-
公开(公告)号：CN114533085B
公开(公告)日：2024-05-28
申请号：CN202210152738.4
申请日：2022-02-18
Applicant: 北京工业大学
IPC: A61B5/369 , A61B5/372 , A61B5/1455
Abstract: 本发明提出了一种基于注意力机制的EEG‑fNIRS的多模态的时空融合分类算法。EEG具有高时间分辨率但是空间分辨率较低，而fNIRS具有高空间分辨率但是时间分辨率较低，本发明利用EEG、fNIRS的多模态融合信息提取在运动想象中的大脑指令，以充分利用EEG、fNIRS之间的信息优势互补。本发明针对运动想象的时空特征的提取，本发明采用CNN提取空间特征，然后再利用LSTM提取时间特征，同时在CNN中使用ECA注意力机制以将有限的资源专注于重要的特征。本发明能够在运动想象的分类任务中，充分利用多模态的时空特性，可以有效的提高大脑中指令的识别。
-
Patent Agency Ranking
公开(公告)号：CN114533085A
公开(公告)日：2022-05-27
申请号：CN202210152738.4
申请日：2022-02-18
Applicant: 北京工业大学
IPC: A61B5/369 , A61B5/372 , A61B5/1455
Abstract: 本发明提出了一种基于注意力机制的EEG‑fNIRS的多模态的时空融合分类算法。EEG具有高时间分辨率但是空间分辨率较低，而fNIRS具有高空间分辨率但是时间分辨率较低，本发明利用EEG、fNIRS的多模态融合信息提取在运动想象中的大脑指令，以充分利用EEG、fNIRS之间的信息优势互补。本发明针对运动想象的时空特征的提取，本发明采用CNN提取空间特征，然后再利用LSTM提取时间特征，同时在CNN中使用ECA注意力机制以将有限的资源专注于重要的特征。本发明能够在运动想象的分类任务中，充分利用多模态的时空特性，可以有效的提高大脑中指令的识别。
-
公开(公告)号：CN110085323A
公开(公告)日：2019-08-02
申请号：CN201910316298.X
申请日：2019-04-19
Applicant: 北京工业大学
Abstract: 本发明揭示了一种基于电子病历的诊疗路径发现方法，该方法包括以下步骤：S1步骤：通过根据发生在患者身上的所有医疗事件的发生时间来构建每个患者的医疗事件序列；S2步骤：使用序列预处理器将每个同时并发医疗事件拆分为若干个频繁子集以降低模式挖掘的计算复杂性；S3步骤：使用序列模式挖掘算法和模式增长策略对序列进行挖掘，得到序列中的频繁模式结果。本方法在充血性心力衰竭的电子病历数据集上进行了测试，结果显示该方法实现了在原始医疗序列缺乏相关数值和单个事件持续时间时对序列中频繁模式的挖掘功能。
-
公开(公告)号：CN114266276B
公开(公告)日：2024-05-31
申请号：CN202111606161.1
申请日：2021-12-25
Applicant: 北京工业大学
IPC: G06F18/213 , G06F18/24 , G06F18/214 , G06N3/0464 , A61B5/00 , A61B5/372
Abstract: 一种基于通道注意力和多尺度时域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“MCA‑EEGNet”。首先，使用并行多尺度的时间卷积层代替EEGNet模型中的普通卷积层，以更好地进行特征提取，从而提高分类准确率。同时添加通道注意力模块ECA，使网络训练时更加关注与输入数据相关度高的通道信息，从而进一步提高模型的鲁棒性。相比较EEGNet模型，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：CN114266276A
公开(公告)日：2022-04-01
申请号：CN202111606161.1
申请日：2021-12-25
Applicant: 北京工业大学
Abstract: 一种基于通道注意力和多尺度时域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“MCA‑EEGNet”。首先，使用并行多尺度的时间卷积层代替EEGNet模型中的普通卷积层，以更好地进行特征提取，从而提高分类准确率。同时添加通道注意力模块ECA，使网络训练时更加关注与输入数据相关度高的通道信息，从而进一步提高模型的鲁棒性。相比较EEGNet模型，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：CN110085323B
公开(公告)日：2021-04-30
申请号：CN201910316298.X
申请日：2019-04-19
Applicant: 北京工业大学
Abstract: 本发明揭示了一种基于电子病历的诊疗路径发现方法，该方法包括以下步骤：S1步骤：通过根据发生在患者身上的所有医疗事件的发生时间来构建每个患者的医疗事件序列；S2步骤：使用序列预处理器将每个同时并发医疗事件拆分为若干个频繁子集以降低模式挖掘的计算复杂性；S3步骤：使用序列模式挖掘算法和模式增长策略对序列进行挖掘，得到序列中的频繁模式结果。本方法在充血性心力衰竭的电子病历数据集上进行了测试，结果显示该方法实现了在原始医疗序列缺乏相关数值和单个事件持续时间时对序列中频繁模式的挖掘功能。
-
-
-
-
-
Search Results
6
records
(took 0.017 seconds)
