-
公开(公告)号：CN114999628A
公开(公告)日：2022-09-02
申请号：CN202210445525.0
申请日：2022-04-26
Applicant: 暨南大学
Abstract: 本发明公开了一种利用机器学习寻找退行性膝骨关节炎显著性特征方法，具体涉及智能医疗技术领域，包括以下具体步骤：S1.采集临床就诊患者的中医和西医信息，对信息预处理，构建膝骨关节炎特征数据集；S2.利用自编码器的特征降维特性去训练编码器学习膝骨关节炎的风险性特征；S3.使用6种现有的特征选择算法对膝骨关节炎特征数据集进行特征排序；S4.利用SVM分类器训练模型；S5.取出6种算法结果中高频出现的特征，并对比自编码器与传统特征选择方法对于选择风险性因素的效果。本发明筛选出的风险性因素可为中医诊断膝骨关节炎提供科学可靠的参考，构建更为准确可靠的疾病辨识模型。
-
公开(公告)号：CN114036980A
公开(公告)日：2022-02-11
申请号：CN202111273468.4
申请日：2021-10-29
Applicant: 暨南大学
Abstract: 本发明公开了基于域对抗网络的跨用户EEG信号融合识别方法，具体步骤为：对多被试多分类的EEG数据集进行预处理；每个被试的数据都会轮流作为目标域数据，同时其他被试的数据作为不同的源域数据，每组源域数据都会与目标域训练数据训练生成一个域对抗网络模型，用于识别测试数据；利用每个域对抗网络模型计算出的特征信息和类别信息分别对测试数据的实际类别进行分析，得到多个域对抗网络模型对测试数据的辅助决策信息；构建信息融合模型，对多个对抗网络模型识别结果进行融合优化，使得多个对抗网络模型决策一致性最大化，用于返回优化的目标域数据识别的结果；对比测试数据的实际结果与相应的预测结果来评价所提算法的性能。
-
公开(公告)号：CN111840920A
公开(公告)日：2020-10-30
申请号：CN202010639300.X
申请日：2020-07-06
Applicant: 暨南大学
Abstract: 本发明公开了一种基于虚拟现实的上肢智能康复系统，包括人体姿态估计模块，数据传输模块，训练模式选择模块、模型管理模块、场景管理模块，运动同步映射模块、交互管理模块、训练管理模块与运动评估模块。本发明通过更人性化、智能化、低成本的交互体验，为运动障碍患者提供更加简易、舒适的运动康复环境，以提高患者康复效果，缩短患者康复时间；同时，根据本发明系统能够有效准确的将手臂运动和双手精细运动相融合，从而使得运动障碍患者可以更加综合有效地进行康复训练恢复。
-
公开(公告)号：CN118429711B
公开(公告)日：2025-03-28
申请号：CN202410564130.1
申请日：2024-05-08
Applicant: 暨南大学
IPC: G06V10/764 , G06V10/20 , G06V10/774
Abstract: 本发明公开了一种基于一致性和特异性子空间的多视图多标签分类方法，涉及多视图多标签子空间技术领域，S1.获取多视图多标记图像数据集，进行预处理；S2.通过核函数将数据集的各个实例的特征向量映射到高维空间；S3.基于多视图数据的一致性和特异性构造子空间并利用每个信息源的特征表征及其类别信息分别构造特征流形和标记流形结构。本发明所述的一种基于一致性和特异性子空间的多视图多标签分类方法，首先通过核函数将多视图数据扩展至非线性空间，然后提出一种凸松弛交替优化的算法来恢复一致性子空间和特异性子空间；在此基础上，利用特征流形和标记流形增强模型泛化性，从而为多视图多标记分类难题提供更为准确和有效的解决方案。
-
公开(公告)号：CN114036980B
公开(公告)日：2024-08-09
申请号：CN202111273468.4
申请日：2021-10-29
Applicant: 暨南大学
IPC: G06F18/24 , G06F18/25 , G06N3/0464 , G06N3/0475 , G06N3/045 , G06N3/084 , G06N3/094 , G06N3/096
Abstract: 本发明公开了基于域对抗网络的跨用户EEG信号融合识别方法，具体步骤为：对多被试多分类的EEG数据集进行预处理；每个被试的数据都会轮流作为目标域数据，同时其他被试的数据作为不同的源域数据，每组源域数据都会与目标域训练数据训练生成一个域对抗网络模型，用于识别测试数据；利用每个域对抗网络模型计算出的特征信息和类别信息分别对测试数据的实际类别进行分析，得到多个域对抗网络模型对测试数据的辅助决策信息；构建信息融合模型，对多个对抗网络模型识别结果进行融合优化，使得多个对抗网络模型决策一致性最大化，用于返回优化的目标域数据识别的结果；对比测试数据的实际结果与相应的预测结果来评价所提算法的性能。
-
Patent Agency Ranking
公开(公告)号：CN118429711A
公开(公告)日：2024-08-02
申请号：CN202410564130.1
申请日：2024-05-08
Applicant: 暨南大学
