-
公开(公告)号：CN118141324B
公开(公告)日：2025-04-29
申请号：CN202410168485.9
申请日：2024-02-06
Applicant: 南通大学
IPC: A61B5/00 , G06F18/2131 , G06F18/241 , G06V10/26 , G06V10/764 , G06V10/80 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/08 , A61B5/346
Abstract: 本发明提供了一种基于深度卷积自动编码器的睡眠分期模式识别的方法，属于深度学习技术领域。解决了人类睡眠分期及睡眠异常识别效率不高，及识别成本较高的技术问题。其技术方案为：包括以下步骤：步骤一：数据预处理；步骤二：多比例的自动编码器：步骤三：逐层跳过连接；步骤四：多尺度解码器；步骤五：损失函数。本发明的有益效果为：本发明通过添加与多层卷积网络相结合的多尺度编码、新的逐层跳跃连接和解码器的多尺度特征融合，提高了其性能，具有更好的识别准确性。
-
公开(公告)号：CN118013357A
公开(公告)日：2024-05-10
申请号：CN202410072656.8
申请日：2024-01-18
Applicant: 南通大学
IPC: G06F18/241 , G06F18/15 , G06F18/213 , G06F18/2415 , G06F18/25 , G06V40/20 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/0455 , G06F123/02
Abstract: 本发明属于深度学习技术领域，具体涉及一种基于时序分解实现人类日常活动识别的深度学习方法。本发明包括以下步骤：时序数据分解为季节项和周期项、可堆叠编码器提取多尺度时序特征、一个混合加权损失函数控制模型参数的偏向。本发明通过神经网络将时间序列数据分解成季节项与周期项，通过时序分解，可以识别出时间序列中的周期成分，了解数据的整体变化趋势，还可以发现数据中存在的季节性变化；其次，设计了一个可堆叠的多尺度特征提取网络层以便建模季节项与周期项各自的时序关系，然后设计一个混合加权损失函数，控制模型偏向季节或周期建模的力度，实现人类日常活动的识别，本发明方法与现有的一些深度学习方法相比，具有更高的识别准确率。
-
公开(公告)号：CN118141324A
公开(公告)日：2024-06-07
申请号：CN202410168485.9
申请日：2024-02-06
Applicant: 南通大学
IPC: A61B5/00 , G06F18/2131 , G06F18/241 , G06V10/26 , G06V10/764 , G06V10/80 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/08 , A61B5/346
Abstract: 本发明提供了一种基于深度卷积自动编码器的睡眠分期模式识别的方法，属于深度学习技术领域。解决了人类睡眠分期及睡眠异常识别效率不高，及识别成本较高的技术问题。其技术方案为：包括以下步骤：步骤一：数据预处理；步骤二：多比例的自动编码器：步骤三：逐层跳过连接；步骤四：多尺度解码器；步骤五：损失函数。本发明的有益效果为：本发明通过添加与多层卷积网络相结合的多尺度编码、新的逐层跳跃连接和解码器的多尺度特征融合，提高了其性能，具有更好的识别准确性。
-
公开(公告)号：CN117437431A
公开(公告)日：2024-01-23
申请号：CN202311471625.1
申请日：2023-11-07
Applicant: 南通大学
IPC: G06V10/44 , G06V10/764 , G06V10/82 , G06N3/0464 , G06V10/86
Abstract: 本发明属于深度学习技术领域，具体涉及一种日常活动运动量检测和异常状况评估的深度学习方法。本发明包括以下步骤：图神经网络对传感器数据的增强、注意力特征编码与活动识别、对日常活动的评估、通道融合与残差连接。本发明通过图神经网络挖掘传感器数据不同变量之间相关关系，对存在相关关系的变量进行特征信息的传递，以丰富各个节点的信息量；其次，设计了一个神经控制微分方程网络配合卷积网络的模块以便对增强过后的数据进行特征编码与分类，然后对日常活动的识别结果进行运动量或是异常情况的评估，确定日常活动量的时间占比和是否出现与历史数据不符的异常状况，本发明方法与现有的一些深度学习方法相比，具有更好的识别准确性。
-
-
-
Search Results
4
records
(took 0.015 seconds)
