-
公开(公告)号：CN109646022A
公开(公告)日：2019-04-19
申请号：CN201910023305.7
申请日：2019-01-10
Applicant: 杭州电子科技大学
IPC: A61B5/16 , A61B5/0476 , G16H50/30 , G16H50/20
Abstract: 本发明公开儿童注意力评估系统及其方法。本发明通过采集儿童的前额脑电并获取原始注意力数据，对其进行处理与分析，建立基于脑电的注意力评价模型，并得到注意力的各项客观指标。本发明提出的注意力评估模型将注意力状态分为六种：放松状态、注意力转移状态、任务状态、专注状态、走神状态、注意力消失状态；并且计算注意力的若干指标：放松状态平均注意力、专注状态平均注意力、最高注意力、注意力强度、注意力的持久性、注意力的稳定性、注意力状态转移效率。本发明将会有效帮助家长了解孩子注意力状况，提升儿童注意力水平，促进孩子学习成绩提高。
-
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：CN118260672A
公开(公告)日：2024-06-28
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：CN113627391B
公开(公告)日：2024-03-12
申请号：CN202111012095.5
申请日：2021-08-31
Applicant: 杭州电子科技大学
IPC: G06F18/213 , G06F18/24 , G06F18/214 , G06F18/22 , G06N3/0464 , G06N3/045 , G06N3/082 , G06N3/09 , A61B5/369 , A61B5/372
Abstract: 本发明公开一种考虑个体差异的跨模式脑电信号识别方法。将脑电信号数据格式统一为3D张量结构，然后将其划分为数据集输入到由分支网络构成的分类器中进行训练以分别提取背景特征和任务特征；利用上述提取到的背景特征计算不同被试之间的相似度，并对数据集中的数据进行筛选以避免差异程度大于阈值的脑电信号数据在训练过程中带来的模型负提升；最终将筛选后的数据集输入到多分支网络模型中进行训练。本发明在尽可能采集少量新被试数据的同时，能更好地提取不同被试上的特征以提升模型在跨被试任务中的性能。
-
公开(公告)号：CN117668512A
公开(公告)日：2024-03-08
申请号：CN202311759440.0
申请日：2023-12-20
Applicant: 杭州电子科技大学
IPC: G06F18/2113 , A61B5/369 , A61B5/372 , A61B5/00 , G06F18/24 , G06N20/00 , G06F123/02
Abstract: 本发明公开一种基于强化学习的睡眠分期方法及系统，包括如下步骤：脑电采集；脑电信号预处理；构建动作策略网络进行特征提取；设置奖励函数；动作策略网络更新；输出分类结果。本发明提出在睡眠分期领域中基于过滤式的特征提取方法上，更好的进行睡眠脑电信号特征优选，剔除冗余特征的同时保持准确率。本发明注重睡眠脑电信号原始数据提供的有效信息以及特征之间的关联信息，通过不断学习来得到一个最优特征子集，不仅考虑了各个睡眠脑电信号特征之间的相互作用，还可以动态地调整特征组合以适应不同的数据集和任务要求，从而去除睡眠分期识别模型中的冗余特征，通过该睡眠分期识别模型获得分期结果。
-
Patent Agency Ranking
公开(公告)号：CN113537292B
公开(公告)日：2024-02-09
申请号：CN202110678075.5
申请日：2021-06-18
Applicant: 杭州电子科技大学
IPC: G06V10/764 , G06V10/774 , G06V10/40
Abstract: 本发明公开一种基于张量化高阶互注意力机制的多源域适应方法。通过共享子网络构建初级特征提取器以提取多源域数据的浅层共有特征。其次，分别构造不同源域的深层特征提取器，目标域数据分别通过这些深层特征提取器以提取与不同源域相关的特征。在深层特征的基础上，通过高阶互注意力机制挖掘多源域空间深层特征之间的高阶相关性，并应用于目标域，从而与度量目标域与源域特征分布差异的损失函数一起指导目标域与源域的域不变特征提取。最后，分别训练每个源域的特征分类器，将目标域数据特征分别输入这些分类器，得到所有预测结果的平均作为最终目标域数据的预测结果。本发明有效挖掘多源域特征间的相关性，适用于多源域适应。
