-
公开(公告)号：CN119896449A
公开(公告)日：2025-04-29
申请号：CN202411972962.3
申请日：2024-12-30
Applicant: 北京理工大学
IPC: A61B5/00 , G06N3/0464 , G06N3/042 , G06N3/096 , G06N3/088
Abstract: 本发明提供一种无监督迁移学习睡眠分期方法及装置，属于睡眠健康监测和信息技术交叉领域。该方法具体过程为：构建神经网络架构：在TS‑AGCM模型的每层神经间均添加ADSBN模块，所述TS‑AGCM模型输出端连接深度子域适应网络DSAN模型；确定全局损失函数：包括基于伪标签的分类损失函数、依赖于源域睡眠标签的源域分类损失函数以及DSAN损失函数；训练神经网络以及利用所述训练好的神经网络模型进行睡眠分期。
-
公开(公告)号：CN118948277A
公开(公告)日：2024-11-15
申请号：CN202410992403.2
申请日：2024-07-23
Applicant: 北京理工大学
IPC: A61B5/16 , A61B5/369 , A61B5/372 , A61B5/00 , G06F18/241 , G06N3/0442 , G06N3/0464 , G06N3/045
Abstract: 本发明公开了基于非线性交叉频率调制网络的脑电识别方法与系统，涉及脑电信号处理技术领域，实现了非线性划分目标频带并能自适应提取交叉频率耦合特征，其技术方案具体为：预处理模块，用于接收采集的原始脑电信号并进行预处理。频带分解与特征表示模块，用于对预处理后的脑电信号基于eMEMD进行频带划分，非线性地提取目标频带的信号分量。交叉频率耦合层，用于捕获不同频带间的耦合信息，输出交叉频率耦合特征。CNN1D‑ALSTM模型，结合一维卷积神经网络的时序特征提取能力以及Bi‑LSTM的长序列学习能力，捕获交叉频率耦合特征中的时序特征。空间解码模块，用于对时序特征进行空间解码获得时空特征。情绪分类模块用于将时空特征投射到待分类的情绪空间中。
-
公开(公告)号：CN118750003A
公开(公告)日：2024-10-11
申请号：CN202410992405.1
申请日：2024-07-23
Applicant: 北京理工大学
Abstract: 本发明公开了基于自适应波形特征的运动想象脑电信号处理方法和系统，涉及神经科学和信息技术技术领域，其技术方案包括以下步骤：对进行运动想象训练的受试进行脑电信号的采集，对采集到的原始多通道脑电信号进行预处理，并提取出与运动想象训练相关的时间序列；结合自适应分解方法确定中心频率，拆解出多个频段的神经振荡；对多频率运动想象信号分量进行非线性度、锐度及平均功率特征的计算；融合非线性波形特征及功率特征，识别有效运动想象事件。本发明能通过获取待解码的脑电信号非线性波形特征，识别目标用户是否进行有效的运动想象，可以提高后续脑电信号解码的准确性。
-
公开(公告)号：CN116196018B
公开(公告)日：2023-07-07
申请号：CN202310484796.1
申请日：2023-05-04
Applicant: 北京理工大学
Abstract: 本发明公开了基于锐度与非线性度的癫痫脑电信号动态识别方法和系统，以脑电图的复杂包络、锐度和非线性度作为探索癫痫发作的关键波形特征，实现了利用更精准的动态波形识别癫痫发作事件，提高提高新生儿癫痫发作事件识别的鲁棒性。本发明执行如下方案：获取脑电设备采集的多通道脑电信号。针对采集的脑电信号中每个通道的数据逐一进行预处理，每个通道作为一个维度，得到预处理后的多维脑电信号。对预处理后的多维电脑信号在每个维度上均取对应的复杂包络、锐度以及非线性度，作为脑电信号的关键波形特征。利用脑电信号的关键波形特征作为输入机器学习分类模型，进行的癫痫脑电信号的动态识别。
-
公开(公告)号：CN116072265A
公开(公告)日：2023-05-05
申请号：CN202310356676.3
申请日：2023-04-06
Applicant: 北京理工大学
IPC: G16H20/70 , A61B5/00 , A61B5/372 , G06F18/213 , G06F18/25 , G06N3/0464 , G06N3/045 , G06N3/049 , G06N3/08
Abstract: 本发明涉及基于时间自注意力与动态图卷积的睡眠分期分析系统及方法，属于睡眠健康监测技术领域。首先，特征提取模块从原始信号中捕捉到具有代表性的信息。然后，基于动态时间规整算法的注意力模块增强提取特征空间信息的表达；时间信息处理模块利用多头注意力捕捉机制提取特征之间的时间依赖关系。使用基于标准化的注意力模块，利用权重的贡献因子抑制不显著的信息。同时，利用动态图卷积模块捕捉脑电通道之间的空间功能连接，其中每层图卷积网络的邻接矩阵自适应地调整以获得最优的内在连接关系。最后将提取到的时间和空间特征进行操作融合，得到睡眠分期预测结果。
-
