-
公开(公告)号：CN119474750A
公开(公告)日：2025-02-18
申请号：CN202411598562.0
申请日：2024-11-11
Applicant: 杭州电子科技大学
IPC: G06F18/20 , G06F18/214 , G06F18/213 , G06F18/23 , G06F17/16 , G06N20/00 , G06N3/0895 , G06N3/096
Abstract: 本发明公开了一种基于协同聚类的跨被试言语想象脑电意图解码域迁移方法，包括如下步骤：步骤1、获取已有的言语想象脑电数据，从而构建源域数据集并预处理；步骤2、提取预处理后的源域数据集中言语想象相关的脑电特征；步骤3、初始化样本的聚类指示矩阵和特征的聚类指示矩阵，并求解优化；步骤4、训练一个基于脑电样本和特征协同聚类的半监督言语想象意图解码模型；步骤5、采集目标域数据，并进行预处理；步骤6、确定目标域的最佳源域匹配；步骤7、调整后的系数矩阵；步骤8、在目标域上得到最终优化的样本特征耦合聚类脑电言语想象意图解码矩阵分解模型，继而，意图解码的识别标签可以转化为目标域样本的聚类指示矩阵并求解。
-
公开(公告)号：CN118468160B
公开(公告)日：2025-02-14
申请号：CN202410648152.6
申请日：2024-05-23
Applicant: 杭州电子科技大学
IPC: G06F18/2431 , G06F18/214 , G06F18/15 , G06F17/16 , G06N20/20 , G06N3/0895
Abstract: 本发明提供一种基于成分解耦和混叠解析的脑电情感识别方法。该方法如下：1、多名被试分别在不同的情感诱发任务下进行脑电数据采集。2、对脑电数据进行预处理和特征提取。3、构建引入拖拽方向矩阵和拖拽程度矩阵的情感识别模型。4、对目标函数中的变量进行迭代优化，得到全局优化后的目标函数。5、利用情感识别模型识别被测者的脑电特征，获得被测者的情感类别。本发明使用隐低秩分解技术有效捕捉脑电信号中的主要结构性特征及显著性特征。同时，本发明使用标签拖拽技术，根据混叠程度调整模型边界，增强了对情绪状态细微差异的识别能力。因此，本发明提出的情感解码方法结合了隐低秩分解和标签拖拽技术，优化了情感状态的连续试次解析。
-
公开(公告)号：CN117725367B
公开(公告)日：2024-11-29
申请号：CN202410087934.7
申请日：2024-01-22
Applicant: 杭州电子科技大学
IPC: G06F18/10 , G06F17/16 , G06F17/18 , G06N3/0895 , G06N3/096
Abstract: 本发明公开了一种源域可迁移性自适应学习的言语想象脑电解码方法。该方法的具体步骤包括：首先采集被试者和解码对象在不同言语想象任务下的脑电数据，其次对数据进行预处理得到样本矩阵，然后基于源域可迁移性自适应学习的言语想象脑电解码模型迭代得到标签矩阵，最终完成言语想象脑电解码。本发明通过将源域和目标域映射至子空间来最大程度上减小域间的差异，双映射矩阵在目标函数迭代过程中不断优化使得域间差异缩小；同时本发明引入样本权重系数矩阵量化表示了源域样本的可迁移性，在目标函数迭代过程中，促使源域高可迁移性样本在模型学习过程中发挥更大的作用，解决了言语想象脑电解码领域中因存在负面样本而造成言语想象脑电解码不准确的问题。
-
公开(公告)号：CN118154886A
公开(公告)日：2024-06-07
申请号：CN202410255359.7
申请日：2024-03-06
Applicant: 杭州电子科技大学
IPC: G06V10/30 , G06V10/36 , G06V10/25 , G06V10/82 , G06T5/10 , G06T5/20 , G06T5/70 , G06T5/73 , G06N3/045 , G06N3/0464 , G06N3/084 , G06N3/0895
Abstract: 本发明公开了一种用于恶劣天气下的红外图像去噪和小目标检测方法。首先构建三分类红外图像小目标数据集，随机的将数据集划分为三等份并添加高斯噪声、泊松噪声和椒盐噪声这三种噪声；然后构建用于恶劣天气条件下的红外图像去噪和小目标检测的网络架构，整体框架包括滤波器去噪模块、全分辨率去噪模块和YOLOv5检测器三部分，检测器中使用损失监督函数提高对小目标的检测性能；最后基于加噪的三分类红外图像小目标数据集，对提出的网络架构进行训练，获得红外图像的去噪和识别的模型。本发明去噪模块能够去除噪声并提取图像中关键特征所在的区域，再将关键区域传入检测器得出目标的定位信息和类别信息，可以更好地提高小目标检测的性能。
-
公开(公告)号：CN116361700A
公开(公告)日：2023-06-30
申请号：CN202310353343.5
申请日：2023-04-04
Applicant: 杭州电子科技大学
IPC: G06F18/24 , G06F18/214 , G06F18/27 , G06N20/20
Abstract: 本发明公开了一种基于超图表征的协作式运动想象解码方法，包括如下步骤：S1、对事先采集好的多脑运动想象数据集进行预处理；S2、利用超图表征方法，从数据中提取个体间的交互信息；S3、将提取后得到的交互信息使进行核心特征提取以及特征压缩，以减少模型训练计算开销，并将核心特征提取以及特征压缩后的特征通过训练STM模型得到分类模型；S4、将训练好后的分类模型加载至在线脑机接口系统；S5、通过脑电数据采集设备采集用户真实数据，并将真实数据作为测试样本输入至在线系统中的分类模型中，进行分类决策以得到识别结果。为多人在线脑机系统，拥有在线识别的高精度和高稳定性，特征分类模块采用支持张量机(STM)模型以应对小样本问题。
-
Patent Agency Ranking
公开(公告)号：CN114841214A
公开(公告)日：2022-08-02
申请号：CN202210547995.8
申请日：2022-05-18
Applicant: 杭州电子科技大学
Abstract: 本发明公开了基于半监督判别投影的脉搏数据分类方法及装置。具体分类方法包括：1、采集压力脉搏数据。2、对步骤1中采集到的数据进行预处理及特征提取。3、建立半监督判别投影模型，利用投影矩阵寻找最优子空间，并在该空间中进行聚类，标注无标记样本，并加入下一轮训练，实现对脉搏数据的半监督学习。4、对投影矩阵进行分析，通过求取投影矩阵的“行归一化二范数”，获取各个特征对当前任务的贡献程度。所述脉搏数据分类装置用于实现上述分类步骤。本发明通过判别投影方法，提供了一种高精度脉搏数据分类任务的工具，量化了特征重要性，取得了良好实验效果。
-
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。
-
-
-
-
-
-
-
-
-
Search Results
64
records
(took 0.038 seconds)
