-
公开(公告)号：CN109299647B
公开(公告)日：2022-02-11
申请号：CN201810817791.5
申请日：2018-07-24
Applicant: 东南大学
Abstract: 本发明涉及一种面向车辆控制的多任务运动想象脑电特征提取及模式识别方法，利用脑电放大器采集被试的多任务运动想象脑电信号，传输给上位机后利用welch功率谱及一对一公共空间模式算法提取运动想象脑电的频域及空域特征组合；根据训练集数据所属类别构建多个GMM分类器，将原始脑电信号通过GMM分类器，并将得到的概率密度与设定的可信阈值进行对比，利用人工神经网络对低于可信阈值的样本进行二次分类，得出最终分类结果并通过无线串口传输给车辆，实现车辆的实时运动；本发明通过利用welch功率谱和CSP提取与运动想象相关的频域及空域特征，利用GMM和人工神经网络两级分类器，有效提高了车辆控制的实时性和车辆驾驶的安全性，为脑控车辆的实际应用奠定基础。
-
公开(公告)号：CN109299647A
公开(公告)日：2019-02-01
申请号：CN201810817791.5
申请日：2018-07-24
Applicant: 东南大学
Abstract: 本发明涉及一种面向车辆控制的多任务运动想象脑电特征提取及模式识别方法，利用脑电放大器采集被试的多任务运动想象脑电信号，传输给上位机后利用welch功率谱及一对一公共空间模式算法提取运动想象脑电的频域及空域特征组合；根据训练集数据所属类别构建多个GMM分类器，将原始脑电信号通过GMM分类器，并将得到的概率密度与设定的可信阈值进行对比，利用人工神经网络对低于可信阈值的样本进行二次分类，得出最终分类结果并通过无线串口传输给车辆，实现车辆的实时运动；本发明通过利用welch功率谱和CSP提取与运动想象相关的频域及空域特征，利用GMM和人工神经网络两级分类器，有效提高了车辆控制的实时性和车辆驾驶的安全性，为脑控车辆的实际应用奠定基础。
-
公开(公告)号：CN109144277A
公开(公告)日：2019-01-04
申请号：CN201811218785.4
申请日：2018-10-19
Applicant: 东南大学
CPC classification number: G06F3/015 , G06K9/00503 , G06K9/6256
Abstract: 本发明涉及一种基于机器学习实现脑控智能小车的构建方法，包括以下步骤：被试佩戴EMOTIV脑电放大器，想象左手运动、右手运动、推和拉等肢体动作；将放大器采集得到的脑电信号传输给上位机中的Simuink模块，再通过无线串口将信号传输给虚拟机中的Linux系统；运用小波包分解滤除与运动想象无关的脑电信号，利用Fisher判据选取每个通道的最佳频率，再根据公共空间模式（CSP）的滤波系数剔除部分维度的信号分量；完成K近邻（KNN）分类器的构建，对一对多CSP滤波器所提取的特征向量进行分类，将分类结果传输给单片机，实现小车实时控制；本发明所需的硬件平台结构简单成本低，通过各通道频率选取及部分维度信号分量的剔除提高了脑电信号的识别率，保障了小车的驾驶安全。
-
公开(公告)号：CN110309723B
公开(公告)日：2023-08-01
申请号：CN201910483030.5
申请日：2019-06-04
Applicant: 东南大学
IPC: G06V40/20 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/084 , G06N3/0464
Abstract: 本发明提供了一种基于人体特征细分类的驾驶员行为识别方法，包括：建立驾驶员行为识别的图像数据集；构建基于人体特征细分类的识别模型；训练基于人体特征细分类的识别模型；对基于人体特征细分类的识别模型进行测试。本发明能够对人体关键点部位进行正确的动作分类，结合局部特征和图像全局特征进行驾驶员行为细分类，在交通安全领域有重要的应用价值。本发明通过Stacked Hourglass Networks模型进行关键点定位，随后，对关键点区域进行学习，将人体部位的具体动作作为卷积分类的中层特征，显著地提升了模型的识别精度。
-
公开(公告)号：CN109144277B
公开(公告)日：2021-04-27
申请号：CN201811218785.4
申请日：2018-10-19
Applicant: 东南大学
Abstract: 本发明涉及一种基于机器学习实现脑控智能小车的构建方法，包括以下步骤：被试佩戴EMOTIV脑电放大器，想象左手运动、右手运动、推和拉等肢体动作；将放大器采集得到的脑电信号传输给上位机中的Simuink模块，再通过无线串口将信号传输给虚拟机中的Linux系统；运用小波包分解滤除与运动想象无关的脑电信号，利用Fisher判据选取每个通道的最佳频率，再根据公共空间模式（CSP）的滤波系数剔除部分维度的信号分量；完成K近邻（KNN）分类器的构建，对一对多CSP滤波器所提取的特征向量进行分类，将分类结果传输给单片机，实现小车实时控制；本发明所需的硬件平台结构简单成本低，通过各通道频率选取及部分维度信号分量的剔除提高了脑电信号的识别率，保障了小车的驾驶安全。
