-
公开(公告)号：CN112528879B
公开(公告)日：2024-02-02
申请号：CN202011481203.9
申请日：2020-12-15
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于改进GhostNet的多分支行人重识别方法，首先将GhostNet提取的行人特征经过1ⅹ1卷积，降低通道数，再将特征图送入ResNet50的layer4和layer5，加深特征的通道信息，然后复制成三个分支,第一个分支进行最大池化均值归一化和降维卷积后得到一个全局特征，第二和第三个分支除了处理得到全局特征外，还分别对特征进行水平切割，第二个划分为2，第三个划分为3，在分别进行最大池化均值归一化和降维卷积后得到相应的特征，最后将得到的特征按全局特征和局部特征的不同分别送入三元组损失和交叉熵损失训练。训练160个迭代后，用数据集的query集和gallery集来评估模型的性能。
-
公开(公告)号：CN113349795B
公开(公告)日：2022-04-08
申请号：CN202110660709.4
申请日：2021-06-15
Applicant: 杭州电子科技大学
Abstract: 本发明公开一种基于稀疏低秩张量分解的抑郁症脑电分析方法。具体步骤为，首先采用复Morlet小波变换提取脑电信号时频特征，并按照通道顺序将其构造为样本张量；其次，根据样本张量低秩、稀疏的特点，提出SLraTucker分解提取样本张量的多域特征，对抑郁症患者(MDDs)和正常对照组(HCs)两类人群进行分类识别。为进一步研究两类人群在受到不同情绪刺激时活跃脑区的异同，本发明对两类人群的静态与动态活跃脑区差异进行分析。本实验提出的SLraTucker分解方法能够有效提取脑电信号中的多域特征，并准确、客观地对抑郁症做出诊断、分析，使患者或医生更好了解病情并及时的治疗或预防。
-
公开(公告)号：CN112244870B
公开(公告)日：2022-02-22
申请号：CN202011015319.3
申请日：2020-09-24
Applicant: 杭州电子科技大学
Abstract: 本发明公开一种基于符号化排列传递熵的癫痫脑电双向耦合分析方法。具体步骤为首先采用多尺度符号化排列传递熵的方法提取多通道癫痫脑电信号的耦合特征，并选择合适的尺度和频段构建脑电同步矩阵；其次基于显著性分析的方法筛选癫痫发作时的重要通道，进行通道间双向耦合分析；为了进一步研究整个大脑皮层区域整体的同步关系，本发明将多通道脑电信号划分为4个脑区，在δ，θ，α，β频段下使用S估计器进行多通道脑电信号同步性分析。本发明提高了癫痫脑电信号双向耦合以及同步性的特征，并做出更加科学合理的分析方法。
-
公开(公告)号：CN113705437A
公开(公告)日：2021-11-26
申请号：CN202110993172.3
申请日：2021-08-25
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种针对于脑机接口的跨域脑电信号识别方法，本发明是在特征层面处理数据，利用黎曼流形的空间性和可计算性来提取不同受试者的脑电信号的切空间特征，然后将其映射到格拉斯曼流形上进行深层次的领域自适应操作。在域适应中，同时考虑源域和目标域数据的几何和统计属性，首次使用了伪标签更新目标域散度矩阵使类间距离最大化和类内距离最小化。来自BCI的数据集用于验证该发明的有效性。在这两种实验范例下，该发明获得了优秀的结果。跨域脑电信号识别是未来脑机接口走向实践的一个富有潜力的方向，在此方面本发明具有一定的积极意义。
-
公开(公告)号：CN114419665B
公开(公告)日：2025-04-08
申请号：CN202111579207.5
申请日：2021-12-22
Applicant: 杭州电子科技大学
IPC: G06V40/10 , G06V10/40 , G06V10/82 , G06N3/0464 , G06N3/0455 , G06N3/09 , G06N3/098
Abstract: 本发明公开了一种基于twins多层级特征的行人重识别方法，方法流程如图1所示。首先提取twins的第三阶段和第四阶段的特征图，将第三阶段的特征图经过设计的一个Convblock，其中包括二维卷积，均值归一化层，SE注意力层，激活函数层，水平切分得到两局部特征图，再经过池化，降维等操作得到两个特征向量；将第四阶段的特征图经过池化降维等操作得到一个特征向量。将这三个特征向量分别经过三个分类层得到三个预测分类。最后将特征向量送入三元组损失，预测分类送入交叉熵损失和中心损失进行联合训练。训练80个迭代后，模型进入拟合状态，最后用数据集的query集和gallery集来评估模型的性能。
-
Patent Agency Ranking
