-
公开(公告)号：CN114254675B
公开(公告)日：2024-12-06
申请号：CN202111564016.1
申请日：2021-12-20
Applicant: 杭州电子科技大学
IPC: G06N3/096 , G06F18/213 , G06F18/23213 , G06F18/2431 , G06F18/214 , G06F18/21 , G06F18/22 , G06F3/01
Abstract: 本发明公开了一种基于相似矩阵的保持目标域局部结构的风格迁移方法。该方法首先对风格迁移的目标函数进行了修改，加入了保持目标域局部结构的正则项，然后依据该目标函数获得相对应的映射矩阵；其次，由于该项的加入增加了对于原目标函数的限制，因此可以在一定程度上减少参数更新对后续大量未知标签目标域数据的需求，更贴近实际运用。本发明相对于传统的风格迁移方法可以取得一定程度上较高的正确率以及较短的运算时间。
-
公开(公告)号：CN114052750B
公开(公告)日：2024-04-30
申请号：CN202111579890.2
申请日：2021-12-22
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于标准模板肌电分解的脑肌信息传递规律提取方法。首先，安排受试者执行相应动作记录下同步的肌电信号和脑电信号。通过小波去噪先对sEMG信号完成预处理，再利用先验知识而总结提出的模板进行模板匹配，将肌电信号中的波形按照模板匹配的规则进行剥离MUAP进行分解。接着对分解出的信号序列分别提取MUAP数量、MUAP波幅、MUAP瞬时传导速度特征，构建肌电特征与同步脑电信号之间的实时变化关系图谱，显示在同一动作下脑肌电信号间的信息传递规律。本发明可以更为细化精确的找出脑肌间的信息传递方式，让所提取的特征更为敏感的响应每一次同步脑电的变化，这样可以更好地探究脑肌的信号变化规律率。
-
公开(公告)号：CN114027857B
公开(公告)日：2024-04-26
申请号：CN202111578460.9
申请日：2021-12-22
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于脑电信号测量运动能力的方法。本发明使用脑功能网络和样本熵，分别检验在伪刺激和两种刺激范式下被试的不同复杂性和功能连通性，并提取脑网络特征和非线性动力学特征。此外，利用共空间模式算法分析了脑电信号的空间特征，并将其输入支持向量机模型中进行分类识别，以此评估运动康复的效果。本发明提高了关于经颅直流电刺激对运动康复评估的准确性和科学性。
-
公开(公告)号：CN114387668B
公开(公告)日：2024-02-27
申请号：CN202111674185.0
申请日：2021-12-28
Applicant: 杭州电子科技大学
IPC: G06F18/241 , G06F18/213 , G06F18/25 , G06F18/2134 , G06F18/23
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。
-
公开(公告)号：CN117332259A
公开(公告)日：2024-01-02
申请号：CN202311373611.6
申请日：2023-10-23
Applicant: 杭州电子科技大学
IPC: G06F18/2132 , G06F18/10 , G06F18/2134 , G06F18/25 , G06F18/2411 , G06F18/2413 , G06F123/02
Abstract: 本发明公开了一种基于信息融合的运动想象脑机接口时频组合优化方法。首先，采集脑电信号，并对信号进行预处理，包括带通滤波和ICA分析。然后，将脑电信号分别在时域和频域应用滑动窗口和滤波器组进行切分，获得两组子序列，并应用共空间模式算法提取特征，得到初始特征集合。接着，采用皮尔逊相关系数分析和费舍尔比两种特征选择算法对原始特征进行筛选，去除冗余和无效特征。随后，应用判别相关分析对筛选后的特征进行融合，以获得最终的高度区分的特征。最后，采用支持向量机对特征进行分类，测试分类效果。本发明通过特征融合获得了高度区分的特征。这样可以极大地减少特征的分散度，便于后续的特征分析，并为脑机接口分类的研究提供了新思路。
-
Patent Agency Ranking
公开(公告)号：CN111709314B
公开(公告)日：2023-08-22
申请号：CN202010461641.2
申请日：2020-05-27
Applicant: 杭州电子科技大学
IPC: G06F18/213 , G06F18/24
