-
公开(公告)号：CN112488081A
公开(公告)日：2021-03-12
申请号：CN202011541187.8
申请日：2020-12-23
Applicant: 杭州电子科技大学
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。
-
公开(公告)号：CN112274154A
公开(公告)日：2021-01-29
申请号：CN202010985572.5
申请日：2020-09-18
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于脑电样本权重调整的跨被试疲劳状态分类方法。本发明以PSD作为特征提取方法，InstanceEasyTL算法作为分类器，通过对EEG信号的处理及分析，在跨被试的设定下，对驾驶员的疲劳程度进行分类，实现疲劳、清醒两种状态的区分。首先获取数据并预处理；其次使用PSD对脑电数据进行特征提取；然后设置实验的新源域和新目标域，再根据InstanceEasyTL算法进行分类。与传统的机器学习、深度学习方法和基于特征对齐的EasyTL方法相比，在跨被试上拥有更好的分类性能。此外本方法在仅需目标域中小部分比例的数据情况下，仍然能够保持较高的分类性能。
-
公开(公告)号：CN111096830A
公开(公告)日：2020-05-05
申请号：CN201911384974.3
申请日：2019-12-28
Applicant: 杭州电子科技大学
Abstract: 本发明公开一种基于LightGBM的外骨骼步态预测方法。本发明通过人体运动学分析，提取下肢关节的加速度数据做离线分析，进而解算出关节控制目标轨迹，最后控制系统通过该轨迹进行运动控制，实现下肢外骨骼的人体步态运动。本发明提出一种全新的下肢运动步态轨迹预测方法，能够应用于下肢外骨骼控制中，创新性的对LightGBM实现并联结构输入，并对下肢关节的连续目标值的步态轨迹预测，预测方法具有较强的精确度,减少了训练时间。
-
公开(公告)号：CN110363157A
公开(公告)日：2019-10-22
申请号：CN201910645407.2
申请日：2019-07-17
Applicant: 杭州电子科技大学 , 福建中医药大学附属康复医院
IPC: G06K9/00
Abstract: 本发明公开基于时间编码的外骨骼混合脑机接口控制方法。本发明主要使用稳态诱发电位脑机接口实现外骨骼运动模式之间切换，使用运动想象脑机接口实现外骨骼运动状态之间切换，两者与时间窗编码相融合，并由编码时间窗所处的不同状态选取相应脑机接口算法进行单次决策。综合连续的单次决策结果，输出综合决策的结果，并映射为外骨骼控制指令进行下发。其可辅助使用者根据主动运动意图在7种运动模式与运动状态之间切换：直立，行走，坐，上楼梯，下楼梯，左腿前进，右腿前进。本发明将7分类转变为2分类与空闲状态的检测，可有效的降低系统的假阳性率并提高识别率。
-
公开(公告)号：CN110163108A
公开(公告)日：2019-08-23
申请号：CN201910329213.1
申请日：2019-04-23
Applicant: 杭州电子科技大学
Abstract: 本发明公开了基于双路径特征融合网络的鲁棒声呐目标检测方法。传统图像处理方法使用图像分割的方法将背景和目标区分；本发明如下：一、搭建双路径特征融合网络。二、对步骤1所得的双路径特征融合网络进行训练。三、声呐图像的生成和特征提取。四、结合默认框进行声呐图像目标框的分类和检测。本发明将深度学习技术融入到目标检测中，将声呐数据生成的声呐图像输入网络模型中，在模型中一次性完成特征提取、目标检测、目标分类，从而大大提高检测速度。本发明可以提取到更多的深层次特征，从根本上优化了目标分类，回归。本发明采用多尺度密集相连，以融合多层次特征，提升中小目标检测效果。
-
Patent Agency Ranking
公开(公告)号：CN109893125A
公开(公告)日：2019-06-18
申请号：CN201910203614.2
申请日：2019-03-18
Applicant: 杭州电子科技大学
IPC: A61B5/0476 , A61B5/0478 , A61B5/00
