-
公开(公告)号：CN112749635A
公开(公告)日：2021-05-04
申请号：CN202011589943.4
申请日：2020-12-29
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于原型聚类域适应算法的跨被试EEG认知状态识别方法。本发明引入了类别域的概念，一方面基于标签的多源域对齐，考虑不同类间的特征分布差异，研究特征空间中不同源域间类条件下的结构细粒度对齐，将多源域域内类别不平衡问题转化为类别域的方式。另一方面，源域和目标域之间的原型理论聚类对齐，即以动态调整原型中心为约束对目标域进行相似源域间的聚类，实现域间同类特征相近，异类特征相疏。前者实现域内类条件结构特征对齐，后者实现全局细粒度结构特征对齐。本发明能够兼容类别平衡和不平衡的情况，有效解决了脑认知计算领域脑电信号的个体差异性问题，具有较强的泛化能力，能够很好的适用于临床诊断和实际应用。
-
公开(公告)号：CN112580518B
公开(公告)日：2024-04-05
申请号：CN202011526572.5
申请日：2020-12-22
Applicant: 杭州电子科技大学
IPC: G06F18/2431 , G06F18/23 , G06F18/214 , G06F18/213 , G06N3/088 , G06N3/096
Abstract: 本发明公开了一种基于原型聚类域适应算法的跨被试EEG认知状态识别方法。本发明引入了类别域的概念，一方面基于标签的多源域对齐，考虑不同类间的特征分布差异，研究特征空间中不同源域间类条件下的结构细粒度对齐，将多源域域内类别不平衡问题转化为类别域的方式。另一方面，源域和目标域之间的原型理论聚类对齐，即以动态调整原型中心为约束对目标域进行相似源域间的聚类，实现域间同类特征相近，异类特征相疏。前者实现域内类条件结构特征对齐，后者实现全局细粒度结构特征对齐。本发明能够兼容类别平衡和不平衡的情况，有效解决了脑认知计算领域脑电信号的个体差异性问题，具有较强的泛化能力，能够很好的适用于临床诊断和实际应用。
-
Patent Agency Ranking
公开(公告)号：CN113408697B
公开(公告)日：2022-09-16
申请号：CN202110599847.6
申请日：2021-05-31
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于强化学习自编码器的脑电数据重建方法。本发明采用Openvibe搭建运动想象范式平台，在被试操作游戏情况下采集获得波动态情绪下的脑电数据集和常态情绪下的控制数据集；使用自动编码器作为数据重构方法，强化学习作为重要处理方式，通过对EEG信号进行编码及学习然后对数据重建。首先获取数据并预处理；其次自编码器对数据编码；然后用强化学习得到更好的向量用于解码重建数据。与传统的机器学习、深度学习方法和基于线性全联接的变分自编码器方法相比，强化学习自编码器拥有更好的数据重建效果。
-
公开(公告)号：CN113988122A
公开(公告)日：2022-01-28
申请号：CN202111212519.2
申请日：2021-10-19
Applicant: 杭州电子科技大学
IPC: G06K9/00 , G06V10/764 , G06V10/774 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于深度学习及图像特征的脑电数据分类方法。使用EEGnet作为特征分类的方法，图像特征学习网络作为重要处理方式，通过对EEG信号进行图像特征提取及学习,对特征进行分类。获取EEG数据并预处理；用被试观看的图片做数据预处理，并用EEGnet对图像数据做训练，得到图像特征分类器；用特征学习方法从脑电数据中得到图像特征向量；将EEG信号提取出的图像特征向量放入特征分类器中分类。在EEG数据的图像特征分类领域中，与传统的机器学习、深度学习方法相比，本发明特征提取方法拥有更好的提取效果，图像特征分类的准确率得到了显著提升。
-
公开(公告)号：CN113842151A
公开(公告)日：2021-12-28
申请号：CN202111160386.9
申请日：2021-09-30
Applicant: 杭州电子科技大学
Abstract: 本发明提出一种基于高效多源胶囊网络的跨被试EEG认知状态检测方法。本发明通过将目标域和多源域的特征分布对齐，以实现域间特征的有效迁移。将EEG数据构建成多通道一维结构，提高了训练效率，同时提高模型性能。其次，引入自表达模块来捕捉样本之间的潜在联系，能够很好地适应不同任务下具有显著个体差异的跨被试EEG数据分析。最后提出了基于动态子胶囊的空间注意力算法来进一步学习EEG数据空间层次上的细粒度特征信息，有效刻画了EEG数据的部分间空间关系和部分‑整体层次关系。本发明有效避免了脑认知计算领域脑电信号的个体差异性问题，可适用于任何任务下基于EEG的认知状态识别，具有较强的泛化能力，能够很好的适用于临床诊断和实际应用。
-
公开(公告)号：CN113408697A
公开(公告)日：2021-09-17
申请号：CN202110599847.6
申请日：2021-05-31
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于强化学习自编码器的脑电数据重建方法。本发明采用Openvibe搭建运动想象范式平台，在被试操作游戏情况下采集获得波动态情绪下的脑电数据集和常态情绪下的控制数据集；使用自动编码器作为数据重构方法，强化学习作为重要处理方式，通过对EEG信号进行编码及学习然后对数据重建。首先获取数据并预处理；其次自编码器对数据编码；然后用强化学习得到更好的向量用于解码重建数据。与传统的机器学习、深度学习方法和基于线性全联接的变分自编码器方法相比，强化学习自编码器拥有更好的数据重建效果。
-
公开(公告)号：CN112580518A
公开(公告)日：2021-03-30
申请号：CN202011526572.5
申请日：2020-12-22
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于原型聚类域适应算法的跨被试EEG认知状态识别方法。本发明引入了类别域的概念，一方面基于标签的多源域对齐，考虑不同类间的特征分布差异，研究特征空间中不同源域间类条件下的结构细粒度对齐，将多源域域内类别不平衡问题转化为类别域的方式。另一方面，源域和目标域之间的原型理论聚类对齐，即以动态调整原型中心为约束对目标域进行相似源域间的聚类，实现域间同类特征相近，异类特征相疏。前者实现域内类条件结构特征对齐，后者实现全局细粒度结构特征对齐。本发明能够兼容类别平衡和不平衡的情况，有效解决了脑认知计算领域脑电信号的个体差异性问题，具有较强的泛化能力，能够很好的适用于临床诊断和实际应用。
-
-
-
-
-
-
Search Results
17
records
(took 0.02 seconds)
