-
公开(公告)号：CN119991494A
公开(公告)日：2025-05-13
申请号：CN202510460234.2
申请日：2025-04-14
Applicant: 杭州电子科技大学
IPC: G06T5/70 , G06T5/90 , G06T5/10 , G06T5/60 , G06T5/50 , G06T7/11 , G06T7/90 , G06N3/0455 , G06N3/0464
Abstract: 本发明公开了一种基于多分支联合校正网络的渔业水下图像增强方法，该方法首先将原始水下图像通过最小图割噪声分离器去噪，得到亮度和色彩通道。其次对亮度通道进行解耦，得到内在特性信息与亮度信息，并设计亮度校正网络消除图像的亮度退化；对校正后的亮度通道进行多尺度特征提取，同时亮度通道经小波变换至频域，得到增强后的亮度通道。然后将亮度校正前后的两个亮度通道作差值运算后进行二值化处理，得到人工光源照明区域掩码。最后对颜色通道进行人工光源照明区域掩码引导的色彩还原，输出增强后的色彩通道，与增强后的亮度通道融合，输出增强结果。本发明可以有效地实现对水下图像的细节还原与颜色校准。
-
公开(公告)号：CN114186608B
公开(公告)日：2024-03-12
申请号：CN202111294155.7
申请日：2021-11-03
Applicant: 杭州电子科技大学
IPC: G06F18/25 , G06F18/2133 , G06F18/214 , G06F18/2431 , G06F18/27 , G06N3/044 , G06N3/08 , A61B5/369 , A61B5/372 , A61B5/389 , A61B5/398 , A61B5/00
Abstract: 本发明公开了一种基于运动想象的混合脑肌接口特征提取方法，包括以下步骤：采集导联脑电图信号和导联肌电图信号，采用小波去噪的方法处理脑电信号和肌电信号，脑电信号基于似然同步理论构建脑功能网络，选取阈值进行二值化处理，提取二值化脑功能网络的特征，肌电信号采用非负矩阵分解，协同矩阵选取合适的数据变异度寻找不同的协同元，提取协同元的特征。将脑电特征和肌电特征进行特征融合。运用极限学习机实现对动作意图的识别分类。本发明识别率相比单一脑电特征和肌电特征更高，泛化性较强。本发明方法采取选取多特征融合互补的方式，可以提高动作意图识别的准确性、稳定性以及模型的鲁棒性。
-
公开(公告)号：CN117631662A
公开(公告)日：2024-03-01
申请号：CN202311565451.5
申请日：2023-11-22
Applicant: 杭州电子科技大学
IPC: G05D1/43
Abstract: 本发明公开了基于双重优势策略梯度的水下机器人的路径跟随控制方法，该方法首先定义自主水下航行器AUV路径跟随控制问题。其次针对AUV路径跟随控制问题，建立AUV路径跟随问题的马尔科夫决策过程模型。通过构建双重优势策略网络求解马尔科夫决策过程。最后求解AUV路径跟随控制的马尔科夫决策过程，完成水下机器人的路径跟随控制。本发明能够实现更智能和自适应的控制，适用于在复杂深海环境下工作的AUV，实现高精度的AUV路径跟随控制。
-
公开(公告)号：CN117204867A
公开(公告)日：2023-12-12
申请号：CN202311206383.3
申请日：2023-09-18
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于表面肌电信号的肌肉协同分析方法，包括如下步骤：S1、采集多通道表面肌电信号；S2、通过解释方差作为肌肉协同数目的标准进而确定肌肉协同数目；S3、提取肌肉协同特征，根据包络线信号矩阵Zi×r与肌肉协同数目n，对包络线信号矩阵Zi×r进行非负矩阵分解，并在分解过程中引入稀疏约束，将提取肌肉协同特征过程转化成优化问题；S4、根据步骤S3的优化问题得到分解后的重构矩阵HYres，即分解结果；S5、对协同结构矩阵Hres进行归一化处理，得到不同肌肉协同模块下的肌肉激活状态并分析，得到该运动过程中肌肉的协同模式，并计算重构精度与稀疏程度。该方法能够在肌肉协同分析中取得更高的重构精度和稀疏程度，从而提升了数据分解的质量和解释能力。
