-
公开(公告)号：CN109684076B
公开(公告)日：2020-07-10
申请号：CN201811434588.6
申请日：2018-11-28
Applicant: 华中科技大学
Abstract: 本发明公开了一种适用于云计算系统的多任务处理方法，包括：分别为每一个任务随机生成一个包含n个个体的种群；若满足终止条件，则获得当前各种群中的最优个体并解码，将解码结果作为对应任务的最优解，多任务处理结束；否则，依次对每一个任务执行以下步骤：对于任务Ti，从其余任务的种群中获得个待迁移个体，从而得到由种群pi中最优的ni个个体和个待迁移个体组成的父代种群对父代种群执行遗传操作，得到子代种群Oi，并得到由种群pi和子代种群Oi组成的混合种群Mi；利用混合种群Mi中最优的n个个体更新种群pi；当前迭代完成后，转入判断是否满足终止条件的步骤。本发明能够提高云计算系统中多任务处理的效率和鲁棒性。
-
公开(公告)号：CN110751032A
公开(公告)日：2020-02-04
申请号：CN201910869929.0
申请日：2019-09-20
Applicant: 华中科技大学
IPC: G06K9/00 , G06K9/62 , G06N3/04 , G06N3/08 , A61B5/0476
Abstract: 本发明公开了一种无需校准的脑机接口模型的训练方法，属于脑机接口领域。本发明提出FWET算法，通过学习已有的多个用户之间的差异，对每个特征样本/脑电信号样本中的特征赋予权重，通过特征加权更高效利用已有数据，使得训练出的模型表现出良好的性能，同时可适用于分类任务与回归任务；通过幕式训练的方式，用每个辅助用户的数据的数据联合其他用户的用户内模型训练总模型，来提升对新用户的预测性能，该系统对新用户应用时的效果更好。本发明通过构造神经网络，采用深度学习进行非线性的变换，学习跨用户表现良好的特征，提高了特征的鲁棒性，提升模型的泛化性，从而降低对数据量的需求，相比于传统的简单线性变换，性能有了进一步的提升。
-
公开(公告)号：CN110432900A
公开(公告)日：2019-11-12
申请号：CN201910586165.4
申请日：2019-07-01
Applicant: 华中科技大学
IPC: A61B5/0484 , A61B5/04 , A61B5/00
Abstract: 本发明公开了一种用于恒河猴眼动决策解码的多视图学习方法和系统，属于侵入式脑机接口中的多视图解码领域，所述方法包括：构建包括特征节点提取网络、增强节点提取网络和预测网络的眼动决策解码模型；将恒河猴侵入式脑机接口中侧额叶皮层辅助眼区局部场电位、动作电位与独热编码后的眼动决策方向数据，输入所述眼动决策解码模型进行训练，得到训练好的眼动决策解码模型；将待解码的局部场电位与动作电位输入训练好的解码模型中，得到眼动方向的解码结果。本发明的方法和系统使用限制少且计算复杂度低，适合用于侵入式脑机接口中动作电位与局部场电位信号的解码以及其他各种多视图学习场景。
-
公开(公告)号：CN120067794A
公开(公告)日：2025-05-30
申请号：CN202510121650.X
申请日：2025-01-26
Applicant: 华中科技大学
IPC: G06F18/241 , G06F18/213 , G06N3/045 , G06N3/096 , G06N3/09 , G06F3/01 , A61B5/372 , A61B5/00
Abstract: 本发明公开了一种应用于跨脑电设备的脑电信号分类模型的构建方法、脑电信号分类方法及系统，属于脑电分类技术领域；本发明通过源域完整通道数据训练教师模型来学习丰富的空间信息，并将其蒸馏到学生模型中，使学生模型在目标域通道子集数据上学习到与教师模型接近的高质量特征，同时通过最小化源域与目标域数据的边缘分布差异，确保两域特征在高维表示空间中的一致性，降低了特征投影后的分布差异。本发明能够充分利用源域的空间信息，提高目标域数据的特征表达能力，有效解决特征空间不一致的问题，能够在源域与目标域脑电设备电极配置不同的情况下，提高脑电信号分类的准确性。
-
公开(公告)号：CN119848604A
公开(公告)日：2025-04-18
申请号：CN202411939397.0
申请日：2024-12-26
Applicant: 华中科技大学
IPC: G06F18/24 , G06F18/213 , G06F18/25 , G06N3/049
Abstract: 本发明属于脑机接口尖峰信号解码相关技术领域，具体涉及一种应用于侵入式脑机接口的尖峰信号解码模型构建方法，包括：脉冲神经网络包含：时空特征提取模块，用于通过其内的一维卷积提取多通道尖峰信号中各通道信号的尖峰间隔时间特征，得到脉冲特征矩阵；通道融合单元，用于通过n个二维卷积以不同的方式融合脉冲特征矩阵中的通道间特征数据，对应得到n个一维脉冲特征图；时间卷积单元，用于通过二维卷积对每个一维脉冲特征图进行特征提取，得到n个新的一维脉冲特征图；细化卷积单元，用于多次在所有新的一维脉冲特征图之间做特征交互，得到多个一维脉冲交互特征图。本发明方法能在保证精度的同时降低计算复杂度。
