公开(公告)号：CN118941415A

公开(公告)日：2024-11-12

申请号：CN202411072770.7

申请日：2024-08-06

Applicant: 北京工业大学

Inventor： 张天乐 ,  许萌 ,  赵佳薇 ,  赵焕英

IPC: G06Q50/14 ,  G06Q30/0201 ,  G06F16/21 ,  G06F16/29 ,  G06F16/25 ,  G06F16/215 ,  G06F16/26 ,  G06F16/909 ,  G06T17/00 ,  G06T19/20 ,  G06T19/00

Abstract: 本发明公开了一种文旅孪生平台，涉及数字孪生技术领域，包括用户交互模块、技术支撑模块；其中，技术支撑模块包括感知层、数据层、服务层、应用层、人际交互层；感知层采集用户行为数据和景区物联网设备数据，数据层建立空间地理数据库和业务专题数据库，存储景区三维模型、POI信息、客流数据；用户可以随时随地在线体验景点，不再受地域、时间、年龄等因素的限制，让旅游更加便捷、高效和多元，并将景区资源整合在一起，为游客提供更全面、更便捷的一站式旅游服务，并推动景区之间的协同发展。且将元宇宙技术与文旅产业深度融合，打造全新的虚拟旅游模式，推动旅游业向数字化、智能化、个性化方向发展。

公开(公告)号：CN116244663A

公开(公告)日：2023-06-09

申请号：CN202310218073.7

申请日：2023-03-08

Applicant: 北京工业大学

Inventor： 王丹 ,  王宇鹏 ,  陈佳明 ,  许萌

IPC: G06F18/25 ,  A61B5/16 ,  A61B5/00 ,  A61B5/398 ,  A61B5/372 ,  A61B5/346 ,  G06F18/10 ,  G06F18/214 ,  G06F18/2415 ,  G06N3/045 ,  G06N3/0442 ,  G06N3/0464 ,  G06N3/047 ,  G06N3/084

Abstract: 本发明公开了一种面向认知状态检测的多生理信号融合的分类方法。首先使用EMD算法对数据集中的信号进行分解，信号分解后得到若干分量，将不同信号的其中一部分分量进行交换，重组后得到新信号，通过这种方法扩充数据集，达到数据增强的目的。之后将不同的生理信号数据按采集位置放入到数据矩阵中，以此达到多生理信号融合的目的。最后将处理好的数据矩阵放入设计的深度学习网络中进行特征提取及分类，得到信号所属的认知状态。本发明采用数据增强方法避免生理信号数据过少导致的过拟合现象，采用多生理信号融合得到比单一生理信号更高的分类准确率，使认知状态检测的效果得到了提升。

公开(公告)号：CN117591875A

公开(公告)日：2024-02-23

申请号：CN202311488377.1

申请日：2023-11-09

Applicant: 北京工业大学

Inventor： 王丹 ,  胡欣康 ,  陈佳明 ,  许萌

IPC: G06F18/214 ,  G06F18/241 ,  G06F18/213 ,  G06N3/0464 ,  G06N3/0985

Abstract: 一种基于滤波器组轻量网络的精细运动想象脑电信号分类方法属于计算机软件领域。针对脑电不同频率可能蕴含不同类型的运动想象信息的特点，提出了一种基于滤波器组的网络模型Filter Bank Shallow Convolution Net，简称“FBShallowConvNet”的。首先，使用不同波段的带通滤波器对原始脑电进行滤波，利用滤波后的信号放入卷积网络中进行特征提取，卷积网络通过时域卷积和空间卷积提取特征，并添加通道自注意力模块利用通道间的相似性分配通道的权重，最后通过特征完成对脑电信号的分类。本发明利用了脑电信号不同波段蕴含不同的运动想象特征信息，有效的提高了精细运动想象的分类准确率。

公开(公告)号：CN116304815A

公开(公告)日：2023-06-23

申请号：CN202310212631.9

申请日：2023-03-07

Applicant: 北京工业大学

Inventor： 王丹 ,  周浩 ,  陈佳明 ,  许萌

IPC: G06F18/24 ,  G06F18/10 ,  G06F18/213 ,  G06F18/214 ,  G06F18/2415 ,  G06N3/0464 ,  G06N3/049 ,  G06N3/045 ,  G06N3/084

Abstract: 一种基于多头自注意力机制和并行卷积的运动想象脑电信号分类方法，属于计算机软件领域。针对脑电信号信噪比低导致特征提取困难的问题，提出一种基于EEGNet改进的网络模型，简称EEG‑MATCNet。首先，使用并行卷积层对原始脑电信号进行初步的特征提取，不同尺度的卷积核能够提取不同步长的时间特征。同时通过多头自注意力机制计算各个电极之间脑电信号的注意力权重，使网络训练时更好得提取空间特征。此外，通过时间卷积网络提升了卷积核的感受野，让模型能够提取更高级的时间特征。经过实验证明，本发明提出的分类方法更能有效地提升对运动想象脑电信号的特征提取和分类性能。

