公开(公告)号：CN119357559A

公开(公告)日：2025-01-24

申请号：CN202411518038.8

申请日：2024-10-29

Applicant: 杭州电子科技大学

Inventor： 席旭刚 ,  杨攀 ,  尹刚刚 ,  梁立军 ,  李鲁亚 ,  汪婷 ,  高云园 ,  马玉良 ,  孟明

IPC: G06F18/10 ,  A61B5/00 ,  A61B5/02 ,  A61B5/026 ,  G06F18/213 ,  G06N3/0455 ,  G06N3/0442 ,  G06N3/048 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明涉及生物医学数据处理领域，具体是一种基于长短期记忆的自编码器实现功能近红外去伪影的方法，该方法分三个阶段对原始近红外信号处理：1)通过下采样模块对原始近红外信号进行形态特征提取；2)长短期记忆模块捕获单个样本之间的时间相关性来增强特征；3)上采样模块从潜在空间中恢复并重建近红外信号的形态特征信息。最终，在输出层输出重构后的纯净近红外信号。本发明克服了传统信号处理的运动伪影去除方法过于依赖于专业知识和大脑区域的模型参数的最佳选择的缺点，实现了运动伪影的全自动去除，结果显示该方法在不同的数据集上均取得良好的去噪结果。

公开(公告)号：CN119025540A

公开(公告)日：2024-11-26

申请号：CN202411054872.6

申请日：2024-08-02

Applicant: 杭州电子科技大学

Inventor： 席旭刚 ,  马晶 ,  杨健 ,  林毓聪 ,  聂雅卿 ,  孟明 ,  汪婷

IPC: G06F16/242 ,  G06F18/22 ,  G06N3/08

Abstract: 本发明公开了一种基于分层问句生成与自博弈的数据扩充方法，首先设计了一个分层的问句生成模型，利用目标查询语句与当前查询语句，经过子句分解、预测子句集生成、子问句转换、问句组合四个步骤预测下一问句。在已有的多轮医疗Text‑to‑SQL数据基础上，借助自博弈思想循环生成新的数据。这种分层的问句生成可以更好地处理复杂SQL语句，生成更自然准确的问句，增加对话流的多样性。经自博弈生成的扩充数据集可以有效缓解医疗会诊场景下多轮Text‑to‑SQL数据集稀缺的问题，提高重训练后Text‑to‑SQL模型的泛化能力，进而提高模型性能。

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

Inventor： 李诚俊 ,  佘青山 ,  孟明 ,  马玉良

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：CN113780392B

公开(公告)日：2024-03-19

申请号：CN202111012213.2

申请日：2021-08-31

Applicant: 杭州电子科技大学

Inventor： 孟明 ,  董芝超 ,  高云园 ,  马玉良

IPC: G06F18/211 ,  G06F18/2411 ,  A61B5/372

Abstract: 本发明公开了一种运动想象脑电识别的通道选择方法，本发明首先计算训练样本每个通道的皮尔逊相关系数来选择显著通道，然后提取显著通道所在区域的FBCSP特征拼接成字典，利用由字典所得到的非零稀疏系数的个数表征每个区域的分类能力，选出显著区域所包含的显著通道作为最优通道，最后采用CSP和SVM分别进行特征提取和分类。本发明选出来的最优通道可以充分考虑到通道间的整体性和大脑区域内电极的相互联系，一定程度上提高了BCI系统的分类性能，对运动想象脑电信号的通道选择提供了新的思路。

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

Inventor： 张宸琪 ,  佘青山 ,  张卫 ,  孟明

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。

公开(公告)号：CN113598792B

公开(公告)日：2024-01-30

申请号：CN202110890952.5

申请日：2021-08-04

Applicant: 杭州电子科技大学

Inventor： 刘宏明 ,  高云园 ,  王宗印 ,  孟明 ,  张卷卷

IPC: A61B5/369 ,  A61B5/374 ,  A61B5/00

Abstract: 本发明公开了一种基于有监督特征融合算法的癫痫脑电分类方法。本发明首先从脑电片段中提取功率谱密度和频率切片小波变换的波动指数作为特征。接下来，利用监督的局部保持典型相关分析算法，通过最大化类中成对样本与其邻居之间的权重相关性来获得最佳投影方向，而原始特征在最佳投影方向上的投影组合就是融合特征。然后将融合特征输入到最小二乘支持向量机进行训练和测试。该方法在波恩数据集和CHB‑MIT数据集上得到了验证，得到了很好的结果。此外，还讨论了监督的局部保持典型相关分析算法的参数灵敏度以及融合特征的维数与分类结果的关系，进一步验证了该方法的稳定性和有效性。

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

Inventor： 周宇凯 ,  佘青山 ,  张卫 ,  孟明

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：CN111833352B

公开(公告)日：2023-09-05

申请号：CN202010598005.4

申请日：2020-06-28

Applicant: 杭州电子科技大学

Inventor： 马玉良 ,  段晓鹏 ,  李雪 ,  张启忠 ,  孟明

IPC: G06T7/10 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/08

Abstract: 本发明公开了一种基于八度卷积改进U‑net网络的图像分割方法，可以用于卵巢CT图像的分割处理。首先构建八度卷积尺度特征融合模块和分层残差跳连模块；再分别用八度卷积和分层残差跳连替代普通卷积和传统的复制跳连，构建基于八度卷积改进U‑net网络；分别将进行平均池化后的原始图像与不经处理的原始图像作为低频与高频输入；对构成的网络进行训练，得到分割网络模型；本发明方法结合八度卷积尺度特征融合模块和分层残差跳连模块，与传统卷积神经网络相比，在卷积层以更小的运算量获取更大的感受野和更多不同尺度的特征信息，在跳连部分以残差模块弥补下采样引起的语义差异和信息缺失，从而减少训练时间、提高分割精度，缓解图像分割不足和误分割问题。

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

Inventor： 佘青山 ,  汲继跃 ,  张启忠 ,  孟明

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：CN115935269A

公开(公告)日：2023-04-07

申请号：CN202211495332.2

申请日：2022-11-25

Applicant: 杭州电子科技大学

Inventor： 孟明 ,  陈思齐 ,  马玉良 ,  罗志增

IPC: G06F18/2411 ,  G06F18/10 ,  G06F18/213 ,  G06F18/24 ,  G06F18/214 ,  G06F17/16 ,  A61B5/00 ,  A61B5/369 ,  A61B5/372

Abstract: 本发明涉及一种基于平均能量差的运动想象脑电通道选择和分类方法，取两类运动想象信号的通道均值能量作为投票的阈值，根据投票差值统计各通道上有明显能量差值试次的数量，基于此来选择出合适的通道，然后对这些通道取能量特征进行归一化，结合CSP空域特征利用SVM进行分类。本发明选择出来的通道有一定的神经生理学意义，有助于提升脑机接口的性能，并且选择出来的通道还会包括一些能量上有区分性但不在运动想象区域中的通道，该类通道也有助于运动想象的分类。另外本发明对选择出来的通道进行能量特征提取，该能量特征会随着选择通道数的增加而变得更加具有区分性，这在一定程度上能够弥补多通道导致的精度下降问题，具有一定的可行性和优越性。