-
公开(公告)号：CN119323594A
公开(公告)日：2025-01-17
申请号：CN202411467798.0
申请日：2024-10-21
Applicant: 华中科技大学
Abstract: 本发明属于计算机视觉三维点云配准领域，具体涉及一种基于配准误差零范数最小化的点云配准方法，包括：基于两点云的三维空间坐标数据，分别求解旋转拟合误差最小化的优化模型和平移拟合误差最小化的优化模型，对应得到旋转拟合误差#imgabs0#和平移拟合误差O*；使用l2范数量化#imgabs1#中每个相对点对所对应的三个空间维度上的拟合误差的整体拟合误差，根据最小Kr个整体拟合误差对应的匹配点对，拟合旋转矩阵R*；使用l2范数量化O*中每个匹配点对所对应的三个空间维度上的拟合误差的整体拟合误差，根据最小Kt个整体拟合误差对应的匹配点对，结合旋转矩阵R*，拟合平移向量t*，实现点云配准。当本发明能在大量异常值存在下实现点云高效配准。
-
公开(公告)号：CN117593346A
公开(公告)日：2024-02-23
申请号：CN202311439385.7
申请日：2023-11-01
Applicant: 华中科技大学
Abstract: 本发明公开了一种基于全局拓扑感知交互的点云配准方法及系统，属于3D应用领域，包括训练阶段和应用阶段；训练阶段包括：采用数据集对点云配准模型进行训练，数据集中的训练样本包括源点云和目标点云；点云配准模型包括：局部嵌入特征提取模块、全局结构特征提取模块、拓扑感知交互模块及变换矩阵预测模块；其中，拓扑感知交互模块用于计算几何相似性度量，并将点云中每个点投影到相对位置，将相对位置特征融合到对应的全局结构特征中，得到对应的位置感知特征；对位置感知特征采用拓扑感知自注意和交叉注意操作，以对应提取点云的上下文交互特征。本发明解决了无监督点云配准过程中局部结构相似性和匹配模糊性的挑战，提升了点云配准精度。
-
公开(公告)号：CN119313713A
公开(公告)日：2025-01-14
申请号：CN202411467398.X
申请日：2024-10-21
Applicant: 华中科技大学
Abstract: 本发明公开了一种基于LiDAR扫描数据的飞机装配点云配准方法及装置，属于三维点云处理领域。该方法包括：获取飞机模型的源点云和目标点云；分别对源点云和目标点云进行特征提取和降采样，得到降采样点，将每个超点和附近K个采样点共同构建局部补丁；计算源点云与目标点云的预测刚体变换矩阵；计算全局预测刚体变换矩阵与真实刚体变换矩阵的密度一致性损失、姿态一致性损失、几何一致性损失和点匹配损失，及其组成的综合损失，并以综合损失最小为目标，优化用于点云配准的全局预测刚体变换矩阵，得到目标刚体变换矩阵；根据目标刚体变换矩阵将源点云与目标点云进行配准。实现高效率、高精度的飞机点云配准。
-
公开(公告)号：CN115281688A
公开(公告)日：2022-11-04
申请号：CN202210792806.3
申请日：2022-07-05
Applicant: 华中科技大学
Abstract: 本发明公开了一种基于多模态深度学习的心房心室肥大多标签检测系统，属于心电图上的心脏肥大检测领域。采用自适应小波阈值去噪、基于形态学特征的心拍分割、深度神经网络、多模态特征融合等方法，当下热门的计算机视觉技术迁移到心电信号分类上，通过将心电信号的时域特征、形态特征和病人个体信息融合，对四种心脏肥大和正常同时进行分类，搭建出一个基于多模态深度学习的多标签检测框架，从而解决了心电信号在心脏肥大检测上的准确率差和泛化能力差的问题，实现了基于心电图的心脏肥大准确监测，可用于临床诊断。
-
公开(公告)号：CN116158767B
公开(公告)日：2025-05-09
申请号：CN202211500915.X
申请日：2022-11-28
Applicant: 华中科技大学
IPC: A61B5/318 , A61B5/346 , A61B5/352 , A61B5/00 , G06N3/0455 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于深度学习的迷走性神经晕厥VVS预警方法和系统，属于深度学习网络技术领域，所述方法包括：对患者心电图中的原始RR间隙数据进行预处理；利用A期检测模型检测RR间隙下降期中异常下降并进行第一阶段预警，利用B期检测模型检测RR间隙上升期中异常上升并进行第二阶段预警，以确定异常位置对应的预警点；将预警点到RR间隙序列的最小值点构成的RR间隙序列输入训练好的时序预测网络预测间隙变化量从而生成预警信息，以表征晕厥发生时刻距离预警点的心跳周期数。本发明基于深度学习搭建迷走性神经晕厥的预测框架，接收RR间隙流数据进行检测能够在疾病发生前提前示警，解决了迷走性神经晕厥的预测精度低问题。
-
Patent Agency Ranking
公开(公告)号：CN119252471A
公开(公告)日：2025-01-03
申请号：CN202411020382.4
申请日：2024-07-29
Applicant: 华中科技大学同济医学院附属同济医院
