-
公开(公告)号：CN114818822A
公开(公告)日：2022-07-29
申请号：CN202210516213.4
申请日：2022-05-12
Applicant: 杭州电子科技大学
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。
-
公开(公告)号：CN114358086A
公开(公告)日：2022-04-15
申请号：CN202210024308.4
申请日：2022-01-07
Applicant: 杭州电子科技大学
IPC: G06K9/00
Abstract: 本发明提供一种基于聚类的多任务情感脑电特征提取与识别方法。本发明步骤如下：1、多个被试者分别在诱发情感状态场景下进行脑电数据采集。2、对步骤1所得的脑电数据进行预处理。3、将处理后的脑电数据进行聚类得到子类标签矩阵。4、建立基于聚类多任务特征提取算法求解得到特征权重分布。5、根据特征权重分布对脑电数据进行特征提取以训练脑电情感识别模型。本发明通过聚类算法、多任务学习和特征提取的方式提高了脑电情感识别模型的预测精度。
-
公开(公告)号：CN114330424A
公开(公告)日：2022-04-12
申请号：CN202111547894.2
申请日：2021-12-16
Applicant: 杭州电子科技大学
Abstract: 本发明提供一种基于自适应图学习的半监督脑电情感识别方法。本发明步骤如下：1、多个被试者分别在诱发情感状态场景下进行脑电数据采集。2、对步骤1所得的脑电数据进行预处理。3、建立基于自适应图学习的半监督脑电情感识别模型。4、求解并训练脑电情感识别模型。5、根据脑电情感识别模型的投影矩阵挖掘脑电情感数据中的关键频段和关键导联信息。本发明通过自适应图、半监督学习和特征选择的方式提高了脑电情感识别模型的预测精度。
-
公开(公告)号：CN113157094A
公开(公告)日：2021-07-23
申请号：CN202110428950.4
申请日：2021-04-21
Applicant: 杭州电子科技大学
Abstract: 本发明公开了联合特征迁移与图半监督标记传播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脑电数据，对其进行预处理和特征提取后，生成样本矩阵。构建联合特征迁移学习与状态估计的学习模型，包括单映射域适应模型与半监督标签传播模型，得到联合优化的目标函数。再根据目标函数通过固定两个变量、更新另一个变量的规则，实现联合优化，通过不断的迭代优化特征共享子空间，得到更好的迁移效果，以提高情感识别的准确性。该方法可以用于跨被试迁移进行情感识别。
-
公开(公告)号：CN111738081A
公开(公告)日：2020-10-02
申请号：CN202010430584.1
申请日：2020-05-20
Applicant: 杭州电子科技大学
Abstract: 本发明涉及一种难样本重训练的深度神经网络声呐目标检测方法，属于目标检测领域。海底环境干扰较大，导致声呐图片具有典型的信噪比低、成像质量差等特点。本发明的声呐目标检测方法如下：一、通过海上作业获取三维声呐数据并将其解析保存为声呐图像。二、对声呐图像进行标记。三、在声呐图像中选取难样本区域。三、将标记后声呐数据送入模型进行训练，并用训练后进行实时声呐检测。本发明将难样本重训练的技巧运用在声呐目标检测中，提高了样本利用率，可以使用在有限的声呐样本中提取出更多有效信息，从而提高模型检测精度。
-
Patent Agency Ranking
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。
-
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。
-
-
-
-
-
-
-
-
-
Search Results
64
records
(took 0.024 seconds)