-
Patent Agency Ranking
公开(公告)号：CN110135327B
公开(公告)日：2023-04-07
申请号：CN201910391169.7
申请日：2019-05-11
Applicant: 东南大学
IPC: G06V20/59 , G06V10/774 , G06V10/764 , G06V10/84 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/047 , G06N3/08
Abstract: 本发明设计了一种基于多区域特征学习模型的驾驶员行为识别方法，涉及计算机视觉中的行为识别领域。本发明结合图片多个有判别力的区域，比如手、方向盘、头等局部区域，与整体图片相结合作为驾驶员行为识别的依据。本发明在RCNN模型的基础上，使用Bing算法用于区域生成，测出图片中多个具有判别力的局部区域，随后将局部区域与整体图片分别送入卷积神经网络模型中提取相关特征，最后将特征融合进行行为分类。本发明所设计的网络可以高效快速地提取驾驶员行为的多区域特征，进一步提高驾驶员行为识别准确率。发明在交通安全领域有重要的应用价值。
-
公开(公告)号：CN109795551A
公开(公告)日：2019-05-24
申请号：CN201910079219.8
申请日：2019-01-28
Applicant: 东南大学
IPC: B62D6/00 , B60L15/32 , B62D101/00 , B62D113/00 , B62D103/00
Abstract: 本发明涉及一种基于线性二次型微分博弈的四轮独立驱动电动汽车四轮主动转向控制方法，通过前馈控制器输出前轮前馈补偿控制转向角和后轮前馈控制转向角，基于线性二次型微分博弈算法，将前轮反馈补偿控制转向角和后轮反馈控制转向角作为博弈的两个“局中人”，通过求解耦合代数黎卡提方程组获得微分博弈的反馈纳什均衡解，从而求得前轮反馈补偿控制转向角和后轮反馈控制转向角；通过前馈与反馈控制相结合的四轮主动转向提高电动汽车高速转向时的操纵稳定性和低速转向时的操纵灵活性，在基本不改变驾驶员传统前轮转向驾驶感觉的前提下，有效地降低了汽车质心侧偏角，能够较好地跟踪车辆理想横摆角速度，改善了车辆的主动安全性能。
-
公开(公告)号：CN110298257B
公开(公告)日：2023-08-01
申请号：CN201910483000.4
申请日：2019-06-04
Applicant: 东南大学
IPC: G06V20/59 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明提供了一种基于人体多部位特征的驾驶员行为识别方法，包括：建立驾驶员行为识别的图像数据集；构建神经网络模型；训练基于人体多部位特征的驾驶员行为识别模型；对基于人体多部位特征的驾驶员行为识别模型进行测试。本发明结合人体关键点区域与全局区域，利用某些具有判别力的局部区域进行驾驶员行为识别，由于融合人体关键点特征，进一步提高驾驶员行为识别准确率，在交通安全领域有重要的应用价值。
-
公开(公告)号：CN109795551B
公开(公告)日：2021-05-18
申请号：CN201910079219.8
申请日：2019-01-28
Applicant: 东南大学
IPC: B62D6/00 , B60L15/32 , B62D101/00 , B62D113/00 , B62D103/00
Abstract: 本发明涉及一种基于线性二次型微分博弈的四轮独立驱动电动汽车四轮主动转向控制方法，通过前馈控制器输出前轮前馈补偿控制转向角和后轮前馈控制转向角，基于线性二次型微分博弈算法，将前轮反馈补偿控制转向角和后轮反馈控制转向角作为博弈的两个“局中人”，通过求解耦合代数黎卡提方程组获得微分博弈的反馈纳什均衡解，从而求得前轮反馈补偿控制转向角和后轮反馈控制转向角；通过前馈与反馈控制相结合的四轮主动转向提高电动汽车高速转向时的操纵稳定性和低速转向时的操纵灵活性，在基本不改变驾驶员传统前轮转向驾驶感觉的前提下，有效地降低了汽车质心侧偏角，能够较好地跟踪车辆理想横摆角速度，改善了车辆的主动安全性能。
-
公开(公告)号：CN110135327A
公开(公告)日：2019-08-16
申请号：CN201910391169.7
申请日：2019-05-11
Applicant: 东南大学
Abstract: 本发明设计了一种基于多区域特征学习模型的驾驶员行为识别方法，涉及计算机视觉中的行为识别领域。本发明结合图片多个有判别力的区域，比如手、方向盘、头等局部区域，与整体图片相结合作为驾驶员行为识别的依据。本发明在RCNN模型的基础上，使用Bing算法用于区域生成，测出图片中多个具有判别力的局部区域，随后将局部区域与整体图片分别送入卷积神经网络模型中提取相关特征，最后将特征融合进行行为分类。本发明所设计的网络可以高效快速地提取驾驶员行为的多区域特征，进一步提高驾驶员行为识别准确率。发明在交通安全领域有重要的应用价值。
-
-
-
-
-
-
-
-
-
Search Results
15
records
(took 0.028 seconds)