-
公开(公告)号：CN117159000A
公开(公告)日：2023-12-05
申请号：CN202311245419.9
申请日：2023-09-26
Applicant: 杭州电子科技大学
IPC: A61B5/372
Abstract: 本发明公开了一种基于混合深度学习的儿童病毒性脑炎分类系统，其中数据采集模块采集临床儿童病毒性脑炎患者的脑电信号数据；数据预处理模块对脑电图数据进行伪影和噪声的滤波处理；数据分割模块对滤波后的数据进行小波包变换，提取脑电节律信号；特征表示模块将连续的脑电图节律时域信号通过连续小波变换转换到时频域，通过时间‑频率TF图像表示特征；特征提取模块提取TF图像中表征的时间‑空间‑频率融合特征；训练分类模块将不同域融合特征输入特征提取模块，对特征提取模块中的神经网络进行训练，得到不同症状VE患者的分类结果。本发明解决了不同程度患者之间频段差异性问题，提升了分类的效率和准确率。
-
Patent Agency Ranking
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
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
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：CN111419222B
公开(公告)日：2023-04-14
申请号：CN202010154646.0
申请日：2020-03-08
Applicant: 杭州电子科技大学
IPC: A61B5/369 , A61B5/00 , A61B5/372 , G06F18/213
Abstract: 本发明公开了一种基于BNI的癫痫发作信号的检测方法，本发明从微观神经元角度来讨论预测方法的有效性：从微观神经元角度，采用神经质量模型(NMM)来拟合大脑深度电极脑电图(Depth EEG)信号并阐明网络结构、动力学方程和产生癫痫放电三者之间的关系。为了量化给定网络能够引起癫痫发作的病理性程度引入了脑网络致痫性指数(BNI)这个概念。这是BNI首次被用作癫痫发作的预测因子。本发明缩短了检测时间，减少电极的植入数量，能观测到很好的预测效果。
-
公开(公告)号：CN114330753A
公开(公告)日：2022-04-12
申请号：CN202111680497.2
申请日：2021-12-29
Applicant: 杭州电子科技大学
Abstract: 本发明涉及一种基于领域泛化的脑电度量迁移学习方法，以脑电信号为研究对象，基于现有的度量迁移学习方法，进一步引入领域泛化思想以增强模型的泛化能力。本发明拟研究核表征学习方法，结合整体散度、域间散度、类内散度、类间散度四个方面，寻找能使类间散度和整体散度最大化、类内散度和域间散度最小化的特征变换矩阵。本发明的研究方法和取得的成果可进一步丰富脑电信号识别算法内容，具有广泛的应用价值。
-
公开(公告)号：CN114186608A
公开(公告)日：2022-03-15
申请号：CN202111294155.7
申请日：2021-11-03
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于运动想象的混合脑机接口特征提取方法，包括以下步骤：采集导联脑电图信号和导联肌电图信号，采用小波去噪的方法处理脑电信号和肌电信号，脑电信号基于似然同步理论构建脑功能网络，选取阈值进行二值化处理，提取二值化脑功能网络的特征，肌电信号采用非负矩阵分解，协同矩阵选取合适的数据变异度寻找不同的协同元，提取协同元的特征。将脑电特征和肌电特征进行特征融合。运用极限学习机实现对动作意图的识别分类。本发明识别率相比单一脑电特征和肌电特征更高，泛化性较强。本发明方法采取选取多特征融合互补的方式，可以提高动作意图识别的准确性、稳定性以及模型的鲁棒性。
-
-
-
-
-
-
-
-
-
Search Results
104
records
(took 0.035 seconds)