IPC: G06V10/764 , G06V10/20 , G06V10/774
Abstract: 本发明公开了一种基于一致性和特异性子空间的多视图多标签分类方法，涉及多视图多标签子空间技术领域，S1.获取多视图多标记数据集，进行预处理；S2.通过核函数将数据集的各个实例的特征向量映射到高维空间；S3.基于多视图数据的一致性和特异性构造子空间并利用每个信息源的特征表征及其类别信息分别构造特征流形和标记流形结构。本发明所述的一种基于一致性和特异性子空间的多视图多标签分类方法，首先通过核函数将多视图数据扩展至非线性空间，然后提出一种凸松弛交替优化的算法来恢复一致性子空间和特异性子空间；在此基础上，利用特征流形和标记流形增强模型泛化性，从而为多视图多标记分类难题提供更为准确和有效的解决方案。
-
公开(公告)号：CN118245835A
公开(公告)日：2024-06-25
申请号：CN202311752879.0
申请日：2023-12-19
Applicant: 暨南大学
IPC: G06F18/24 , G06F18/213 , G06N3/042 , G06N3/0464 , G06N3/048 , G06N3/0895 , A61B5/16 , A61B5/369 , A61B5/372 , A61B5/00
Abstract: 本发明涉及情感脑机接口技术领域，且公开了一种基于自监督对比学习的小样本脑电情感识别方法，包括以下具体步骤：S1.将小样本数量的无标签信息的脑电的微分熵特征经过数据增强模块进行强弱增强得到两组增强数据样本。该基于自监督对比学习的小样本脑电情感识别方法，通过利用无标签的脑电数据预训练基于图卷积的脑电空间编码器，再用少量特定目标任务有标签数据进行微调，使得构建更为准确可靠的情绪识别模型，为现实小样本场景下的情绪识别提供科学参考，且图网络更有利于提取脑电的空间表示，从而获得更加准确可靠的识别结果，且本发明能提供准确可靠的情感识别模型，为情感脑机接口解码情绪提供了有利的方法。
-
公开(公告)号：CN111312363B
公开(公告)日：2024-03-19
申请号：CN202010127519.1
申请日：2020-02-28
Applicant: 暨南大学
IPC: G16H20/30
Abstract: 本发明公开了一种基于虚拟现实的双手协调性增强系统，所述系统包括训练模式管理模块、模型管理模块、场景管理模块、训练管理模块、数据分析模块、系统配置管理模块；其中所述训练模式管理模块用于提供双手协调控制能力的模式；所述场景选择模块用于提供不同的应用场景；所述模型管理模块用于提供不同的实体模型；所述数据分析模块是对训练管理模块中采集到的不同指标数据进行比较分析；所述系统配置管理模块用于是对文件输出路径和配置参数进行管理。本发明能够有效的仅通过一只手与虚拟手的协调运动训练去提高双手的协调控制能力，从而使得运动偏瘫患者达到双手协调运动的辅助康复治疗作用。
-
公开(公告)号：CN116779148A
公开(公告)日：2023-09-19
申请号：CN202310766491.X
申请日：2023-06-27
Applicant: 暨南大学
IPC: G16H50/20 , G16H50/70 , G06F18/211 , G06F18/243 , G06N20/00
Abstract: 本发明公开了基于多粒度级联森林的慢性阻塞性肺疾病早期预警方法，具体涉及医疗智能领域，包括以下步骤：步骤一：原始数据预处理；步骤二：采用最大相关最小冗余特征选择算法对从合作医院获取的病人慢性阻塞性肺疾病原始数据进行相关性分析和确定慢性阻塞性肺疾病预测模型的输入变量；步骤三：采用多粒度级联森林实现基于机器学习的慢性阻塞性肺疾病早期预测模型构建；步骤四：在线检测阶段。本发明使用最大相关最小冗余特征选择的方法，提取出与慢性阻塞性肺疾病相关的特征，简化输入数据，提出的算法可以达到比普遍流行的支持向量机、决策树、随机森林等算法更好的效果，该方法可以更准确地判断慢性阻塞性肺疾病是否发生。
-
公开(公告)号：CN114898865A
公开(公告)日：2022-08-12
申请号：CN202210446552.X
申请日：2022-04-26
Applicant: 暨南大学
Abstract: 本发明公开了一种基于深度置信网络的退行性膝骨关节炎早期预警方法，具体涉及医疗智能技术领域，包括以下步骤：步骤一：原始数据预处理；步骤二：采用最大相关最小冗余特征选择算法对从合作医院获取的病人退行性膝骨关节炎原始数据进行相关性分析和确定退行性膝骨关节炎预测模型的输入变量；步骤三：采用DBN实现基于深度学习的退行性膝骨关节炎早期预测模型构建；步骤四：在线检测阶段。本发明使用最大相关最小冗余特征选择的方法，提取出与退行性膝骨关节炎相关的特征，简化输入数据，提出的算法可以达到比普遍流行的支持向量机和随机森林等算法更好的效果，该方法可以更准确地判断早期退行性膝骨关节炎是否发生。
-
-
-
-
-
-
-
-
-
Search Results
21
records
(took 0.034 seconds)