Abstract: 本发明公开了一种基于面部表面肌电的情感分布识别方法；目前基于生理信号的人脸情感识别的研究主要集中在单一的基本情感上。因此，提出了基于面部表面肌电信号的标记分布学习来预测情感分布。本方法采集了降眉肌、颧大肌、额头和降口角肌的sEMG，从中提取6个特征，利用主成分分析选出对特征集进行降维。LDL的核心思想是学习到从PCA选择的特征到人脸情感分布的映射关系，这种映射关系能够反映一个面部表情是由不同强度的基本情感混合而成。将LDL的性能与多标记学习进行了比较，结果表明，本方法能更准确地预测面部情感分布。
-
公开(公告)号：CN116211318A
公开(公告)日：2023-06-06
申请号：CN202310116330.6
申请日：2023-02-14
Applicant: 杭州电子科技大学
Abstract: 本发明涉及基于脑电信号跨节律多层耦合脑网络的运动想象识别方法，采集正常人多种类运动想象任务的多导联脑电EEG。根据所采集信号进行数据预处理：将节点共平均参考后，使用FIR滤波器带通滤波，得到运动想象较活跃且具有ERS/ERD现象的μ节律与β节律，然后使用独立成分分析法，去除眼电肌电等噪声干扰。在此基础上建立多层复用功能脑网络，以导联信号作为节点，锁相值作为连接，建立邻接矩阵，提取反映运动想象活动特点的脑功能网络特征。提取μ节律和β节律单层网络中的3种全局网络特征与网络间2种层间特征参数，将其归一化后生成运动想象识别的多层网络特征，利用支持向量机等机器学习方法，使用该多层网络特征对运动想象进行识别任务。
-
公开(公告)号：CN110969108B
公开(公告)日：2023-04-07
申请号：CN201911168627.7
申请日：2019-11-25
Applicant: 杭州电子科技大学
IPC: G06F18/15 , A61B5/372 , A61B5/369 , A61B5/11 , G06F18/2431 , G06F18/213
Abstract: 本发明是一种基于自主运动想象脑电的肢体动作识别方法，调查数据表明，当人做同一个动作时，大脑会产生类似的脑电信号，因此可以提取这些特征信号来实现机械臂的运动，进而辅助残疾人运动。本发明通过建立脑网络进行动作的分类，这种方法加强了大脑各个区域之间相关性的考虑，展现了EEG信号及其相关节律特征背后的工作机制。之后通过一种全新的基于非线性部分定向相干方法的脑因效性网络分析法，利用随机森林进行进行上肢运动分类，分类准确度高，根据脑电信号判断相应的动作，从而使得机械臂运动，达到残疾人辅助运动的目的。
-
公开(公告)号：CN115470334A
公开(公告)日：2022-12-13
申请号：CN202211106824.8
申请日：2022-09-13
Applicant: 杭州电子科技大学
IPC: G06F16/332 , G06F16/31 , G06K9/62 , G06F17/16 , G16H80/00
Abstract: 本发明涉及一种基于肝病会诊研讨模型的改进DS证据理论方法，先针对会诊建立争议表和对话树模型，创建识别框架，并得到各个节点的初始评价值以及节点之间的规则关系和相应强度；根据CEM矩阵，得到各个证据节点对于结论节点的评价值；融合过程中，计算出Pignistic概率距离和冲突系数并合成得到冲突距离，在合成的同时考虑证据源之间的冲突一致度来对距离进行放缩；再次，计算出各个证据源的可信度；最根据各个节点的可信度对证据源进行加权平均修正，并用传统DS证据组合规则进行融合得到节点的最终评价值。在算例中表明，本方法在不改变DS组合规则的情况下，可以有效的处理冲突问题，并且具有较好的抗干扰能力和收敛性。
-
公开(公告)号：CN114287937A
公开(公告)日：2022-04-08
申请号：CN202111403467.7
申请日：2021-11-24
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于多模态卷积神经网络的情绪识别方法。多模态卷积神经网络由多尺度卷积核卷积神经网络(MLCNN)和长短时记忆网络(LSTM)两大部分组成，多模态卷积神经网络用于对提取了微分熵(DE)特征的脑电信号进行二次特征提取，LSTM网络用于提取眼动信号的时序特征，特征融合采用特征级融合。实验结果显示，多模态信号相对于单模态信号有更高的情绪分类准确率，基于6通道脑电信号和眼动信号的多模态信号情绪四分类平均准确率达到97.94%；且在跨会话稳定性实验中，多模态信号取得了96.32%的准确率，验证了多模态卷积神经网络的跨会话相对稳定性和有效。
-
-
-
-
-
-
-
-
-
Search Results
204
records
(took 0.029 seconds)
