-
公开(公告)号：CN113143275A
公开(公告)日：2021-07-23
申请号：CN202110317792.5
申请日：2021-03-24
Applicant: 杭州电子科技大学
Abstract: 本发明提供一种样本与特征质量联合量化评估的脑电疲劳检测方法。本发明步骤如下：1、多个被试者分别在模拟驾驶系统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样本与特征质量联合量化评估的脑电疲劳检测。4、求得衡量样本质量的描述因子v、特征的描述因子θ。5、对新的被试者脑电的数据进行疲劳回归预测。本发明将v和θ嵌入最小二乘模型后，获得的衡量样本质量与特征的权重描述因子提供了执行脑电数据样本选择和特征选择的有效工具，对质量较好的样本和特征赋予更高的权重，能够根据脑电数据准确地获取被测者的疲劳情况。
-
公开(公告)号：CN119557677A
公开(公告)日：2025-03-04
申请号：CN202411598571.X
申请日：2024-11-11
Applicant: 杭州电子科技大学
IPC: G06F18/23213 , A61B5/369 , A61B5/372 , A61B5/00 , G06F18/10 , G06F18/213 , G06F18/214 , G06F17/16
Abstract: 本发明公开了一种基于脑电协同聚类的半监督言语想象意图解码方法，包括如下步骤：步骤1、采集言语想象的脑电数据；步骤2、对预处理后的脑电数据进行特征提取；步骤3、将原始数据矩阵进行特征聚类和样本聚类，从而得到特征的聚类指示矩阵、样本的聚类指示矩阵和系数矩阵；步骤4、在半监督框架下完成对特征的聚类指示矩阵、样本的聚类指示矩阵和系数矩阵的优化求解；步骤5、通过可视化手段，展示基于脑电样本和特征协同聚类的半监督学习模型得到的解码结果。该方法在基于脑电信号的言语想象意图解码研究和系统中能够充分发掘和利用特征和样本的双向复杂交互模式以及言语想象的标签信息。
-
公开(公告)号：CN118034493B
公开(公告)日：2024-11-26
申请号：CN202410112859.5
申请日：2024-01-26
Applicant: 杭州电子科技大学
IPC: G06F3/01 , G06F18/10 , G06F18/213 , G06F18/2411 , G06F18/23213
Abstract: 本发明提供一种稳定性特征发掘的迁移学习肌电手势识别方法；其过程如下.1.表面肌电信号的采集；2.对肌电信号数据进行预处理和特征提取；3.训练集、无标记样本、有标记样本划分，并使用训练集训练分类器；4.建立稳定性特征发掘的迁移学习肌电手势识别的目标函数；5.不断迭代优化目标函数；6.使用映射参数重新映射无标记样本；7.使用分类器对无标记样本分类，得到手势标签。本发明能够将偏移后的样本通过简单的矫正过程，映射到与训练样本相似的分布中，使模型的识别准确率保持在一个可靠的范围内。此外，本发明通过迭代更新的方法能够得到的稳定性特征发掘因子，通过稳定性特征发掘因子能够获得映射前后样本特征的变化程度。
-
公开(公告)号：CN118468160A
公开(公告)日：2024-08-09
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：CN112488081B
公开(公告)日：2024-08-09
申请号：CN202011541187.8
申请日：2020-12-23
Applicant: 杭州电子科技大学
IPC: G06F18/241 , G06F18/10 , G06F18/213 , G06N3/096 , G06F17/16 , G06F17/18
Abstract: 本发明公开基于DDADSM跨被试迁移学习脑电精神状态检测方法。本发明采用先进行双子空间特征空间映射再动态分布对齐的迁移学习方法对脑电数据进行分类检测的方法。是脑电迁移学习检测方法的重大创新与尝试，能够减少传统单一子空间迁移学习方法的空间漂移问题以及忽略条件分布和边缘分布重要性定量计算造成的精确性不足、迁移能力有限等问题。该方法在疲劳驾驶脑电数据的分类问题上能够取得很好的效果，能够为复杂脑电数据的处理提高新的研究手段。
-
Patent Agency Ranking
公开(公告)号：CN118364353A
公开(公告)日：2024-07-19
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：CN117725367A
公开(公告)日：2024-03-19
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：CN116243798A
公开(公告)日：2023-06-09
申请号：CN202310204178.7
申请日：2023-03-06
Applicant: 杭州电子科技大学
IPC: G06F3/01 , G06F18/213 , G06F18/24 , G06F18/214 , G06F17/16
Abstract: 本发明提供一种标签自适应修正的表面肌电手势识别方法，属于表面肌电信号识别领域。本发明的具体步骤如下：一、采集被试做不同手势时的表面肌电数据。二、对步骤1所得的所有表面肌电数据进行预处理和特征提取。三、建立联合半监督回归与图标签传播的肌电手势识别模型，并将修正矩阵Z嵌入其中。四、根据目标函数，通过联合迭代优化，得到目标函数中的参数。五、将得到的参数代入模型得到可供离线使用的肌电手势识别模型。本发明还关注样本空间的相似性。通过图相似矩阵S和标签修正矩阵Z，获得样本特征空间中特征数据的相似性，修正样本空间中标签的相似性，对于基于表面肌电的手势识别具有很大的帮助。
-
公开(公告)号：CN110032704B
公开(公告)日：2023-06-09
申请号：CN201810462144.7
申请日：2018-05-15
Applicant: 腾讯科技(深圳)有限公司 , 杭州电子科技大学
IPC: G06F17/10
Abstract: 本发明公开了一种数据处理方法、装置、终端及存储介质，属于数据处理技术领域。所述方法包括：获取待处理数据；调用低秩表示与子空间联合模型对所述待处理数据进行处理，所述低秩表示与子空间联合模型包括用于去噪的低秩模型和用于降维的正则化项两部分；对所述低秩模型和所述正则化项进行联合求解，得到去噪与降维后的数据。采用低秩表示与子空间联合模型对待处理数据同时进行处理，处理过程对所述低秩模型和所述正则化项进行联合求解，由于所述低秩模型和所述正则化项分别用于去噪和降维，所以求解过程能够在去噪和降维两个目标上同时优化，从而实现最佳全局优化效果，保证了数据去噪和降维的效果。
-
公开(公告)号：CN114841214B
公开(公告)日：2023-06-02
申请号：CN202210547995.8
申请日：2022-05-18
Applicant: 杭州电子科技大学
IPC: G06F18/241 , G16H20/90 , A61B5/024 , G06N3/0895
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。
-
-
-
-
-
-
-
-
-
Search Results
64
records
(took 0.029 seconds)
