-
公开(公告)号：CN114723754A
公开(公告)日：2022-07-08
申请号：CN202210638349.2
申请日：2022-06-08
Applicant: 中国科学技术大学 , 安徽省儿童医院(安徽省新华医院、安徽省儿科医学研究所)
Abstract: 本发明公开了一种超声髋关节骨龄评估方法、系统、设备及存储介质，它属于一种基于解剖学区域检测的弱监督超声髋关节骨龄评估方案，包含两个阶段：第一个阶段，能够准确定位解剖学关键区域，一方面，能够提高后续骨龄预测的准确度；另一方面，能够提供可解释性的解剖学关键区域，有利于促进医学研究的进一步发展；第二个阶段，在具有可解释性的解剖学关键区域的基础上回归预测骨龄。
-
公开(公告)号：CN114723754B
公开(公告)日：2022-09-02
申请号：CN202210638349.2
申请日：2022-06-08
Applicant: 中国科学技术大学 , 安徽省儿童医院(安徽省新华医院、安徽省儿科医学研究所)
Abstract: 本发明公开了一种超声髋关节骨龄评估方法、系统、设备及存储介质，它属于一种基于解剖学区域检测的弱监督超声髋关节骨龄评估方案，包含两个阶段：第一个阶段，能够准确定位解剖学关键区域，一方面，能够提高后续骨龄预测的准确度；另一方面，能够提供可解释性的解剖学关键区域，有利于促进医学研究的进一步发展；第二个阶段，在具有可解释性的解剖学关键区域的基础上回归预测骨龄。
-
公开(公告)号：CN114861731B
公开(公告)日：2024-04-02
申请号：CN202210585849.4
申请日：2022-05-26
Applicant: 中国科学技术大学
IPC: G06F18/213 , G06F18/214 , G06F18/241 , G06F18/22 , G06V10/82 , G06N3/048 , G06N3/0464 , G06N3/096
Abstract: 本发明公开了一种可跨场景使用的肌电模式识别方法，包括：1、采集表面肌电信号并提取特征构建原场景下的源域数据集；2、构建跨场景肌电控制的基于相似性度量的单样本学习网络(Similarity Measure based One‑shot Learning Network,SMOLN)；3、构建原场景下的源域动作模式分类器；4、构建新场景下的目标域动作模式分类器；5、获取待预测的动作模式的肌电信号并使用所述新场景下的目标域动作模式分类器完成模式识别。本发明具有更强的灵活性，仅需极少量的校准再训练样本便可实现肌电控制系统的跨场景鲁棒应用，适用于医疗康复、消费电子等广泛的应用领域。
-
公开(公告)号：CN114548165B
公开(公告)日：2024-04-02
申请号：CN202210150158.1
申请日：2022-02-18
Applicant: 中国科学技术大学
IPC: G06F18/2415 , G06N3/0464 , G06N3/084 , G06N3/096 , A61B5/397 , G06N3/048
Abstract: 本发明公开了一种可跨用户的肌电模式分类方法，包括：1、利用穿戴的当前电极设备采集n个用户的k类动作肌电信号并提取特征，从而组成有标签的源域数据#imgabs0#其中，#imgabs1#表示第i个样本对，#imgabs2#代表源域的第i个样本，#imgabs3#代表源域的第i个样本的真实标签；2、当第n+1个用户即新用户接入当前电极设备后按照任意顺序执行k类动作时，采集新用户的k类动作肌电信号并提取特征，从而组成无标签的目标域数据#imgabs4#其中，#imgabs5#代表目标域的第j个样本；3、构建基于领域自适应方法的迁移学习网络模型；4、实现跨用户的动作识别。本发明能实现跨用户的动作识别，并不断提升对新用户(目标域)数据识别的精准度。
-
公开(公告)号：CN117668696A
公开(公告)日：2024-03-08
申请号：CN202311687565.7
申请日：2023-12-11
Applicant: 中国科学技术大学
IPC: G06F18/2415 , A61B5/055 , A61B5/00 , G06F18/27 , G06F18/25 , G06N3/0464 , G06N3/0985 , G06N3/084 , G06F123/02
Abstract: 本发明公开了一种基于PointNet++神经网络和持续同调的脑功能连接网络分类方法，包括：1、对获得到的静息态功能核磁共振成像数据预处理；2、基于功能核磁共振数据和脑图谱建立脑功能连接网络；3、利用持续同调工具建立图过滤捕捉持续同调特征；4、提取获取到的的持续同调特征，并转换为三维坐标的形式并且将点数量对齐；5、使用PointNet++神经网络算法，将训练集中持续图的特征点作为输入进行训练；6、使用训练好的神经网络对数据进行预测。本发明能够基于持续同调特征对脑功能连接网络数据进行端到端的分类和回归任务学习，解决了持续同调特征难以量化、难以提取的问题，从而提升了脑功能连接网络分类的准确率。
-
Patent Agency Ranking
公开(公告)号：CN116383186A
