-
公开(公告)号：CN114089834B
公开(公告)日：2024-07-12
申请号：CN202111614470.3
申请日：2021-12-27
Applicant: 杭州电子科技大学
IPC: G06F3/01 , G06F18/213 , G06F18/24 , G06F18/25 , G06N3/0455 , G06N3/09
Abstract: 本发明公开了一种基于时间‑通道级联Transformer网络的脑电识别方法。本发明包括如下步骤：1：获取意念想象英文字符脑电数据，构建预处理模块；2：构建时间‑通道级联Transformer网络的时间模块，该时间模块的输入数据为预处理后的脑电数据，输出是提取后的时间特征；3：构建时间‑通道级联Transformer网络的脑电通道模块，该脑电通道模块的输入数据为时间特征，输出是提取后的时空融合特征；4：构建时间‑通道级联Transformer网络的分类模块，该分类模块的输入为时空融合特征，该分类模块的输出为分类结果。本发明能够有效提高字符想象脑电信号的识别准确率。
-
公开(公告)号：CN117992729A
公开(公告)日：2024-05-07
申请号：CN202410087933.2
申请日：2024-01-22
Applicant: 杭州电子科技大学
IPC: G06F18/10 , A61B5/372 , A61B5/00 , G06F18/213 , G06F18/214 , G06F18/22 , G06F18/24 , G06F18/25 , G06N3/0464 , G06N3/048 , G06N3/084
Abstract: 本发明公开一种范式自适应解耦的跨时段脑纹识别方法及其系统。本发明通过特征提取器从原始脑电数据中提取特征表示，从高度耦合的脑电信息中有效地分离出身份相关特征和范式任务相关特征，通过域对抗训练，进一步学习具有身份识别能力的域不变特征。本发明引入三种解耦器对特征提取模块提取的特征进行特征解耦；同时引入三种分类器通过域标签，身份标签，范式任务标签，通过对抗训练的方式，引导解耦器有效地解耦出范式任务特征、身份特征。因此，本发明能在跨时段的条件下自适应各种范式采集而来的脑电信号，在实际应用场景中具有较高的实用价值，为生物特征识别、身份验证等领域提供了创新性的解决方案。
-
公开(公告)号：CN117807502A
公开(公告)日：2024-04-02
申请号：CN202311854172.0
申请日：2023-12-29
Applicant: 杭州电子科技大学
IPC: G06F18/241 , G06F18/15 , G06N3/0442 , G06F18/214 , G06N3/0464 , G06F18/213 , G10L25/51 , G10L25/30
Abstract: 本发明公开了一种基于RNN结构和差异学习率重训练的水声目标识别方法，其专门针对舰船水声目标的识别与分类问题。具体实现步骤包括：一、对舰船水声信号进行预处理；二、基于预训练模型构建水声目标识别深度模型；三、重训练配置；四、对模型进行重训练，以实现往目标域的迁移；五、训练得到针对水声目标识别的高性能分类模型。本发明中的模型结构采用预训练模型与新增的循环神经网络结构和分类层结合，使得重训练后的模型能够更准确地识别水声目标。经过若干实验模拟与应用情况可证明本发明具备优秀的实时性和稳定性，适用于复杂多变的水下环境中舰船目标的快速准确识别，其对提升水下声纳系统的性能具有重要意义。
-
公开(公告)号：CN114145754B
公开(公告)日：2024-04-02
申请号：CN202111522093.0
申请日：2021-12-13
Applicant: 杭州电子科技大学
Abstract: 本发明公开了基于EEG交叉频率耦合的卒中脑功能评估装置。对卒中状态或健康状态被试在运动想象任务下的多通道脑电数据进行采集和预处理，提取刺激后的有效数据段；计算每个数据段的频段内以及频段间相相耦合关系；提取多尺度脑网络指标，包括全脑平均功能连接值、半球尺度上的平均功能连接值、特征路径长度、以及聚类系数指标，依据欧几里德距离评估脑功能状态。本发明突破了单频段脑网络分析的局限性，通过交叉频率脑网络进行有效的卒中脑功能评估。
-
公开(公告)号：CN117648851A
公开(公告)日：2024-03-05
申请号：CN202311391738.0
申请日：2023-10-25
Applicant: 杭州电子科技大学
IPC: G06F30/27 , G06N3/0475 , G06N3/045 , G06N3/0464 , G06N3/084 , G06N3/082 , G06F18/213 , G06F18/22
Abstract: 本发明公开了一种基于生成对抗网络的声纳数据仿真生成方法。本发明如下：1、对原始声纳音频数据进行切片处理，获得包括多个声纳切片数据的训练集。2、将声纳切片数据转化为梅尔频谱图。3、构建生成对抗网络模型。4、对生成对抗网络进行训练：5、基于取生成对抗网络的生成器在不同轮次的输出，获得多个不同的合并声纳音频仿真数据。本发明将深度学习技术融入到声纳数据仿真中，用到了生成对抗网络；将音频转换为梅尔频谱图图像再通过生成对抗网络模型进行仿真，从而生成仿真音频数据。并且找到合理有效的评估方法对仿真音频数据的效果进行量化评估。本发明可以生成高质量一维声纳音频并且有合理量化评估仿真声纳音频方法。