Patent Agency Ranking
公开(公告)号：CN115828073A
公开(公告)日：2023-03-21
申请号：CN202310163886.0
申请日：2023-02-24
Applicant: 北京理工大学
IPC: G06F18/15 , G06F18/213 , G06F30/20
Abstract: 本发明公开了一种基于均匀相位模态分解的复杂度与功率双谱的生成方法，涉及信号处理技术领域。该方法的具体实施方式包括：设置多个目标分解频点，对原始信号进行UPEMD分解，获取所述原始信号在所述目标分解频点下的信号分量；计算所述目标分解频点的信号分量的信号复杂度和功率谱密度值，生成复杂度频谱和功率频谱。该实施方式能够通过一组具有均匀相位分布的掩模信号辅助，引入均匀相位经验模态分解，对非平稳、非线性信号进行分解，从而生成复杂度和功率双谱，将UPEMD和复杂度、功率相结合，可在避免模态混合和模态分裂条件下，在目标频率附近提取本征模态函数IMF，最大限度减小附加振荡残差。
-
公开(公告)号：CN119867787A
公开(公告)日：2025-04-25
申请号：CN202411972895.5
申请日：2024-12-30
Applicant: 北京理工大学
Abstract: 本发明提出一种基于非线性脑电信号特征融合的动态脑网络聚类方法与系统，属于神经科学和信息技术交叉领域。该方法具体过程为：数据采集与处理：利用多个电极采集受试者的脑电信号；动态认知网络构建：采用滑动窗划分每一个频段的多维脑电信号，提取同一时刻时间窗内的两组相同频段的不同通道脑电信号获取相位锁相值，构建动态功能脑网络并得到多频段多通道动态功能连接矩阵；动态网络聚类：将每一连接矩阵作为独立的簇，通过将距离最短的两个簇合并构成一个新的簇的方式实现动态网络聚类，形成非完全二叉树；针对所述非完全二叉树，从最顶层的簇开始，自上而下访问，进行簇的合并与剔除，使得簇在设定的范围区间内，最终实现动态脑网络聚类。
-
公开(公告)号：CN118749990A
公开(公告)日：2024-10-11
申请号：CN202410992404.7
申请日：2024-07-23
Applicant: 北京理工大学
Abstract: 本发明公开了基于EMD和的dMI的心肺耦合特征提取方法和系统，涉及生理信号分析技术领域，突破了传统心肺耦合分析方法无法充分捕捉心肺系统间的非线性动态特性，并能够准确反映心肺相互作用非线性特性。其技术方案为：对采集到的原始呼吸信号和单导联心电信号进行预处理；从预处理后的呼吸信号和心电信号分别提取呼吸时间序列和心脏跳动间隔R‑R间期时间序列；利用EMD分别对呼吸时间序列和R‑R间期时间序列进行分解，获得一系列内在模态函数，每个IMF表示时间序列中的不同频率成分；根据得到的呼吸时间序列和R‑R间期时间序列的IMFs分别作为低频相位序列和高频幅度序列，采用直接调制指数dMI作为量化手段构建相位‑幅度耦合PAC分析心率和呼吸率之间的耦合程度。
-
公开(公告)号：CN115736950A
公开(公告)日：2023-03-07
申请号：CN202211386244.9
申请日：2022-11-07
Applicant: 北京理工大学
Abstract: 本发明涉及一种基于多脑区协同相幅传递的睡眠动力学分析方法，属于认知神经科学和信息技术交叉领域。本发明提出一种基于交叉相幅传递熵的多维脑电相位‑幅值耦合分析方法。首先采集多通道睡眠脑电信号并对其进行预处理，去除杂讯和干扰。对预处理后的信号进行噪声辅助多元经验模式分解，得到一系列尺度相互对准的多元本征模函数。计算每两组脑电通道间相对低频本征模函数分量与相对高频本征模函数分量间的交叉相幅传递熵，进而构造相幅耦合特征矩阵。对计算得到的特征矩阵内数值进行显著性检验，提高结果准确性。进一步将统计检验显著的相幅耦合数值平均分配到双频率耦合图谱中，直观反映大脑不同区域间的信息交互作用。
-
公开(公告)号：CN118749991A
公开(公告)日：2024-10-11
申请号：CN202410992406.6
申请日：2024-07-23
Applicant: 北京理工大学
Abstract: 本发明公开了基于多模态耦合分析的心肺耦合量化方法及系统，涉及心电信号处理技术领域，包括以下步骤：采集受试者的心电信号和呼吸信号；从采集到的心电信号提取心脏跳动间隔(R‑R)间期时间序列；利用变分模态分解分别对R‑R间期时间序列和呼吸信号进行分解，获得上述两时间序列的本征模态函数(IMF)；在呼吸信号的所有IMFs中选取功率最大的IMF为主导IMF；选取R‑R信号IMFs中与呼吸信号主导IMF频率匹配的IMF；通过呼吸信号的主导IMF与R‑R序列的频率匹配IMF间的瞬时相位差计算两者间的同步指数；最终，通过计算R‑R间期序列频率匹配IMF在其强同步时期的功率量化RSA的瞬时大小。
-
-
-
-
-
-
-
-
-
Search Results
31
records
(took 0.022 seconds)