IPC: G16H50/30 , A61B5/346 , A61B5/00 , G16H50/20 , G16H50/70 , G16H30/20 , G06F18/2433 , G06N3/0985
Abstract: 本发明公开了一种心脏状态检测方法、装置、设备和介质，包括：采集待诊断患者的目标心电图数据；根据目标心电图数据对应的实际导联数量，从预先训练的多个标准诊断神经网络模型中选择与实际导联数量匹配的目标诊断神经网络模型；将目标心电图数据输入目标诊断神经网络模型，得到目标诊断神经网络模型根据目标心电图数据从预先标定的多个心脏状态标签中确定的至少一个目标心脏状态标签，至少一个目标心脏状态标签用于表征待诊断患者的实际心脏状态。本发明依靠神经网络模型对心电图数据进行自动分析，可以通过心电图及时发现心脏肥大、扩张和增大等状态，能够在产生心力衰竭、猝死以及心律失常等症状之前及时发现心脏异常，使患者能够及时诊治。
-
公开(公告)号：CN115281688B
公开(公告)日：2024-10-22
申请号：CN202210792806.3
申请日：2022-07-05
Applicant: 华中科技大学
IPC: A61B5/318 , A61B5/346 , A61B5/366 , G06N3/0464 , G06N3/0442 , G06N3/045 , G06F18/213 , G06F18/25
Abstract: 本发明公开了一种基于多模态深度学习的心房心室肥大多标签检测系统，属于心电图上的心脏肥大检测领域。采用自适应小波阈值去噪、基于形态学特征的心拍分割、深度神经网络、多模态特征融合等方法，当下热门的计算机视觉技术迁移到心电信号分类上，通过将心电信号的时域特征、形态特征和病人个体信息融合，对四种心脏肥大和正常同时进行分类，搭建出一个基于多模态深度学习的多标签检测框架，从而解决了心电信号在心脏肥大检测上的准确率差和泛化能力差的问题，实现了基于心电图的心脏肥大准确监测，可用于临床诊断。
-
公开(公告)号：CN116158767A
公开(公告)日：2023-05-26
申请号：CN202211500915.X
申请日：2022-11-28
Applicant: 华中科技大学
IPC: A61B5/318 , A61B5/346 , A61B5/352 , A61B5/00 , G06N3/0455 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于深度学习的迷走性神经晕厥VVS预警方法和系统，属于深度学习网络技术领域，所述方法包括：对患者心电图中的原始RR间隙数据进行预处理；利用A期检测模型检测RR间隙下降期中异常下降并进行第一阶段预警，利用B期检测模型检测RR间隙上升期中异常上升并进行第二阶段预警，以确定异常位置对应的预警点；将预警点到RR间隙序列的最小值点构成的RR间隙序列输入训练好的时序预测网络预测间隙变化量从而生成预警信息，以表征晕厥发生时刻距离预警点的心跳周期数。本发明基于深度学习搭建迷走性神经晕厥的预测框架，接收RR间隙流数据进行检测能够在疾病发生前提前示警，解决了迷走性神经晕厥的预测精度低问题。
-
公开(公告)号：CN113095360A
公开(公告)日：2021-07-09
申请号：CN202110245929.0
申请日：2021-03-05
Applicant: 华中科技大学
Abstract: 本发明公开了一种风机结冰检测模型的构建方法及其应用，所构造的风机结冰检测模型包括相互并联的第一GAN模型和第二GAN模型，融合层，CNN模型，第一域自适应网络和第二域自适应网络；CNN模型中的批归一化层以及第一全连接层分别与第一域自适应网络和第二域自适应网络相连；本发明以最小化源域数据集中各样本的预测标签和真实标签的差异、最大化源域数据集中结冰样本与非结冰样本的分布差异以及最小化源域数据与目标域数据的分布差异为目标，对风机结冰检测模型进行训练；可以对无标签样本进行迁移学习，解决了高质量标记数据少的问题，使得该模型具有很强的可迁移性以及对于不同风机的适配性，用于风机结冰检测时准确度较高。
-
公开(公告)号：CN112949744A
公开(公告)日：2021-06-11
申请号：CN202110306110.0
申请日：2021-03-23
Applicant: 华中科技大学无锡研究院
Abstract: 本发明涉及风力发电技术领域，具体公开了一种风力发电机叶片结冰检测方法，其中，包括：获取训练样本，其中训练样本包括结冰样本和正常样本；根据训练样本进行预训练得到生成对抗网络；根据生成对抗网络中获得的训练样本的生成样本与原始样本的特征向量差进行预训练获得卷积分类器；将生成对抗网络的预训练参数以及卷积分类器的预训练参数进行整体训练，得到结冰检测整体训练网络；将每个待测试数据分别输入至结冰检测整体训练网络，得到风力发电机叶片是否结冰的检测结果。本发明还公开了一种风力发电机叶片结冰检测系统及存储介质。本发明提供的风力发电机叶片结冰检测方法能够实现对风力发电机叶片是否结冰的有效检测。
-
-
-
-
-
-
-
-
-
Search Results
10
records
(took 0.017 seconds)
