-
公开(公告)号：CN105844111A
公开(公告)日：2016-08-10
申请号：CN201610216864.6
申请日：2016-04-07
Applicant: 杭州电子科技大学
IPC: G06F19/00 , A61B5/0476 , A61B5/00
CPC classification number: G06F19/321 , A61B5/0476 , A61B5/4064 , A61B5/72 , A61B5/7203 , G06F19/34 , G16H10/60
Abstract: 本发明公开了一种基于脑效应网络的新型脑电卒中评估方法。本发明利用因果关系模型构建脑效应网络，并根据脑网络的属性，即因果关系流量和因果关系密度来研究脑卒中组与正常对照组的差异，从而揭示被试在运动想象心理旋转认知过程中的大脑皮层活跃模式，对卒中病灶进行评估。本发明更加直观明显，是一种新型并且有效的脑电卒中评估方法。在患者组和正常对照组的实验中可以观察大脑皮层的活跃模式有着非常明显的区别。
-
公开(公告)号：CN105266804A
公开(公告)日：2016-01-27
申请号：CN201510771113.6
申请日：2015-11-12
Applicant: 杭州电子科技大学
IPC: A61B5/0476
Abstract: 本发明公开了一种基于低秩和稀疏矩阵分解的新型脑电信号处理方法。本发包括如下步骤：步骤1、被试者根据提示执行运动想象任务，使用多通道脑电信号采集设备采集被试者的脑电信号数据，完成被试者信息录入和脑电数据采集；步骤2、对步骤1中采集到的脑电数据进行数据预处理，预处理过程包括带通滤波、去公共平均参考方法；步骤3、对步骤2预处理后得到的脑电数据X进行分解；步骤4、计算噪声部分；步骤5、计算运动想象任务执行正确率。本发明能有效的表达脑电信号的组成部分，便于不同脑机系统应用场合的特征提取和分析。
-
公开(公告)号：CN118260672B
公开(公告)日：2025-05-09
申请号：CN202410462478.X
申请日：2024-04-17
Applicant: 杭州电子科技大学
IPC: G06F18/2415 , G06F18/213 , G06F3/01 , G06N3/0464 , G06N3/047 , G06N3/048 , G06N3/094 , A61B5/369 , A61B5/00 , A61M21/00
Abstract: 本发明公开了一种基于多被试数据合并对抗训练的运动想象解码方法，该解码方法采用多被试数据合并对抗训练运动想象分类模型，交替使用正向训练与逆向训练来训练运动想象分类模型，使模型专注于运动想象任务的特征提取，在跨时段和跨被试方面具有更好的鲁棒性，解决了多被试合并训练运动想象分类模型时准确率较低的问题，有效地提高多被试数据合并时的训练效果，在现实应用如卒中康复当中更具实用性；同时，本发明拓宽了模型训练数据的获取来源，减少了单个被试需要采集的数据量，能够缓解脑电数据采集困难，训练样本匮乏的问题；同时，与传统一对一的模型训练方式相比，本发明的分类准确率较高。
-
公开(公告)号：CN119848757A
公开(公告)日：2025-04-18
申请号：CN202411790798.4
申请日：2024-12-06
Applicant: 杭州电子科技大学
IPC: G06F18/25 , G06F18/213 , G06V10/80 , G06V10/40
Abstract: 本发明公开了一种基于视觉引导耦合学习的脑电信号6D姿态解码方法。该方法首先从不同角度拍摄同一场景的系列图像。然后以拍摄角度相邻的顺序向被试者播放系列图像，同时采集被试者观看系列图像时的脑电信号。然后将采集的脑电信号与系列图像分别输入编码器中进行独立的特征提取，再输入耦合模块中，提取各模态的私有特征以及模态间的耦合特征。之后将各模态的私有特征和耦合特征进行拼接，再输入全连接层中，解码出单模态下的6D姿态。完成模型训练后，将被试者观看系列图像时的脑电信号单独输入编码器与耦合模块中，利用脑电信号解码出对应系列图像的6D姿态。该方法结合视觉信息增强特征提取的鲁棒性和准确性，克服了方法的局限性。
-
公开(公告)号：CN118349905A
公开(公告)日：2024-07-16
申请号：CN202410376747.0
申请日：2024-03-29
Applicant: 杭州电子科技大学
IPC: G06F18/2415 , G06F18/25 , G06F18/214 , G06F18/21 , G06N3/0464 , A61B5/16
Abstract: 本发明公开一种基于EEG和EOG的多模态情绪识别方法。该方法利用了注意力机制、典型相关性分析等技术，使得模型能够更好地理解和利用不同模态的信息，从而更有效地进行情感分析。首先，我们使用卷积神经网络分别从时域和空域提取EEG和EOG的时空特征。接着，我们采用典型相关分析来计算两种模态特征之间的相似度，并通过反向传播来调整参数，从而提高这两者之间的相关性。同时，我们还采用一种基于注意力的融合方法，动态地整合两种模态的特征，最终用于情绪分类。结果证明，本发明提出的方法可以将不同模态的特征有效的结合起来，提高情感识别等任务的性能和准确性。
-
Patent Agency Ranking
公开(公告)号：CN112541541B
公开(公告)日：2024-03-22
申请号：CN202011452285.4
申请日：2020-12-10
Applicant: 杭州电子科技大学