-
Patent Agency Ranking
公开(公告)号：CN112487902B
公开(公告)日：2024-02-02
申请号：CN202011312850.7
申请日：2020-11-20
Applicant: 杭州电子科技大学
IPC: G06V40/20 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/04 , A61B5/103 , A61B5/11 , A61H3/00
Abstract: 本发明公开了面向外骨骼的基于TCN‑HMM的步态相位分类方法。本发明的具体步骤如下：1.IMU数据采集。2.对步骤1中采集的步态数据进行预处理。3.构建训练集和测试集。4.构建混合TCN‑HMM模型。5.利用训练集对混合TCN‑HMM模型进行训练。6.利用训练好的混合TCN‑HMM模型对新的行走IMU数据进行分类。本发明创新性地利用TCN网络来获取状态的后验概率，并利用后验概率获取HMM模型所需的发射概率，构成了混合TCN‑HMM模型，该模型将运动数据的时间特征与空间特征有机地结合在了一起并对步态相位信息进行了判别。本发明不仅得到了准确率很高的步态相位分类结果，同时抑制了错误的分类。
-
公开(公告)号：CN116597824A
公开(公告)日：2023-08-15
申请号：CN202310580969.X
申请日：2023-05-19
Applicant: 杭州电子科技大学
Abstract: 本发明公开一种基于注意力引导张量网络的想象语音分类方法及系统。获取意念想象语音脑电数据，以及其对应的标签label；对上述意念想象语音脑电数据进行数据增强，构建训练数据集；构建注意力引导张量网络，利用数据集中的数据增强后训练集进行训练，并采用数据集中未增强的测试集进行测试；利用训练并验证好的注意力引导张量网络实现脑电的想象语音分类。本发明方法将数据增强以及注意力机制的分类标识位引导的张量网络技术结合起来，实现高精度的想象语音脑电分类性能。
-
公开(公告)号：CN116385631A
公开(公告)日：2023-07-04
申请号：CN202310149162.0
申请日：2023-02-22
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于类网格细胞空间编码的半隐式神经地图构建方法。该方法使用类网格细胞空间编码，显式地对三维空间进行抽象编码，将编码结果输入神经网络中进行解码，再通过渲染的方式生成新视觉视图。该方法提出的三维空间上的类网格细胞空间编码，可以提高数据之间的关联性，消除神经地图中的冗余信息，实现对环境的压缩感知，实现信息的最大化利用，进而提高地图重建质量。构建半隐式神经地图可以应用于医疗影像、自动驾驶、游戏开发或室内设计等技术领域，自动根据输入的二维图像生成三维场景模型。
-
公开(公告)号：CN116310178A
公开(公告)日：2023-06-23
申请号：CN202310294153.0
申请日：2023-03-23
Applicant: 杭州电子科技大学
Abstract: 本发明公开了基于注意力机制的第一视角认知编码地图构建与定位方法。该方法首先对待建图的环境信息进行拍摄，根据图像的位置与姿态，对位置信息进行编码。再通过ViT架构对图像信息进行编码，获得图像特征。将连续图像的位置特征与图像特征输入注意力机制，计算每张图像的注意力得分，模拟人脑根据位置信息重建的图像信息。然后将注意力机制输出的图像信息进行残差连接，与真实图像进行差异比较计算损失，更新网络模型参数。最后将待识别图像输入训练后的网络模型，通过反向修正输入图像的假设位置信息，输出预测的图像位置，完成定位。
-
公开(公告)号：CN112274162B
公开(公告)日：2022-05-17
申请号：CN202010985675.1
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生成对抗域自适应的跨被试EEG疲劳状态分类方法。本发明首先获取数据并预处理，去除伪迹；其次通过PSD来进行EEG特征提取，从三维EEG时间序列获得二维样本矩阵；然后区分源域和目标域数据集，获得不重合的训练集和测试集；再用部分无标签的目标域数据和符合高斯分布的随机数据训练分类模型GDANN；最后利用混淆矩阵对分类结果准确率进行评估。本发明将生成对抗网络和域不变思想进一步结合，既解决了EEG信号数据集稀少难获得的问题，又平衡了源域数据和目标域数据不匹配的问题，一定程度上避免了负迁移，训练出了高精度的跨被试疲劳检测分类器，以期在实际的脑机交互中有着广泛的应用前景。
-
-
-
-
-
-
-
-
-
Search Results
161
records
(took 0.054 seconds)
