-
公开(公告)号：CN113988123A
公开(公告)日：2022-01-28
申请号：CN202111212547.4
申请日：2021-10-19
Applicant: 杭州电子科技大学
Abstract: 本发明提供一种基于自加权增量RVFL网络的脑电疲劳预测方法。本发明步骤如下：1、多个被试者分别在模拟驾驶系统下进行脑电数据采集。2、对步骤1所得的所有脑电数据进行预处理和特征提取。3、建立自加权RVFL网络用于离线训练一个基础疲劳预测模型。4、求解输出权重和特征权重分布5、采集在线脑电数据并进行与步骤2相同的步骤。6、将离线训练完成的疲劳预测模型转为增量式的在线疲劳预测模型。7、求解输出权重和特征权重分布。8、对在线脑电数据进行预测与学习。本发明通过回归预测、增量学习和自加权变量的方式提高了模型的预测精度。
-
公开(公告)号：CN112773378A
公开(公告)日：2021-05-11
申请号：CN202110075007.X
申请日：2021-01-20
Applicant: 杭州电子科技大学
Abstract: 本发明提供一种特征权重自适应学习的脑电情绪识别方法。本发明步骤如下：1、多个被试者分别在不同的情绪类别任务下进行脑电数据采集。2、对步骤1所得的所有脑电数据进行预处理和特征提取。3、建立机器学习模型以实现特征权重自适应学习的脑电情绪识别。4、求得特征权重因子Θ、特征权重W和偏差b。5、对新的被试者脑电的数据进行情绪类别预测。本发明优化GFIL模型后，获得的特征权重因子为我们提供了执行特征排名和选择的有效工具，然后可以删除多余且次要的特征。本发明将得到的特征权重因子与人情绪识别相关联可以得出情绪识别中频段和导联重要性的判断。
-
公开(公告)号：CN110032704A
公开(公告)日：2019-07-19
申请号：CN201810462144.7
申请日：2018-05-15
Applicant: 腾讯科技(深圳)有限公司 , 杭州电子科技大学
IPC: G06F17/10
Abstract: 本发明公开了一种数据处理方法、装置、终端及存储介质，属于数据处理技术领域。所述方法包括：获取待处理数据；调用低秩表示与子空间联合模型对所述待处理数据进行处理，所述低秩表示与子空间联合模型包括用于去噪的低秩模型和用于降维的正则化项两部分；对所述低秩模型和所述正则化项进行联合求解，得到去噪与降维后的数据。采用低秩表示与子空间联合模型对待处理数据同时进行处理，处理过程对所述低秩模型和所述正则化项进行联合求解，由于所述低秩模型和所述正则化项分别用于去噪和降维，所以求解过程能够在去噪和降维两个目标上同时优化，从而实现最佳全局优化效果，保证了数据去噪和降维的效果。
-
公开(公告)号：CN106056082B
公开(公告)日：2019-03-08
申请号：CN201610377217.3
申请日：2016-05-31
Applicant: 杭州电子科技大学
IPC: G06K9/00
Abstract: 本发明涉及一种基于稀疏低秩编码的视频动作识别方法。本发明对给定的视频集合进行如下操作：1）对每个视频从空间和时间两个维度使用立方体检测和描述视频动作的兴趣点，并形成相应的局部时空特征；2）利用稀疏低秩矩阵分解对局部时空特征做编码，形成对应兴趣点的稀疏低秩编码表示，并用改进的平均池化技术获得全局时空特征向量作为视频的数据表示；3）对所有视频样本实施上述步骤获得相应的时空数据表示，并分为训练样本和测试样本，再利用支持向量机建立分类模型用于识别测试样本的视频动作。本发明能够从局部和全局角度利用视频兴趣点的时空特征有力刻画视频动作，并通过稀疏低秩编码获得更优的视频数据表示，提高了视频动作识别的准确率。
-
公开(公告)号：CN114818822B
公开(公告)日：2025-04-25
申请号：CN202210516213.4
申请日：2022-05-12
Applicant: 杭州电子科技大学
IPC: G06F18/2135 , G06F18/27 , G06N3/0895
Abstract: 本发明公开了联合半监督回归与图标签传播的脑电迁移情感识别方法。该方法采集来自不同被试者的脑电数据，提取特征作为样本矩阵。构建双映射域适应模型和半监督回归与图标记传播联合模型两个子模型，进行联合优化。在优化过程中，对不同变量进行交替迭代优化，从而不断优化特征共享子空间，缩减源域和目标域之间的数据分布差异，得以学习到更加准确的目标域标签，进一步缩减两域之间的差异。本方法可以缩减被试之间脑电数据的分布差异，同时进一步抑制被试数据特征间存在的差异对情感识别过程的影响，解决在跨被试情感识别领域由于被试之间的个体差异性带来的识别效果不佳的问题。
-
Patent Agency Ranking
公开(公告)号：CN114897019B
公开(公告)日：2025-04-15
申请号：CN202210514263.9
申请日：2022-05-11
Applicant: 杭州电子科技大学
IPC: G06F18/24 , G06F18/10 , G06F18/213
