-
公开(公告)号：CN119601036A
公开(公告)日：2025-03-11
申请号：CN202510122041.6
申请日：2025-01-26
Applicant: 南昌大学
Abstract: 本发明提供了一种基于事件级检测技术的呼吸音识别方法，属于音频信号识别技术领域。针对现有方法对呼吸音事件检测不准确的问题，本发明提供的一种基于事件级检测技术的呼吸音识别方法，基于分层令牌语义音频Transformer构建呼吸音识别模型检测异常呼吸音事件，提高了呼吸音事件的检测准确度和速度，从而提高临床呼吸疾病的诊断效率。
-
公开(公告)号：CN113256749A
公开(公告)日：2021-08-13
申请号：CN202110423015.9
申请日：2021-04-20
Applicant: 南昌大学
Abstract: 本发明提供了一种基于高维相关性先验信息的快速磁共振成像重建方法，包括以下步骤：准备开源脑部数据集SIAT并将其分为训练数据集和测试数据集；结合衍生的大数定律和多通道高维思想，在不同噪声水平的情况下优化多个网络模型，并形成基于高维的相关性先验信息；设计一种快速提取网络模型的先验信息的迭代求解算法；将迭代求解算法应用于已训练的网络模型并对图像测试数据集进行测试，输出得到最终的重建结果。本发明将全采样数据和欠采样数据相结合作为基于相关性的高维先验信息，利用不同的噪声水平对多个模型进行训练，通过欠采样且含伪影的图像训练一个无监督网络，使训练出来的网络参数非常接近于利用全采样图像训练的有监督网络。
-
公开(公告)号：CN112862922A
公开(公告)日：2021-05-28
申请号：CN202110109862.8
申请日：2021-01-27
Applicant: 南昌大学
Abstract: 本发明提供了一种基于多特征生成网络先验信息引导的图像填充方法，包括以下步骤：步骤A：将图像数据集分为训练数据集、验证数据集和测试数据集三部分；步骤B：设计一种可以提取彩色图像先验信息的多特征可逆1×1卷积流形生成网络结构，使用图像数据集对该网络进行训练，得到训练好的网络模型；步骤C：设计一种可以提取已训练网络模型内的先验信息的迭代求解算法；步骤D：采用迭代求解算法应用于已训练网络模型对图像测试数据集进行测试，输出得到最终的修复图像。本发明首先从具有RGB通道的图像中利用该网络学习多特征图像先验信息，然后采用可变增强技术将获取的多特征图像先验信息嵌入到迭代重建过程中去迭代优化修复结果。
-
公开(公告)号：CN109584324A
公开(公告)日：2019-04-05
申请号：CN201811247856.3
申请日：2018-10-24
Applicant: 南昌大学
IPC: G06T11/00
Abstract: 本发明提供了一种基于自动编码器网络的正电子发射型计算机断层显像(PET)重建方法，包括以下步骤：步骤A：在正电子发射型计算机断层显像(PET)图像基础上，建立去噪自动编码器(DAE)网络模型，利用训练好的去噪自动编码器(DAE)获取图像的先验信息；步骤B：将带有图像先验信息的去噪自动编码器(DAE)网络和传统PET迭代重建方法结合，两者交替迭代获得重建图像，本发明在正电子发射型计算机断层显像(PET)重建方法的基础上融入了去噪自动编码器(DAE)网络，采用去噪自动编码器(DAE)网络来无监督学习PET图像的先验信息，然后将带有图像先验信息的DAE网络和传统PET迭代重建方法结合，两者交替迭代获得重建图像，达到了很好的重建效果。
-
公开(公告)号：CN104574456B
公开(公告)日：2018-02-23
申请号：CN201410707447.2
申请日：2014-12-01
Applicant: 南昌大学
IPC: G06T11/00
Abstract: 一种基于图正则化稀疏编码的磁共振超欠采样K数据成像方法，包括以下步骤：(a)：在双层伯格曼迭代框架上进行图正则化稀疏编码表示，得到图像稀疏模型；(b)：引入辅助变量和轮换求解的技术，在双层伯格曼迭代的内层迭代上更新学习字典和稀疏系数；(c)：利用部分超欠采样的K数据约束，在双层伯格曼迭代的外层迭代上进行图像更新，以得到成像结果。本发明通过自适应字典学习引入图正则化稀疏编码方法，建立邻近图来编码局部结构数据以及挖掘其在几何数据方面的约束，使得图像数据可以更好的稀疏表示；另外本发明可以处理局部几何特征更复杂的图像，能有效的捕获局部的图像结构，恢复出更多的图像细节，得到的图像结果具有更好的保真度。
-
Patent Agency Ranking
公开(公告)号：CN119337190A
公开(公告)日：2025-01-21
申请号：CN202411885266.9
申请日：2024-12-20
Applicant: 南昌大学
IPC: G06F18/24 , G06F18/10 , G06F18/213 , G06N3/0455