-
公开(公告)号：CN117520744A
公开(公告)日：2024-02-06
申请号：CN202311449583.1
申请日：2023-11-02
Applicant: 杭州电子科技大学
Abstract: 本发明公开一种基于机在环路的单侧肢体运动想象脑机协同解码方法。本发明对脑电信号预处理得到处理后的信号，然后对其进行短时傅里叶变换得到能量密度频谱矩阵，再计算计算能量密度频谱矩阵的样本协方差矩阵；将样本协方差矩阵投影到以黎曼均值为切点的切平面上；对黎曼切平面上的特征进行降维；使用LDA分类器对降维后的特征进行分类。本发明提出融合短时傅里叶变换和黎曼几何，将短时傅里叶变换得到的功率谱密度矩阵投影到对应的黎曼几何切空间中进行分类，解决了精细动作运动想象分类精度不高的问题，提高了分类精度，同时本发明提供的方法可用于跨被试迁移学习上，克服脑电信号的个体差异性带来的困难，增强了解码方法的鲁棒性。
-
公开(公告)号：CN116115240A
公开(公告)日：2023-05-16
申请号：CN202211614998.5
申请日：2022-12-14
Applicant: 杭州电子科技大学
Abstract: 本发明公开基于多分支图卷积网络的脑电情绪识别方法。本发明建模的图信号特征数据，还原脑电数据本身在空间和功能上的联系，利用多维特征保留了更多的情感信息，用于准确分类识别个体的情感状态。结合注意力机制，在情感信息丰富度上很好的区分不同的样本数据，进而大大降低冗余数据对分类性能的干扰，具有良好的分类效果和可泛化性；采用多支路图卷积模型，该模型同时考虑了通道间的物理性连接和相关性连接，利用基于相关性连接的注意机制来辅助优化基于物理连接的邻接矩阵，解决目前普通图卷积模型中邻接矩阵信息单一化的问题。本发明利用在线脑机接口系统，改以往多是对离线脑电数据进行分析的现象，提高了脑电数据分析的实时性。
-
公开(公告)号：CN116092638A
公开(公告)日：2023-05-09
申请号：CN202211436165.4
申请日：2022-11-16
Applicant: 杭州电子科技大学
Abstract: 本发明公开一种基于运动想象神经反馈的多人协同康复训练方法和系统。本系统包括n台用户主机、数据处理模块、神经反馈模块、用户训练进程记录模块；脑电采集设备采集每位用户的脑电数据；所述神经反馈模块控制n名被试者的反馈同步，并控制n台脑电采集设备同步采集，且实现视听触多模态神经反馈；所述数据处理模块包括预处理模块、特征提取与多脑融合决策模块；所述预处理模块接收n台脑电采集设备采集到的脑电数据，对采集到的脑电数据进行预处理。所述特征提取与多脑融合决策模块用于获取被试发生ERD结果。所述用户训练进程记录模块记录被试每次实验训练信息，可用于数据离线分析，以及自适应调节用户身份信息。本发明提高康复系统的实用性、稳定性、社会交互性，提升用户体验感与沉浸感，让神经反馈康复训练的治疗效果得以显著提升。
-
公开(公告)号：CN115631371A
公开(公告)日：2023-01-20
申请号：CN202211266313.2
申请日：2022-10-17
Applicant: 杭州电子科技大学
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06V40/10 , G06F3/01
Abstract: 本发明提出一种脑电信号核心网络提取方法。本发明通过对脑电信号进行分析和特征提取，使用注意力图卷积神经网络(A‑GCN)训练获取到脑网络的核心节点，同时也获取了核心网络，使得多种分类预测模型在测试集上只需要计算少量的节点或边特征(网络)就能够获得更高的识别准确率。本发明提供的方法只需要采集被试少量的通道数据，提升了BCI应用中的实用性。
-
-
-
-
-
-
-
-
-
Search Results
87
records
(took 0.032 seconds)
