-
公开(公告)号：CN117992729A
公开(公告)日：2024-05-07
申请号：CN202410087933.2
申请日：2024-01-22
Applicant: 杭州电子科技大学
IPC: G06F18/10 , A61B5/372 , A61B5/00 , G06F18/213 , G06F18/214 , G06F18/22 , G06F18/24 , G06F18/25 , G06N3/0464 , G06N3/048 , G06N3/084
Abstract: 本发明公开一种范式自适应解耦的跨时段脑纹识别方法及其系统。本发明通过特征提取器从原始脑电数据中提取特征表示，从高度耦合的脑电信息中有效地分离出身份相关特征和范式任务相关特征，通过域对抗训练，进一步学习具有身份识别能力的域不变特征。本发明引入三种解耦器对特征提取模块提取的特征进行特征解耦；同时引入三种分类器通过域标签，身份标签，范式任务标签，通过对抗训练的方式，引导解耦器有效地解耦出范式任务特征、身份特征。因此，本发明能在跨时段的条件下自适应各种范式采集而来的脑电信号，在实际应用场景中具有较高的实用价值，为生物特征识别、身份验证等领域提供了创新性的解决方案。
-
公开(公告)号：CN114403903A
公开(公告)日：2022-04-29
申请号：CN202210042481.7
申请日：2022-01-14
Applicant: 杭州电子科技大学
Abstract: 本发明公开了面向跨被试RSVP的多特征低维子空间ERP检测方法。该方法首先采用迁移学习方法中的欧式空间对齐，对来自不同被试、不同试次的EEG数据在欧式空间中进行对齐。然后采用不同的特征提取方式表层和深层两路特征，其次将来自不同空间的两路特征分别进行有监督降维，使得不同类特征的类内离散度尽可能低，且类间离散度尽可能高。得到凝练且位于不同维度的两个一维特征，对这两个一维特征进行融合重构，最终将重构后的特征用于ERP检测。有效提升ERP检测时的稳定性与准确率。
-
公开(公告)号：CN119830109A
公开(公告)日：2025-04-15
申请号：CN202411936031.8
申请日：2024-12-26
Applicant: 杭州电子科技大学
IPC: G06F18/241 , A61B5/369 , A61B5/117 , A61B5/00 , G06F18/213 , G06N3/045 , G06N3/0464 , H04L9/32 , G06F123/02
Abstract: 本发明公开一种基于双边注意力深度神经网络的跨时段脑纹识别方法及其系统。通过基准网络对脑电数据进行初级特征提取；利用双边注意力深度神经网络对初级特征进行高级语义特征提取；双边注意力深度神经网络包括空间特征精炼单元、通道特征精炼单元、特征聚合单元；使用分类器对高级语义特征进行分类识别。本发明通过空间特征精炼单元和通道特征精炼单元，对基准网络提取的初级特征进行协同深度处理，使得提取的高级语义特征更具代表性，从而显著提高了跨时段脑纹识别的准确性。
-
公开(公告)号：CN114169408A
公开(公告)日：2022-03-11
申请号：CN202111368526.1
申请日：2021-11-18
Applicant: 杭州电子科技大学
Abstract: 本发明公开一种基于多模态注意力机制的情感分析方法。本发明利用异构图不同节点之间的复杂的关系去构建多个模态之间的交互。在多个模态信息交互的过程中，将不同的模态信息汇聚到一个紧凑的多模态表示中，用于偏移文本模态信息在语义空间中的位置。同时，多模态注意力机制技术能够以一种细粒度的方式对于多模态信息做融合，因此能够很好的解决在多模态学习中存在的固有问题，即行为信息的变化频率通常快于文本信息的变化频率。通过实验发现，该方法在不同任务的情感分析取得很好的表现，说明多模态注意力机制应用在情感分析任务的可行性，是对当前情感识别领域的多模态融合框架提供了新的研究手段。
-
公开(公告)号：CN114139616A
公开(公告)日：2022-03-04
申请号：CN202111391987.0
申请日：2021-11-19
Applicant: 杭州电子科技大学
IPC: G06K9/62 , G06V10/774 , G06V10/764 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于不确定性感知的无监督域适应目标检测方法。该方法能够利用带标签的源域样本实现针对目标域样本的检测。相比于其他进行简单地全局对齐的域适应方法，本发明首先从可迁移性维度进行局部区域对齐，充分挖掘了可迁移性高的区域，避免强行对齐如背景这样无法迁移的区域，为进一步的全局图片级对齐提供更有侧重的语义信息指导。接着在进行图片级、实例级对齐时，充分考虑了域适应训练过程中，不同样本对齐程度存在差异的情况，充分挖掘了区域建议网络分类的不确定信息；最终避免了对那些对齐程度较高样本的过度对齐，防止越过决策边界造成分类错误引起域适应效果的下降。
-
Patent Agency Ranking