Abstract: 本发明提供了一种基于低秩适配的呼吸音分类方法及系统，涉及人工智能和语音信号处理技术领域，包括：获取并预处理呼吸音数据，将预处理后的呼吸音数据进行截断，对低于预设时长的数据进行循环填充；对固定长度的呼吸音数据依次进行分帧、加窗、快速傅里叶变换并加入梅尔滤波器获取梅尔频谱；在预训练的AST模型内的每一层编码器层都注入可训练的低秩分解矩阵获取更新后的注意力权重；对初始低秩分解矩阵分别进行高斯分布初始化和零矩阵初始化，对应获得高斯分布矩阵和零矩阵，并为查询、键和值注入高斯分布矩阵和零矩阵，对预训练的AST模型进行训练，获取训练好的AST模型；将固定长度的呼吸音数据输入至训练好的AST模型中，基于评价指标获取分类结果。
-
公开(公告)号：CN116246654A
公开(公告)日：2023-06-09
申请号：CN202310104612.4
申请日：2023-02-13
Applicant: 南昌大学
Abstract: 本发明公开了一种基于改进的Swin‑Transformer的呼吸音自动分类方法，属于音频信号识别领域，包括三个步骤。步骤A：准备ICBHI 2017数据集，分为四类呼吸音：正常呼吸音、哮鸣音、爆裂音、哮鸣音和爆裂音。步骤B：音频信号预处理。首先对音频信号进行下采样并采用五阶巴特沃斯带通滤波器滤除心音等干扰。其次，对音频信号进行智能填充。最后采用短时傅里叶变换生成声谱图同时剪切黑色区域生成数据集。步骤C：采用训练数据对改进的Swin‑Transformer网络进行训练。利用混淆矩阵显示Swin‑Transformer网络四分类呼吸音的预测结果。本发明为呼吸音自动分类提供了一种新的改进方案，有利于促进呼吸音识别设备的发展。
-
公开(公告)号：CN113256749B
公开(公告)日：2022-12-06
申请号：CN202110423015.9
申请日：2021-04-20
Applicant: 南昌大学
Abstract: 本发明提供了一种基于高维相关性先验信息的快速磁共振成像重建方法，包括以下步骤：准备开源脑部数据集SIAT并将其分为训练数据集和测试数据集；结合衍生的大数定律和多通道高维思想，在不同噪声水平的情况下优化多个网络模型，并形成基于高维的相关性先验信息；设计一种快速提取网络模型的先验信息的迭代求解算法；将迭代求解算法应用于已训练的网络模型并对图像测试数据集进行测试，输出得到最终的重建结果。本发明将全采样数据和欠采样数据相结合作为基于相关性的高维先验信息，利用不同的噪声水平对多个模型进行训练，通过欠采样且含伪影的图像训练一个无监督网络，使训练出来的网络参数非常接近于利用全采样图像训练的有监督网络。
-
公开(公告)号：CN112862922B
公开(公告)日：2022-10-11
申请号：CN202110109862.8
申请日：2021-01-27
Applicant: 南昌大学
Abstract: 本发明提供了一种基于多特征生成网络先验信息引导的图像填充方法，包括以下步骤：步骤A：将图像数据集分为训练数据集、验证数据集和测试数据集三部分；步骤B：设计一种可以提取彩色图像先验信息的多特征可逆1×1卷积流形生成网络结构，使用图像数据集对该网络进行训练，得到训练好的网络模型；步骤C：设计一种可以提取已训练网络模型内的先验信息的迭代求解算法；步骤D：采用迭代求解算法应用于已训练网络模型对图像测试数据集进行测试，输出得到最终的修复图像。本发明首先从具有RGB通道的图像中利用该网络学习多特征图像先验信息，然后采用可变增强技术将获取的多特征图像先验信息嵌入到迭代重建过程中去迭代优化修复结果。
-
公开(公告)号：CN109584324B
公开(公告)日：2022-12-06
申请号：CN201811247856.3
申请日：2018-10-24
Applicant: 南昌大学
IPC: G06T11/00
Abstract: 本发明提供了一种基于自动编码器网络的正电子发射型计算机断层显像(PET)重建方法，包括以下步骤：步骤A：在正电子发射型计算机断层显像(PET)图像基础上，建立去噪自动编码器(DAE)网络模型，利用训练好的去噪自动编码器(DAE)获取图像的先验信息；步骤B：将带有图像先验信息的去噪自动编码器(DAE)网络和传统PET迭代重建方法结合，两者交替迭代获得重建图像，本发明在正电子发射型计算机断层显像(PET)重建方法的基础上融入了去噪自动编码器(DAE)网络，采用去噪自动编码器(DAE)网络来无监督学习PET图像的先验信息，然后将带有图像先验信息的DAE网络和传统PET迭代重建方法结合，两者交替迭代获得重建图像，达到了很好的重建效果。
-
-
-
-
-
-
-
-
-
Search Results
22
records
(took 0.025 seconds)
