱特征，并将其与血压相关的PPG形态特征和个人的生理特征相结合，利用机器学习模型对血压和特征的相关性进行建模，最终计算出受试者的收缩压和舒张压。本发明仅需要一路脉搏波信号，无需其他同步信号支持，可实现舒适地无袖带，无创血压测量，在低信噪比以及不同形态的脉搏波信号中准确地提取相应特征，使血压受干扰更小，更准确，本发明采取较为简单的机器学习回归模型，不需要大量数据训练，可以在数据量较小的情况下使用。
-
Patent Agency Ranking
公开(公告)号：CN113040789B
公开(公告)日：2022-09-09
申请号：CN202110286597.0
申请日：2021-03-17
Applicant: 华南理工大学
Abstract: 本发明公开了一种同步EEG‑fMRI数据采集中核磁伪迹的在线去除方法，1)对采集到的含噪声的脑电信号通过设计好参数的低通滤波器滤除脉冲伪迹；2)对步骤1)中滤波后的信号进行上采样，并对脑电信号与fMRI设备发出的标记进行h同步，即用同步盒进行同步，得到信号S；3)由于脑电信号是随机信号，梯度噪声则以一个切片扫描时间T为周期，每个周期内该噪声的形状相似，因此以N个切片的来构造一个滑动窗口来构造梯度噪声模板，本发明所使用的自适应SVD去噪，考虑了心电伪迹的形态特征，更好地提高了采集信号的信噪比；本发明所使用的去噪方法在心电伪迹的去除上相比于使用基于PCA的OBS去噪，去除伪迹的同时更好地保留了有效的脑电信号，具有更高的准确率。
-
公开(公告)号：CN113847609A
公开(公告)日：2021-12-28
申请号：CN202111152504.1
申请日：2021-09-29
Applicant: 华南理工大学 , 佛山华谱测智能科技有限公司
Abstract: 本发明公开了一种基于前馈模型预测误差自修正的垃圾焚烧炉脱硝控制方法，包括以下步骤：S1、获取当前时刻NOx排放浓度实际值，NOx排放浓度设定值与实际值偏差作为PID1输入，得到PID1控制的喷氨流量或阀门开度值；S2、获取二级炉排、三级炉排、总风量在内的喷氨流量或阀门开度前馈值；S3、建立具有预测误差自修正功能的NOx排放浓度预测模型，获取基于模型预测喷氨流量或阀门开度前馈值；S4、根据各个喷氨流量或阀门开度值，对喷氨流量或阀门开度进行PID2控制。
-
公开(公告)号：CN113313718A
公开(公告)日：2021-08-27
申请号：CN202110588618.4
申请日：2021-05-28
Applicant: 华南理工大学
Abstract: 本发明公开了一种基于深度学习的急性腰椎骨折MRI图像分割系统，包括：T1模态数据输入模块，用于加载MRI图像的T1模态数据；T2模态数据输入模块，用于加载MRI图像的T2模态数据；双模态UNet模型，利用深度学习技术处理MRI图像的T1模态数据和T2模态数据，包括特征编码降采样、特征解码上采样和跳跃连接三个部分；双模态特征拼接模块，用于把T1模态数据的MRI图像经特征编码后的数据和T2模态数据的MRI图像经特征编码后的数据进行特征拼接；分割结果输出模块，用于输出腰椎骨折区域的分割结果。本发明利用深度学习技术处理急性腰椎骨折MRI图像的双模态数据，实现急性腰椎骨折区域的分割标记输出，提升了急性腰椎骨折的自动诊断能力。
-
公开(公告)号：CN113017645A
公开(公告)日：2021-06-25
申请号：CN202110207669.8
申请日：2021-02-25
Applicant: 华南理工大学
Abstract: 本发明公开了一种基于空洞卷积神经网络的P300信号检测方法，包括步骤：1)采用P300字符拼写器进行实验，提取脑电信号即EEG作为训练集和测试集；2)所采集到的数据经过预处理操作，然后作为模型的输入数据集；3)设计空洞卷积神经网络，先使用一层标准卷积作为EEG数据集的空域滤波器，再设计一个基于空洞卷积的特征提取器获取多尺度时域特征，再通过一层标准卷积提取更高层级的时域特征后，经过下采样，最后添加全连接层作为网络输出，然后训练网络确定模型参数；4)通过计算网络的字符识别率和信息转化率来验证模型的性能。本发明方法具有结构简单，泛化能力强，字符识别准确率高，并有良好的信息转化率等特点。
-
公开(公告)号：CN111723661A
公开(公告)日：2020-09-29
申请号：CN202010417830.X
申请日：2020-05-18
Applicant: 华南理工大学
Abstract: 本发明公开了一种基于流形嵌入分布对齐的脑机接口迁移学习方法，包含以下步骤：分别获取源受试者的EEG数据和目标受试者的EEG数据；对EEG数据进行预处理和特征提取；构建基于流形嵌入分布对齐的迁移学习模型，利用数据对迁移学习模型进行训练，得到训练模型；利用训练得到的分类器对目标受试者的无标签的EEG数据进行分类。本发明在黎曼切平面映射和流形特征变换的基础上，把特征分布对齐集成到分类器的训练当中，训练得到一个有效的分类器。本发明能够有效提高目标用户使用的脑机接口系统的性能，并减轻用户的训练负担。
-
-
-
-
-
-
-
-
-
Search Results
79
records
(took 0.021 seconds)
