-
公开(公告)号：CN113392733A
公开(公告)日：2021-09-14
申请号：CN202110601409.9
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标签对齐的多源域自适应跨被试EEG认知状态评估方法。本发明包括步骤：1：数据获取；2：数据预处理；3：基于LA‑MSDA模型的跨被试EEG认知状态评估方法。本发明采用分阶段使用共享公共特征提取器和非共享子特征提取器，进一步学习源域样本和目标域样本的被试不变特征和特定特征；其次，考虑到跨被试间的关系和相似性，提出了将局部和全局表示的域间分布进行对齐的方法，以评估跨被试的认知状态，解决了难以学习细粒度的类条件信息和适应跨被试的决策边界样本的问题。最后，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，泛化能力强，能够很好的适用于临床诊断和实际应用。
-
公开(公告)号：CN112450946A
公开(公告)日：2021-03-09
申请号：CN202011206585.4
申请日：2020-11-02
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于循环生成对抗网络的脑电伪迹修复的方法。由于脑电数据没有严格一一对应的无伪迹EEG数据和有伪迹的EEG数据，传统的方法并不能很好验证是否将感兴趣的信息也一并去除。本发明设计了基于循环生产对抗网络，将有伪迹EEG数据处理后仍能保留住感兴趣的信息。首先根据设计的范式获取数据；其次并进行必要的预处理并将数据根据类别分离；然后设置训练参数，将数据导入训练网络，最后得到去除伪迹而保留兴趣信息的EEG数据。与传统的伪迹去除方法相比，基于循环生成对抗网络的脑电伪迹修复，在修复后的EEG数据上更能保留感兴趣的信息，有助于进行后续研究。
-
公开(公告)号：CN112163486A
公开(公告)日：2021-01-01
申请号：CN202010991868.8
申请日：2020-09-18
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于基于深度学习与稀疏学习相结合的脑电通道优化方法。本发明首先利用模型驾驶实验来收集数据集，通过数据扩充使源域和目标域中的样本趋于平衡，对已经平衡的样本进行稀疏学习和域对抗学习，其设计初衷是同时最小化标签预测器和与判别器的损失值；基于该目的我们设计了目标函数将，并通过添加L21norm来使得模型具备特征选择的能力，除此之外我们还使用了GAN，在一定程度上提高了模型的鲁棒性和泛化能力。最后，在实验评估阶段，一方面单独评估了本发明的性能，还让其与其他的通道优化算法项比较，并取得了独一无二的优势。另一方面在保证准确率的前提下，可以有效减少通道的数量，从而减轻系统的负担和开销。
-
公开(公告)号：CN109887023B
公开(公告)日：2020-12-29
申请号：CN201910030015.5
申请日：2019-01-11
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于加权梯度幅度的双目融合立体图像质量评价方法。客观图像质量评价算法根据是否利用原图像参与图像质量评价，可分为全参考、半参考和无参考图像质量评价算法三种。本发明采用的是半参考立体图像客观质量评价算法。与传统的融合左右眼图像生成独眼图算法不同，本发明将经过局部加权后的梯度幅度因子加入双目融合算法中，从而对传统的独眼图构造过程中丢失的结构信息进行一定补偿。本发明在消除对比度变化的同时增强局部图像结构。采用经典的自适应稀疏字典和OMP迭代算法，捕获随着迭代次数增加而增强的边缘和纹理信息，能更好的体现图像的结构信息。
-
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：CN112274154B
公开(公告)日：2022-05-17
申请号：CN202010985572.5
申请日：2020-09-18
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于脑电样本权重调整的跨被试疲劳状态分类方法。本发明以PSD作为特征提取方法，InstanceEasyTL算法作为分类器，通过对EEG信号的处理及分析，在跨被试的设定下，对驾驶员的疲劳程度进行分类，实现疲劳、清醒两种状态的区分。首先获取数据并预处理；其次使用PSD对脑电数据进行特征提取；然后设置实验的新源域和新目标域，再根据InstanceEasyTL算法进行分类。与传统的机器学习、深度学习方法和基于特征对齐的EasyTL方法相比，在跨被试上拥有更好的分类性能。此外本方法在仅需目标域中小部分比例的数据情况下，仍然能够保持较高的分类性能。
-
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
30
records
(took 0.029 seconds)
