-
公开(公告)号：CN119503048A
公开(公告)日：2025-02-25
申请号：CN202411650379.0
申请日：2024-11-19
Applicant: 昆明理工大学
IPC: B62D57/032 , G01N33/00 , G01S17/86 , G01S17/931 , G01D21/02
Abstract: 本发明公开一种六足智能探测机器人及其控制方法，属于机器人应用技术领域。包括主体结构和腿足机构。腿足结构根据昆虫足仿生设计，每个腿足结构安装了三个总线舵机，同时采用缓冲设计，能适应各种复杂地形。主体结构两侧呈米字形对称分布六个安置槽，每个安置槽连接一个腿足结构的基节。主体结构装载多种传感设备，能够对复杂环境下的各项环境参数和空间特征进行检测。数据经主控板jetson nano b01处理，机器人会做出相应的路径规划和运动模式调整。数据还将传送至云端，用户可以在云端调用出处理后的数据，在远程进行相应的任务决策。本发明用于在地形崎岖，路况复杂等环境下进行无人化探索工作，可以解决复杂及危险环境下，探测工作难以开展的问题。
-
公开(公告)号：CN118537654A
公开(公告)日：2024-08-23
申请号：CN202410754523.9
申请日：2024-06-12
Applicant: 昆明理工大学
IPC: G06V10/764 , G06V10/80 , G06V10/74 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/0442 , G06N3/08 , G06N3/042
Abstract: 本发明公开一种基于多视角特征表达及优选的跨任务EEG解码方法，属于脑信息解码技术领域。本发明具体包括：使用原始EEG数据作为基础输入，通过时空视角特征提取网络学习时间和空间信息；利用基于大脑电极通道的功能连通性图作为第二输入，通过空间视角特征提取网络学习电极通道间的空间信息；以及使用二维时频图像作为第三输入，通过时频域视角特征提取网络学习频谱和时间信息。最终，通过一个任务导向的特征适配网络，优选并整合这三种视角的有效特征，以提高分类的准确性。本发明结合了空间视角、时空视角和时频域视角三种特征提取网络，以构建一个综合框架，实现对不同任务EEG信号的多视角特征捕捉。
-
公开(公告)号：CN116226897A
公开(公告)日：2023-06-06
申请号：CN202211008333.X
申请日：2022-08-22
Applicant: 昆明理工大学
IPC: G06F21/62 , G06F18/2431 , G06F18/214 , G06F18/21 , G06N5/01 , H04L9/40
Abstract: 本发明涉及一种结合训练损失和隐私损失的改进Prim区块链网络传输优化方法，属于区块链、隐私计算技术领域。首先，将待训练的数据集先加入拉普拉斯噪声后进行本地训练，根据训练结果，获取训练损失Lf；根据加入数据集中的噪声机制计算隐私损失Lp。其次，根据Li＝λLf+ηLp计算综合损失值。最后，根据节点的综合损失评价值，利用Prim算法构造最小生成树，并选择损失最小的分支上的节点作为共识节点。本发明能够优化区块链网络中节点之间的通信，提升区块链网络传输可扩展性，平衡数据训练损失和隐私损失之间的矛盾。
-
公开(公告)号：CN115828059A
公开(公告)日：2023-03-21
申请号：CN202211373878.0
申请日：2022-11-04
Applicant: 昆明理工大学
IPC: G06F18/10 , A61B5/374 , G06F18/2131 , G06F18/24 , G06F18/241 , G06F18/2415 , G06N3/0464 , G06N3/047 , G06N3/048 , G06N3/08
Abstract: 本发明涉及一种基于空‑频图像特征提取与分类的运动想象脑电解码方法，属于运动想象脑电解码技术领域。本发明首先使用巴特沃斯滤波器将原始脑电信号滤波至8‑30HZ的目标频段，再使用快速傅里叶变换将信号由时域转换到频域，然后将多通道的脑电信号进行拼接，生成信号的空‑频能量图，将空‑频图像作为卷积神经网络的输入，最终得到信号的分类结果。本发明所提出的快速傅里叶变换和卷积神经网络构建的框架，为有效解码脑电信息提供了新的方法。
-
公开(公告)号：CN114533086A
公开(公告)日：2022-05-27
申请号：CN202210159354.5
申请日：2022-02-21
Applicant: 昆明理工大学
Abstract: 本发明涉及一种基于空域特征时频变换的运动想象脑电解码方法，属于神经信息解码技术领域。本发明使用巴特沃斯带通滤波器获得脑电信号的目标频段，然后使用CSP算法对目标频段进行空域滤波，并将数据做标准化处理，再通过连续小波变换得到信号的时频能量图，时频图作为卷积神经网络的输入，最终得到该段信号的分类结果。本发明可以作为一种结合时间，频率，空间信息的运动想象脑电解码策略，所提出的空域滤波特征提取方法以及卷积神经网络模型搭建为在线脑机接口系统的实现提供了新的思路。
-