-
Patent Agency Ranking
公开(公告)号：CN114879838B
公开(公告)日：2024-11-22
申请号：CN202210420053.3
申请日：2022-04-20
Applicant: 华中科技大学
IPC: G06N3/0985 , G06F3/01 , A61B5/372
Abstract: 本发明公开了一种用于脑机接口的元学习方法、脑电信号识别方法及装置，属于脑机接口与机器学习领域，方法包括：S1，获取包含M个源域用户数据的数据集，M＞2；S2，将数据集中的源域用户数据随机两两组合，得到M/2组源域用户数据组，对于每组源域用户数据组，利用其中一个源域用户数据更新脑机接口模型的模型参数，并在另一个源域用户数据上计算更新后的脑机接口模型的损失；S3，计算S2中得到的各损失的平均损失，并根据平均损失对S2中更新前的脑机接口模型的模型参数进行更新；S4，重复执行S2‑S3，直至更新后的脑机接口模型的损失函数收敛，并输出最后一次更新得到的脑机接口模型。保护源域数据隐私，提升源域模型质量。
-
公开(公告)号：CN118626848A
公开(公告)日：2024-09-10
申请号：CN202410689538.1
申请日：2024-05-30
Applicant: 深圳华中科技大学研究院
IPC: G06F18/214 , G06F18/2431
Abstract: 本发明公开了一种应用于黑盒模型的测试时集成方法、介质及设备，涉及机器学习领域，应用于黑盒模型的测试时集成方法主要包括：将无标注测试数据输入黑盒模型得到每个黑盒模型的预测结果，将K分类任务转化为K个二分类任务并计算总体协方差矩阵，利用奇异值分解方法得到主特征向量，对主特征向量进行归一化和平均，得到集成权重，最终获得集成预测分类结果。实施本发明提供的应用于黑盒模型的测试时集成方法、介质及设备，能提升预测性能。
-
公开(公告)号：CN114298099B
公开(公告)日：2024-08-09
申请号：CN202111613113.5
申请日：2021-12-27
Applicant: 华中科技大学
IPC: G06F18/213 , G06F18/214 , G06N3/02
Abstract: 本发明公开了一种脑机接口模型的训练方法及脑电信号识别方法，属于脑机接口领域，本发明通过对基于小批量随机梯度下降训练得到的模糊系统用于脑机接口系统进行研究，首次发现导致脑电信号识别准确度较低的主要原因在于基于小批量随机梯度下降训练模糊系统时存在梯度消失的问题，并进一步发现，该问题是TSK模糊系统的规则激活程度在归一化后尺度过小导致的。基于此，本发明提出了一种HTSK‑LN‑ReLU模型，在现有技术HTSK算法的基础上，增加层正则化技术(LN)放大规则激活强度，并使用ReLU激活函数过滤由层正则化产生的负激活强度，以克服梯度消失的问题，从而提高了脑电信号识别准确度。
-
公开(公告)号：CN115813408A
公开(公告)日：2023-03-21
申请号：CN202211493049.6
申请日：2022-11-25
Applicant: 华中科技大学
Abstract: 本发明公开了一种用于脑电信号分类任务的Transformer编码器自监督学习方法，该方法针对脑机接口中基于头皮脑电信号分类任务，根据人头皮脑电特性引入多层小波包重构技术将脑电数据信号重构为不同频段的子波信号，并设计了一种基于Transformer编码器的自监督预训练策略，使编码器在没有标签的情况下，能够生成对不同频段的脑电信号数据更精细、更有效的多尺度精细化特征表示，提升编码器对头皮脑电信号的特征表示学习效果并增加可解释性，能够为脑机接口分类任务有效地预训练特征提取器，以更好地服务于下游分类任务。
-
公开(公告)号：CN112256133B
公开(公告)日：2022-05-20
申请号：CN202011172919.0
申请日：2020-10-28
Applicant: 华中科技大学
Abstract: 本发明公开了一种基于EEG的脑机接口系统的污染攻击方法，属于脑机接口安全领域，根据分类模型的当前分类任务预采集脑电信号后，通过施加周期窄脉冲构造污染样本，并将各污染样本标注为指定类别，得到污染样本集；通过将污染样本集加入到分类模型的原始训练集中，对原始训练集进行污染，待该污染后的训练集对分类模型训练完成，即在分类模型中设置了后门，然后在攻击过程中直接将周期窄脉冲施加到原始脑电信号中，即设置了对应的后门钥匙；整个过程无需预先知晓分类模型、其原始训练集以及原始脑电信号，也无需外加攻击模块，仅通过外加污染样本即可实现攻击，简单可行，能在实际场景中进行有效实施来验证系统安全性。
-
-
-
-
-
-
-
-
-
Search Results
65
records
(took 0.024 seconds)