公开(公告)号：CN119385578A

公开(公告)日：2025-02-07

申请号：CN202411455009.1

申请日：2024-10-17

Applicant: 北京工业大学

Inventor： 王丹 ,  杨攀 ,  许萌 ,  陈佳明

IPC: A61B5/372 ,  A61B5/369 ,  A61B5/00 ,  G06F18/213 ,  G06F18/2415 ,  G06F18/25 ,  G06N3/045 ,  G06N3/0464 ,  G06N3/084 ,  G06F123/02

Abstract: 本发明提出了一种基于自适应通道混合注意力机制和解耦学习的RSVP类不平衡脑电信号分类方法，旨在提升RSVP脑电信号的特征提取和分类性能。首先，对采集的RSVP脑电信号进行预处理，包括共平均参考、带通滤波和标准化处理并对训练集和测试集进行划分。然后，通过并行卷积层和空间卷积层提取多尺度时间和空间特征，利用插值法融合不同层次的特征。训练过程解耦为表示学习和分类器学习，表示学习使用基于难度样本采样的三元组损失函数，分类器学习使用优化后的Focal Loss进行特征学习和分类器优化。引入自适应通道混合注意力机制，通过动态加权和多层次特征融合，增强了模型的灵活性和鲁棒性。该方法解决了RSVP任务中的类别不平衡问题。

公开(公告)号：CN117216631A

公开(公告)日：2023-12-12

申请号：CN202311124936.0

申请日：2023-09-03

Applicant: 北京工业大学

Inventor： 王丹 ,  吴书晗 ,  许萌 ,  陈佳明

IPC: G06F18/24 ,  G06F18/214 ,  G06N3/042 ,  G06N3/0464

Abstract: 一种基于图神经网络的运动想象脑电信号分类方法，属于计算机软件领域。针对大脑区域处于非欧式空间的特点，提出一种基于图神经网络模型的Multi‑View Graph Convolution Net。首先，空间图卷积模块采用两个脑视图实现信息互补，使用自学习图构建功能脑视图，同时利用脑电电极的空间位置构建距离脑视图。然后，利用已构建的脑视图对输入的脑电信号进行特征提取，提取完成后将特征加权融合。空间图卷积模块能充分考虑脑电通道间的联系，提升脑电通道之间的信息交互。最后，利用时间卷积和空间卷积完成脑电信号的分类。本发明的分类方法能更有效地提取运动想象脑电信号的空间特征，进一步提高分类准确率。

公开(公告)号：CN116340825A

公开(公告)日：2023-06-27

申请号：CN202310308602.2

申请日：2023-03-28

Applicant: 北京工业大学

Inventor： 王丹 ,  陈弘颖 ,  许萌 ,  陈佳明

IPC: G06F18/24 ,  G06F18/214 ,  G06N3/0464 ,  G06N3/0475 ,  G06N3/045 ,  G06N3/096 ,  G06N3/084 ,  A61B5/372 ,  A61B5/00

Abstract: 一种基于迁移学习的跨被试RSVP脑电信号的分类方法属于计算机软件领域，针对RSVP‑BCI系统在更换被试时需要花费大量时间进行校准的问题。首先，使用基于结果和基于距离相结合的源域被试算法MSS对多源域被试进行筛选，以减少训练时间并在一定程度上减少或消除负迁移现象。随后，ADCN采用分窗深度卷积模型对RSVP脑电信号进行时空域上的分析，加入反向对抗网络对源域、当前被试进行区分，使得网络能够提取出两者的共同特征，最后进行分类。相比较没有MSS的ADCN算法，加入MSS算法后，训练时间减少而分类精度提升。MSS‑ADCN在被试提供少量校准试次的情况下达到可接受精度，并优于其他迁移学习算法。

公开(公告)号：CN116340824A

公开(公告)日：2023-06-27

申请号：CN202310307594.X

申请日：2023-03-28

Applicant: 北京工业大学

Inventor： 王丹 ,  李芳达 ,  许萌

IPC: G06F18/24 ,  G06N3/0442 ,  G06N3/0464 ,  G06N3/045 ,  G06N3/084 ,  G06N3/08 ,  G06F18/214 ,  G06F18/21 ,  G06F3/01

Abstract: 本发明公开一种基于卷积神经网络的肌电信号动作识别方法。针对现有卷积神经网络提取信号图像特征时在多次卷积和下采样后边缘特征易消失，且难以提取表面肌电信号的时序特征的问题，提出了一种样本重构方法和加入了长短时记忆模块的卷积神经网络结构。首先，通过幅值偏斜和白噪声对原始数据做数据增强处理，利用空间填充曲线算法将信号转换为多通道二维图像样本，以模型的增强特征提取能力。在卷积神经网络的基础上，增加长短时记忆模块，进一步提取信号的时序特征。相较于直接使用肌电信号图像作为样本训练的卷积神经网络，本发明提出的方案能够更有效地提升对动作分类的准确性。