IPC: G06F18/25 , G06F17/16 , G06F40/253 , G06N3/0442
Abstract: 本发明公开了基于多元素分层深度融合的轻量级多模态情感分析方法；本发明以分层的方式建立多模态元素之间的直接相关性，可以捕获不同模态之间的短时和长时依赖性。为避免降低分辨率并保留与每个模态相对应的原始空间结构信息，在选择和强调多模态信息交互时，本发明以广播的形式应用相应的注意力权重。此外，本发明也提出了一个新的张量算子，称为Ex‑KR加法，以利用共享信息来融合多模态元素信息得到全局张量表征。这是针对当前多模态情感识别领域中大多数方法仅仅关注在局部的时序‑多模态空间中的建模，并且不能明确地学习得到所有参与模态融合的完整的表示形式等问题的有效补充。
-
公开(公告)号：CN117668545A
公开(公告)日：2024-03-08
申请号：CN202311625312.7
申请日：2023-11-30
Applicant: 杭州电子科技大学
IPC: G06F18/214 , G06F18/241 , G06F18/213 , G06N3/0464 , G06N3/09 , G06V40/16
Abstract: 本发明公开一种基于脑机增强智能的半监督面部情绪识别方法。鉴于脑电信号包含大脑活动的情感信息和诱发其产生的视觉对象的视觉信息，本发明将其作为监督信息来实现面部情绪图像的标记，从而将大脑感知情绪的能力转移给机器。本发明将脑电信号的呈现方式从二维转变为三维，设计了EEGNet3D。其次，利用由视觉图像刺激诱发的脑电信号与脑电网络相结合，学习大脑活动的判别性脑电类表征流形。然后，通过训练视觉模型将图像投射到学习到的流形上，计算图像特征与脑电类表征之间的相似性分数来获取无标签图像的伪标签。最后，利用伪标签图像扩展训练集，训练分类模型。由此将大脑的情感判断的能力传递给机器，进而实现半监督面部情绪识别。
-
公开(公告)号：CN117636490A
公开(公告)日：2024-03-01
申请号：CN202311817342.8
申请日：2023-12-27
Applicant: 杭州电子科技大学
IPC: G06V40/70 , G06V40/16 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/096 , G06N3/0464
Abstract: 本发明公开一种基于脑机知识蒸馏的面部表情识别方法。深度学习存在许多基本的未决问题。其中一个问题是大型模型的提出，它可以提高性能，但计算成本较高。第二个问题是，收集和标记大型数据集通常是一项成本高昂的工作。与机器不同的是，由于一般原理和认知过程，人脑可以从有限的样本中高效地获得情绪分类所需的信息。为了赋予机器人脑判断情绪的能力，使其具有接近人脑的情绪识别模式，本发明提供一种“基于脑机知识蒸馏的面部表情识别方法“，以提炼人脑知识并将其传递给机器。脑机知识蒸馏框架由教师模型和学生模型组成。教师模型从视觉图像刺激诱发的脑电信号中提炼知识。学生模型处理视觉图像，同时从教师模型中学习认知知识。
-
公开(公告)号：CN113128552B
公开(公告)日：2024-02-02
申请号：CN202110231114.7
申请日：2021-03-02
Applicant: 杭州电子科技大学
IPC: G06F18/2431 , G06F18/213 , G06F18/25 , G06F18/27 , G06N3/0464 , G06N3/042 , G06N3/08 , A61B5/16 , A61B5/372
Abstract: 本发明公开了一种基于深度可分离因果图卷积网络的脑电情绪识别方法。现有用于识别脑电情绪的神经网络缺乏通道间定向功能性关系的考虑。本发明如下：一、采集被测者的脑电数据。二、构建邻接矩阵。三、计算脑电数据对应的正则化拉普拉斯矩阵。四、利用深度可分离因果图卷积模型进行特征提取和情绪分类。本发明采用格兰杰因果关系对EEG信号通道间的关系进行建模，构建出一个有向的非对称矩阵，充分考虑了通道间的因果关系，与真实的脑电信号产生情况一致，故能够有效提高情绪类型识别的准确率。此外，本发明采用深度可分离卷积充分提取了脑电数据中的局部特征，从而进一步提高了分类准确率。
-
公开(公告)号：CN117275042A
公开(公告)日：2023-12-22
申请号：CN202311291753.8
申请日：2023-10-08
Applicant: 杭州电子科技大学
IPC: G06V40/10 , G06V20/40 , G06V10/82 , G06V10/764 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了基于事件相关电位的行人重识别视频流复杂目标检测方法。该方法采集了复杂目标在不同场景中出现的视频流，制作成实验范式，采集被试在观看视频内容时的脑电数据。然后对脑电地形图进行分析，标记ERP特征，包括P300和P300‑D，分别对应目标出现与目标消失。构建正负样本对，基于对比表征学习的方法和时空间特征注意力提取的方法来获取类间的本质特征，解决视频范式中样本的极端类不平衡问题和两个相似类间的区分问题，使用circleloss进行反向传播，更新模型参数，使正样本对中两个样本的距离更近，而负样本对中两个样本的距离更远。最后使用训练好的模型判断视频流中是否出现目标，以及目标的出现与消失时间。
-
-
-
-
-
-
-
-
-
Search Results
161
records
(took 0.025 seconds)