Abstract: 本发明涉及一种基于脑区信息交互的脑昏迷状态识别方法。本发明根据10-20系统标准选择前额左右脑对称的六个电极采集脑电信号，获取前额脑电信号后，对其进行预处理，然后分别计算delta,theta,alpha频段上所有通道间的相位同步值，进而计算出左右脑区跨脑区和脑区内相位同步指标，最后根据T时间内跨脑区和脑区间信息交互关系判断脑昏迷状态。本发明为昏迷状态判定提供了一种更为方便、准确、可靠的鲁棒性神经标记，可以作为医生临床昏迷状态诊断的重要参考依据。
-
公开(公告)号：CN109655815A
公开(公告)日：2019-04-19
申请号：CN201811407252.0
申请日：2018-11-23
Applicant: 杭州电子科技大学
Abstract: 本发明公开了基于SSD的声呐目标检测方法。当下的水下目标检测识别方法难以精准的同步识别多个目标。本发明如下：一、建立SSD神经网络模型。二、用需要被识别的声呐数据生成n张被测声呐图像。三、将被测声呐图像送入SSD神经网络模型，获取特征图。四、对特征图设置检测框。五、将检测框输入两个卷积核，获取检测框针对各个目标类别的类别分数以及形状偏移量。六、确定被测声呐图像含有的目标类型，并框选出所有目标。本发明将深度学习技术融入到声呐目标检测中，将声呐数据生成的声呐图像输入SSD神经网络模型中，在模型中一次性完成特征提取、目标检测、目标分类，从而大大提高检测速度。
-
公开(公告)号：CN109512442A
公开(公告)日：2019-03-26
申请号：CN201811571326.4
申请日：2018-12-21
Applicant: 杭州电子科技大学
IPC: A61B5/18 , A61B5/0476 , A61B5/00
Abstract: 本发明公开了一种基于LightGBM的EEG疲劳状态分类方法。本发明以共空间模式作为特征提取方法，梯度boosting框架LightGBM作为分类器，通过对EEG信号的分析，对驾驶员的疲劳程度进行分类，实现疲劳、清醒、中性三种状态的区分。首先获取数据并预处理；其次通过CSP对脑电数据进行特征提取，后对脑电特征进行降维；然后划定实验的训练集和测试集，再构建分类模型分类。针对精神状态预测，本发明获得的结果更好，且从时间消耗角度，本发明拥有较快的运行速度，这对后期应用于实时数据分析提供了基础。总之，本发明在精神状态预测方面具有较好的性能，以期在实际的脑机交互中有着广泛的应用前景。
-
公开(公告)号：CN103268149B
公开(公告)日：2016-06-15
申请号：CN201310138896.5
申请日：2013-04-19
Applicant: 杭州电子科技大学
Abstract: 本发明涉及一种基于脑机接口的实时主动式系统控制方法。本发明包括EEG信号采集阶段、信号处理阶段和控制器械工作。其中信号处理阶段包括EEG信号特征离线分析、脑电信号特征实时提取和分类决策。控制器械工作包括脑电信号采集系统和计算机软件系统。本发明通过相应的信号处理机制以及综合分类决策实现了实时性，通过在传统机械的基础上改装串口通信设备实现了主动性。
-
公开(公告)号：CN104095630B
公开(公告)日：2016-02-10
申请号：CN201410367212.3
申请日：2014-07-29
Applicant: 杭州电子科技大学
IPC: A61B5/0476 , A61B5/16
Abstract: 本发明涉及一种基于脑电相位同步的疲劳检测方法。本发明首先从Neuroscan 64导系统采集的数据中选取58通道脑电数据用于相位同步分析。其次将步骤1采集到的脑电数据通过CAR滤波器，通过计算所记录的N个电极的信号平均值来重新评定每个时刻每个电极的电位。再次对步骤2中得到的脑电数据根据脑区内和脑区间进行平均相位相干性计算。最后选定特定频段的脑区内的相位同步脑区间的相位同步值来判断是否出现疲劳状态。本发明运用特定频段的脑区计算脑区间和脑区内的相位同步值，计算相位同步值的显著性大小区分清醒和疲劳状态，有助于提高疲劳检测的准确性。
-
-
-
-
-
-
-
-
-
Search Results
161
records
(took 0.03 seconds)