公开(公告)号：CN113705645B
公开(公告)日：2024-02-13
申请号：CN202110949703.9
申请日：2021-08-18
Applicant: 杭州电子科技大学
IPC: G06F18/24 , G06F18/2415 , G06F18/214 , G06F18/22
Abstract: 本发明公开了一种针对脑电信号的自适应联合模型半监督学习分类方法。首先建立一个自适应联合模型。联合模型的构建基于欧式模型和黎曼模型，并在算法迭代过程中设计权值更新策略。通过根据两种模型贡献来自适应调整两个模型的权值，以获得一个更好的基础模型来提升后续特征信息提取的有效性。然后在联合模型的基础上提取隐藏特征，并将隐藏特征和有标签样本的特征相连接形成新的训练集。最后，利用宽度学习系统对新训练集进行训练并对测试集分类。该算法在三个脑机接口公开数据集上得到了验证，并与几种最新的方法进行了比较。
-
公开(公告)号：CN116687426A
公开(公告)日：2023-09-05
申请号：CN202310668935.6
申请日：2023-06-07
Applicant: 杭州电子科技大学
Abstract: 本发明提出了一种基于序数模式的多尺度皮层‑肌肉耦合网络分析方法。本发明首先使用多元变分模态分解方法对脑肌电信号进行同时频尺度的分解，再对多分量信号使用多元二分时序分区转移网络方法计算耦合强度和耦合邻接矩阵，构建皮层‑肌肉耦合网络，使用复杂网络参数分析该耦合网络的特征。该方法在表现皮层‑肌肉之间信息传递的特征在不同握力模式之间变化方面具有优势，也展现出脑肌电信号之间的因果链接的分层特性，证实了方法在解构人体上肢运动时皮质和肌肉之间的内在联系和神经控制肌肉运动的机制方面的潜力。
-
公开(公告)号：CN116602690A
公开(公告)日：2023-08-18
申请号：CN202310668913.X
申请日：2023-06-07
Applicant: 杭州电子科技大学
IPC: A61B5/369 , A61B5/372 , A61B5/00 , G06F18/2137 , G06F18/214 , G06F18/2415
Abstract: 本发明提出一种多形态表征的多源域脑电信号分析方法。本发明首先利用多流形映射去提取多源域与目标域的公共不变表示，同时考虑了脑电信号的低维结构与多元统计特征，在此阶段计算CORAL损失以指导模型得到优质的公共不变表示。其次将多源域分解，进行一对一的特征提取，此时采用MMD损失来引导模型得到优质的私有不变表示。最后采用softmax分类器进行分类。在公开的MI1,MI2数据集,和团队采集的脑电信号数据集上评估了方法的有效性。实验结果表明，本发明在多受试者的场景下的性能优越。
-
公开(公告)号：CN114118298A
公开(公告)日：2022-03-01
申请号：CN202111505229.7
申请日：2021-12-10
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于鲁棒低秩子空间自表示特征的脑电情绪识别方法。与传统的固定模式的时频域特征不同，该方法采用数据驱动的方式求解脑电样本位于低秩子空间中的自表示，并在求解自表示特征的过程中，结合了鲁棒主成分分析的思想来分离脑电中的噪声部分。同时为了充分利用不同脑电频带的有效信息，还提出了一种基于张量Tucker分解的数据降维方法，有效的降低了自表示特征提取的复杂度并进一步提高了所提取特征的准确性。为了验证该特征的有效性，在公开情感数据集DEAP进行了实验，并于几种最新方法进行了比较，结果显示所提特征在对情绪脑电效价和唤醒度的二分类，四分类上均具有优越性。
-
公开(公告)号：CN112528879A
公开(公告)日：2021-03-19
申请号：CN202011481203.9
申请日：2020-12-15
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于改进GhostNet的多分支行人重识别方法，首先将GhostNet提取的行人特征经过1ⅹ1卷积，降低通道数，再将特征图送入ResNet50的layer4和layer5，加深特征的通道信息，然后复制成三个分支,第一个分支进行最大池化均值归一化和降维卷积后得到一个全局特征，第二和第三个分支除了处理得到全局特征外，还分别对特征进行水平切割，第二个划分为2，第三个划分为3，在分别进行最大池化均值归一化和降维卷积后得到相应的特征，最后将得到的特征按全局特征和局部特征的不同分别送入三元组损失和交叉熵损失训练。训练160个迭代后，用数据集的query集和gallery集来评估模型的性能。
-
-
-
-
-
-
-
-
-
Search Results
21
records
(took 0.025 seconds)