Abstract: 本发明提供一种基于特征与状态二部图的脑电情感识别方法。该方法的具体步骤包括引导被试者观看带有明显情感倾向的影片片段，同时采集脑电数据，对其进行预处理和特征提取后，生成数据矩阵。为得到能够很好刻画特征与样本之间关联的二部图，首先使用数据矩阵对二部图进行初始化，一层为特征，另一层为样本，层内无连接，层间全连接。然后基于图结构化学习理论，通过对其约束非负性，行归一化及拉普拉斯秩约束，学习到最优的二部图，再联合半监督图标记传播模型，得到无标记样本的标签，其内在机理是同类情感样本有相似的特征分布。最后，对学习到的标签矩阵按列拆分，每一列代表一类情感与特征之间的关联程度。
-
公开(公告)号：CN118981790B
公开(公告)日：2025-03-21
申请号：CN202411066724.6
申请日：2024-08-02
Applicant: 杭州电子科技大学
Abstract: 本发明涉及一种具有隐私保护功能的跨被试言语想象脑电解码方法，先收集被试者在言语想象任务下的脑电数据，并对其进行预处理以生成目标样本矩阵。然后，利用已知的源域样本进行模型训练，并使用该模型对目标域样本进行预测，根据预测结果筛选出部分目标域样本以构建中间域，最后通过域适应方法实现源域和目标域的对齐，以实现源域数据的隐私保护和目标域数据解码精度提升的目标。本方法采用幂平均指标筛选目标域样本用于构建中间域，在保护源域数据隐私的前提下更好的筛选出最近似于源域的目标域样本，使得这些高迁移性样本在迁移学习过程中发挥更大的作用。
-
公开(公告)号：CN118760926B
公开(公告)日：2025-03-21
申请号：CN202410887130.5
申请日：2024-07-03
Applicant: 杭州电子科技大学
IPC: G06F18/24 , A61B5/374 , G06F18/213 , G06F18/10 , G06F17/16
Abstract: 本发明公布了一种基于动态超图学习的脑电言语想象识别方法。该方法如下：1.脑电数据采集；2.预处理及特征提取；3.建立目标函数；4.对目标函数中的变量进行求解，获得特征投影矩阵以及被测脑电数据对应的言语想象类别。5.对特征投影矩阵进行分析，得到各通道及各频段的重要性，并基于重要性重新构建样本特征作为模型输入，得到最终的识别结果。本发明利用超图进行脑电数据模型的构建，挖掘了数据间的高阶信息，更好地表征了数据的相关性，并且在标签学习过程中动态自适应地更新超图中的顶点权重、超边权重以及超图结构，提升了模型的学习能力及解码精度。此外动态更新的特征投影矩阵将原始特征投影到低维子空间中，提高了模型鲁棒性。
-
公开(公告)号：CN118760926A
公开(公告)日：2024-10-11
申请号：CN202410887130.5
申请日：2024-07-03
Applicant: 杭州电子科技大学
IPC: G06F18/24 , A61B5/374 , G06F18/213 , G06F18/10 , G06F17/16
Abstract: 本发明公布了一种基于动态超图学习的脑电言语想象识别方法。该方法如下：1.脑电数据采集；2.预处理及特征提取；3.建立目标函数；4.对目标函数中的变量进行求解，获得特征投影矩阵以及被测脑电数据对应的言语想象类别。5.对特征投影矩阵进行分析，得到各通道及各频段的重要性，并基于重要性重新构建样本特征作为模型输入，得到最终的识别结果。本发明利用超图进行脑电数据模型的构建，挖掘了数据间的高阶信息，更好地表征了数据的相关性，并且在标签学习过程中动态自适应地更新超图中的顶点权重、超边权重以及超图结构，提升了模型的学习能力及解码精度。此外动态更新的特征投影矩阵将原始特征投影到低维子空间中，提高了模型鲁棒性。
-
公开(公告)号：CN118697347A
公开(公告)日：2024-09-27
申请号：CN202410696301.6
申请日：2024-05-31
Applicant: 杭州电子科技大学
IPC: A61B5/16 , A61B5/369 , A61B5/372 , A61B5/00 , G06F18/243 , G06F18/214 , G06F18/2113
Abstract: 本发明公开了一种基于VMD‑WmRMR‑DF的注意力缺陷多动障碍分类方法，包括如下步骤：步骤1、构建DF‑ADHDNet模型，所述DF‑ADHDNet模型以深度森林分类器为主网络，并在深度森林分类器中集成信号分解模块和特征选择模块；步骤2、获取ADHD患者和正常受试者的EEG信号，分别对两者的信号进行标签并构成数据集，对数据集进行预处理，将预处理后的数据集按比例划分为训练集和测试集；步骤3、使用训练集对DF‑ADHDNet模型进行训练，并对网络模型参数调优，使网络达到最优效果；步骤4、使用测试集评估完成训练后得到最终的DF‑ADHDNet模型；步骤5、应用最终的DF‑ADHDNet模型实现ADHD分类。该方法实现了自动化、智能化的ADHD诊断功能，并具有较高的诊断准确率和效率。
-
-
-
-
-
-
-
-
-
Search Results
64
records
(took 0.031 seconds)