公开(公告)日：2023-07-04
申请号：CN202310327914.8
申请日：2023-03-29
Applicant: 中国科学技术大学先进技术研究院
IPC: G06F16/215 , G06F16/26 , G06F16/28
Abstract: 本申请公开了一种数据处理系统及数据处理系统的处理方法，属于数据处理技术领域。所述系统包括：数据采集模块，所述数据采集模块用于采集第一数据集，所述第一数据集包括第一固件的第一固件侧数据和第一软件的第一软件侧数据，所述第一软件装载于所述第一固件所在的终端设备；数据处理模块，所述数据处理模块与所述数据采集模块连接，所述数据处理模块用于基于所述第一数据集，解析得到所述第一固件侧数据和所述第一软件侧数据，并分别对所述第一固件侧数据和所述第一软件侧数据进行数据处理；数据分析模块，所述数据分析模块与所述数据处理模块连接。该系统可以针对固件侧和软件侧两类数据进行实时有效的数据处理。
-
公开(公告)号：CN114004847B
公开(公告)日：2023-06-16
申请号：CN202111282403.6
申请日：2021-11-01
Applicant: 中国科学技术大学
IPC: G06T7/11 , G06T7/00 , G06N3/0464 , G06N3/042 , G06N3/09
Abstract: 本发明公开了一种基于图可逆神经网络的医学图像分割方法，是考虑空间及通道上的全局关系及网络的可逆性，其步骤包括：1输入待分割的图像，通过图卷积模块推断全局特征；2将空间及通道全局关系送入双输入可逆融合模块；3降采样的融合特征信息再经过图卷积模块及双输入可逆融合模块，获取不同尺度的融合特征信息；4升采样的图像特征与同尺度的融合特征信息经双输入可逆融合模块进行重复融合，得到多尺度特征信息；5将最终融合特征信息通过分割器输出待分割医学图像的分割图。本发明在多类别医学图像分割数据集上有效地获得最佳性能，为医学图像分割提供更好的方法，加深对医学数据的可解释性。
-
公开(公告)号：CN115700104B
公开(公告)日：2023-04-25
申请号：CN202211718922.7
申请日：2022-12-30
Applicant: 中国科学技术大学
IPC: A61B5/372 , A61B5/00 , G06F18/2415 , G06F18/214 , G06F18/22 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于多尺度原型学习的本身可解释的脑电信号分类方法，其步骤包括：1对数据集中的原始脑电信号进行预处理，包括通道选择、切片分割；2建立基于多尺度原型学习的本身可解释的脑电信号分类模型，初始化网络参数；3设计损失函数，建立分类模型优化目标；4输入数据对网络进行训练，优化网络参数，获得最优分类模型。本发明相对现有脑电信号分类方法，能够在高分类准确率的条件下提供本身可解释的证据，从而提升脑电信号在医疗等领域中的应用价值。
-
公开(公告)号：CN113935376B
公开(公告)日：2023-03-10
申请号：CN202111191445.9
申请日：2021-10-13
Applicant: 中国科学技术大学
Abstract: 本发明公开了一种基于联合约束典型相关分析算法的大脑功能子区划分方法，其步骤包括：1、将收集到的功能磁共振图像进行预处理，提取待划分脑区和参考脑区的时序信号，构建数据集；2、通过本发明提出的联合约束典型相关分析算法，计算出每个子区域对应的权重向量以及参考脑区的权重向量；3、根据子区域对应的权重向量得到待划分脑区中每个体素的隶属度，并根据参考脑区的权重向量得到与该子区域在功能上密切相关的脑区；4、选取每个权重向量中较大权值对应的体素构成一个子区域，作为划分结果。本发明能同时处理异质性较强的多个受试的功能磁共振成像数据，解决了多个体大脑功能子区的联合划分问题，有助于进一步研究大脑的功能。
-
公开(公告)号：CN115630324A
公开(公告)日：2023-01-20
申请号：CN202211341042.2
申请日：2022-10-30
Applicant: 中国科学技术大学
IPC: G06F18/241 , G06F18/213 , G06F18/2415 , G06N3/0464 , G06N3/047 , G06N3/048 , G06N3/08
Abstract: 本发明公开了一种减少用户负担的跨用户肌电模式识别方法，是通过采集源域背景用户和目标域新用户的少量校准集肌电样本数据，构建基于卷积神经网络的肌电手势分类模型FSSDA，设计正‑负对距离损失，采用点代理的方式优化目标域新用户样本与源域背景用户样本在嵌入空间中的特征距离，使得目标域样本在嵌入空间中可区分，训练好的跨用户模型可以对新用户的手势信息进行预测。本发明能显著减少模型对新用户校准数据的采集和标注时间，同时实现高准确率手势分类性能，从而促进多用户肌电接口的推广应用。
-
-
-
-
-
-
-
-
-
Search Results
95
records
(took 0.06 seconds)
