-
公开(公告)号：CN118689308A
公开(公告)日：2024-09-24
申请号：CN202410797039.4
申请日：2024-06-20
Applicant: 深圳华中科技大学研究院
IPC: G06F3/01 , G06N3/0464 , G06N3/0455 , G06N3/08 , G06F18/10 , G06F18/213 , G06F18/214
Abstract: 本发明公开一种运动想象脑机接口的解码方法、存储介质、设备，涉及运动想象脑机接口信号解码领域，方法包括：对运动想象脑电图信号进行CSP滤波，在脑电图信号上优化得到CSP滤波器组；构建脑机接口的解码模型，包括含有空域卷积模块的CNN骨干网络；使用CSP滤波器组替换空域卷积模块中的卷积核；当卷积核数量与CSP滤波器数量相同时，使用CSP滤波器替换卷积核；当卷积核数量大于CSP滤波器数量时，对CSP滤波器进行复制扩充；当卷积核数量小于CSP滤波器数量时，对CSP滤波器进行随机采样；对模型进行训练和验证，得到最终的脑机接口的解码模型。本发明提高基于EEG的运动想象脑机接口系统的精准性和易用性。
-
公开(公告)号：CN118626901A
公开(公告)日：2024-09-10
申请号：CN202410609125.8
申请日：2024-05-16
Applicant: 深圳华中科技大学研究院
IPC: G06F18/24 , A61B5/372 , A61B5/369 , A61B5/00 , G06F18/2131 , G06F18/214 , G06N3/045 , G06N3/094 , G06N3/09 , G06F123/02
Abstract: 本发明提供一种基于时空频一致性的监督对比学习方法及设备，涉及机器学习领域，包括：构建TSF‑SCL模型；通过多源数据增强模块对原始脑电信号集合进行多源数据增强，获得时域增强数据集合、空域增强数据集合和频域增强数据集合；通过原始脑电信号集合、时域增强数据集合、空域增强数据集合和频域增强数据集合对TSF‑SCL模型中的各个模块进行同步训练；通过训练好的TSF‑SCL模型对待测原始脑电信号集合进行分类，获得分类预测结果。本发明通过跨视图对比学习模块，从三种增强视图中提取判别性特征，不同视图的特征分别组成正负样本对训练模型，增强特征一致性；跨模型对比学习模块进一步提高不同网络(如特征提取器和编码器)所提取特征的一致性。
-
公开(公告)号：CN117892168A
公开(公告)日：2024-04-16
申请号：CN202311325923.X
申请日：2023-10-13
Applicant: 深圳华中科技大学研究院
IPC: G06F18/24 , G06F18/22 , G06F18/214 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了一种应用于在线运动想象分类的前端复制动态窗方法，包括步骤：获取训练数据；根据训练数据离线训练模型，得到训练好的离线分类模型；获取在线运动测试过程中的n个测试试次，其中n个测试试次依次到；获取测试场景；根据不同的测试场景，利用前端复制策略对测试试次进行复制，并将测试试次依次输入至训练好的离线分类模型，采用FRDW方法或基于FRDW与EA融合方法，动态调节离线分类模型的预测时间，完成在线测试。本发明对于远离分界面的样本提前做出预测，提高解码速度；适配多种MI分类网络，并旨在不损失或损失极少预测精度的同时降低模型预测所需时间，保证了其应用的解码精准性，预测高效性以及模型普适性。
-
公开(公告)号：CN117009866A
公开(公告)日：2023-11-07
申请号：CN202310616594.8
申请日：2023-05-29
Applicant: 华中科技大学
IPC: G06F18/241 , G06N3/049 , G06N3/0442 , G06N3/084
Abstract: 本发明公开了一种脉冲数据分类模型构建方法及脉冲数据分类方法，属于利用脉冲神经网络分类识别技术领域，构建方法包括：对脉冲神经网络进行训练；门控参数神经元层包括：突触电流输入端，用于计算t时刻输入的突触电流#imgabs0#膜电压输入端，用于获取t时刻输入神经元的膜电压vt；第一至第四逻辑门，用于计算逻辑门信号#imgabs1##imgabs2#隐态膜电压计算单元，用于计算t时刻的隐态膜电压#imgabs3##imgabs4#脉冲发放单元，用于发放脉冲#imgabs5#输出膜电压计算单元，用于计算t+1时刻输出的膜电压#imgabs6##imgabs7#通过引入门控结构，使得脉冲神经网络从参数分布上更好地拟合生物特性，更好地适应反向传播训练，提高脉冲神经网络的训练效果和应用脉冲神经网络进行分类的分类精度。
-
公开(公告)号：CN115590530A
公开(公告)日：2023-01-13
申请号：CN202211350636.X
申请日：2022-10-31
Applicant: 华中科技大学(CN)
IPC: A61B5/369 , A61B5/372 , A61B5/00 , G06F18/10 , G06F18/213 , G06F18/214 , G06F18/24 , G06F18/22