公开(公告)号：CN114403903B
公开(公告)日：2024-10-11
申请号：CN202210042481.7
申请日：2022-01-14
Applicant: 杭州电子科技大学
Abstract: 本发明公开了面向跨被试RSVP的多特征低维子空间ERP检测方法。该方法首先采用迁移学习方法中的欧式空间对齐，对来自不同被试、不同试次的EEG数据在欧式空间中进行对齐。然后采用不同的特征提取方式表层和深层两路特征，其次将来自不同空间的两路特征分别进行有监督降维，使得不同类特征的类内离散度尽可能低，且类间离散度尽可能高。得到凝练且位于不同维度的两个一维特征，对这两个一维特征进行融合重构，最终将重构后的特征用于ERP检测。有效提升ERP检测时的稳定性与准确率。
-
公开(公告)号：CN114118200B
公开(公告)日：2023-05-12
申请号：CN202111120932.6
申请日：2021-09-24
Applicant: 杭州电子科技大学
IPC: G06F18/2415 , G06F16/906
Abstract: 本发明公开一种基于注意力引导双向胶囊网络的多模态情感分类方法。由于具有可训练的视点不变变换特性，胶囊网络目前在分析多模态学习的异质性问题上已经证明了它的有效性。在预处理阶段，本发明提供了多模态动态交互增强模块，在特征层面上显式地增强了跨模态同质性，这有利于模型在更加紧凑的局部公共空间内有效地执行多模态解耦过程。在此基础上，提出了基于注意力引导的双向胶囊网络(ABCN)，通过新的双向动态路由机制来探索全局多模态公共消息。然后，利用全局多模态上下文来指导多模态动态路由过程，同时研究每个模态的全局最优公共线索。这大大提高了学习效率，并提供了在所有模式之间架起桥梁的优越能力。
-
公开(公告)号：CN113974628B
公开(公告)日：2023-04-07
申请号：CN202111272389.1
申请日：2021-10-29
Applicant: 杭州电子科技大学
IPC: A61B5/16 , A61B5/369 , A61B5/378 , A61B5/00 , G06F18/10 , G06F18/213 , G06F18/24 , G06F18/25 , G06F18/214 , G06N3/08 , G06N20/00 , G06N3/0464
Abstract: 本发明公开一种基于脑机模态共空间的情绪识别方法。针对情绪识别任务，人脑处理信息后得到的是具有情感的认知表征，而机器学习到的仅仅是图像的形式表征，如果能够建立两者之间的共性关系，通过“人脑”引导“机器”学习，将人脑的情感认知能力赋予机器。为了将人脑感知的信息赋予机器，需要建立图像模态和脑电模态的共空间模型，从而获取形式表征和认知表征之间的共性信息。本发明将探索脑电模态与图像模态之间的共性关系，建立形式表征与认知表征之间的联系，实现脑机协同智能。为了减少认知表征与形式表征间的差异，使得形式表征无限逼近认知表征，本发明设计一种“基于脑机模态共空间的情绪识别方法”。
-
公开(公告)号：CN114118200A
公开(公告)日：2022-03-01
申请号：CN202111120932.6
申请日：2021-09-24
Applicant: 杭州电子科技大学
IPC: G06K9/62 , G06F16/906
Abstract: 本发明公开一种基于注意力引导双向胶囊网络的多模态情感分类方法。由于具有可训练的视点不变变换特性，胶囊网络目前在分析多模态学习的异质性问题上已经证明了它的有效性。在预处理阶段，本发明提供了多模态动态交互增强模块，在特征层面上显式地增强了跨模态同质性，这有利于模型在更加紧凑的局部公共空间内有效地执行多模态解耦过程。在此基础上，提出了基于注意力引导的双向胶囊网络(ABCN)，通过新的双向动态路由机制来探索全局多模态公共消息。然后，利用全局多模态上下文来指导多模态动态路由过程，同时研究每个模态的全局最优公共线索。这大大提高了学习效率，并提供了在所有模式之间架起桥梁的优越能力。
-
公开(公告)号：CN113977557A
公开(公告)日：2022-01-28
申请号：CN202111371361.3
申请日：2021-11-18
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于运动想象时频空特征的外骨骼机器人控制方法。该方法可将使用者的主动运动意图作为外骨骼的运动指令。本发明提取MI信号在不同通道的多个频带在时间窗口的功率特征，先利用两层全连接层获取多个通道在空间上和频率上的功率关系，然后把不同时间的全连接层输出结果输入BI LSTM中提取时间上的变化特征，训练出基础模型。然后把模型部署在服务器上，每次使用运动想象模型控制外骨骼之前，进行一小段时间的在线训练，提高模型对不同时间段的脑电信号的特征的分类能力。最后使用运动想象左右手的分类结果，控制下肢外骨骼分别做出左腿迈出右腿跟进，或者右腿迈出左腿跟进的动作。
-
-
-
-
-
-
-
-
-
Search Results
27
records
(took 0.025 seconds)