Patent Agency Ranking
公开(公告)号：CN113128459A
公开(公告)日：2021-07-16
申请号：CN202110488275.4
申请日：2021-05-06
Applicant: 昆明理工大学
Abstract: 本发明提供一种基于多层次脑电信号表达下的特征融合方法，属于脑信息解码领域。本发明采用Bi‑LSTM和CNN构建并行框架，对多层次表达形式的运动想象脑电序列进行特征捕获。Bi‑LSTM用于提取时域特征和长时间隔下的动态相关性，CNN被用来学习经短时傅里叶转换后的脑电二维时频能量数据特征。特征获取后，再利用两层堆叠式稀疏自编码器将不同层次特征重构融合，该步骤也是为了从不同被试个体脑电知识中获取到共性有用信息，从而指导实现跨被试用户运动想象任务分类识别模型。本发明可以作为一种在不同脑机接口被试用户上推广的泛化识别系统，该迁移学习模式的实现为免校准脑机在线接口系统的实际实现提供了新的思路。
-
公开(公告)号：CN118427714A
公开(公告)日：2024-08-02
申请号：CN202410755474.0
申请日：2024-06-12
Applicant: 昆明理工大学
IPC: G06F18/2415 , A61B5/369 , A61B5/00 , G06F18/2131 , G06F18/21 , G06N3/0464 , G06N3/084 , G06N3/0985 , G06F123/02
Abstract: 本发明公开了一种面向受试者个体的适用任务评估方法，用于BCI系统的优化。本发明通过设计特定的实验范式，从单个受试者那里收集了进行运动想象和言语想象的EEG数据。利用跨任务解码技术，这些数据被转换为脑电图的不同视角，以此提取出与不同任务相关的关键脑电特征。接着，通过构建一个包含多层卷积和池化层的深度学习网络，进一步分析这些特征，评估模型的性能，并比较不同任务在多个性能指标上的表现。本发明综合运用了多任务EEG数据采集、跨任务解码技术以及深度学习网络模型，以精确解析和确定最适合受试者的任务类型。
-
公开(公告)号：CN118233028A
公开(公告)日：2024-06-21
申请号：CN202410371993.7
申请日：2024-03-29
Applicant: 昆明理工大学
IPC: H04B17/345 , H04L41/14 , H04L41/16 , G06F18/241 , G06V10/764 , G06V10/82 , G06N3/045 , G06N3/0475 , G06N3/094 , G06N3/0464
Abstract: 本发明公开了一种基于残差网络的通信干扰信号识别方法，属于通信干扰识别领域。该应用旨在从低信噪比的干扰信号中提取到有效的干扰信号特征，使用短时傅里叶(STFT)变换，提取干扰信号的时频二维特征，采取ACGAN数据增强的方法，解决干扰信号样本数量少的问题。结合深度学习的方法，残差网络来对干扰信号进行正确的识别。实验结果表明，本发明可以作为一种结合时间，频率的干扰识别策略。所提出的残差网络为无线干扰信号识别的实现提供了新的思路。
-
公开(公告)号：CN117045261A
公开(公告)日：2023-11-14
申请号：CN202311018346.X
申请日：2023-08-14
Applicant: 昆明理工大学
IPC: A61B5/374 , A61B5/16 , A61B5/00 , G06F18/213 , G06F18/24 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及一种通道注意力残差网络情绪脑电识别方法，属于脑信息解码技术领域。本发明使用巴特沃斯带通滤波器获取原始脑电的目标频段，结合微分熵算法，分别对目标频段获取特征并将其根据电极通道位置转换为4D表示。提取的多频段微分熵特征作为模型的输入，使用通道注意力残差网络对特征进行学习，通道注意力机制能很好地模拟电极通道信息并增强卷积特征学习，并且可以显著提高情绪分类精度。本发明可以作为一种结合时间，频率和空间信息的情绪脑电解码策略，所提出的通道注意力残差网络模型为将来搭建更好的情绪识别框架提供了新的思路。
-
公开(公告)号：CN113780134A
公开(公告)日：2021-12-10
申请号：CN202111011961.9
申请日：2021-08-31
Applicant: 昆明理工大学
Abstract: 本发明公开了一种基于ShuffleNetV2网络的运动想象脑电解码方法，应用于解决嵌入式或移动端下的脑机接口系统需要大量计算时间和空间的资源问题，属于脑信息解码领域。本发明采用连续小波变换和ShuffleNetV2网络构建框架，对多通道运动想象脑电信号进行特征捕获。ShuffleNetV2网络被用于学习经连续小波变换转换后的脑电二维时频能量数据特征。本发明作为一种轻量级运动想象脑电识别系统，该学习模式的实现为嵌入式或移动端下的实时脑机接口系统的实际实现提供了新的思路。
-
-
-
-
-
-
-
-
-
Search Results
33
records
(took 0.054 seconds)
