-
公开(公告)号：CN119888166A
公开(公告)日：2025-04-25
申请号：CN202411802659.9
申请日：2024-12-09
Applicant: 杭州电子科技大学
IPC: G06V10/25 , G06V10/143 , G06V10/80 , G06V10/94 , G06V10/82 , G06N3/0442 , G06N3/045 , G06N3/0464 , G06N3/0455
Abstract: 本发明公开了一种基于特征融合增强的三模态显著性目标检测方法，该方法首先对三模态显著目标检测数据集中的训练集和测试集，分别进行预处理。其次构建基于特征融合增强的三模态显著性目标检测网络。最后将预处理后的训练集图像输入三模态显著性目标检测网络中，生成与输入图像同尺寸的预测图；再使用损失函数进行损失计算，通过反向传播进行优化，并通过预处理后的测试集图像进行测试。本发明提高了多模态显著性目标检测的精度，增强了多模态信息之间的互补性和全局感知能力。
-
公开(公告)号：CN119091273A
公开(公告)日：2024-12-06
申请号：CN202411098079.6
申请日：2024-08-12
Applicant: 杭州电子科技大学
IPC: G06V10/82 , G06V10/40 , G06V10/44 , G06V10/80 , G06V20/10 , G06N3/0464 , G06N3/0455 , G06N3/08
Abstract: 本发明公开了一种基于深度学习的遥感图像显著目标检测方法，该方法首先获取光学遥感图像，构建。其次编码阶段，数据集数据通过构建骨干网络提取多级特征。然后通过空洞卷积构建高级语义信息处理模块GFM，基于多级特征，得到语义特征，并构建边缘提取模块EEM，提取边缘特征。最后在解码阶段，基于多级特征进行解码，并构建信息融合模块EFM，结合语义特征和边缘特征进行特征融合，输出目标检测结果。本发明能够更好的利用高级语义信息和边缘信息，得到准确的显著目标检测结果。
-
公开(公告)号：CN118245912A
公开(公告)日：2024-06-25
申请号：CN202410285079.0
申请日：2024-03-13
Applicant: 杭州电子科技大学
IPC: G06F18/2415 , G06F18/214 , G06F18/21 , G06F18/2113 , G06N3/045 , G06N3/084 , G06N3/0464 , G06N3/082 , G06F123/02
Abstract: 本发明公开了一种基于三元组度量的小样本脑电信号分类方法，该方法首先获取运动想象脑电信号数据，并进行数据处理。其次通过深度网络模型提取脑电信号的特征，并将所提取的特征做通道信息和空间信息加强，输出脑电信号分类结果。然后引入度量学习，将度量学习和交叉熵损失函数结合为联合损失函数，使用内外环训练方式训练深度网络模型。最后微调联合损失函数训练好的深度网络模型，并评估测试。本发明加强了模型对少量样本的学习效率，对于未知的受试者具备更强的泛化能力。
-
公开(公告)号：CN111708983B
公开(公告)日：2024-06-07
申请号：CN202010715643.X
申请日：2020-07-23
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种卒中后上肢肌间协同耦合分析方法，本发明首先进行上肢运动过程中多通道表面肌电信号的同步采集和预处理；然后对预处理后的数据进行非负矩阵分解；通过预先设置分解层数，将分解后的两个矩阵和相乘，得到重构数据矩阵，计算解释性方差；再判断协同与非协同关系；最后计算相干性度量不同频段的肌间耦合强度。本发明从运动的产生与执行角度，探讨肌肉协同模型中协同肌的耦合强度差异，能够为卒中患者运动康复过程提供生理依据。
-
公开(公告)号：CN117668664A
公开(公告)日：2024-03-08
申请号：CN202311735639.X
申请日：2023-12-18
Applicant: 杭州电子科技大学
IPC: G06F18/241 , G06F18/21 , G06F18/25 , G16H50/20 , G16H20/70 , G06N3/042 , G06N3/0464 , G06N3/045 , G06N3/09
Abstract: 本发明公开了一种基于动态图的多源条件域自适应脑电情绪识别方法，具体包括以下步骤：步骤1，数据预处理，提取微分熵特征，并构建无向图特征；步骤2，搭建脑电情绪识别训练模型；步骤3，将处理后无向图特征送入脑电情绪识别模型；步骤4，使用训练完成的脑电情绪识别模型对数据集进行识别分类。该方法首先，通过动态图卷积公共特征提取器提取低级公共特征。然后，通过域特定特征提取器提取域特定特征，进行条件域自适应，缩小源域与目标域的分布差异。最后融合各域特定分类器的结果得出最终分类结果。
