-
公开(公告)号：CN116776231A
公开(公告)日：2023-09-19
申请号：CN202310542817.0
申请日：2023-05-15
Applicant: 杭州电子科技大学
IPC: G06F18/2411 , G06F18/2135 , G06F18/25 , A61B5/369 , A61B5/374
Abstract: 本发明提出了一种基于黎曼流形的跨被试脑电情绪识别方法。当前基于脑电信号的跨被试情绪识别模型存在模型泛化性差、识别准确率较低等问题，且局限于脑电信号的幅值信息来进行分析，无法有效降低受试者间的差异性。本发明首先使用FIR滤波器提取出脑电信号的θ,α,β,γ四个频带，然后计算出脑电信号通道间的PLV矩阵，并在黎曼流形上将任务态的PLV矩阵对齐到静息态PLV矩阵，以降低不同受试者间的差异性。最后将PLV矩阵映射到切空间中进行分类识别。在DEAP数据集上进行了基于效价、唤醒度二分类实验以及效价‑唤醒度空间的四分类实验，结果表明了所提方法的有效性。
-
公开(公告)号：CN114419665A
公开(公告)日：2022-04-29
申请号：CN202111579207.5
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twins多层级特征的行人重识别方法，方法流程如图1所示。首先提取twins的第三阶段和第四阶段的特征图，将第三阶段的特征图经过设计的一个Convblock，其中包括二维卷积，均值归一化层，SE注意力层，激活函数层，水平切分得到两局部特征图，再经过池化，降维等操作得到两个特征向量；将第四阶段的特征图经过池化降维等操作得到一个特征向量。将这三个特征向量分别经过三个分类层得到三个预测分类。最后将特征向量送入三元组损失，预测分类送入交叉熵损失和中心损失进行联合训练。训练80个迭代后，模型进入拟合状态，最后用数据集的query集和gallery集来评估模型的性能。
-
公开(公告)号：CN112244880B
公开(公告)日：2022-04-22
申请号：CN202011015337.1
申请日：2020-09-24
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于变尺度符号补偿传递熵的情绪诱导脑电信号分析方法，从研究脑通道间定向信息交互的角度出发，对脑电(EEG)信号变尺度符号化后，考虑对瞬时因果效应的补偿算法，提出了以变尺度符号化补偿传递熵为特征的情感分析方法，并使用补偿传递熵得到的因果关系构建脑网络模型，定量地揭示瞬时因果效应对情感分析的影响。本发明提出的变尺度符号化补偿传递熵所提取的特征可以有效分析情感变化时脑区之间的信息交互，为情感分析和计算提供了新的方法和思路。
-
公开(公告)号：CN113705645A
公开(公告)日：2021-11-26
申请号：CN202110949703.9
申请日：2021-08-18
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种针对脑电信号的自适应联合模型半监督学习分类方法。首先建立一个自适应联合模型。联合模型的构建基于欧式模型和黎曼模型，并在算法迭代过程中设计权值更新策略。通过根据两种模型贡献来自适应调整两个模型的权值，以获得一个更好的基础模型来提升后续特征信息提取的有效性。然后在联合模型的基础上提取隐藏特征，并将隐藏特征和有标签样本的特征相连接形成新的训练集。最后，利用宽度学习系统对新训练集进行训练并对测试集分类。该算法在三个脑机接口公开数据集上得到了验证，并与几种最新的方法进行了比较。
-
公开(公告)号：CN113598792A
公开(公告)日：2021-11-05
申请号：CN202110890952.5
申请日：2021-08-04
Applicant: 杭州电子科技大学
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。
-
Patent Agency Ranking
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
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：CN114139572A
公开(公告)日：2022-03-04
申请号：CN202111271233.1
申请日：2021-10-29
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于增强对称正定矩阵的脑电情绪识别方法。本发明首先采用小波包变换提取脑电信号的时频域信息；然后通过协方差方法将时频域信息嵌入到对称正定矩阵中得到增强的对称正定矩阵；最后将增强的对称正定矩阵在黎曼流形空间进行降维并映射到切空间中，并在切空间中使用支持向量机进行分类。本发明通过对脑电信号进行效价、唤醒度二分类以及四分类，来评估情绪识别的准确性。本发明在公开数据集DEAP上得到了验证，并与几种最新的方法进行了比较。实验结果表明，本发明取得了较好的分类效果。
-
公开(公告)号：CN113349795A
公开(公告)日：2021-09-07
申请号：CN202110660709.4
申请日：2021-06-15
Applicant: 杭州电子科技大学
Abstract: 本发明公开一种基于稀疏低秩张量分解的抑郁症脑电分析方法。具体步骤为，首先采用复Morlet小波变换提取脑电信号时频特征，并按照通道顺序将其构造为样本张量；其次，根据样本张量低秩、稀疏的特点，提出SLraTucker分解提取样本张量的多域特征，对抑郁症患者(MDDs)和正常对照组(HCs)两类人群进行分类识别。为进一步研究两类人群在受到不同情绪刺激时活跃脑区的异同，本发明对两类人群的静态与动态活跃脑区差异进行分析。本实验提出的SLraTucker分解方法能够有效提取脑电信号中的多域特征，并准确、客观地对抑郁症做出诊断、分析，使患者或医生更好了解病情并及时的治疗或预防。
-
公开(公告)号：CN112244880A
公开(公告)日：2021-01-22
申请号：CN202011015337.1
申请日：2020-09-24
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于变尺度符号补偿传递熵的情绪诱导脑电信号分析方法，从研究脑通道间定向信息交互的角度出发，对脑电(EEG)信号变尺度符号化后，考虑对瞬时因果效应的补偿算法，提出了以变尺度符号化补偿传递熵为特征的情感分析方法，并使用补偿传递熵得到的因果关系构建脑网络模型，定量地揭示瞬时因果效应对情感分析的影响。本发明提出的变尺度符号化补偿传递熵所提取的特征可以有效分析情感变化时脑区之间的信息交互，为情感分析和计算提供了新的方法和思路。
-
公开(公告)号：CN113705437B
公开(公告)日：2024-03-12
申请号：CN202110993172.3
申请日：2021-08-25
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种针对于脑机接口的跨域脑电信号识别方法，本发明是在特征层面处理数据，利用黎曼流形的空间性和可计算性来提取不同受试者的脑电信号的切空间特征，然后将其映射到格拉斯曼流形上进行深层次的领域自适应操作。在域适应中，同时考虑源域和目标域数据的几何和统计属性，首次使用了伪标签更新目标域散度矩阵使类间距离最大化和类内距离最小化。来自BCI的数据集用于验证该发明的有效性。在这两种实验范例下，该发明获得了优秀的结果。跨域脑电信号识别是未来脑机接口走向实践的一个富有潜力的方向，在此方面本发明具有一定的积极意义。
-
-
-
-
-
-
-
-
-
Search Results
21
records
(took 0.016 seconds)
