-
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。
-
公开(公告)号：CN118364353B
公开(公告)日：2025-01-21
申请号：CN202410485170.7
申请日：2024-04-22
Applicant: 杭州电子科技大学
IPC: G06F18/241 , G06F18/10 , G06F18/213 , G06F17/16 , G06F17/14
Abstract: 本发明提供一种具有相邻试次任务混叠度量的脑电言语想象鲁棒识别方法。本发明步骤如下：1、多名被试分别在不同的言语想象任务下进行脑电数据采集。2、预处理和特征提取。3、中心化处理。4、建立机器学习模型以实现基于脑电数据的相邻试次间言语想象任务混叠度量和言语想象鲁棒性识别。5、求得混叠度量矩阵，映射矩阵和“干净”低秩数据。6、对被试者脑电的数据进行言语想象解码。本发明考虑了不同言语想象任务类型中，相邻试次间的任务混叠现象，给出了混叠程度的量化度量方式，同时可以根据混叠度量矩阵显式的展现混叠程度随时间的变化趋势。此外，映射矩阵可以衡量言语想象解码任务中，数据不同特征对解码的重要性程度。
-
公开(公告)号：CN118551257B
公开(公告)日：2024-11-29
申请号：CN202410708542.8
申请日：2024-06-03
Applicant: 杭州电子科技大学
IPC: G06F18/24 , G06F18/10 , G06F18/213 , G06F18/2113 , G06F3/01 , G06F18/22 , G06N3/0895
Abstract: 本发明公开了一种自适应图学习的多视图脑电言语想象意图识别方法。该方法如下：1、在不同的言语想象任务场景下，对多名被试者的脑电数据进行采集。2、对采集到的脑电进行预处理并提取不同视图下的不同通道和频段的特征。3、建立自适应图学习的多视图脑电言语想象意图识别模型。4、对目标函数进行联合迭代优化。5、得到未标记样本的预测标签，完成言语想象脑电识别任务。本发明利用多个视图中可用的互补信息来学习到更好的相似度矩阵和未标记样本标签矩阵，提高了通过脑电数据对言语想象意图识别的能力；本发明能自适应学习各视图及特征对于模型识别的贡献度，且视图和特征重要性可以指导脑电采集、预处理和特征提取时对通道及频段的选择。
-
公开(公告)号：CN118981790A
公开(公告)日：2024-11-19
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：CN118948297A
公开(公告)日：2024-11-15
申请号：CN202411028849.X
申请日：2024-07-30
Applicant: 杭州电子科技大学
IPC: A61B5/369 , A61B5/372 , A61B5/374 , A61B5/377 , A61B5/00 , G06F18/232 , G06F18/214 , G06F18/2411
Abstract: 本发明公开了一种半监督协同聚类的情感脑电特征与样本耦合分析方法，包括如下步骤：利用任意不同的情感诱发场景，对多名被试者的脑电数据进行采集；对采集的脑电数据进行预处理，并提取预处理后的脑电数据不同通道和频段的特征，进而得到样本集；构建半监督协同聚类的情感脑电特征与样本耦合分析模型的目标函数；根据构建的目标函数，对特性标签矩阵P、未标记的离散标签矩阵Qu、关联矩阵S、特征权重矩阵Θ及样本权重向量v进行联合迭代优化；根据未标记的离散标签矩阵Qu判断被测者在进行脑电数据采集时的情感类别。该方法根据样本和特征在模型中的贡献程度，可以在脑电采集、预处理和特征提取时选取更有价值的通道和频段，从而提高识别的效率。
-
Patent Agency Ranking
公开(公告)号：CN118038152A
公开(公告)日：2024-05-14
申请号：CN202410187005.3
申请日：2024-02-20
Applicant: 杭州电子科技大学
IPC: G06V10/764 , G06V10/52 , G06V10/774 , G06V10/80 , G06V10/82 , G06V10/25 , G06N3/084 , G06N3/09