Abstract: 本发明公开了一种跨对象目标域代理子域适应方法、系统及介质，属于机器学习领域，方法包括：采用上采样技术将不平衡数据集转化为平衡数据集并生成相应的域标签；对于任一平衡数据集，计算目标域中所有样本在其上的预测概率的和，得到其与目标域的相似度；将前M’个最大相似度对应的平衡数据集拼接以得到最优源域，将最大相似度对应的平衡数据集作为目标域代理；对目标域和最优源域进行全局域适应，计算域适应损失，对最优源域和目标域代理进行子域适应，计算子域适应损失；利用交叉熵函数计算分类损失，根据域适应损失、子域适应损失和分类损失计算总体损失；以总体损失收敛为目标，反向传播更新源域模型的参数。提升癫痫电信号分类的准确度。
-
Patent Agency Ranking
公开(公告)号：CN114298099A
公开(公告)日：2022-04-08
申请号：CN202111613113.5
申请日：2021-12-27
Applicant: 华中科技大学
Abstract: 本发明公开了一种脑机接口模型的训练方法及脑电信号识别方法，属于脑机接口领域，本发明通过对基于小批量随机梯度下降训练得到的模糊系统用于脑机接口系统进行研究，首次发现导致脑电信号识别准确度较低的主要原因在于基于小批量随机梯度下降训练模糊系统时存在梯度消失的问题，并进一步发现，该问题是TSK模糊系统的规则激活程度在归一化后尺度过小导致的。基于此，本发明提出了一种HTSK‑LN‑ReLU模型，在现有技术HTSK算法的基础上，增加层正则化技术(LN)放大规则激活强度，并使用ReLU激活函数过滤由层正则化产生的负激活强度，以克服梯度消失的问题，从而提高了脑电信号识别准确度。
-
公开(公告)号：CN111832427B
公开(公告)日：2022-02-18
申请号：CN202010578377.0
申请日：2020-06-22
Applicant: 华中科技大学
Abstract: 本发明公开了基于欧氏对齐和Procrustes分析的EEG分类的迁移学习方法和系统，属于基于运动想象的脑机接口领域。包括：对以往用户和新用户特征矩阵进行协方差对齐；对以往用户和新用户的特征矩阵进行均值对齐；根据以往用户的标签和均值对齐后以往用户的特征矩阵，计算以往用户的类别中心，根据新用户的伪标签和均值对齐后的新用户的特征矩阵，计算新用户的类别中心；构建以往用户和新用户类别中心矩阵，通过正交普氏分析方法，计算将新用户的类别中心与对应以往用户的类别中心对齐的旋转矩阵；将均值对齐后的新用户的特征矩阵和旋转矩阵相乘，得到最终对齐的新用户数据。
-
公开(公告)号：CN110837637B
公开(公告)日：2022-02-15
申请号：CN201910982682.3
申请日：2019-10-16
Applicant: 华中科技大学
IPC: G06F21/56 , G06K9/62 , G06V10/774 , G06V10/764
Abstract: 本发明公开了一种脑机接口系统黑盒攻击方法，首先基于询问合成主动学习生成具有更多信息量和多样性的EEG样本，作为替代模型训练样本，然后基于该训练样本训练替代模型，使得替代模型能够更好地近似目标模型，最后通过在训练好的替代模型上生成对抗样本，使用对抗样本对EEG的脑机接口系统进行黑盒攻击，使其在目标模型上能够被错分。与传统的基于雅克比矩阵的黑盒攻击方法相比具有更好的攻击效果，在更少的询问次数情况下可以取得相同或更好的攻击性能，生成的对抗样本具有很小的噪声，在时域和频域上和原始的EEG信号几乎没有区别，不能被轻易发现，大大提高了脑机接口系统中黑盒攻击的攻击效率。
-
公开(公告)号：CN113780341A
公开(公告)日：2021-12-10
申请号：CN202110890792.4
申请日：2021-08-04
Applicant: 华中科技大学
Abstract: 本发明公开了一种多维度情绪识别方法及其系统，其方法包括：基于带标签的第一样本集训练情绪识别模型和标签映射模型；将不带标签的第二样本集输入情绪识别模型，获取生理特征在各情感维度上的预测标签；将预测标签输入标签映射模型，获取对应生理特征在当前维度上的映射标签；判断预测标签和映射标签的一致性是否符合预设条件，选取一致性符合预设条件的情感维度进行自动标注，各情感维度自动标注值为对应维度预测标签和映射标签的加权平均值；根据新标注的数据继续对情绪识别模型进行训练，得到最终的情绪识别模型。利用半监督学习自训练的方法为部分样本自动添加标注并投入训练，减少人工标注，降低了训练情绪识别模型时的人工标注成本。
-
公开(公告)号：CN110851783B
公开(公告)日：2021-10-08
申请号：CN201911100099.1
申请日：2019-11-12
Applicant: 华中科技大学
Abstract: 本发明公开了一种用于脑机接口校准的异构标签空间迁移学习方法，涉及脑机接口领域，包括：对新用户的脑电信号样本集进行标注和分组，计算每个分组内的的平均协方差矩阵；对辅助用户的脑电信号样本集的所有样本按标签类别进行分组，计算每个分组内的平均协方差矩阵；根据满足设定对应关系的平均协方差矩阵，对辅助用户的样本进行变换，并将新用户的标签按照所述对应关系赋给辅助用户样本，得到变换后的辅助用户数据；将变换后的辅助用户数据以及标注的新用户样本合并作为训练集，并在该训练集上构建机器学习模型。本发明方法能够借助异构标签空间的辅助用户数据，提升新用户的模型学习能力，大幅度减少新用户所需校准数据，从而有效减少校准时间。
-
-
-
-
-
-
-
-
-
Search Results
65
records
(took 0.025 seconds)