-
Patent Agency Ranking
公开(公告)号：CN117253048A
公开(公告)日：2023-12-19
申请号：CN202311266205.X
申请日：2023-09-28
Applicant: 杭州电子科技大学
IPC: G06V10/40 , G06V10/82 , G06N3/0464 , G06N3/08 , G06T7/00
Abstract: 本发明公开了一种基于属性特权与胶囊网络的肺结节识别模型及应用。本发明包括Res2net网络模块、卷积模块、通道与空间的注意力模块、第一识别性能提升模块和第二识别性能提升模块。本发明结合特权学习范式，将肺结节的属性信息作为特权信息，可以仅在训练时需要肺结节的属性信息，在识别肺结节时不需要事先获取肺结节的属性信息。为了更有效提取肺结节图像中的信息，在识别网络中引入胶囊网络CapsNets。CapsNets使用以一组神经元向量为基本单位的胶囊代替单个神经元来表示特征实例，在网络中，使用“矢量”的形式传递特征信息。帮助模型识别肺结节图像中不同部分的相对空间关系，提升对肺结节良恶性判断的性能。
-
公开(公告)号：CN111914708B
公开(公告)日：2023-09-12
申请号：CN202010715929.8
申请日：2020-07-23
Applicant: 杭州电子科技大学
IPC: G06F18/24 , G06F18/213 , A61B5/372 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及一种迁移半监督宽度学习的脑电信号分类方法。本发明使用迁移学习方法对源域和目标域进行最小化最大均值差异。接着使用最大均值差异适配源域和目标域的条件概率分布。进而对JDA方法处理后的无标签样本和有标签样本送入流形正则BLS分类器进行迁移半监督宽度学习分类器的训练。最后对构建的迁移半监督模型进行测试，并与其他方法进行对比。本发明在脑电信号处理、脑机接口系统中具有广阔的应用前景。
-
公开(公告)号：CN111091074B
公开(公告)日：2023-04-25
申请号：CN201911210107.8
申请日：2019-12-02
Applicant: 杭州电子科技大学
IPC: G06F18/10 , G06F18/2411
Abstract: 本发明公开了一种最优区域共空间模式的运动想象脑电信号分类方法。本发明首先进行多通道脑电信号采集并预处理。其次根据通道的欧氏距离选择通道附近的n个通道组成局部区域，对这若干个区域进行CSP滤波，得到若干区域的方差比。然后根据CSP的可分性判据，选择选择最大方差比与最小方差比差值最大的区域为选定的区域。再对区域内通道数目n进行交叉验证，得到最优区域。最后将最优区域进行CSP滤波，取滤波后的3个最大和最小特征向量组成特征空间，将训练集特征输入SVM分类器训练分类模型后，对测试集特征进行分类得到测试结果。本发明通过移除不相关的嘈杂通道提高了BCI的性能；同时减少了通道数量以及校验运行时间。
-
公开(公告)号：CN115299964A
公开(公告)日：2022-11-08
申请号：CN202210959428.3
申请日：2022-08-10
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种阿尔兹海默症患者的脑电复杂度分析方法，包括如下步骤：S1、采集受试者的脑电信号，所述受试者包括AD、MCI和HOA三组；S2、对采集的脑电信号进行预处理，通过独立分量分析法取出脑电信号的伪影，再对脑电信号进行带通滤波；S3、对预处理后的脑电信号进行相关复杂度计算，分别通过LEMPEL‑ZIV算法和模糊近似熵算法计算出相应的复杂度；S4、对计算出的复杂度进行分析。该方法，可以用来在脑组织发生变化或行为症状出现之前评估AD进展引起的神经元退化。由于具有非侵入性、便携和更便宜等诸多优点。
-
公开(公告)号：CN114387668A
公开(公告)日：2022-04-22
申请号：CN202111674185.0
申请日：2021-12-28
Applicant: 杭州电子科技大学
Abstract: 本发明涉及一种基于多层次神经肌肉耦合特征信息融合的分类方法，包括：多通道脑肌电信号的同步采集；预处理；多层次神经肌肉耦合特征提取；基于典型相关分析的特征融合和基于流形多类核最小平方误差的特征分类，分别提取脑‑脑、脑‑肌、肌‑肌耦合特征、传统脑肌电信号特征，对提取的特征信息进行特征融合，然后采用基于流形多类核最小平方误差算法训练分类器并对不同的动作进行分类。该方法克服了传统的基于生物电信号的动作识别方法中未全面考虑脑‑脑、肌‑肌、脑‑肌、脑肌电信号协作进行运动控制的缺点，在基于生物电信号的动作识别中具有良好的应用前景。
-
-
-
-
-
-
-
-
-
Search Results
214
records
(took 0.029 seconds)