Abstract: 本发明公开了基于多尺度特征融合的红外小目标检测和分类方法。首先根据红外小目标检测识别的任务目标，构建三分类红外图像小目标数据集；然后基于YOLOv5的先验知识设计用于红外目标检测的深度神经网络的拓扑结构Infra‑YOLO；最后基于自建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，获得单帧图像检测识别的模型。本发明方法能够有效提取红外图像中不同尺度大小目标的关键特征；不仅通过检测结果可视化来显示单帧红外图像中目标的位置信息和类别信息，而且以热力图的形式展示了特征图经过模型各模块显示的关键区域，可视化实验能更好地解释模型的决策过程，以此更好地辅助专业鉴定的过程。
-
公开(公告)号：CN114343674B
公开(公告)日：2024-05-03
申请号：CN202111578215.8
申请日：2021-12-22
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种联合判别子空间发掘与半监督脑电情感识别方法。步骤如下：引导被试者观看带有明显情感倾向的视频来采集脑电数据。对所获得的脑电数据进行预处理和特征提取后，生成样本矩阵。构建联合子判别空间与半监督学习模型，通过将样本矩阵投影到新的特征空间来减小脑电数据之间的类内离散度和增大类间离散度，通过对无标记样本打上伪标签之后加入到训练模型中进行半监督学习。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子判别空间，提高情感识别的准确性。研究了组合投影矩阵的物理意义，得到情绪识别中的脑电激活模式，获得与情感效应发生相关的关键频段和导联。
-
公开(公告)号：CN115905837A
公开(公告)日：2023-04-04
申请号：CN202211440751.6
申请日：2022-11-17
Applicant: 杭州电子科技大学
IPC: G06F18/213 , G06F18/24 , G06F18/2433 , G06F18/27 , A61B5/16 , A61B5/372
Abstract: 本发明公开了异常自动检测的半监督自适应标记回归脑电情感识别方法。该方法的具体步骤包括：脑电数据采集，数据与处理与特征提取，建立异常自动检测的半监督自适应标记回归脑电情感识别模型，对模型进行迭代优化，获取预测标签，分析模型参数。相比于传统最小二乘方法，本发明具有以下技术效果：1)本发明提出了异常判定因子的概念，能够在模型优化过程中动态发现并删除异常样本点。2)本发明提出了半监督标签重标定回归方法，增大了不同类别间样本的距离，显著提高了分类准确率。3)利用特征权重因子，本发明可以观测在目标任务下的脑电的关键频段与关键导联。
-
公开(公告)号：CN114757235A
公开(公告)日：2022-07-15
申请号：CN202210512240.4
申请日：2022-05-11
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于共有与特有脑电特征挖掘的情感识别方法，包括如下步骤：步骤1：脑电情感数据的采集,步骤2：对脑电情感数据进行预处理,步骤3：建立基于共有与特有脑电特征情感识别模型的目标函数,步骤4：根据目标函数得出需要迭代优化的表达式；步骤5：将步骤2中预处理好的脑电数据输入目标函数中，根据步骤4得出的更新表达式，不断迭代优化，得到被试者的情感状态标签。另外，本发明能针对性地利用某一类情感状态对应的特有特征以及所有情感状态的共有特征，让模型除了有更好地识别情感状态的性能之外，还可以发现情感状态和特定特征之间的联系，从而能更有效率地捕捉到情感状态。
-
公开(公告)号：CN112773378B
公开(公告)日：2022-05-17
申请号：CN202110075007.X
申请日：2021-01-20
Applicant: 杭州电子科技大学
Abstract: 本发明提供一种特征权重自适应学习的脑电情绪识别方法。本发明步骤如下：1、多个被试者分别在不同的情绪类别任务下进行脑电数据采集。2、对步骤1所得的所有脑电数据进行预处理和特征提取。3、建立机器学习模型以实现特征权重自适应学习的脑电情绪识别。4、求得特征权重因子Θ、特征权重W和偏差b。5、对新的被试者脑电的数据进行情绪类别预测。本发明优化GFIL模型后，获得的特征权重因子为我们提供了执行特征排名和选择的有效工具，然后可以删除多余且次要的特征。本发明将得到的特征权重因子与人情绪识别相关联可以得出情绪识别中频段和导联重要性的判断。
-
-
-
-
-
-
-
-
-
Search Results
64
records
(took 0.036 seconds)
